CN117885593B - 一种基于大数据的充电站数据管控方法及系统 - Google Patents
一种基于大数据的充电站数据管控方法及系统 Download PDFInfo
- Publication number
- CN117885593B CN117885593B CN202410288552.0A CN202410288552A CN117885593B CN 117885593 B CN117885593 B CN 117885593B CN 202410288552 A CN202410288552 A CN 202410288552A CN 117885593 B CN117885593 B CN 117885593B
- Authority
- CN
- China
- Prior art keywords
- charging
- pile
- historical
- target
- record
- 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.)
- Active
Links
- 238000013523 data management Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 230000008859 change Effects 0.000 claims description 82
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及充电管理技术领域，具体为一种基于大数据的充电站数据管控方法及系统，包括：采集目标充电站内各充电桩的设备参数信息和历史时间序列下对车辆进行充电的所有历史充电记录；根据各车辆充电数据分别分析各历史充电记录的异常程度，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录，有利于确保整个充电过程的充电安全。
Description
技术领域
本发明涉及充电管理技术领域，具体为一种基于大数据的充电站数据管控方法及系统。
背景技术
随着节能减排观念的深入人心，使新能源汽车逐渐走进了千家万户。新能源汽车以其相对低廉的价格、契合绿色出行的理念、消纳间歇性可再生能源电力等特点，近些年在世界范围内都得到了快速的发展。与此同时，新能源汽车的快速发展也促使了很多充电站的建立，相应的，充电桩会根据新能源汽车的充电功率需求信息，实时调整自身输出的充电速率，确保整个充电过程的顺利，同时，它们会实时监控彼此充电状态，确保充电安全。
然而，随着新能源汽车数量的提高，大规模新能源汽车并入电网给电网的安全也带来了影响，会给电网负荷带来了很大的冲击。一般情况下，充电站内的充电桩数量、电容量等均是有限的，然而不同时间段内在人们进入充电站的充电频率不同的情况下，频繁使用相同充电桩并进行快速充电时不仅加大了单个充电桩的充电负荷，还极易造成充电桩的故障，加大充电损失。因此，如何针根据各充电桩的历史充电异常规律自适应管控充电速率成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的充电站数据管控方法及系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的充电站数据管控方法，包括以下步骤：
步骤S100：采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
上述步骤中的设备参数信息包括电量容限，充电桩可充电模式等；
上述步骤的历史充电记录中连接到车辆进行充电时，捕捉时间数据作为一个时间序列，并将捕捉到的车辆参数信息、车辆充电速率和车辆实时充电电量等作为历史充电记录的内容；
步骤S200：将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
步骤S300：获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
上述步骤中存在充电关联性的充电桩在一般情况下同时进行充电的频率较高，而若同时进行充电时，会加大充电负载，使充电桩充电异常概率增大；
步骤S400：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
上述步骤中调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式；
步骤S500：充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。
进一步的，步骤S200中根据各车辆充电数据分别分析各历史充电记录的异常程度的具体步骤包括：
步骤S2-1：将充电参数集中任意一台充电桩设为目标充电桩，则根据充电记录集获取目标充电桩的各条历史充电记录，并分别将各历史充电记录中连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权得到目标充电桩的负荷状态值；则以时间节点为横坐标，各时间节点下的负荷状态值为纵坐标分别对目标充电桩的各历史充电记录构建时间序列下的负荷变化曲线；
上述步骤中不同的车辆参数信息，会在一定程度上对目标充电桩产生不同的充电响应值，影响充电速率，进一步影响目标充电桩的充电负荷状态；
步骤S2-2：分别获取目标充电桩的各负荷变化曲线，则根据各负荷变化曲线中各时间节点对应的负荷状态值分别计算出各历史充电记录的负荷状态均值H；依次确认各相邻时间节点对应负荷状态值的斜率值K；则分别计算出各负荷变化曲线中各相邻时间节点所组成的时间段对应的负荷状态变化程度S=β*(|Hf-H|+|Hf+1-H|)/|K|，其中Hf和Hf+1表示负荷变化曲线中任意第f个时间节点和第f+1个时间节点分别对应的负荷状态值，β表示负荷状态突变权重；
步骤S2-3：将各负荷变化曲线中负荷状态变化程度S大于变化阈值γ的时间段设为异常区间，则确认各异常区间分别在各负荷变化曲线中的数量占比为R；根据数量占比R分别得到各负荷变化曲线对应各历史充电记录的异常程度为Q=R*S；
通过对连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权构建负荷变化曲线，并分析负荷变化曲线中各充电桩的历史负荷变化趋势，进一步根据负荷变化趋势分析各充电桩在历史时间序列下的异常程度，有利于分析各条记录对整体负荷的影响程度，提高后续对充电桩异常状况的判断准确性。
进一步的，步骤S200中构建历史时间序列下影响目标充电桩充电的异常变化模型的具体步骤包括：
步骤S210：依次获取各条历史充电记录的时间间隔长度，则根据时间间隔长度构建目标充电桩的间隔变化曲线，其中将任意第i条历史充电记录和第i+1条历史充电记录的时间间隔长度Ti记间隔变化曲线中对应的坐标为(i,Ti)；当Ti<δ时，其中，δ表示时长阈值，记录i对应的值，形成间隔集合A={a1,a2,…,an}，其中a1,a2,…,an分别表示间隔变化曲线中第1,2,…,n个时间间隔长度小于时长阈值的坐标i值；则若间隔集合A中存在aj-aj-1=1，且j的连续次数ε>ζ时，表示目标充电桩存在其它充电损耗，其中ζ表示连续阈值；
上述步骤中其它充电损耗包括充电容量损耗、电池损耗等；
其中充电容量损耗表示充放电循环会导致电极活性表面积减小，充电桩的工作电流密度增大，从而引起极化增大，进一步造成充电桩的充电容量损耗；
步骤S220：若间隔集合A中的i值满足条件，其中i=aj，则确认所述i值在连续次数ε中的连续度占比为V；并根据连续度占比V得到对应目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ*[V+1/Ti]；其中e-ρi表示目标充电桩第i次充电后的电池衰减值，ρ表示目标充电桩的间隔权重；反之若不满足条件，则目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ/Ti；
上述步骤中的连续度占比V表示：若所述i值在连续次数ε=5中对应连续的第3个数据，则相应的连续度占比为V=3/5；
通过根据各充电桩对应历史记录之间的时间间隔分析各充电桩的使用频率，并根据各充电桩的使用连续性分析充电桩的损耗程度对整体负荷的影响程度，有利于后续根据各充电桩的异常程度和损耗程度构建异常变化模型，便于后续对各充电桩之间关联性的分析；
步骤S230：分别获取各历史充电记录的异常程度Q和充电损耗程度P，得到历史时间序列下影响目标充电桩充电的异常变化模型为Y=∑i[μ1*Q+μ2*P]；其中μ1和μ2表示目标充电桩异常程度的权重和充电损耗程度的权重。
进一步的，步骤S400包括：
步骤S410：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；捕捉充电集合中存在充电关联性的各台充电桩的异常变化模型，则将存在充电关联性的各充电桩的异常变化模型分别进行加权关联，并根据加权关联后的各异常变化模型分别进行累加，得到目标充电站的异常充电模型W；
步骤S420：当异常充电模型W大于异常阈值时，依次识别充电集合中各充电桩的充电模式，则在所述各充电桩的充电模式下自适应降低各充电桩对所有连接车辆的充电速率；
上述步骤中自适应调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式。
进一步的，步骤S500包括：
步骤S510：充电桩连接车辆并进行充电时，实时监测充电桩的充电数据；
步骤S520：将数据传输至数据库形成当前时间段内的充电记录。
充电站数据管控系统，系统包括：数据采集模块、数据库、异常分析模块、关联判断模块、智能调配模块和数据监测模块；
通过数据采集模块采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
通过数据库对所有采集的数据进行存储；
通过异常分析模块将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
通过关联判断模块获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
通过智能调配模块在当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
通过数据监测模块在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。
进一步的，数据采集模块包括设备采集单元和历史记录采集单元；
设备采集单元用于采集目标充电站内各充电桩的设备参数信息；历史记录采集单元用于采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录。
进一步的，异常分析模块包括历史分析单元、间隔时长分析单元和模型构建单元；
历史分析单元用于根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；间隔时长分析单元用于依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；模型构建单元用于根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型。
进一步的，智能调配模块包括信息获取单元、模型分析单元和速率调配单元；
信息获取单元用于在当前时间序列下，获取进行充电连接的所有充电桩信息；模型分析单元用于获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；速率调配单元用于依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率。
数据监测模块包括充电监测单元和数据传输单元；
充电监测单元用于在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据；数据传输单元用于将数据传输至数据库形成当前时间段内的充电记录。
与现有技术相比，本发明所达到的有益效果是：
本发明通过对连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权构建负荷变化曲线，并分析负荷变化曲线中各充电桩的历史负荷变化趋势，进一步根据负荷变化趋势分析各充电桩在历史时间序列下的异常程度，有利于分析各条记录对整体负荷的影响程度，提高后续对充电桩异常状况的判断准确性；通过根据各充电桩对应历史记录之间的时间间隔分析各充电桩的使用频率，并根据各充电桩的使用连续性分析充电桩的损耗程度对整体负荷的影响程度，有利于后续根据各充电桩的异常程度和损耗程度构建异常变化模型，便于后续对各充电桩之间关联性的分析。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的充电站数据管控系统的结构图；
图2是本发明一种基于大数据的充电站数据管控方法的流程图。
具体实施方式
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。
请参阅图1，本发明提供技术方案：充电站数据管控系统，系统包括：数据采集模块、数据库、异常分析模块、关联判断模块、智能调配模块和数据监测模块；
通过数据采集模块采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
数据采集模块包括设备采集单元和历史记录采集单元；
设备采集单元用于采集目标充电站内各充电桩的设备参数信息；历史记录采集单元用于采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录。
通过数据库对所有采集的数据进行存储；
通过异常分析模块将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
异常分析模块包括历史分析单元、间隔时长分析单元和模型构建单元；
历史分析单元用于根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；间隔时长分析单元用于依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；模型构建单元用于根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型。
通过关联判断模块获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
通过智能调配模块在当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
智能调配模块包括信息获取单元、模型分析单元和速率调配单元；
信息获取单元用于在当前时间序列下，获取进行充电连接的所有充电桩信息；模型分析单元用于获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；速率调配单元用于依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率。
通过数据监测模块在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录；
数据监测模块包括充电监测单元和数据传输单元；
充电监测单元用于在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据；数据传输单元用于将数据传输至数据库形成当前时间段内的充电记录。
请参阅图2，本发明提供技术方案：一种基于大数据的充电站数据管控方法，包括以下步骤：
步骤S100：采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
上述步骤中的设备参数信息包括电量容限，充电桩可充电模式等；
上述步骤的历史充电记录中连接到车辆进行充电时，捕捉时间数据作为一个时间序列，并将捕捉到的车辆参数信息、车辆充电速率和车辆实时充电电量等作为历史充电记录的内容；
步骤S200：将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
步骤S200中根据各车辆充电数据分别分析各历史充电记录的异常程度的具体步骤包括：
步骤S2-1：将充电参数集中任意一台充电桩设为目标充电桩，则根据充电记录集获取目标充电桩的各条历史充电记录，并分别将各历史充电记录中连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权得到目标充电桩的负荷状态值；则以时间节点为横坐标，各时间节点下的负荷状态值为纵坐标分别对目标充电桩的各历史充电记录构建时间序列下的负荷变化曲线；
上述步骤中不同的车辆参数信息，会在一定程度上对目标充电桩产生不同的充电响应值，影响充电速率，进一步影响目标充电桩的充电负荷状态；比如连接的车辆参数信息为m，时间节点下车辆充电速率为v，实时充电电量为w，则相应的时间节点下目标充电桩的负荷状态值为H=s1*m+s2*v+s3*w；其中s1表示车辆参数信息的权重值，s2表示车辆充电速率的权重值，s3表示实时充电电量的权重值；
步骤S2-2：分别获取目标充电桩的各负荷变化曲线，则根据各负荷变化曲线中各时间节点对应的负荷状态值分别计算出各历史充电记录的负荷状态均值H；依次确认各相邻时间节点对应负荷状态值的斜率值K；则分别计算出各负荷变化曲线中各相邻时间节点所组成的时间段对应的负荷状态变化程度S=β*(|Hf-H|+|Hf+1-H|)/|K|，其中Hf和Hf+1表示负荷变化曲线中任意第f个时间节点和第f+1个时间节点分别对应的负荷状态值，β表示负荷状态突变权重；
步骤S2-3：将各负荷变化曲线中负荷状态变化程度S大于变化阈值γ的时间段设为异常区间，则确认各异常区间分别在各负荷变化曲线中的数量占比为R；根据数量占比R分别得到各负荷变化曲线对应各历史充电记录的异常程度为Q=R*S；
步骤S200中构建历史时间序列下影响目标充电桩充电的异常变化模型的具体步骤包括：
步骤S210：依次获取各条历史充电记录的时间间隔长度，则根据时间间隔长度构建目标充电桩的间隔变化曲线，其中将任意第i条历史充电记录和第i+1条历史充电记录的时间间隔长度Ti记间隔变化曲线中对应的坐标为(i,Ti)；当Ti<δ时，其中，δ表示时长阈值，记录i对应的值，形成间隔集合A={a1,a2,…,an}，其中a1,a2,…,an分别表示间隔变化曲线中第1,2,…,n个时间间隔长度小于时长阈值的坐标i值；则若间隔集合A中存在aj-aj-1=1，且j的连续次数ε>ζ时，表示目标充电桩存在其它充电损耗，其中ζ表示连续阈值；
上述步骤中其它充电损耗包括充电容量损耗、电池损耗等；
其中充电容量损耗表示充放电循环会导致电极活性表面积减小，充电桩的工作电流密度增大，从而引起极化增大，进一步造成充电桩的充电容量损耗；
步骤S220：若间隔集合A中的i值满足条件，其中i=aj，则确认所述i值在连续次数ε中的连续度占比为V；并根据连续度占比V得到对应目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ*[V+1/Ti]；其中e-ρi表示目标充电桩第i次充电后的电池衰减值，ρ表示目标充电桩的间隔权重；反之若不满足条件，则目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ/Ti；
上述步骤中的连续度占比V表示：若所述i值在连续次数ε=5中对应连续的第3个数据，则相应的连续度占比为V=3/5；
步骤S230：分别获取各历史充电记录的异常程度Q和充电损耗程度P，得到历史时间序列下影响目标充电桩充电的异常变化模型为Y=∑i[μ1*Q+μ2*P]；其中μ1和μ2表示目标充电桩异常程度的权重和充电损耗程度的权重。
步骤S300：获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
上述步骤中存在充电关联性的充电桩在一般情况下同时进行充电的频率较高，而若同时进行充电时，会加大充电负载，使充电桩充电异常概率增大；
步骤S400：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
上述步骤中调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式；
步骤S400包括：
步骤S410：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；捕捉充电集合中存在充电关联性的各台充电桩的异常变化模型，则将存在充电关联性的各充电桩的异常变化模型分别进行加权关联，并根据加权关联后的各异常变化模型分别进行累加，得到目标充电站的异常充电模型W；
步骤S420：当异常充电模型W大于异常阈值时，依次识别充电集合中各充电桩的充电模式，则在所述各充电桩的充电模式下自适应降低各充电桩对所有连接车辆的充电速率；
上述步骤中自适应调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式。
步骤S500：充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录；
进一步的，步骤S500包括：
步骤S510：充电桩连接车辆并进行充电时，实时监测充电桩的充电数据；
步骤S520：将数据传输至数据库形成当前时间段内的充电记录。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的充电站数据管控方法，其特征在于：包括以下步骤：
步骤S100：采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
步骤S200：将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
步骤S300：获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
步骤S400：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
步骤S500：充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。
2.根据权利要求1所述的一种基于大数据的充电站数据管控方法，其特征在于：所述步骤S200中根据各车辆充电数据分别分析各历史充电记录的异常程度的具体步骤包括：
步骤S2-1：将充电参数集中任意一台充电桩设为目标充电桩，则根据充电记录集获取目标充电桩的各条历史充电记录，并分别将各历史充电记录中连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权得到目标充电桩的负荷状态值；则以时间节点为横坐标，各时间节点下的负荷状态值为纵坐标分别对目标充电桩的各历史充电记录构建时间序列下的负荷变化曲线；
步骤S2-2：分别获取目标充电桩的各负荷变化曲线，则根据各负荷变化曲线中各时间节点对应的负荷状态值分别计算出各历史充电记录的负荷状态均值H；依次确认各相邻时间节点对应负荷状态值的斜率值K；则分别计算出各负荷变化曲线中各相邻时间节点所组成的时间段对应的负荷状态变化程度S=β*(|Hf-H|+|Hf+1-H|)/|K|，其中Hf和Hf+1表示负荷变化曲线中任意第f个时间节点和第f+1个时间节点分别对应的负荷状态值，β表示负荷状态突变权重；
步骤S2-3：将各负荷变化曲线中负荷状态变化程度S大于变化阈值γ的时间段设为异常区间，则确认各异常区间分别在各负荷变化曲线中的数量占比为R；根据数量占比R分别得到各负荷变化曲线对应各历史充电记录的异常程度为Q。
3.根据权利要求2所述的一种基于大数据的充电站数据管控方法，其特征在于：所述步骤S200中构建历史时间序列下影响目标充电桩充电的异常变化模型的具体步骤包括：
步骤S210：依次获取各条历史充电记录的时间间隔长度，则根据时间间隔长度构建目标充电桩的间隔变化曲线，其中将任意第i条历史充电记录和第i+1条历史充电记录的时间间隔长度Ti记间隔变化曲线中对应的坐标为(i,Ti)；当Ti<δ时，其中，δ表示时长阈值，记录i对应的值，形成间隔集合A={a1,a2,…,an}，其中a1,a2,…,an分别表示间隔变化曲线中第1,2,…,n个时间间隔长度小于时长阈值的坐标i值；则若间隔集合A中存在aj-aj-1=1，且j的连续次数ε>ζ时，表示目标充电桩存在其它充电损耗，其中ζ表示连续阈值；
步骤S220：若间隔集合A中的i值满足条件，其中i=aj，则确认所述i值在连续次数ε中的连续度占比为V；并根据连续度占比V得到对应目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ*[V+1/Ti]；其中e-ρi表示目标充电桩第i次充电后的电池衰减值，ρ表示目标充电桩的间隔权重；反之若不满足条件，则目标充电桩在第i条历史充电记录的充电损耗程度为P=e-ρi*ρ/Ti；
步骤S230：分别获取各历史充电记录的异常程度Q和充电损耗程度P，得到历史时间序列下影响目标充电桩充电的异常变化模型为Y=∑i[μ1*Q+μ2*P]；其中μ1和μ2表示目标充电桩异常程度的权重和充电损耗程度的权重。
4.根据权利要求3所述的一种基于大数据的充电站数据管控方法，其特征在于：所述步骤S400包括：
步骤S410：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；捕捉充电集合中存在充电关联性的各台充电桩的异常变化模型，则将存在充电关联性的各充电桩的异常变化模型分别进行加权关联，并根据加权关联后的各异常变化模型分别进行累加，得到目标充电站的异常充电模型W；
步骤S420：当异常充电模型W大于异常阈值时，依次识别充电集合中各充电桩的充电模式，则在所述各充电桩的充电模式下自适应降低各充电桩对所有连接车辆的充电速率。
5.根据权利要求4所述的一种基于大数据的充电站数据管控方法，其特征在于：所述步骤S500包括：
步骤S510：充电桩连接车辆并进行充电时，实时监测充电桩的充电数据；
步骤S520：将数据传输至数据库形成当前时间段内的充电记录。
6.用于实现权利要求1-5中任一项所述的一种基于大数据的充电站数据管控方法的充电站数据管控系统，其特征在于：所述系统包括：数据采集模块、数据库、异常分析模块、关联判断模块、智能调配模块和数据监测模块；
通过所述数据采集模块采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；
通过所述数据库对所有采集的数据进行存储；
通过所述异常分析模块将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；
通过所述关联判断模块获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；
通过所述智能调配模块在当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；
通过所述数据监测模块在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。
7.根据权利要求6所述的充电站数据管控系统，其特征在于：所述数据采集模块包括设备采集单元和历史记录采集单元；
所述设备采集单元用于采集目标充电站内各充电桩的设备参数信息；所述历史记录采集单元用于采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录。
8.根据权利要求6所述的充电站数据管控系统，其特征在于：所述异常分析模块包括历史分析单元、间隔时长分析单元和模型构建单元；
所述历史分析单元用于根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；所述间隔时长分析单元用于依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；所述模型构建单元用于根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型。
9.根据权利要求6所述的充电站数据管控系统，其特征在于：所述智能调配模块包括信息获取单元、模型分析单元和速率调配单元；
所述信息获取单元用于在当前时间序列下，获取进行充电连接的所有充电桩信息；所述模型分析单元用于获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；所述速率调配单元用于依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率。
10.根据权利要求6所述的充电站数据管控系统，其特征在于：所述数据监测模块包括充电监测单元和数据传输单元；
所述充电监测单元用于在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据；所述数据传输单元用于将数据传输至数据库形成当前时间段内的充电记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288552.0A CN117885593B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的充电站数据管控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288552.0A CN117885593B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的充电站数据管控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117885593A CN117885593A (zh) | 2024-04-16 |
| CN117885593B true CN117885593B (zh) | 2024-05-24 |
Family
ID=90642740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410288552.0A Active CN117885593B (zh) | 2024-03-14 | 2024-03-14 | 一种基于大数据的充电站数据管控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117885593B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104540706A (zh) * | 2012-02-13 | 2015-04-22 | 埃森哲环球服务有限公司 | 电动车辆分布式智能 |
| JP2015204059A (ja) * | 2014-04-16 | 2015-11-16 | 日本電気株式会社 | 停電を予測する情報処理装置、情報処理システム、停電予測方法、及びそのためのプログラム |
| CN111391692A (zh) * | 2019-12-09 | 2020-07-10 | 重庆邮电大学 | 基于车舱温度差异控制的电动汽车有序充放电系统及方法 |
| CN115730790A (zh) * | 2022-11-14 | 2023-03-03 | 四川新仑科技有限公司 | 基于边缘计算的充电配置方法、装置、设备及存储介质 |
| CN116001624A (zh) * | 2022-12-02 | 2023-04-25 | 国网辽宁省电力有限公司阜新供电公司 | 基于深度强化学习的一桩多联电动汽车有序充电方法 |
| WO2023109099A1 (zh) * | 2021-12-15 | 2023-06-22 | 重庆邮电大学 | 基于非侵入式检测的充电负荷概率预测系统及方法 |
| CN117094447A (zh) * | 2023-09-06 | 2023-11-21 | 国网新疆电力有限公司电力科学研究院 | 一种配电网供电故障性能评估管理算法 |
| CN117148001A (zh) * | 2023-08-29 | 2023-12-01 | 合肥掌魅无线信息科技有限公司 | 一种基于人工智能的新能源汽车充电桩故障预测系统 |
| CN117272193A (zh) * | 2023-06-30 | 2023-12-22 | 北京嘀嘀无限科技发展有限公司 | 一种充电桩的故障识别处理方法、系统、设备及存储介质 |
| CN117360290A (zh) * | 2023-10-13 | 2024-01-09 | 江苏智融能源科技有限公司 | 一种公交场站有序自动充电方法及场站系统 |
| CN117408487A (zh) * | 2023-11-07 | 2024-01-16 | 河南龙翔新能源科技有限公司 | 一种充电站运行管理方法、系统、终端设备及存储介质 |
| CN117473742A (zh) * | 2023-10-30 | 2024-01-30 | 中国科学技术大学 | 一种可视化的电动汽车充电站充电负荷实时仿真方法 |
| CN117621897A (zh) * | 2023-12-12 | 2024-03-01 | 深圳市田科信息技术有限公司 | 一种多桩组网协商充电管理系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023205430A1 (en) * | 2022-04-22 | 2023-10-26 | Aclara Technologies Llc | Electric vehicle charging station having advanced metering system |
-
2024
- 2024-03-14 CN CN202410288552.0A patent/CN117885593B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104540706A (zh) * | 2012-02-13 | 2015-04-22 | 埃森哲环球服务有限公司 | 电动车辆分布式智能 |
| JP2015204059A (ja) * | 2014-04-16 | 2015-11-16 | 日本電気株式会社 | 停電を予測する情報処理装置、情報処理システム、停電予測方法、及びそのためのプログラム |
| CN111391692A (zh) * | 2019-12-09 | 2020-07-10 | 重庆邮电大学 | 基于车舱温度差异控制的电动汽车有序充放电系统及方法 |
| WO2023109099A1 (zh) * | 2021-12-15 | 2023-06-22 | 重庆邮电大学 | 基于非侵入式检测的充电负荷概率预测系统及方法 |
| CN115730790A (zh) * | 2022-11-14 | 2023-03-03 | 四川新仑科技有限公司 | 基于边缘计算的充电配置方法、装置、设备及存储介质 |
| CN116001624A (zh) * | 2022-12-02 | 2023-04-25 | 国网辽宁省电力有限公司阜新供电公司 | 基于深度强化学习的一桩多联电动汽车有序充电方法 |
| CN117272193A (zh) * | 2023-06-30 | 2023-12-22 | 北京嘀嘀无限科技发展有限公司 | 一种充电桩的故障识别处理方法、系统、设备及存储介质 |
| CN117148001A (zh) * | 2023-08-29 | 2023-12-01 | 合肥掌魅无线信息科技有限公司 | 一种基于人工智能的新能源汽车充电桩故障预测系统 |
| CN117094447A (zh) * | 2023-09-06 | 2023-11-21 | 国网新疆电力有限公司电力科学研究院 | 一种配电网供电故障性能评估管理算法 |
| CN117360290A (zh) * | 2023-10-13 | 2024-01-09 | 江苏智融能源科技有限公司 | 一种公交场站有序自动充电方法及场站系统 |
| CN117473742A (zh) * | 2023-10-30 | 2024-01-30 | 中国科学技术大学 | 一种可视化的电动汽车充电站充电负荷实时仿真方法 |
| CN117408487A (zh) * | 2023-11-07 | 2024-01-16 | 河南龙翔新能源科技有限公司 | 一种充电站运行管理方法、系统、终端设备及存储介质 |
| CN117621897A (zh) * | 2023-12-12 | 2024-03-01 | 深圳市田科信息技术有限公司 | 一种多桩组网协商充电管理系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于ARMA时间序列的电动汽车充电站运行状态预测及充电功率需求模型;张曦予;张淼鑫;;电气应用;20161105(第21期);第55-61页 * |
| 基于多智能体技术的电动汽车优化充电研究;蒋林洳;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20180215(第02期);全文 * |
| 大数据技术在智能充电桩网络系统中的应用;冯鹏洲;;电力大数据;20181213(第12期);第52-57页 * |
| 电动汽车充电站设备常见故障分析及改进措施;刘文革;雷云;刘伟;;大众用电;20160105(第01期);第46-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117885593A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
| CN102439782B (zh) | 用于自然能源利用系统的铅蓄电池和铅蓄电池系统 | |
| CN113022361B (zh) | 电力需求响应条件下基于充电桩的有序充电方法 | |
| CN113765131B (zh) | 一种基于超级电容的分布式储能系统及方法 | |
| CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
| CN106211214B (zh) | 基于能效预测优化调度的无线传感网络系统 | |
| CN111833205B (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
| CN114865668A (zh) | 一种储能调度支撑评估方法 | |
| CN115932592A (zh) | 一种基于数字孪生模型的电动汽车电池故障诊断方法 | |
| CN117885593B (zh) | 一种基于大数据的充电站数据管控方法及系统 | |
| CN114188623A (zh) | 带有防过充保护功能的锂电池组监管预警系统 | |
| CN117833360A (zh) | 基于分布式架构的构网型变流器控制方法及系统 | |
| CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
| CN115940166B (zh) | 基站调度方法、装置、电子设备及可读存储介质 | |
| CN115967178B (zh) | 一种储能系统运行的监测系统及方法 | |
| CN115219913A (zh) | 一种基于容量增量法的动力电池全生命周期管理系统 | |
| CN111985820B (zh) | 充电运营管理系统基于fnn和ds融合的故障识别方法 | |
| CN116862036A (zh) | 一种负载预测方法以及装置 | |
| CN117828408B (zh) | 一种储能容量数据处理方法及系统 | |
| CN118082592A (zh) | 一种基于大数据分析的智能化充电数据管理系统及方法 | |
| CN116243171A (zh) | 一种锂电池充放电时长预测方法及系统 | |
| CN114919456B (zh) | 一种基于大数据的汽车电池充放电管理系统 | |
| CN116774057B (zh) | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 | |
| CN118100240A (zh) | 一种用于电动汽车充电站的储能方法及系统 | |
| CN117791686A (zh) | 一种用于光伏声屏障的储能管理方法及系统 |
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 |