CN117621898A - 考虑电网电价的智慧停车场充电桩充电控制方法及系统 - Google Patents

考虑电网电价的智慧停车场充电桩充电控制方法及系统 Download PDF

Info

Publication number
CN117621898A
CN117621898A CN202311682182.0A CN202311682182A CN117621898A CN 117621898 A CN117621898 A CN 117621898A CN 202311682182 A CN202311682182 A CN 202311682182A CN 117621898 A CN117621898 A CN 117621898A
Authority
CN
China
Prior art keywords
charging
target
electricity price
graph
charging pile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311682182.0A
Other languages
English (en)
Other versions
CN117621898B (zh
Inventor
张仲尧
高长利
严庆武
陈称禄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Hangzhou Yuen Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Yuen Technology Co ltd filed Critical Hangzhou Yuen Technology Co ltd
Priority to CN202311682182.0A priority Critical patent/CN117621898B/zh
Publication of CN117621898A publication Critical patent/CN117621898A/zh
Application granted granted Critical
Publication of CN117621898B publication Critical patent/CN117621898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/31—Charging columns specially adapted for electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明提供一种考虑电网电价的智慧停车场充电桩充电控制方法及系统，涉及充电技术领域，包括获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值；根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态。

Description

考虑电网电价的智慧停车场充电桩充电控制方法及系统
技术领域
本发明涉及充电技术，尤其涉及一种考虑电网电价的智慧停车场充电桩充电控制方法及系统。
背景技术
电动车的普及导致了充电基础设施的迅速发展。这包括公共充电站、家庭充电桩和商业停车场充电桩等，这些充电设施通常与电力系统连接，以提供电力给电动车。
充电桩需要能够有效管理电力分配，以避免过载和提供高效的充电服务，传统的充电控制方法可能包括基于时间表的充电、电池状态监测和电价计费。电价通常随供需情况和时间变化而变化，在一些地区，电网运营商可能实施动态电价制度，根据负荷情况实时调整电价。
现有的充电桩充电控制方法往往机械地提供电能，并未考虑电网电价以及与用户相关的充电成本，不仅充电成本高而且用户体验差。
发明内容
本发明实施例提供一种考虑电网电价的智慧停车场充电桩充电控制方法及系统，至少能够解决现有技术中部分问题。
本发明实施例的第一方面，
提供一种考虑电网电价的智慧停车场充电桩充电控制方法，包括：
获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，其中，所述充电需求预测模型基于多个时序神经网络模型组合而成；
根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，其中，
在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量。
在一种可选的实施方式中，
基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，包括：
所述充电需求预测模型包括第一预测子模型和第二预测子模型，其中，所述第一预测子模型基于长短期记忆网络模型构建，所述第二预测子模型基于图卷积网络模型构建；
基于所述第一预测子模型对所述历史充电信息、所述充电行为信息以及所述历史电价信息进行时间依赖编码，分别将所述历史充电信息转换为历史充电特征、将所述充电行为信息转换为充电行为特征以及将所述历史电价信息转换为历史电价特征；
基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图；
基于所述卷积融合图和所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第一预测子模型的全连接层预测所述目标充电桩在目标时间段内的充电需求预测值。
在一种可选的实施方式中，
基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图，包括：
构建所述特征距离图如下公式所示：
其中，D表示所述特征距离图对应的特征值，n表示所述特征距离图中节点的数量，w1i、w2i、w3i分别表示第i个节点对应的第一权重值、第二权重值以及第三权重值，Fbi、Fci、Fpi分别表示第i个历史充电特征、充电行为特征以及历史电价特征；
构建所述特征相似图如下公式所示：
其中，S表示所述特征相似图对应的特征值，Cov表示相关性函数，Fb、Fc、Fp分别表示历史充电特征、充电行为特征以及历史电价特征，Rb、Rc、Rp分别表示历史充电特征对应的标准差、充电行为特征对应的标准差以及历史电价特征对应的标准差；
将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图如下公式所示：
其中，Xl+1表示第l+1层的卷积融合图对应的特征值，Xl表示第l层的卷积融合图对应的特征值，σ表示激活函数，表示聚合函数，f(D,S)表示特征映射函数，Wl表示第l层的隐藏特征。
在一种可选的实施方式中，
根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数，包括：
f1＝P×Pcharge×Tcharge+α×Cuser+β×Cdynamic；
其中，f1表示第一目标函数对应的第一目标值，P表示电网电价，Pcharge表示充电功率，Tcharge表示充电时长，α、β分别表示用户特定成本对应的用户成本系数以及动态电价成本对应的电价成本系数；
Cdynamic、Cuser分别表示用户特定成本和动态电价成本，r表示充电时长影响因子，P(t)表示实时电价函数，Twaiting表示充电等待时长，k表示优先级系数，Piruser表示用户充电优先级。
在一种可选的实施方式中，
以充电效率最大化为第二目标构建第二目标函数，包括：
其中，f2表示第二目标函数对应的第二目标值，Pcharge表示充电功率，Pgrid表示电网所提供的功率，ucharging表示充电效率，γ、δ分别表示功率因数不良权重、电池效率不良权重，θ表示功率因数角。
在一种可选的实施方式中，
以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，包括：
根据所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值构建初始化种群，所述初始化种群包括多个第一粒子；
根据预设的帕累托约束因子，结合所述第一目标值和所述第二目标值确定每个第一粒子的初始适应度值；
基于所述初始适应度值动态设置交叉率和变异率，基于所述交叉率和变异率对所述第一粒子进行交叉和变异操作，得到进化种群，所述进化种群包括多个第二粒子；
将所述进化种群中的第二粒子与所述初始化种群中的第一粒子进行遍历竞争，若所述第一粒子的适应度值高于所述第二粒子的适应度值，则用第一粒子替换所述第二粒子，完成对所述第二粒子的更新，将更新后第二粒子中拥挤度最高的粒子作为目标粒子，控制所述目标充电桩的工作状态。
在一种可选的实施方式中，
基于所述初始适应度值动态设置交叉率和变异率包括：
其中，表示第h个交叉率，L表示适应度值的数量，Divh表示表示第h个种群多样性指标，fstd、fvar分别表示适应度值的标准差和方差，fmax、fmin、favg分别表示适应度值的最大值、最小值和平均值；
其中，表示第v个变异率，kv表示变异调整系数，用于控制调整的速度和幅度。
本发明实施例的第二方面，
提供一种考虑电网电价的智慧停车场充电桩充电控制系统，包括：
第一单元，用于获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，其中，所述充电需求预测模型基于多个时序神经网络模型组合而成；
第二单元，用于根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，其中，
第三单元，用于在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
通过充电需求预测和多目标优化算法，可以实现充电成本的最小化，这意味着用户可以以更低的成本充电，从而节省充电费用；充电效率的最大化可以确保电能的有效利用，减少充电损耗，提高充电过程的效率，这有助于缩短充电时间和提高电动车的续航里程；预测充电需求和优化充电策略可以平稳地分配电网负载，避免电网过载和不稳定的情况，有助于电网的稳定运行；通过考虑用户优先级和需求响应，充电策略可以更好地满足用户的需求，提高用户满意度；充电需求预测和优化算法可以实时监控充电桩状态和电价情况，及时响应电网波动和设备故障，提高系统的稳定性和可靠性。
本发明实施例通过结合特征距离图和特征相似图，该方法能够更加全面地考虑不同特征之间的关系，从而可能提高模型整体的特征表达能力；利用协方差和标准差计算特征之间的关联性，有助于揭示特征间的相互依赖和潜在的复杂关系，这对于复杂数据分析是有益的；通过图融合和卷积操作，模型能够学习到特征间更深层次的联系，有望提高预测任务的准确性，特别是在充电行为和电价预测方面。在处理时间序列数据(如历史充电和价格特征)时，该方法能够帮助模型更好地理解和识别数据中的模式和趋势；通过分层的卷积融合图，模型可以更加有效地抽象和学习特征表示，这可能有助于模型在未知数据上的泛化能力。
附图说明
图1为本发明实施例考虑电网电价的智慧停车场充电桩充电控制方法的流程示意图；
图2为本发明实施例考虑电网电价的智慧停车场充电桩充电控制系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例考虑电网电价的智慧停车场充电桩充电控制方法的流程示意图，如图1所示，所述方法包括：
S101.获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值；
示例性地，可以收集目标充电桩的历史充电信息，包括充电功率、充电时间、电量等；确定接入目标充电桩的电动车的充电行为信息，包括充电时段、充电功率需求等；获取目标充电桩所接入电网的历史电价信息，包括不同时段的电价数据；对数据进行预处理，包括缺失值处理、异常值检测与处理、数据对齐等，以确保数据的质量和一致性。
根据历史充电信息、电动车充电行为信息以及历史电价信息，构建充电需求预测模型的特征，特征可以包括充电时段、电价信息、充电功率历史、充电时间历史、充电桩的设备状态等。选择合适的预测模型，例如时间序列模型(如ARIMA、Prophet)、机器学习模型(如回归模型、神经网络)或深度学习模型(如LSTM、Transformer)，利用历史数据训练预测模型，调整模型参数以提高预测准确性。
使用建立好的充电需求预测模型，基于特征工程中的数据，预测目标充电桩在目标时间段内的充电需求预测值，预测结果可以是充电功率需求的时间序列，覆盖目标时间段的预测。
使用预测的充电需求值，结合目标充电桩的设备状态和电网电价信息，制定充电策略，以实现充电成本最小化、充电效率最大化等目标。实际控制目标充电桩的工作状态，根据预测的需求调整充电功率、充电时长等参数。
通过充电需求预测和多目标优化算法，可以实现充电成本的最小化，这意味着用户可以以更低的成本充电，从而节省充电费用；充电效率的最大化可以确保电能的有效利用，减少充电损耗，提高充电过程的效率，这有助于缩短充电时间和提高电动车的续航里程；预测充电需求和优化充电策略可以平稳地分配电网负载，避免电网过载和不稳定的情况，有助于电网的稳定运行；通过考虑用户优先级和需求响应，充电策略可以更好地满足用户的需求，提高用户满意度；充电需求预测和优化算法可以实时监控充电桩状态和电价情况，及时响应电网波动和设备故障，提高系统的稳定性和可靠性。
在一种可选的实施方式中，
基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，包括：
所述充电需求预测模型包括第一预测子模型和第二预测子模型，其中，所述第一预测子模型基于长短期记忆网络模型构建，所述第二预测子模型基于图卷积网络模型构建；
基于所述第一预测子模型对所述历史充电信息、所述充电行为信息以及所述历史电价信息进行时间依赖编码，分别将所述历史充电信息转换为历史充电特征、将所述充电行为信息转换为充电行为特征以及将所述历史电价信息转换为历史电价特征；
基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图；
基于所述卷积融合图和所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第一预测子模型的全连接层预测所述目标充电桩在目标时间段内的充电需求预测值。
示例性地，本申请的充电需求预测模型包括第一预测子模型和第二预测子模型，其中，所述第一预测子模型基于长短期记忆网络模型构建，所述第二预测子模型基于图卷积网络模型构建；
通过长短期记忆网络模型基于历史充电信息，进行时间依赖编码，生成历史充电特征，可以包括充电功率的时间序列；基于充电行为信息，提取充电行为特征，可能包括用户的充电行为模式、优先级等；基于历史电价信息，生成历史电价特征，可以包括不同时段的电价情况。使用长短期记忆网络或其他适合序列数据的神经网络架构构建第一预测子模型；输入包括历史充电特征、充电行为特征以及历史电价特征，模型可以包括多个LSTM层，用于学习时间序列数据的依赖关系。使用训练数据集对第一预测子模型进行训练，目标是最小化充电需求预测误差。
示例性地，收集历史充电信息，包括充电功率、充电时间等，将历史充电信息转化为时间序列数据，确保时间戳信息正确排序。将时间序列数据划分为不同的时间窗口，例如每小时或每日一个窗口；对于每个时间窗口，可以提取多种统计特征，如平均充电功率、最大充电功率、最小充电功率、充电时长等。使用移动平均、滑动窗口统计等方法，捕捉时间依赖性，例如近期的充电趋势。
示例性地，收集充电行为信息，包括充电时段、用户优先级等，对于充电时段，可以将其转换为时间标签，例如白天、晚上、工作日、周末等。对于用户优先级，可以将其映射为数字编码，例如高优先级用户为1，低优先级用户为0。利用时间标签和用户优先级信息，可以构建充电行为特征，例如时段是否是高峰时段、用户优先级等级等。
示例性地，收集历史电价信息，包括不同时段的电价数据。对于历史电价信息，保留时间戳信息以确保正确的时间依赖编码。根据不同时段的电价数据，可以提取多种电价特征，例如平均电价、峰值电价、低谷电价等。
在一种可选的实施方式中，
基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图，包括：
构建所述特征距离图如下公式所示：
其中，D表示所述特征距离图对应的特征值，n表示所述特征距离图中节点的数量，w1i、w2i、w3i分别表示第i个节点对应的第一权重值、第二权重值以及第三权重值，Fbi、Fci、Fpi分别表示第i个历史充电特征、充电行为特征以及历史电价特征；
示例性地，对于历史充电特征、充电行为特征和历史电价特征，计算它们之间的距离或相似性，距离可以使用欧几里得距离、曼哈顿距离等度量；对计算得到的距离进行归一化处理，以确保不同特征之间的距离值在相似范围内。基于归一化后的距离值，构建特征距离图，其中节点表示特征，边表示特征之间的距离。
示例性地，对于历史充电特征、充电行为特征和历史电价特征，计算它们之间的相似性，例如余弦相似度、Pearson相关系数等。对计算得到的相似度进行归一化处理，以确保相似度值在0到1之间。基于归一化后的相似度值，构建特征相似图，其中节点表示特征，边表示特征之间的相似性。
为特征距离图和特征相似图分别分配权重，第一图权重(通常大于0)用于特征距离图，第二图权重(通常小于1)用于特征相似图。将特征距离图和特征相似图进行加权融合，以得到卷积融合图。融合方法可以是加权平均、线性组合等。卷积融合图将保留特征之间的距离信息(从特征距离图中获得)和特征之间的相似性信息(从特征相似图中获得)，并考虑它们的权重。
构建所述特征相似图如下公式所示：
其中，S表示所述特征相似图对应的特征值，Cov表示相关性函数，Fb、Fc、Fp分别表示历史充电特征、充电行为特征以及历史电价特征，Rb、Rc、Rp分别表示历史充电特征对应的标准差、充电行为特征对应的标准差以及历史电价特征对应的标准差；
将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图如下公式所示：
其中，Xl+1表示第l+1层的卷积融合图对应的特征值，Xl表示第l层的卷积融合图对应的特征值，σ表示激活函数，表示聚合函数，f(D,S)表示特征映射函数，Wl表示第l层的隐藏特征。
本发明实施例通过结合特征距离图和特征相似图，该方法能够更加全面地考虑不同特征之间的关系，从而可能提高模型整体的特征表达能力；利用协方差和标准差计算特征之间的关联性，有助于揭示特征间的相互依赖和潜在的复杂关系，这对于复杂数据分析是有益的；通过图融合和卷积操作，模型能够学习到特征间更深层次的联系，有望提高预测任务的准确性，特别是在充电行为和电价预测方面。在处理时间序列数据(如历史充电和价格特征)时，该方法能够帮助模型更好地理解和识别数据中的模式和趋势；通过分层的卷积融合图，模型可以更加有效地抽象和学习特征表示，这可能有助于模型在未知数据上的泛化能力。
S102.根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态；
示例性地，目标充电桩的设备状态指的是充电桩的工作参数和运行配置，包括但不限于以下方面：充电功率：充电桩当前输出的电功率，通常以千瓦(kW)为单位。充电时段：指示充电桩何时开始和结束充电，通常以时间段表示，例如白天、晚上、高峰时段、低谷时段等。充电速率：充电桩的充电速率，即每小时充电的电量。充电模式：充电桩的工作模式，例如快充、慢充、定时充电等。充电状态：充电桩当前的充电状态，如充电中、待机、故障等。
示例性地，充电成本最小化是指在充电过程中，通过合理的充电策略和电价优化，使用户在充电过程中支付的费用最低。充电成本通常包括两个主要部分：用户特定成本：用户根据电价和充电需求支付的成本，例如电价高峰时段充电费用较高。动态电价成本：考虑电网电价波动，选择在电价较低时充电以降低成本。充电成本最小化的目标是帮助用户降低充电费用，同时综合考虑电价波动和用户需求。
示例性地，充电效率最大化是指在充电过程中，通过合理的充电策略和操作措施，使充电桩的能源利用率最高，即在消耗的电能下尽可能多地充电电量。高充电效率有助于节省电能、减少成本和缩短充电时间。充电效率可以用电量输出与电能输入之比来衡量，即输出的电量除以消耗的电能。充电效率最大化的目标是确保在给定的电能输入下，充电桩充电过程中能够为电动车提供尽可能多的电量。
充电成本最小化和充电效率最大化是两种不同的目标，前者侧重于降低用户的充电费用，后者侧重于提高充电过程的效率和能源利用率。在实际应用中，需要根据用户需求、电价情况和电动车充电桩的特性来权衡和优化这两个目标，以实现最佳的充电策略。
在一种可选的实施方式中，
根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数，包括：
f1＝P×Pcharge×Tcharge+α×Cuser+β×Cdynamic；
其中，f1表示第一目标函数对应的第一目标值，P表示电网电价，Pcharge表示充电功率，Tcharge表示充电时长，α、β分别表示用户特定成本对应的用户成本系数以及动态电价成本对应的电价成本系数；
Cdynamic、Cuser分别表示用户特定成本和动态电价成本，r表示充电时长影响因子，P(t)表示实时电价函数，Twaiting表示充电等待时长，k表示优先级系数，Piruser表示用户充电优先级。
示例性地，用户特定成本对应的用户成本系数，表示用户根据电价和充电需求计算用户成本的权重，通常为正实数；动态电价成本对应的电价成本系数，表示电价成本对充电成本的权重，通常为正实数；动态电价成本，表示用户在不同时段的电价波动下的充电成本；用户特定成本，表示用户根据充电需求和电价计算的成本；充电时长影响因子，表示充电时长对充电成本的影响程度，通常为正实数。较长的充电时长可能导致更高的成本；实时电价函数，表示不同时刻的电价，通常是一个时间函数，可以反映电价在不同时段的变化。这可以是一个函数或一个数据序列；充电等待时长，表示用户等待充电桩可用的时间，通常以小时为单位；优先级系数，表示用户优先级对充电成本的影响程度，通常为正实数。较高的优先级可能会降低充电成本；用户充电优先级，表示用户的优先级，通常是一个数字，较高的数字表示较高的优先级。
本发明实施例通过最小化充电成本，用户能够在充电过程中降低费用支出，特别是在电价波动较大的高峰时段和低谷时段进行智能充电，以实现更经济高效的充电。通过根据用户的电价敏感性和充电需求，制定个性化的充电策略，用户体验得到改善，用户满意度提高。通过在电价低谷时段推动充电，可以帮助平衡电网负荷，减轻高峰负荷压力，提高电网稳定性。充电成本最小化有助于提高充电效率，减少能源浪费，更有效地利用电能，有利于可持续能源发展。
在一种可选的实施方式中，
以充电效率最大化为第二目标构建第二目标函数，包括：
其中，f2表示第二目标函数对应的第二目标值，Pcharge表示充电功率，Pgrid表示电网所提供的功率，ucharging表示充电效率，γ、δ分别表示功率因数不良权重、电池效率不良权重，θ表示功率因数角。
示例性地，电网所提供的功率，表示电网向充电桩提供的电能功率；充电效率，表示充电过程中电能的有效利用率；功率因数不良权重，表示功率因数不良对充电效率的影响权重，通常为正实数；电池效率不良权重，表示电池效率不良对充电效率的影响权重；功率因数角，表示电路中的功率因数的相位角度，通常以度数表示；功率因数角通常用于衡量电路中的无功功率(虚功率)。
其中，功率因数是用于衡量电路中有用功率和视在功率之间关系的参数。有用功率是用于执行实际工作的功率，而视在功率是总功率，包括有用功率和无用功率(虚功率)。当电路中存在功率因数不良时，意味着大部分电能是以无用功率的形式浪费掉的，这会导致电能的浪费和电路效率的降低。功率因数不良通常由电路中的电感元件(例如电感线圈)引起，它们会导致电流和电压之间的相位差，从而产生无用功率。功率因数不良会增加电路的总功率需求，导致电网中的能量浪费，降低能源利用率，增加电费支出，同时可能对电网稳定性造成影响；通过改善功率因数，可以减少无用功率，提高能源效率。
其中，电池效率是指电池系统将输入电能转化为输出电能的效率。它表示电池在充电和放电过程中的能量损失情况。当电池效率不良时，意味着电池在充电和放电过程中会发生较大的能量损失，通常以热量的形式散失。电池效率不良可能由多种因素引起，包括内阻、化学反应效率、温度等。作用：电池效率不良会导致电池系统的能量损失，减少了电池的实际容量，降低了电池的能量存储效率。这可能导致电动车续航里程的减少，需要更频繁的充电，以及电池寿命的降低。
第二目标函数的目标是最大化充电效率，以确保在电能传输和储存过程中尽量减少能量损失。充电效率是电能转换和传输的重要性能指标，通过优化充电功率、电网功率、功率因数、电池效率等参数，可以实现充电效率最大化的目标，以提高电能的有效利用率。
在一种可选的实施方式中，
以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，包括：
根据所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值构建初始化种群，所述初始化种群包括多个第一粒子；
根据预设的帕累托约束因子，结合所述第一目标值和所述第二目标值确定每个第一粒子的初始适应度值；
基于所述初始适应度值动态设置交叉率和变异率，基于所述交叉率和变异率对所述第一粒子进行交叉和变异操作，得到进化种群，所述进化种群包括多个第二粒子；
将所述进化种群中的第二粒子与所述初始化种群中的第一粒子进行遍历竞争，若所述第一粒子的适应度值高于所述第二粒子的适应度值，则用第一粒子替换所述第二粒子，完成对所述第二粒子的更新，将更新后第二粒子中拥挤度最高的粒子作为目标粒子，控制所述目标充电桩的工作状态。
示例性地，首先，初始化一个种群，其中包括多个第一粒子(也称为个体或解)；每个第一粒子表示一种可能的充电策略，其中包括充电功率、充电时段等参数的设定，这些参数将影响充电成本和充电效率。对于每个第一粒子，分别计算第一目标函数和第二目标函数的值，得到第一目标值和第二目标值。第一目标值表示充电成本，第二目标值表示充电效率。根据预设的帕累托约束因子，结合第一目标值和第二目标值，确定每个第一粒子的初始适应度值。帕累托约束因子用于平衡两个目标之间的权重关系。适应度值通常可以通过加权求和或其他适当的方式计算，以综合考虑两个目标。
根据初始适应度值，动态设置交叉率和变异率。这些参数用于控制遗传算法的进化操作，例如交叉和变异。高适应度值的个体可能具有较高的交叉率和较低的变异率，以鼓励信息传递和优秀个体的保留。
基于设置的交叉率和变异率，对第一粒子进行交叉和变异操作，得到进化种群，其中包括多个第二粒子。交叉和变异操作有助于探索潜在的优秀解，并引入多样性。将进化种群中的第二粒子与初始化种群中的第一粒子进行遍历竞争。
如果第一粒子的适应度值高于第二粒子的适应度值，则用第一粒子替换第二粒子，完成对第二粒子的更新。在竞争中，拥挤度最高的粒子(通常指适应度值最差的粒子)可能被替换。在遍历竞争后，选择更新后适应度值最高的第一粒子作为目标粒子，这个目标粒子将代表最佳的充电策略。控制目标充电桩的工作状态根据目标粒子的参数。
可选地，确定一组帕累托约束因子。这些约束因子的选择取决于您希望在两个目标之间的权衡关系。通常，帕累托约束因子可以在0到1之间变化，其中0表示完全侧重第一个目标，1表示完全侧重第二个目标，中间的值表示两个目标的权衡。对于每个第一粒子(解)，将帕累托约束因子与第一目标值和第二目标值相结合，计算初始适应度值。这可以使用加权求和的方式完成，其中帕累托约束因子用于加权两个目标值，计算适应度值。对计算出的适应度值进行排序，通常是按照适应度值的升序或降序排列。这将确定哪些解位于帕累托前沿上，哪些解被视为优秀解。通过这些步骤，可以为每个第一粒子计算初始适应度值，帮助确定其在多目标优化问题中的相对贡献和位置。帕累托前沿中的解表示在权衡两个目标时的最佳解决方案。在后续的优化过程中，这些初始适应度值将用于选择和更新解，以逐步优化多目标问题。
可选地，首先，初始化交叉率(crossoverrate)和变异率(mutationrate)，这两个参数通常可以设置为较小的初始值，例如0.2(20％的交叉率和变异率)。对于每个第一粒子，计算其适应度值的变化情况，这可以通过比较当前适应度值与上一代的适应度值来实现，如果当前适应度值较好(更优)，则变化值为正；如果适应度值较差，则变化值为负；如果适应度值无变化，则变化值为0。
根据适应度值的变化情况，动态调整交叉率和变异率，通常的规则如下：
如果适应度值变化为正(即当前解更好)，则可以增加交叉率，以鼓励更多的信息交换和多样性。如果适应度值变化为负(即当前解较差)，则可以减小交叉率，以保留较好的解，并减少不稳定的变化。如果适应度值无变化，则可以保持交叉率和变异率不变，或者根据其他规则进行微小的调整。
交叉操作：使用动态调整后的交叉率，对第一粒子进行交叉操作，生成第二粒子。交叉操作可以采用各种方法，如单点交叉、多点交叉或均匀交叉，具体取决于问题的性质。
变异操作：使用动态调整后的变异率，对第一粒子进行变异操作，生成第二粒子。变异操作通常涉及到对粒子的某些参数进行微小的随机变化。
构建进化种群：将生成的第二粒子添加到进化种群中，以取代原始种群中的相应第一粒子。重复上述步骤，直到进化种群包括多个第二粒子。
示例性地，对于每个第一粒子和相应的第二粒子，进行遍历竞争，遍历竞争是指比较两个粒子的适应度值，以确定哪一个更好。比较第一粒子和第二粒子的适应度值，如果第一粒子的适应度值高于第二粒子的适应度值，则第一粒子被视为更好的解决方案。如果第一粒子更好，用第一粒子替换第二粒子，这意味着第二粒子的参数将被更新为第一粒子的参数，以获得更好的解决方案。在每次更新后，计算更新后的第二粒子的适应度值，并将其添加到拥挤度评估中。拥挤度评估用于确定哪些粒子应该保留在种群中。如果种群中粒子的数量达到上限，可以根据拥挤度评估选择保留最具竞争力的粒子，并淘汰其他不太竞争的粒子。在每次竞争后，选择更新后第二粒子中适应度值最高的粒子作为目标粒子。目标粒子将代表最佳的充电策略，控制目标充电桩的工作状态。
在一种可选的实施方式中，
基于所述初始适应度值动态设置交叉率和变异率包括：
其中，表示第h个交叉率，L表示适应度值的数量，Divh表示表示第h个种群多样性指标，fstd、fvar分别表示适应度值的标准差和方差，fmax、fmin、favg分别表示适应度值的最大值、最小值和平均值；
其中，表示第v个变异率，kv表示变异调整系数，用于控制调整的速度和幅度。
示例性地，交叉率用于控制交叉操作的参数，不同的交叉率可以影响种群中解的多样性和交叉的频率；种群多样性指标，用于衡量种群内个体的多样性或分布，这个指标可以用来评估解的分散程度或集中程度。变异率，用于控制变异操作的参数，不同的变异率可以影响解的变异速度和幅度。变异调整系数用于控制变异率的调整速度和幅度，这个参数可以影响变异率的动态调整过程。
示例性地，采用多目标优化算法，能够在充电成本和充电效率之间找到合适的平衡点，这使得系统可以在不同的需求下选择最佳的充电策略，满足用户的经济和时间需求。通过动态设置交叉率和变异率，系统可以在不同的搜索阶段灵活地调整搜索策略，以更好地探索解空间，提高算法的收敛速度和性能。使用遍历竞争策略，系统能够在每代中选择最优的充电策略，并保留最具竞争力的解决方案。这有助于提高多目标优化算法的搜索效率和质量。通过选择目标粒子，系统可以将最佳的充电策略用于控制目标充电桩的工作状态，从而实现经济和高效的充电服务。
S103.在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量。
示例性地，在系统中实时监测电网电价，可以通过与电力供应商合作或访问电价数据源来获取当前的电价信息；根据监测到的电网电价数据，确定电价的当前状态，即是处于电价峰值状态还是电价谷底状态。
当电价处于峰值状态时，系统采取以下措施：控制目标充电桩工作在放电状态，即从储能设备中调用电量。同时，目标充电桩对接入其的电动车进行充电。这意味着储能设备向电动车提供电能，以满足电动车的充电需求。
当电价处于谷底状态时，系统采取以下措施：控制目标充电桩工作在充电状态，即开始充电。同时，控制目标充电桩对应的储能设备进行充电，以储存电能以备后用。控制接入目标充电桩的电动车从电网获取电量，即电动车通过目标充电桩从电网购买电能。在电价峰值状态和电价谷底状态下，系统实时监测充电桩、储能设备和电动车之间的电量流动情况，并根据需求进行动态调整。系统可以采用智能算法来优化电量分配，确保电价高峰期时尽量减少购买电能成本，电价低谷期时尽量充电和储能，以获得最佳经济效益。
图2为本发明实施例考虑电网电价的智慧停车场充电桩充电控制系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，其中，所述充电需求预测模型基于多个时序神经网络模型组合而成；
第二单元，用于根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，其中，
第三单元，用于在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种考虑电网电价的智慧停车场充电桩充电控制方法，其特征在于，包括：
获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，其中，所述充电需求预测模型基于多个时序神经网络模型组合而成；
根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，其中，
在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量；
基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，包括：
所述充电需求预测模型包括第一预测子模型和第二预测子模型，其中，所述第一预测子模型基于长短期记忆网络模型构建，所述第二预测子模型基于图卷积网络模型构建；
基于所述第一预测子模型对所述历史充电信息、所述充电行为信息以及所述历史电价信息进行时间依赖编码，分别将所述历史充电信息转换为历史充电特征、将所述充电行为信息转换为充电行为特征以及将所述历史电价信息转换为历史电价特征；
基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图；
基于所述卷积融合图和所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第一预测子模型的全连接层预测所述目标充电桩在目标时间段内的充电需求预测值。
2.根据权利要求1所述的方法，其特征在于，基于所述历史充电特征、所述充电行为特征以及所述历史电价特征，通过所述第二预测子模型构建特征距离图以及特征相似图，并分别为所述特征距离图分配第一图权重以及为所述特征相似图分配第二图权重，将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图，包括：
构建所述特征距离图如下公式所示：
其中，D表示所述特征距离图对应的特征值，n表示所述特征距离图中节点的数量，w1i、w2i、w3i分别表示第i个节点对应的第一权重值、第二权重值以及第三权重值，Fbi、Fci、Fpi分别表示第i个历史充电特征、充电行为特征以及历史电价特征；
构建所述特征相似图如下公式所示：
其中，S表示所述特征相似图对应的特征值，Cov表示相关性函数，Fb、Fc、Fp分别表示历史充电特征、充电行为特征以及历史电价特征，Rb、Rc、Rp分别表示历史充电特征对应的标准差、充电行为特征对应的标准差以及历史电价特征对应的标准差；
将所述特征距离图以及所述特征相似图进行图融合，得到卷积融合图如下公式所示：
其中，Xl+1表示第l+1层的卷积融合图对应的特征值，Xl表示第l层的卷积融合图对应的特征值，σ表示激活函数，表示聚合函数，f(D,S)表示特征映射函数，Wl表示第l层的隐藏特征。
3.根据权利要求1所述的方法，其特征在于，根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数，包括：
f1＝P×Pcharge×Tcharge+α×Cuser+β×Cdynamic；
其中，f1表示第一目标函数对应的第一目标值，P表示电网电价，Pcharge表示充电功率，Tcharge表示充电时长，α、β分别表示用户特定成本对应的用户成本系数以及动态电价成本对应的电价成本系数；
Cdynamic、Cuser分别表示用户特定成本和动态电价成本，r表示充电时长影响因子，P(t)表示实时电价函数，Twaiting表示充电等待时长，k表示优先级系数，Piruser表示用户充电优先级。
4.根据权利要求1所述的方法，其特征在于，以充电效率最大化为第二目标构建第二目标函数，包括：
其中，f2表示第二目标函数对应的第二目标值，Pcharge表示充电功率，Pgrid表示电网所提供的功率，ucharging表示充电效率，γ、δ分别表示功率因数不良权重、电池效率不良权重，θ表示功率因数角。
5.根据权利要求1所述的方法，其特征在于，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，包括：
根据所述第一目标函数对应的第一目标值和所述第二目标函数对应的第二目标值构建初始化种群，所述初始化种群包括多个第一粒子；
根据预设的帕累托约束因子，结合所述第一目标值和所述第二目标值确定每个第一粒子的初始适应度值；
基于所述初始适应度值动态设置交叉率和变异率，基于所述交叉率和变异率对所述第一粒子进行交叉和变异操作，得到进化种群，所述进化种群包括多个第二粒子；
将所述进化种群中的第二粒子与所述初始化种群中的第一粒子进行遍历竞争，若所述第一粒子的适应度值高于所述第二粒子的适应度值，则用第一粒子替换所述第二粒子，完成对所述第二粒子的更新，将更新后第二粒子中拥挤度最高的粒子作为目标粒子，控制所述目标充电桩的工作状态。
6.根据权利要求5所述的方法，其特征在于，基于所述初始适应度值动态设置交叉率和变异率包括：
其中，表示第h个交叉率，L表示适应度值的数量，Divh表示表示第h个种群多样性指标，fstd、fvar分别表示适应度值的标准差和方差，fmax、fmin、favg分别表示适应度值的最大值、最小值和平均值；
其中，表示第v个变异率，kv表示变异调整系数，用于控制调整的速度和幅度。
7.一种考虑电网电价的智慧停车场充电桩充电控制系统，用于实现前述权利要求1至6中任一项所述的考虑电网电价的智慧停车场充电桩充电控制方法，其特征在于，包括：
第一单元，用于获取目标充电桩的历史充电信息，接入所述目标充电桩的电动车的充电行为信息以及所述目标充电桩所接入电网的历史电价信息，基于预先构建的充电需求预测模型预测所述目标充电桩在目标时间段内的充电需求预测值，其中，所述充电需求预测模型基于多个时序神经网络模型组合而成；
第二单元，用于根据所述充电需求预测值，结合所述目标充电桩的设备状态以及所获取的电网电价，以充电成本最小化为第一目标构建第一目标函数和以充电效率最大化为第二目标构建第二目标函数，通过多目标优化算法控制所述目标充电桩的工作状态，其中，
第三单元，用于在电网电价处于电价峰值时，控制所述目标充电桩从储能设备中调用电量工作在放电状态，对接入所述目标充电桩的电动车进行充电；在所述电网电价处于电价谷底时，控制所述目标充电桩工作在充电状态，对所述目标充电桩对应的储能设备进行充电，并且控制接入所述目标充电桩的电动车从电网获取电量。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN202311682182.0A 2023-12-08 2023-12-08 考虑电网电价的智慧停车场充电桩充电控制方法及系统 Active CN117621898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311682182.0A CN117621898B (zh) 2023-12-08 2023-12-08 考虑电网电价的智慧停车场充电桩充电控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311682182.0A CN117621898B (zh) 2023-12-08 2023-12-08 考虑电网电价的智慧停车场充电桩充电控制方法及系统

Publications (2)

Publication Number Publication Date
CN117621898A true CN117621898A (zh) 2024-03-01
CN117621898B CN117621898B (zh) 2024-05-24

Family

ID=90035443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311682182.0A Active CN117621898B (zh) 2023-12-08 2023-12-08 考虑电网电价的智慧停车场充电桩充电控制方法及系统

Country Status (1)

Country Link
CN (1) CN117621898B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933668A (zh) * 2024-03-21 2024-04-26 杭州育恩科技有限公司 基于电网负荷与电价的智慧停车场充电调度方法及系统
CN118494259A (zh) * 2024-07-15 2024-08-16 北京这房行信息技术有限公司 基于斑马优化算法的充电站功率优化方法、装置和设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190165580A1 (en) * 2017-11-27 2019-05-30 Ihi Inc. System and method for optimal control of energy storage system
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
KR20200084454A (ko) * 2018-12-27 2020-07-13 주식회사 에이치에너지 인공지능 기반 예측적 ess 충방전 운용 장치 및 방법
CN112215434A (zh) * 2020-10-22 2021-01-12 深圳市加码能源科技有限公司 一种lstm模型的生成方法、充电时长预测方法及介质
CN114169593A (zh) * 2021-11-24 2022-03-11 广东电网有限责任公司中山供电局 基于负荷预测和深度强化学习的台区电动汽车有序充电方法
KR20220099817A (ko) * 2021-01-07 2022-07-14 연세대학교 산학협력단 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법
WO2022152065A1 (zh) * 2021-01-12 2022-07-21 上海追日电气有限公司 一种充电管理系统的充电与供能优化方法及装置
CN115173455A (zh) * 2022-08-11 2022-10-11 桂林理工大学 一种电动汽车集群在线充电算法
CN116703464A (zh) * 2023-06-09 2023-09-05 广东电网有限责任公司珠海供电局 电动汽车充电需求建模方法、装置、电子设备及存储介质
CN116706963A (zh) * 2023-05-07 2023-09-05 国网湖北省电力有限公司营销服务中心(计量中心) 基于区域电力负荷预测的大规模电动汽车v2g调度方法
CN116824850A (zh) * 2023-06-27 2023-09-29 上海理工大学 一种基于边缘计算的自适应智能停车系统及方法
CN117077985A (zh) * 2023-10-16 2023-11-17 浙江优能电力设计有限公司 根据充电需求的电动车充电桩规划方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190165580A1 (en) * 2017-11-27 2019-05-30 Ihi Inc. System and method for optimal control of energy storage system
KR20200084454A (ko) * 2018-12-27 2020-07-13 주식회사 에이치에너지 인공지능 기반 예측적 ess 충방전 운용 장치 및 방법
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN112215434A (zh) * 2020-10-22 2021-01-12 深圳市加码能源科技有限公司 一种lstm模型的生成方法、充电时长预测方法及介质
KR20220099817A (ko) * 2021-01-07 2022-07-14 연세대학교 산학협력단 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법
WO2022152065A1 (zh) * 2021-01-12 2022-07-21 上海追日电气有限公司 一种充电管理系统的充电与供能优化方法及装置
CN114169593A (zh) * 2021-11-24 2022-03-11 广东电网有限责任公司中山供电局 基于负荷预测和深度强化学习的台区电动汽车有序充电方法
CN115173455A (zh) * 2022-08-11 2022-10-11 桂林理工大学 一种电动汽车集群在线充电算法
CN116706963A (zh) * 2023-05-07 2023-09-05 国网湖北省电力有限公司营销服务中心(计量中心) 基于区域电力负荷预测的大规模电动汽车v2g调度方法
CN116703464A (zh) * 2023-06-09 2023-09-05 广东电网有限责任公司珠海供电局 电动汽车充电需求建模方法、装置、电子设备及存储介质
CN116824850A (zh) * 2023-06-27 2023-09-29 上海理工大学 一种基于边缘计算的自适应智能停车系统及方法
CN117077985A (zh) * 2023-10-16 2023-11-17 浙江优能电力设计有限公司 根据充电需求的电动车充电桩规划方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933668A (zh) * 2024-03-21 2024-04-26 杭州育恩科技有限公司 基于电网负荷与电价的智慧停车场充电调度方法及系统
CN118494259A (zh) * 2024-07-15 2024-08-16 北京这房行信息技术有限公司 基于斑马优化算法的充电站功率优化方法、装置和设备

Also Published As

Publication number Publication date
CN117621898B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Lu et al. Demand response for home energy management using reinforcement learning and artificial neural network
Wang et al. Deep reinforcement learning method for demand response management of interruptible load
Xu et al. A multi-agent reinforcement learning-based data-driven method for home energy management
CN117621898B (zh) 考虑电网电价的智慧停车场充电桩充电控制方法及系统
Correa-Florez et al. Stochastic operation of home energy management systems including battery cycling
CN106532769B (zh) 基于光伏并网不确定性的需求侧分时电价的优化方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
CN116523148B (zh) 一种配电网配变重过载预警方法、装置和设备
CN113644652B (zh) 一种基于用户不确定性行为的负荷调控优化系统
CN116307076A (zh) 一种基于物联网的工业园区能效管控方法
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
Zhang et al. Joint planning of residential electric vehicle charging station integrated with photovoltaic and energy storage considering demand response and uncertainties
CN115705608A (zh) 一种虚拟电厂负荷感知方法及装置
CN113361890A (zh) 适用于智能电网终端用户的用电零售套餐决策方法及系统
CN117728414A (zh) 适配于功率溢出型电源的配电网优化和评估方法和系统
Chang et al. Short-term load forecasting method based on LSTM-SVR considering generalized demand-side resources
CN118636728B (zh) 充电桩功率分配控制方法、系统及设备
CN117767369B (zh) 一种考虑中长期规划的储能选址和分级配置方法
CN117291756B (zh) 一种储能设备配置调整方法、装置和存储介质
CN112308327B (zh) 基于自适应特征权重的智慧城市电力负荷估计方法
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法
Chu et al. A method for evaluating the controllable potential of distributed resources in virtual power plants based on cloud edge collaborative architecture
Pindaro Controlling lithium-ion batteries through reinforcement learning
CN118508485A (zh) 一种用户侧储能参与辅助服务方法及系统
Li et al. Research on the Coordination Method of Scaled Flexible Load Participation in Power System Source-grid Interaction Considering Uncertainty

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240627

Address after: No. 1, Wenyuan Road, Nanjing, Jiangsu Province, 210000

Patentee after: NANJING NORMAL University

Country or region after: China

Address before: Room 535, Building 4, No. 66 Dongxin Avenue, Puyan Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000

Patentee before: Hangzhou Yuen Technology Co.,Ltd.

Country or region before: China