CN118144621A - 一种充电站充电任务调配方法 - Google Patents

一种充电站充电任务调配方法 Download PDF

Info

Publication number
CN118144621A
CN118144621A CN202410578832.5A CN202410578832A CN118144621A CN 118144621 A CN118144621 A CN 118144621A CN 202410578832 A CN202410578832 A CN 202410578832A CN 118144621 A CN118144621 A CN 118144621A
Authority
CN
China
Prior art keywords
charging
data
demand
electricity price
task allocation
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
CN202410578832.5A
Other languages
English (en)
Other versions
CN118144621B (zh
Inventor
雷东川
周文明
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.)
Sichuan Kaiwu Information Technology Co ltd
Original Assignee
Sichuan Kaiwu Information 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 Sichuan Kaiwu Information Technology Co ltd filed Critical Sichuan Kaiwu Information Technology Co ltd
Priority to CN202410578832.5A priority Critical patent/CN118144621B/zh
Publication of CN118144621A publication Critical patent/CN118144621A/zh
Application granted granted Critical
Publication of CN118144621B publication Critical patent/CN118144621B/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
    • B60L53/60—Monitoring or controlling charging stations
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种充电站充电任务调配方法，包括：采集充电需求数据、充电电价数据、充电站负载数据和初始充电任务数据；根据充电需求数据得到充电需求预测数据；根据充电电价数据得到充电电价预测数据；根据充电站负载数据和初始充电任务数据计算得到充电站负载预测数据；根据充电需求预测数据、充电电价预测数据和初始充电任务数据计算得到充电成本预测数据；根据充电需求预测数据、充电站负载预测数据、充电成本预测数据和初始充电任务数据得到充电任务调配数据。本申请提出的一种充电站充电任务调配方法，通过对充电需求和充电电价进行预测，对充电任务进行调配，在满足充电需求的前提下降低了充电成本。

Description

一种充电站充电任务调配方法
技术领域
本发明涉及充电站管理技术领域，特别涉及一种充电站充电任务调配方法。
背景技术
随着新能源车辆的推广和普及，出现了越来越多的充换电站，为了满足车辆的充电需求，需对充电站的充电任务调配进行研究。
现有技术中，专利公开号为CN115782649A的《一种充电站及功率分配方法》，充电站的站控制器根据每个充电桩的剩余电量来对充电桩进行优先级排序，充电桩的剩余电量越大，则优先级越高，站控制器优先满足优先级高的充电桩的需求功率，这样便于优先级高的充电桩对应的车辆尽快充满离开充电站，进而提高充电站中充电桩的利用率。
然而，上述现有技术仅关注了对充电需求的满足，缺乏对充电站成本的考虑，这样会导致充电成本高，进而引发业务操作受限的问题。因此，需对充电需求与充电成本的平衡进行研究。
发明内容
本发明提供了一种充电站充电任务调配方法，用以解决现有技术中没有比较可靠的针对缺乏对充电站成本的考虑，充电成本高的问题。
一方面，本发明提供了一种充电站充电任务调配方法，包括以下步骤：
步骤一，采集充电需求数据、充电电价数据、充电站负载数据和初始充电任务数据。
步骤二，采用充电需求预测模型根据所述充电需求数据得到充电需求预测数据。
步骤三，采用充电电价预测模型根据所述充电电价数据得到充电电价预测数据。
步骤四，根据所述充电站负载数据和所述初始充电任务数据计算得到充电站负载预测数据。
步骤五，根据所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据。
步骤六，采用充电任务调配算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据得到充电任务调配数据。
在一种可能的实现方式中，步骤二中，所述充电需求预测模型是基于神经网络采用充电需求训练集进行训练得到；所述充电需求数据包括：实时充电需求数据和历史充电需求数据。
步骤二中，还采集预约充换电用户的里程数据，根据所述里程数据计算得到时间数据，根据所述时间数据计算得到充电预约需求数据。
步骤二包括：采用充电需求预测模型根据所述实时充电需求数据、所述历史充电需求数据和所述充电预约需求数据得到充电需求预测数据。
在一种可能的实现方式中，步骤三中，所述充电电价预测模型是基于神经网络采用充电电价训练集进行训练得到。
所述充电电价数据包括：实时充电电价数据和历史充电电价数据。
在一种可能的实现方式中，步骤三中，还采集电力市场数据和电力供需数据。
所述充电电价预测模型在基于神经网络采用充电电价训练集进行训练的过程中，还采用电力市场训练集和电力供需训练集进行神经网络权值优化。
所述电力市场训练集、电力供需训练集均与所述充电电价训练集在时间和区域上相匹配。
步骤三包括：采用所述充电电价预测模型根据所述充电电价数据、所述电力市场数据和所述电力供需数据得到所述充电电价预测数据。
在一种可能的实现方式中，步骤四包括：
根据所述初始充电任务数据计算得到充电站负载变化量数据。
根据所述充电站负载数据和所述充电站负载变化量数据计算得到充电站负载预测数据。
在一种可能的实现方式中，步骤五中，还采集电池容量数据和充电速率数据。
步骤五包括：
根据所述电池容量数据和所述充电速率数据计算得到充电散热数据。
根据所述充电散热数据、所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据。
在一种可能的实现方式中，步骤六中，所述充电任务调配算法为优化算法中的一种。
步骤六包括：采用所述优化算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据进行若干次迭代，得到所述充电任务调配数据。
所述优化算法包括：粒子群算法、遗传算法和模拟退火算法。
在一种可能的实现方式中，所述充电任务调配算法设置有充电需求阈值和充电成本阈值。
所述充电任务调配算法在迭代过程中将所述充电需求阈值和所述充电成本阈值作为约束条件。
在一种可能的实现方式中，所述充电任务调配算法设置有散热条件阈值。
所述充电任务调配算法在迭代过程中将所述散热条件阈值作为约束条件。
在一种可能的实现方式中，步骤六之后还包括：
步骤七，采用所述充电任务调配数据更新所述初始充电任务数据，并返回步骤四。
本发明中的一种充电站充电任务调配方法，具有以下优点：
通过根据充电需求数据得到充电需求预测数据，根据充电电价数据得到充电电价预测数据，进而得到充电站负载预测数据、充电成本预测数据和充电任务调配数据，在满足充电需求的前提下降低了充电成本；提出的充电需求预测模型是基于神经网络采用充电需求训练集进行训练得到，提高了充电需求预测的精确度；提出的充电电价预测模型是基于神经网络采用充电电价训练集进行训练得到，提高了充电电价预测的精确度；提出的充电任务调配算法为优化算法中的一种，优化算法包括：粒子群算法、遗传算法和模拟退火算法，提高了充电任务调配的准确度；提出的充电任务调配算法设置有散热条件阈值，充电任务调配算法在迭代过程中将散热条件阈值作为约束条件，降低了发热量，减少了能源浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种充电站充电任务调配方法的流程示意图；
图2为本发明实施例提供的一种充电站充电任务调配方法的又一流程示意图。
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。
如图1所示，本发明实施例提供了一种充电站充电任务调配方法，包括以下步骤：
步骤一，采集充电需求数据、充电电价数据、充电站负载数据和初始充电任务数据。
步骤二，采用充电需求预测模型根据所述充电需求数据得到充电需求预测数据。
步骤三，采用充电电价预测模型根据所述充电电价数据得到充电电价预测数据。
步骤四，根据所述充电站负载数据和所述初始充电任务数据计算得到充电站负载预测数据。
步骤五，根据所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据。
步骤六，采用充电任务调配算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据得到充电任务调配数据。
示例性地，步骤二中，所述充电需求预测模型是基于神经网络采用充电需求训练集进行训练得到；所述充电需求数据包括：实时充电需求数据和历史充电需求数据。
步骤二中，还采集预约充换电用户的里程数据，根据所述里程数据计算得到时间数据，根据所述时间数据计算得到充电预约需求数据。
步骤二包括：采用充电需求预测模型根据所述实时充电需求数据、所述历史充电需求数据和所述充电预约需求数据得到充电需求预测数据。
具体地，本实施例中的充电需求训练集采用历史充电需求数据进行建立，将充电需求训练集中的数据作为神经网络的输入，输出充电需求预测训练数据，并根据充电需求训练集中与充电需求预测训练数据对应时间和区域的数据进行权值优化，经过若干次迭代后，得到训练好的神经网络模型，即充电需求预测模型。在其它可能的实施例中，充电需求训练集还可以采用历史充电需求数据、对应的实时充电需求数据、对应的充电预约需求数据进行建立。
具体地，预约充换电用户的里程数据为：当用户向充电站系统发送预约充换电申请的时候，所处位置到充电站的里程。时间数据为：根据里程数据计算得到的预约充换电用户达到充电站的时间。充电预约需求数据为：根据时间数据得到的预设时间段内能够到达充电站的预约充换电用户的数量以及每个预约充换电用户的充电需求。
示例性地，步骤三中，所述充电电价预测模型是基于神经网络采用充电电价训练集进行训练得到。
所述充电电价数据包括：实时充电电价数据和历史充电电价数据。
具体地，本实施例中的充电电价训练集采用历史充电电价数据进行建立，将充电电价训练集中的数据作为神经网络的输入，输出充电电价预测训练数据，并根据充电电价训练集中与充电电价预测训练数据对应时间和区域的数据进行权值优化，经过若干次迭代后，得到训练好的神经网络模型，即充电电价预测模型。
在本实施例中，充电电价预测模型是基于长短期记忆神经网络（LSTM）建立。在采用充电电价训练集对长短期记忆神经网络（LSTM）进行训练前，首先定义模型结构，包括：设置长短期记忆神经网络（LSTM）的层数、每层的神经元数；随后编译模型，包括：设置优化器、损失函数和评价指标；最后采用充电电价训练集（即历史充电电价数据）对长短期记忆神经网络（LSTM）进行训练迭代，经过若干个周期后，得到训练好的长短期记忆神经网络（LSTM），即充电电价预测模型。
具体地，长短期记忆神经网络（LSTM）包括一个输入层、若干个LSTM隐藏层和一个输出层，每个LSTM隐藏层具有四个部分，包括：遗忘门、输入门、细胞状态和输出门。LSTM隐藏层的计算公式如下：
其中，表示当前遗忘门，/>表示当前输入门，/>表示当前候选状态，/>表示当前细胞状态，/>表示当前输出门，/>表示当前隐藏状态，t表示当前时间，/>表示sigmoid激活函数，/>表示遗忘门可调权重，/>表示输入门可调权重，/>表示候选状态可调权重，/>表示输出门可调权重，/>表示遗忘门可调参数，/>表示输入门可调参数，/>表示候选状态可调参数，/>表示输出门可调参数，/>表示上一步的隐藏状态，/>表示当前输入，/>表示上一步的细胞状态。/>的计算公式如下：
其中，表示上一步遗忘门，/>表示上一步输入门，/>表示上一步候选状态，表示相较t-1再上一步的细胞状态，依此类推。
当t=1时，即为/>，/>即为/>，/>表示初始隐藏状态，/>表示初始细胞状态，、/>设置为0、1或固定的随机值，根据实际情况进行设置。
在一种可能的实施例中，步骤二中的充电需求预测模型也基于长短期记忆神经网络（LSTM）建立，建立过程与步骤三中的充电电价预测模型的建立过程类似。步骤二中的充电需求预测模型与步骤三中的充电电价预测模型的不同之处在于：设置长短期记忆神经网络（LSTM）的层数、每层的神经元数不同；设置优化器、损失函数和评价指标不同；采用的训练集为充电需求训练集（即历史充电需求数据）与步骤三中的充电电价预测模型不同。
示例性地，步骤三中，还采集电力市场数据和电力供需数据。
所述充电电价预测模型在基于神经网络采用充电电价训练集进行训练的过程中，还采用电力市场训练集和电力供需训练集进行神经网络权值优化。
所述电力市场训练集、电力供需训练集均与所述充电电价训练集在时间和区域上相匹配。
步骤三包括：采用所述充电电价预测模型根据所述充电电价数据、所述电力市场数据和所述电力供需数据得到所述充电电价预测数据。
示例性地，步骤四包括：
根据所述初始充电任务数据计算得到充电站负载变化量数据。
根据所述充电站负载数据和所述充电站负载变化量数据计算得到充电站负载预测数据。
示例性地，步骤五中，还采集电池容量数据和充电速率数据。
步骤五包括：
根据所述电池容量数据和所述充电速率数据计算得到充电散热数据。
根据所述充电散热数据、所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据。
示例性地，步骤六中，所述充电任务调配算法为优化算法中的一种。
步骤六包括：采用所述优化算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据进行若干次迭代，得到所述充电任务调配数据。
所述优化算法包括：粒子群算法、遗传算法和模拟退火算法。
示例性地，所述充电任务调配算法设置有充电需求阈值和充电成本阈值。
所述充电任务调配算法在迭代过程中将所述充电需求阈值和所述充电成本阈值作为约束条件。
具体地，将充电需求预测数据、充电站负载预测数据、充电成本预测数据和初始充电任务数据作为充电任务调配算法的输入，将充电需求阈值和充电成本阈值作为充电任务调配算法的约束条件，当迭代输出的结果满足约束条件时（即结果对应的充电需求高于充电需求阈值，且结果对应的充电成本低于充电成本阈值时），该迭代结果即为充电任务调配数据。
示例性地，所述充电任务调配算法设置有散热条件阈值。
所述充电任务调配算法在迭代过程中将所述散热条件阈值作为约束条件。
具体地，将充电需求预测数据、充电站负载预测数据、充电成本预测数据和初始充电任务数据作为充电任务调配算法的输入，将散热条件阈值作为充电任务调配算法的约束条件，当迭代输出的结果满足约束条件时（即结果对应的散热条件低于散热条件阈值时），该迭代结果即为充电任务调配数据。
在本实施例中，散热条件阈值即散热成本阈值，散热条件即散热成本。散热成本通过冷却系统功率Ph(t)来表示，如下式所示：
Ph(t) = k·(Pc(t)·β-Ta(t))
其中Ph(t)表示时间t的冷却系统功率，Pc(t)表示时间t的充电功率，Ta(t)表示时间t的环境温度，k表示依赖于冷却系统效率的常数系数，β表示将电能转换为热能的比率。
当迭代输出的结果满足约束条件时（即散热成本低于预设的散热成本阈值时），充电任务调配算法的迭代结果即为充电任务调配数据。
如图2所示，示例性地，步骤六之后还包括：
步骤七，采用所述充电任务调配数据更新所述初始充电任务数据，并返回步骤四。
本发明实施例通过根据充电需求数据得到充电需求预测数据，根据充电电价数据得到充电电价预测数据，进而得到充电站负载预测数据、充电成本预测数据和充电任务调配数据，在满足充电需求的前提下降低了充电成本；提出的充电需求预测模型是基于神经网络采用充电需求训练集进行训练得到，提高了充电需求预测的精确度；提出的充电电价预测模型是基于神经网络采用充电电价训练集进行训练得到，提高了充电电价预测的精确度；提出的充电任务调配算法为优化算法中的一种，优化算法包括：粒子群算法、遗传算法和模拟退火算法，提高了充电任务调配的准确度；提出的充电任务调配算法设置有散热条件阈值，充电任务调配算法在迭代过程中将散热条件阈值作为约束条件，降低了发热量，减少了能源浪费。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种充电站充电任务调配方法，其特征在于，包括以下步骤：
步骤一，采集充电需求数据、充电电价数据、充电站负载数据和初始充电任务数据；
步骤二，采用充电需求预测模型根据所述充电需求数据得到充电需求预测数据；
步骤三，采用充电电价预测模型根据所述充电电价数据得到充电电价预测数据；
步骤四，根据所述充电站负载数据和所述初始充电任务数据计算得到充电站负载预测数据；
步骤五，根据所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据；
步骤六，采用充电任务调配算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据得到充电任务调配数据。
2.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤二中，所述充电需求预测模型是基于神经网络采用充电需求训练集进行训练得到；所述充电需求数据包括：实时充电需求数据和历史充电需求数据；
步骤二中，还采集预约充换电用户的里程数据，根据所述里程数据计算得到时间数据，根据所述时间数据计算得到充电预约需求数据；
步骤二包括：采用充电需求预测模型根据所述实时充电需求数据、所述历史充电需求数据和所述充电预约需求数据得到充电需求预测数据。
3.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤三中，所述充电电价预测模型是基于神经网络采用充电电价训练集进行训练得到；
所述充电电价数据包括：实时充电电价数据和历史充电电价数据。
4.根据权利要求3所述的一种充电站充电任务调配方法，其特征在于，步骤三中，还采集电力市场数据和电力供需数据；
所述充电电价预测模型在基于神经网络采用充电电价训练集进行训练的过程中，还采用电力市场训练集和电力供需训练集进行神经网络权值优化；
所述电力市场训练集、电力供需训练集均与所述充电电价训练集在时间和区域上相匹配；
步骤三包括：采用所述充电电价预测模型根据所述充电电价数据、所述电力市场数据和所述电力供需数据得到所述充电电价预测数据。
5.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤四包括：
根据所述初始充电任务数据计算得到充电站负载变化量数据；
根据所述充电站负载数据和所述充电站负载变化量数据计算得到充电站负载预测数据。
6.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤五中，还采集电池容量数据和充电速率数据；
步骤五包括：
根据所述电池容量数据和所述充电速率数据计算得到充电散热数据；
根据所述充电散热数据、所述充电需求预测数据、所述充电电价预测数据和所述初始充电任务数据计算得到充电成本预测数据。
7.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤六中，所述充电任务调配算法为优化算法中的一种；
步骤六包括：采用所述优化算法根据所述充电需求预测数据、所述充电站负载预测数据、所述充电成本预测数据和所述初始充电任务数据进行若干次迭代，得到所述充电任务调配数据；
所述优化算法包括：粒子群算法、遗传算法和模拟退火算法。
8.根据权利要求7所述的一种充电站充电任务调配方法，其特征在于，所述充电任务调配算法设置有充电需求阈值和充电成本阈值；
所述充电任务调配算法在迭代过程中将所述充电需求阈值和所述充电成本阈值作为约束条件。
9.根据权利要求7所述的一种充电站充电任务调配方法，其特征在于，所述充电任务调配算法设置有散热条件阈值；
所述充电任务调配算法在迭代过程中将所述散热条件阈值作为约束条件。
10.根据权利要求1所述的一种充电站充电任务调配方法，其特征在于，步骤六之后还包括：
步骤七，采用所述充电任务调配数据更新所述初始充电任务数据，并返回步骤四。
CN202410578832.5A 2024-05-11 2024-05-11 一种充电站充电任务调配方法 Active CN118144621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410578832.5A CN118144621B (zh) 2024-05-11 2024-05-11 一种充电站充电任务调配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410578832.5A CN118144621B (zh) 2024-05-11 2024-05-11 一种充电站充电任务调配方法

Publications (2)

Publication Number Publication Date
CN118144621A true CN118144621A (zh) 2024-06-07
CN118144621B CN118144621B (zh) 2024-07-16

Family

ID=91298950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410578832.5A Active CN118144621B (zh) 2024-05-11 2024-05-11 一种充电站充电任务调配方法

Country Status (1)

Country Link
CN (1) CN118144621B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356922A (zh) * 2016-08-31 2017-01-25 南方电网科学研究院有限责任公司 充电站的充电控制方法和系统
CN111091234A (zh) * 2019-11-27 2020-05-01 国网辽宁省电力有限公司经济技术研究院 一种基于遗传和神经网络算法的电力市场电价预测方法
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法
CN115782649A (zh) * 2022-12-22 2023-03-14 阳光电源股份有限公司 一种充电站及功率分配方法
CN116388293A (zh) * 2023-03-31 2023-07-04 山东大学 一种新能源配建储能电站的联合优化调度方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356922A (zh) * 2016-08-31 2017-01-25 南方电网科学研究院有限责任公司 充电站的充电控制方法和系统
CN111091234A (zh) * 2019-11-27 2020-05-01 国网辽宁省电力有限公司经济技术研究院 一种基于遗传和神经网络算法的电力市场电价预测方法
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法
CN115782649A (zh) * 2022-12-22 2023-03-14 阳光电源股份有限公司 一种充电站及功率分配方法
CN116388293A (zh) * 2023-03-31 2023-07-04 山东大学 一种新能源配建储能电站的联合优化调度方法及系统

Also Published As

Publication number Publication date
CN118144621B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Dabbaghjamanesh et al. Reinforcement learning-based load forecasting of electric vehicle charging station using Q-learning technique
Tan et al. Integration of plug-in hybrid electric vehicles into residential distribution grid based on two-layer intelligent optimization
Moghaddam et al. An online reinforcement learning approach for dynamic pricing of electric vehicle charging stations
EP3471029A1 (en) Method for automatic cloud control of energy storage systems
Zhou et al. Reinforcement learning-based scheduling strategy for energy storage in microgrid
CN113572157A (zh) 一种基于近端策略优化的用户实时自治能量管理优化方法
CN112217195B (zh) 一种基于gru多步预测技术的云储能充放电策略形成方法
CN113887858A (zh) 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法
CN114004450A (zh) 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Su et al. Operating status prediction model at EV charging stations with fusing spatiotemporal graph convolutional network
Wu et al. Electric vehicle charging scheduling considering infrastructure constraints
Jin et al. Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability
CN113435663A (zh) 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法
CN114357693A (zh) 一种考虑源-网-桩的电动汽车充电决策优化策略
Jin et al. Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties
CN115545429A (zh) 基于cpss架构的多场景低压可再生资源负荷预测方法
CN118157093A (zh) 电力系统可调资源调节潜力动态预估方法、系统及设备
CN104112168B (zh) 一种基于多代理系统的智能家居优化方法
CN118144621B (zh) 一种充电站充电任务调配方法
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
Zhu et al. Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics
CN116979579A (zh) 基于微电网安全约束的电动汽车能量-计算资源调度方法
CN107154625B (zh) 基于模糊贝叶斯学习的电动汽车放电电价谈判方法
Tian et al. Transfer learning based hybrid model for power demand prediction of large-scale electric vehicles

Legal Events

Date Code Title Description
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