DE112022000624T5

DE112022000624T5 - Verfahren und vorrichtung zur optimierung des ladevorgangs und der stromversorgung für ein lademanagementsystem

Info

Publication number: DE112022000624T5
Application number: DE112022000624.2T
Authority: DE
Inventors: Yuhong Sun; Fei Pan; Ke Dai; Yong Kang
Original assignee: Borgwarner New Energy Xiangyang Co Ltd
Current assignee: Borgwarner New Energy Xiangyang Co Ltd
Priority date: 2021-01-12
Filing date: 2022-01-10
Publication date: 2024-01-25
Also published as: WO2022152065A1; JP2024503017A; CN112874369A; KR20230122165A; CN112874369B

Abstract

Lade- und Stromversorgungsoptimierungsverfahren und -vorrichtung für ein Lademanagementsystem werden bereitgestellt. Das Verfahren umfasst: Erhalten von Informationen über die Energieversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs, Bestimmen einer Ladefähigkeit, einer Energieversorgungsfähigkeit und einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation, Erhalten eines Modellausgabeergebnisses basierend auf einem vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell, Erzeugen einer Ladeleistungszuweisungsanweisung in Kombination mit einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation und einem Ladebedarf eines aufzuladenden Elektrofahrzeugs, und Verteilen von elektrischer Energie an jede Ladeeinrichtung. Durch den Einsatz von Deep Learning zur Erstellung eines kontinuierlich optimierten Management-Steuerungsmodells wird die Stromversorgung und die Ladefähigkeitsressource einer Ladeeinrichtung optimiert und die Nutzungseffizienz verbessert.

Description

Diese Anmeldung beansprucht Priorität für die chinesische Patentanmeldung Nr. 202110033191.1 , die am 12. Januar 2021 bei der China National Intellectual Property Administration eingereicht wurde und den Titel „CHARGING AND POWER SUPPLY OPTIMIZATION METHOD AND APPARATUS FOR CHARGING MANAGEMENT SYSTEM“ trägt, der hier durch Bezugnahme in vollem Umfang enthalten ist.
TECHNISCHES GEBIET
Die vorliegende Erfindung bezieht sich auf das technische Gebiet des Lademanagements und insbesondere auf Lade- und Stromversorgungsoptimierungsverfahren und Lade- und Stromversorgungsoptimierungsvorrichtung für ein Lademanagementsystem.
Stand der Technik
Ladesäulen für Elektrofahrzeuge sind eine wichtige Infrastruktur, die mit der Erfahrung der Fahrzeuge verbunden ist. Mit der Zunahme der Anzahl von Fahrzeugen mit neuer Energie und der Verbesserung der Reichweite steigt die Nachfrage nach Ladesäulen allmählich, und die Menschen legen zunehmend Wert auf den Bau und die Entwicklung von Ladeinfrastruktur. Es gibt eine große Anzahl bestehender Ladeeinrichtungen und eine große Ladeleistung, aber sobald die Ladeeinrichtungen gebaut sind, sind die Schnittstellen für die Ladeleistung und der Parkraum festgelegt und werden auch von der der angeschlossenen Stromversorgungsfähigkeit beeinflusst. Da die Mobilität der aufgeladenen Elektrofahrzeuge, die Anzahl der an die Ladeeinrichtungen angeschlossenen Elektrofahrzeuge, die für das Aufladen benötigte Zeit und eine erforderliche Ladeleistung allesamt ungewiss sind, kommt es in der Regel zu dem Phänomen, dass es während der Spitzenzeiten oft schwierig ist, eine Ladesäule zu finden, und die Fahrzeuge für das Aufladen anstehen und lange warten müssen, und dass die Ladeeinrichtungen während der Schwachlastzeiten ungenutzt und der Auslastungsgrad nicht hoch sind. Mitunter, selbst wenn die Ladeeinrichtungen mit maximaler Ladeleistung arbeiten, kann es in Spitzenzeiten vorkommen, dass aufgrund eines Faktor der Strombedarfskurve im Ladevorgang und der Begrenzung der Ladeterminals und Parkplätze, eine Ladeeinrichtung zwar Fähigkeiten hat, ein Fahrzeug aber auf einen Platz warten muss.
Das herkömmliche Ladeeinrichtungsmanagementsystem ist nicht in der Lage, das Ladeangebot und -nachfragevorherzusagen, und verlässt sich nur auf manuelle Anpassungen in Kombination mit der tatsächlichen Nutzung der Ladevorgänge. Die Effizienz ist gering und die Widersprüche im Fahrzeugladeprozess sind markant, und es ist unmöglich, die Effizienz der Ladeleistung und der Stromversorgung der Ladeeinrichtungen zu maximieren.
DARSTELLUNG DER ERFINDUNG
Ein Zweck der vorliegenden Erfindung ist es, die Mängel der herkömmlichen Technologie zu beheben und ein Lade- und Stromversorgungsoptimierungsverfahren und eine Lade- und Stromversorgungsoptimierungsvorrichtung für ein Lademanagementsystem bereitzustellen. Durch die Verwendung von Deep Learning zur Erstellung eines kontinuierlich optimierten Management-Steuerungsmodells werden die Stromversorgung und eine Ladefähigkeitsressource einer Ladeeinrichtung optimiert und die Nutzungseffizienz verbessert.
Der technische Zweck der vorliegenden Erfindung wird umgesetzt durch die Verwendung der folgenden technischen Lösung: einem Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem, wobei das Verfahren umfasst:

S 1: Erhalten von Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Informationen über den Ladebedarf eines Elektrofahrzeugs;
S2: Bestimmen einer Ladefähigkeit, einer Stromversorgungsfähigkeit und einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation auf der Grundlage der Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, der Fähigkeitsinformationen der Ladestation, der Leistungsinformationen des Ladeterminals und der Informationen über den Ladebedarf des Elektrofahrzeugs;
S3: Eingeben der Ladefähigkeit, der Stromversorgungsfähigkeit und der tatsächlichen Ladeleistung in ein vortrainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell und Erhalten eines Modellausgabeergebnisses;
S4: Erzeugen einer Ladeleistungszuweisungsanweisung auf der Grundlage des Modellausgabeergebnisses, einer tatsächlichen Ladeleistung einer Ladeeinrichtung an der Ladestation und eines Ladebedarfs eines aufzuladenden Elektrofahrzeugs; und
S5: Verteilen von elektrischer Energie an jede Ladeeinrichtung auf der Grundlage der Ladeleistungszuweisungsanweisung und Laden des Elektrofahrzeugs unter Verwendung eines an der Ladeeinrichtung installierten Ladeterminals.

Durch die Umsetzung der oben genannten technischen Lösung umfasst das durch die vorliegende Erfindung bereitgestellte Lademanagementsystem eine Ladefähigkeitsausführungsmanagementeinheit und eine Ladefähigkeitstrainingsoptimierungseinheit. Die Ladefähigkeitstrainingsoptimierungseinheit bildet ein vortrainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell durch Training, Testen und Verifizieren eines anfänglichen Machine-Learning-Modells. In einem spezifischen Anwendungsszenario für das Laden von Elektrofahrzeugen werden in Echtzeit gesammelte Daten in das Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell eingegeben. Eine Ladeleistungszuweisungsanweisung wird auf der Grundlage des Modellausgabeergebnisses und in Kombination mit einer tatsächlichen Ladeleistung einer Ladeeinrichtung und einem Ladebedarf eines aufzuladenden Elektrofahrzeugs erzeugt und an die Ladefähigkeitsausführungsmanagementeinheit gesendet. Die Ladefähigkeitsausführungsmanagementeinheit passt eine Energieversorgung und ein Ladeverhältnis des Ladeeinrichtungssystems in Echtzeit auf der Grundlage des tatsächlichen Bedarfs an, so dass eine Leistung des Ladeterminals einem Ladebedarf von Elektrofahrzeugen am besten erfüllen kann und eine Maximierung der Ladeleistung und der Effizienz der Stromversorgung erreicht wird. Gleichzeitig wird das Modell bei einer Verwendung des Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells in Kombination mit einem tatsächlichen Ladeanwendungsszenario kontinuierlich trainiert, getestet, verifiziert und optimiert, so dass die Ladeeinrichtungen und die entsprechende Stromversorgungseffizienz kontinuierlich optimiert werden können. Das Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem bereitgestellt durch die vorliegende Erfindung , ist AI Deep Learning zu verwenden, um ein kontinuierlich optimiertes Management-Steuerungsmodell einzurichten, ein optimiertes Steuermodell auszugeben, das ein Regelenergie-Leistungsbilanz eines Ladesystems darstellt und das für einen zu verwendenden Ladeterminal optimal ist, wodurch die Effizienz des Ladens und des Stromverbrauch des Ladeeinrichtungssystems maximiert wird.
Die vorliegende Erfindung hat die folgenden vorteilhaften Effekte:

1. Das durch die vorliegende Erfindung bereitgestellte Lade- und Stromversorgungsoptimierungsverfahren erreicht die Maximierung der Ladeleistung und der Stromversorgungseffizienz, wenn die Ladestation den Ladebedarf von Elektrofahrzeugen am besten decken kann, optimiert kontinuierlich die Ladeeinrichtungen und die entsprechende Stromversorgungseffizienz und verwendet AI-Deep-Leaming, um ein kontinuierlich optimiertes Managementsteuermodell zu erstellen, um die Lade- und Stromverbrauchseffizienz des Ladeeinrichtungssystems zu maximieren.
2. In einem spezifischen Anwendungsszenario für das Laden von Elektrofahrzeugen werden in Echtzeit gesammelte Daten in das Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell eingegeben. Eine Ladeleistungszuweisungsanweisung wird auf der Grundlage des Modellausgabeergebnisses und in Kombination mit einer tatsächlichen Ladeleistung einer Ladeeinrichtung und einem Ladebedarf eines aufzuladenden Elektrofahrzeugs generiert. Ein Stromversorgungs-Ladeverhältnis des Ladeeinrichtungssystems wird in Echtzeit auf der Grundlage des tatsächlichen Bedarfs angepasst, so dass die Leistung des Ladeterminals einen Ladebedarf von Elektrofahrzeugen bestmöglich decken kann und eine Maximierung der Ladeleistung und der Effizienz der Stromversorgung erreicht wird. Gleichzeitig wird, bei der Verwendung des Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells in Kombination mit einem tatsächlichen Ladeanwendungsszenario, das Modell kontinuierlich trainiert, getestet, verifiziert und optimiert, so dass die Ladeeinrichtungen und die entsprechende Stromversorgungseffizienz kontinuierlich optimiert werden können.
3. Vor dem Training des Modells ist es notwendig, eine große Menge an historischen Daten und Echtzeitdaten zu sammeln, eine Kennwertdatenbank zu erstellen und das Modell anhand der Daten in der Kennwertdatenbank wiederholt zu trainieren, zu überprüfen und zu optimieren, und die zugehörigen Daten werden verwendet, um den Ladebedarf von Elektrofahrzeugen, eine Echtzeit-Ladeleistung eines Ladegeräts und die Stromversorgung der Ladestation zu berechnen, am Lernen und Trainieren teilzunehmen, um das Ladeleistungsmanagementmodul des Systems kontinuierlich zu optimieren, einen Ladebedarf und eine Reaktionsfähigkeit jedes Ladeterminals vorherzusagen und die Ladeleistung jedes Ladeterminals mit einer Leistungsbedarfskurve eines Ladevorgangs einer Batterie eines Elektrofahrzeugs in Echtzeit zu vergleichen, um optimal auf einen Ladebedarf in Echtzeit zu reagieren und eine Ladefähigkeit zu steuern.
4. Nachdem das Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell ausgebildet wurde, kann das Modell durch die Eingabe von Echtzeitwerten in Kombination mit einem tatsächlichen Ladeanwendungsszenario kontinuierlich trainiert, verifiziert und optimiert werden, um ein optimiertes Steuerungsmodell der Regelenergie-Leistungsbilanz des Ladesystems auszugeben. Das Lade- und Stromversorgungsoptimierungsverfahren wird kontinuierlich optimiert und auf der Grundlage einer tatsächlichen Situation flexibel angepasst und geändert, zur Maximierung der Lade- und Stromverbrauchseffizienz des Ladeeinrichtungssystems zu maximieren.
5. Bei einem Ressourcengegensatz von einem hohen Ladebedarf und unzureichenden Ladeterminals kann dieses System zur Optimierung der Planung verwendet werden, wodurch die Angebot-Nachfrage-Anpassungsfähigkeit zwischen den Ladeeinrichtungen, der Stromversorgung und -verteilung, den Ladeterminals und den aufzuladenden Elektrofahrzeugen verbessert wird und somit Raum für die Umsetzung einer dynamischen Ressourcenoptimierung dieses Systems geschaffen wird.

KURZBESCHREIBUNG DER FIGUREN
Um die technischen Lösungen in den Beispielen der vorliegenden Erfindung deutlicher zu beschreiben, werden die zugehörigen Zeichnungen, die zur Beschreibung der Beispiele erforderlich sind, im Folgenden kurz beschrieben. Offensichtlich sind die nachstehend beschriebenen zugehörigen Zeichnungen nur einige Beispiele für die vorliegende Erfindung. Fachpersonen können auf der Grundlage dieser zugehörigen Zeichnungen ohne erfinderische Leistung auch andere zugehörigen Zeichnungen erstellen.

1 ist ein schematisches Diagramm eines Lade- und Stromversorgungsoptimierungsverfahrens für ein Lademanagementsystem gemäß der vorliegenden Erfindung;
2.1 bis 2.4 bilden eine zusammenhängende Abbildung, die im Weiteren als 2 bezeichnet wird. 2 ist ein schematisches Diagramm der Implementierungsschritte eines Deep-Learning-Modells eines Lade- und Stromversorgungsoptimierungsverfahrens für ein Lademanagementsystem gemäß der vorliegenden Erfindung;
3.1 und 3.2 bilden eine zusammenhängende Abbildung, die im Weiteren als 3 bezeichnet wird. 3 ist ein schematisches Diagramm eines Energiesteuerungsausgangs-Teilprozesses eines Lademanagementsystems gemäß der vorliegenden Erfindung;
4 ist ein schematisches Diagramm einer Lade- und Stromversorgungsoptimierungsvorrichtung für ein Lademanagementsystem gemäß der vorliegenden Erfindung; und
5 ist ein Leistungsbedarfsänderungskurven-Diagramm eines Ladevorgangs einer Leistungsbatterie eines aufgeladenen Elektrofahrzeugs und eines Ladeterminals gemäß der vorliegenden Erfindung.

Referenznummern: 1. Datenmanagementmodul; 2. Datenerfassungsmodul; 3. Datenspeichermodul; 4. Datentraining- und Datenausgabemodul; 5. Mensch-Maschine-Interaktionsplanungsmodul; 6. Kommunikationsmodul; 7. Cloud-Server; 8. Ladefähigkeitsausführungsmanagementeinheit; und 9. Ladefähigkeitstrainingsoptimierungseinheit
DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die technische Lösung in der vorliegenden Erfindung wird im Folgenden klar und vollständig in Verbindung mit den Beispielen der vorliegenden Erfindung beschrieben. Offensichtlich sind die beschriebenen Ausführungsformen nur einige, aber nicht alle Ausführungsformen der vorliegenden Erfindung. Alle anderen Beispiele, die eine Fachmann auf der Grundlage der Beispiele der vorliegenden Erfindung ohne erfinderische Leistung erhält, fallen in den Schutzbereich der vorliegenden Erfindung.
1 ist ein schematisches Diagramm eines Lade- und Stromversorgungsoptimierungsverfahrens eines Lademanagementsystems gemäß der vorliegenden Erfindung, das die folgenden Schritte umfasst.
Schritt S 1: Erhalten von Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs.
Schritt S2: Bestimmen einer Ladefähigkeit, einer Stromversorgungsfähigkeit und einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation auf der Grundlage der Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, der Fähigkeitsinformationen der Ladeeinrichtung, der Leistungsinformationen des Ladeterminals und der Ladebedarfsinformationen des Elektrofahrzeugs.
Schritt S3: Eingeben der Ladefähigkeit, der Stromversorgungsfähigkeit und der tatsächlichen Ladeleistung in ein vortrainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell und Erhalt eines Modellausgabeergebnisses.
Schritt S4: Erzeugen einer Ladeleistungszuweisungsanweisung basierend auf dem Modellausgabeergebnis, einer tatsächlichen Ladeleistung einer Ladeeinrichtung an der Ladestation und einem Ladebedarf eines aufzuladenden Elektrofahrzeugs.
Schritt S5: Verteilen von elektrischer Energie an jede Ladeeinrichtung auf der Grundlage der Ladeleistungszuweisungsanweisung und Aufladen des Elektrofahrzeugs unter Verwendung eines an der Ladeeinrichtung installierten Ladeterminals.
Es sollte beachtet werden, dass das durch die vorliegende Erfindung bereitgestellte Lademanagementsystem eine Ladefähigkeitsausführungsmanagementeinheit 8 und eine Ladefähigkeitstrainingsoptimierungseinheit 9 umfasst. Die Ladefähigkeitstrainingsoptimierungseinheit 9 für die Ladefähigkeit bildet ein vortrainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell durch Training, Testen und Verifizieren eines anfänglichen maschinellen Lernmodells. In einem spezifischen Anwendungsszenario für das Laden von Elektrofahrzeugen werden in Echtzeit gesammelte Daten in das Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell eingegeben. Eine Ladeleistungszuweisungsanweisung wird auf der Grundlage des Modellausgabeergebnisses und in Kombination mit einer tatsächlichen Ladeleistung einer Ladeeinrichtung und einem Ladebedarf eines aufzuladenden Elektrofahrzeugs erzeugt und an die Ladefähigkeitsausführungsmanagementeinheit 8 gesendet. Die Ladefähigkeitsausführungsmanagementeinheit 8 passt ein Energieversorgung-Ladeverhältnis des Ladeeinrichtungssystems in Echtzeit basierend auf einem tatsächlichen Bedarf an, so dass die Leistung des Ladeterminals einen Ladebedarf von Elektrofahrzeugen am besten erfüllen kann und eine Maximierung der Ladeleistung und Stromversorgungseffizienz erreicht wird. Gleichzeitig wird, in einem Prozess der Verwendung des Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells in Kombination mit einem tatsächlichen Ladeanwendungsszenario, das Modell kontinuierlich trainiert, getestet, verifiziert und optimiert, so dass die Ladeeinrichtungen und entsprechende Stromversorgungseffizienz kontinuierlich optimiert werden können.
Es sollte beachtet werden, dass die Ladefähigkeit des Ladeeinrichtungssystems die Summe einer Nennleistung aller Ladeeinrichtungen ist, und dass eine Stromversorgungsfähigkeit des Ladeeinrichtungssystems eine maximale Ausgangsleistung ist, die nach einer Nennleistung eines Ladestationsstromversorgungstransformators abzüglich der von einem anderen Gerät in einem Netz verwendeten Leistung bereitgestellt werden kann. Eine Ladefähigkeit wird als ΣP festgelegt, die Stromversorgungsfähigkeit wird als ΣQ festgelegt, die tatsächliche Ladeleistung wird als ΣS festgelegt, eine Nennleistung einer einzelnen Ladeeinrichtung ist P, eine Anzahl an Ladeeinrichtungen ist m, und eine Anzahl an jeder Ladeeinrichtung installierten Ladeterminals ist n, Folgendes ergibt sich daraus, $\sum P = P 1 + P 2 + \dots + Pm$
$\sum Q \geq \sum S$
Die Ausgangsleistung der Ladeeinrichtung Pm≥S_m1+S_m2+...+S_mn, S_m ist eine tatsächliche Ladeleistung eines Ladeterminals, die direkt auf ein geladenes Elektrofahrzeug bezogen ist, und ein Wert davon ist 0, wenn kein Elektrofahrzeug angeschlossen ist. Die maximale Ausgangsleistung des Ladeterminals ist kleiner oder gleich einer maximalen Aufnahmeleistung des Elektrofahrzeugs, die von einem Batterielademanagementsystem im Elektrofahrzeug und auch von der Stromversorgungsfähigkeit des Systems gesteuert wird.
Eine tatsächliche Ausgangsleistung eines Ladegeräts ist Pn=Sn. Eine für das Laden tatsächlich benötigte Leistung wird nicht nur stark von der Leistungskapazität des geladenen Elektrofahrzeugs und der Umgebungstemperatur beeinflusst, sondern auch vom dynamischen SOC einer Batterie eines geladenen Elektrofahrzeugs. Anhand einer Leistungsbedarfskurve, die durch Änderung eines Ladevorgangs der Leistungsbatterie eines aufgeladenen Elektrofahrzeugs erzeugt wird, lässt sich feststellen, dass, wenn die Leistungsbatterie eines aufgeladenen Elektrofahrzeugs eine bestimmte Leistung erreicht, tritt die Leistungsbatterie eines aufgeladenen Elektrofahrzeugs in einen gleichmäßigen Niedrigstrom-Ladezustand ein, der lange Zeit dauert. In diesem Fall, wenn ΣQ überschüssig ist, selbst wenn die Ladeeinrichtungen unzureichend sind, sollte, sobald ein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, ein Ladeterminal selektiv gesteuert werden, und ein Ladefertigstellungsbefehl sollte ausgegeben werden, um auf den neuen Ladebedarf zuzugreifen, um das neue Elektrofahrzeug zu laden und einen Ladezustand in Echtzeit zu überwachen.
Das durch die vorliegende Erfindung bereitgestellte Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem besteht darin, AI-Deep-Learning zu verwenden, um ein kontinuierlich optimiertes Management-Steuerungsmodell zu erstellen und ein optimiertes Steuerungsmodell der Regelenergie-Leistungsbilanz eines Ladesystems auszugeben und das für ein zu verwendendes Ladeterminal optimal ist, wodurch die Effizienz des Ladevorgangs und des Energieverbrauchs des Ladeeinrichtungssystems maximiert wird.
Im Speziellen, mit Bezug auf 4, umfasst das Lademanagementsystem der vorliegenden Erfindung eine Ladefähigkeitsausführungsmanagementeinheit 8, eine Ladefähigkeitstrainingsoptimierungseinheit 9 und einen Cloud-Server 7. Die Ladefähigkeitsausführungsmanagementeinheit 8 umfasst eine Stromversorgungs-, Umwandlungs- und Verteilungsstation, ein Ladeeinrichtungsverteilungssteuerungsmodul und mehrere Ladeeinrichtungen. Die Ladeeinrichtung ist mit mehreren Ladeterminals ausgestattet, und die Ladeeinrichtungen sind mit dem Ladeeinrichtungsverteilungssteuerungsmodul verbunden. Das Ladeeinrichtungsverteilungssteuerungsmodul ist mit der Stromversorgungs-, Umwandlungs- und Verteilungsstation verbunden, und das Ladeeinrichtungsverteilungssteuerungsmodul ist dazu eingerichtet: die Ladeleistungszuweisungsanweisung zu empfangen, die von der Ladefähigkeitstrainingsoptimierungseinheit gesendet wird, und die Verteilung der elektrischen Energie an die Ladeeinrichtungen gemäß der Ladeleistungszuweisungsanweisung zu steuern, und die Verteilung der elektrischen Energie an die Ladeeinrichtungen basierend auf der Ladeleistungszuweisungsanweisung zu steuern. Die Ladeeinrichtung ist dazu eingerichtet: elektrische Energie in Arbeitsstrom umzuwandeln, die von einem aufzuladenden Elektrofahrzeug benötigt wird, und Gleichstrom-Schnellladen oder Wechselstrom-Langsamladen für das aufzuladende Elektrofahrzeug über das Ladeterminal durchzuführen.
Die Ladefähigkeitstrainingsoptimierungseinheit 9 umfasst ein Datenmanagementmodul 1, ein Datenerfassungsmodul 2, ein Datenspeichermodul 3 und ein Datentraining- und Datenausgabemodul 4. Das Datenerfassungsmodul 2, das Datenspeichermodul 3 und das Datentraining- und Datenausgabemodul 4 sind über das Datenmanagementmodul 1 mit dem Ladeeinrichtungsverteilungssteuerungsmodul verbunden. Das Ladefähigkeitstrainingsoptimierungseinheit 9 umfasst außerdem ein Mensch-Maschine-Interaktionsplanungsmodul 5 und ein Kommunikationsmodul 6. Das Mensch-Maschine-Interaktionsplanungsmodul 9 ist separat mit dem Datenmanagementmodul 1 und dem Kommunikationsmodul 6 verbunden. Das Kommunikationsmodul 6 ist mit dem Datentraining- und Datenausgabemodul 4 verbunden.
Der Cloud-Server 7 unterstützt ein umfassendes Management auf einer Systemebene, unterstützt Remote-Sharing, Erfassung und Verarbeitung, Interoperabilität und Planung von Dateninformationen über ein gemeinsames Protokoll einer Kommunikationsschnittstelle und dient als Erweiterung eines Datenmanagementzentrums der Ladefähigkeitstrainingsoptimierungseinheit 8 und verwaltet und teilt die Erweiterung gemeinsam mit einem lokalen Netzwerk, akzeptiert die Migration und Einbettung einer KI-Trainingsumgebung und -modells, und nutzt die Vorteile der Technologie der künstlichen Intelligenz unter Verwendung von Big Data besser aus, um ein Steuerausgangsmodell zu trainieren und zu verifizieren, wodurch gemeinsame Datennutzung und machine deep learning im Rahmen eines lokalen Mehrstations-Lademanagementsystem optimiert wird, Komplementarität und Optimierung einer Ladefähigkeitsressource jedes Systems realisiert wird und die Lade- und Leistungseffizienz eines lokalen Ladeeinrichtungssystems maximiert wird.
Siehe 2. Vor dem Schritt S 1 des Erhaltens von Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs umfasst das Verfahren ferner:
Schritt S01: Auswählen eines vortrainierten maschinellen Lernmodells und Einstellen eines anfänglichen Schwellenwerts und einer Funktionsmatrix in Bezug auf eine Ladeleistung in dem vortrainierten maschinellen Lernmodell und Erstellen eines Zeitreihenvorhersage-Beziehungsmodells für Lade- und Stromversorgungsoptimierung.
Schritt S02: Einstellen eines Ladeterminalkennwerts, Erhalten einer Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs, um eine Zeitreihenvorhersagebeziehung einer Ladebetriebszustandskennlinie zu erstellen.
Schritt S03: Erhalten der Ladebedarfsinformationen des Elektrofahrzeugs, Ladearbeitsinformationen, Stromversorgungsinformationen und Umgebungsinformationen der Ladeeinrichtung, um eine Kennwertdatenbank zu erstellen.
Schritt S04: Eingabe der Daten in die Kennwertdatenbank in das Zeitreihenvorhersage-Beziehungsmodell für die Lade- und Stromversorgungsoptimierung, Trainieren und Optimieren des Zeitreihenvorhersage-Beziehungsmodells für die Lade- und Stromversorgungsoptimierung in Kombination mit der Zeitreihenvorhersage-Beziehung einer Ladebetriebszustandskennlinie, um das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell zu erhalten.
Es sollte verstanden werden, dass es vor der Verwendung des vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells notwendig ist, ein Modell zu erstellen und das Modell zu trainieren und zu verifizieren. Zunächst wird ein vortrainiertes maschinelles Lernmodell ausgewählt, und ein anfänglicher Schwellenwert und eine Funktionsmatrix in Bezug auf eine Ladeleistung in dem Modell festgelegt, und ein Zeitreihenvorhersage-Beziehungsmodell für die Lade- und Stromversorgungsoptimierung wird erstellt. Wenn das vortrainierte maschinelle Lernmodell ausgewählt wird, muss die Auswahl in Kombination mit einem Anwendungsszenario durchgeführt werden. Nachdem ein Anfangsmodell ausgewählt wurde, wird ein Anfangsschwellenwert in Bezug auf die Ladeleistung in dem spezifischen Ladesystem eingegeben, einschließlich einer maximalen Stromversorgungsfähigkeit einer elektrischen Stromversorgungs-, Umwandlungs- und Verteilungsstation des Ladesystems, einer Gesamtnennladefähigkeit eines Ladeeinrichtungssystems, einer Nennladeleistung jeder Ladeeinrichtung und Mengen- und Standortinformationen von Ladeterminals davon, die zur dynamischen Analyse und Verarbeitung der Lade- und Stromversorgungsfähigkeiten des Ladesystems und zur Klärung einer Statuseigenschaft des Anwendungsszenarios verwendet werden.
Nachdem eine Zeitreihenvorhersagebeziehung zur Lade- und Stromversorgungsoptimierung eingerichtet ist, ist es ebenfalls notwendig, eine Zeitreihenvorhersagebeziehung einer Ladebetriebszustandskennlinie einzurichten, die speziell Folgendes umfasst: Festlegen einer entsprechenden Beziehung zwischen einer Ladeleistung und der Zeit jedes Ladeterminals als eine Hauptvariable, die verwendet wird, um einem Ladebedarf des Elektrofahrzeugs zu entsprechen und darauf zu reagieren, und einen eins-zu-eins-entsprechenden-Zeitreihenvorhersagebeziehungstrend zwischen dem Elektrofahrzeug, das in einen Ladezustand eintritt, und dem Ladeterminal herzustellen. Es sollte beachtet werden, dass eine Leistungsbedarfsänderungskurve während eines Ladevorgangs einer Leistungsbatterie eines aufgeladenen Elektrofahrzeugs von einer historischen Datenbank oder von einem Batteriemanagementsystem BMS des aufzuladenden Elektrofahrzeugs hergeleitet werden kann. Die Leistungsbedarfsänderungskurve während eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs kann durch Auslesen des Batterieverwaltungssystems BMS des Elektrofahrzeugs über eine mobile APP oder einen Internetserver oder ein Ladeterminal erhalten werden, das zum überwachten Lernen eines Echtzeit-Ladeenergiestatus des Ladeterminals und des geladenen Elektrofahrzeugs, und zur Verbesserung der Genauigkeit der Energieanpassungssteuerung verwendet wird.
Wie in 5 dargestellt, verwenden die meisten herkömmlichen Batterien für Elektrofahrzeuge Lithium-Ionen-Batterien, und ein Ladevorgang dauert lange. Eine Leistung einer Ladestation wird in der Regel so gewählt, dass sie einer für das Aufladen von Elektrofahrzeugen erforderlich maximalen Nennleistung entspricht, um sicherzustellen, dass, wenn ein aufgeladenes Elektrofahrzeug maximale Ladeleistung benötigt, der Ladeterminal die entsprechende elektrische Energie bereitstellen kann. Eine von der Leistungsbatterie benötigte Ladeleistung wird auch durch die verbleibende Leistung der Batterie, d. h. einen dynamischen Ladezustand SOC der Leistungsbatterie (Prozentsatz der verbleibenden Leistung der Leistungsbatterie) und einem Verhältnis zwischen der verbleibenden Leistung und einer Batterieleistung beeinflusst. Wenn SOC=1 ist, ist die Batterie vollständig geladen. Wenn SOC=0 ist, bedeutet dies, dass die Batterie vollständig entladen ist, was zu großen Schäden an der Leistungsbatterie führt. Während der tatsächlichen Anwendung, wenn der SOC-Wert kleiner als 50 % ist, sollte Laden und Batteriekorrektur durchgeführt werden. 5(a) ist eine typische Ladestromkurve einer Leistungsbatterie bei verschiedenen SOCs bei Raumtemperatur. Wenn sich ein Ladevorgang der Leistungsbatterie ändert, ändert sich auch die Ausgangsleistung des Ladegeräts entsprechend. 5(b) zeigt eine Kurve der tatsächlichen Ausgangsleistung eines sich mit dem Ladevorgang ändernden Ladeterminals.
Es ist ersichtlich aus der Beziehungskurve zwischen der Ladeleistung und dem SOC der Leistungsbatterie des Elektrofahrzeugs in der in 5 dargestellten Ausführungsform , dass, wenn die Batterieleistung des Elektrofahrzeugs 90 % der Nennleistung erreicht, eine erforderliche Ladeleistung schnell abnimmt und dementsprechend durch eine Ladezeit gekennzeichnet ist: Es dauert 250 Minuten bis 300 Minuten, bis die Batterieleistung des Elektrofahrzeugs in dieser Ausführungsform vollständig aufgeladen ist, aber tatsächlich ist nur etwa 150 Minuten nach dem Start der Ladung eine Schnellladung mit voller Leistung erforderlich, die 90 % der Nennleistung des Elektrofahrzeugs erreicht. Eine tatsächliche Ausgangsleistung des Ladeterminals nimmt mit der Zeit ab. Das heißt, wenn das Elektrofahrzeug vollständig bis zur Nennleistung aufgeladen werden muss, kann ein System bei einem Überangebot an Ladeterminals Unterstützung bieten. Im Falle von Ressourcenkonflikten, bei einem hohen Ladebedarf, aber Ladeterminals sind unzureichend, kann das System für eine optimale Planung verwendet werden, um die Angebot- und Nachfrageanpassungsfähigkeit zwischen Ladeeinrichtungen, Stromversorgung und -verteilung, Ladeterminals und aufzuladenden Elektrofahrzeugen zu verbessern, wodurch Raum für eine dynamische Optimierung der Ressourcen in diesem System geschaffen wird.
Vor dem Training des Modells ist es notwendig, eine große Menge an historischen Daten und Echtzeitdaten zu sammeln, eine Kennwertdatenbank zu erstellen, d. h. einen Datensatz für das Modelltraining, und das Modell unter Verwendung der Daten in der Kennwertdatenbank wiederholt zu trainieren, zu überprüfen und zu optimieren. Die Daten werden durch das Datenerfassungsmodul 2 gesammelt und nach der Verarbeitung durch das Datenmanagementmodul 1, werden die Daten in das Datenspeichermodul 3 zur Speicherung eingegeben, das die historischen Daten und die Echtzeitdaten für das Datentraining- und Datenausgabemodul 4 bereitstellt und das anfänglich erstellte Zeitreihenvorhersage-Beziehungsmodell für die Lade- und Stromversorgungsoptimierung trainiert und optimiert. Zu den relevanten gesammelten Parametern gehören ein Arbeitsinformationsstatusparameter der Ladeeinrichtung, Fahrzeugmengen- und -modellparameter der geladenen Elektrofahrzeuge, ein Ladebedarfsparameter des geladenen Elektrofahrzeugs, ein Stromversorgungsfähigkeitsparameter, ein Umgebungsstatusparameter, Arbeitsstatusszenendaten und ein Mensch-Maschine-Interaktionssteuerungsparameter. Zugehörige Daten werden verwendet, um den Ladebedarf von Elektrofahrzeugen, eine Echtzeit-Ladeleistung eines Ladegeräts und Stromversorgung der Ladestation zu berechnen, am Lernen und Trainieren teilzunehmen, um das Ladeleistungsmanagementmodul des Systems kontinuierlich zu optimieren, einen Ladebedarf und eine Reaktionsfähigkeit jedes Ladeterminals vorherzusagen und die Ladeleistung jedes Ladeterminals mit einer Leistungsbedarfskurve eines Ladevorgangs einer Elektrofahrzeugbatterie in Echtzeit zu vergleichen, um optimal auf einen Ladebedarf in Echtzeit zu reagieren und eine Ladefähigkeit zu steuern.
Es sollte beachtet werden, dass bei der Erstellung der Kennwertdatenbank ein Trainingsset und ein Testset enthalten sind. Anfänglich werden 90 % als Trainingsdaten und 10 % als Testdaten festgelegt, mit zunehmender Datenmenge werden 95 % als Trainingsdaten und 5 % als Testdaten angepasst, um das maschinelle Lernen zur Optimierung des Ausgabemodells vorzubereiten. Im Speziellen werden auf der Grundlage der in den letzten zwei Jahren gesammelten Ladedaten stündliche Ladedaten als grundlegende Zeitreiheneinheit verwendet, und die Daten werden in zwei Gruppen unterteilt: 90 % sind der Trainingsdatensatz und 10 % sind der Testdatensatz. Nach der historischen Analyse der vergangenen Daten werden Zeitreihenvorhersagen und -modellierung durchgeführt, und dann werden die Testdaten zum Testen und Anpassen von Steuerungsfehlern verwendet, wodurch die Auswirkungen von Schwankungen der Ladelasten von Elektrofahrzeugen, die durch saisonale Umweltveränderungen verursacht werden, gut bewältigt werden können.
Siehe 2. Nach dem Schritt S04 des Eingebens der Daten in der Kennwertdatenbank in das Zeitreihenvorhersage-Beziehungsmodell für die Lade- und Statuseigenschaft, dem Trainieren und Optimieren des Zeitreihenvorhersage-Beziehungsmodells für die Lade- und Statuseigenschaft in Kombination mit der Zeitreihenvorhersage-Beziehung einer Ladebetriebszustandskennlinie, um das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell zu erhalten, umfasst das Verfahren weiterhin:
Schritt S05: Durchführen von Vergleichs-, Vorhersage- und Optimierungssteuerung für eine Zielsteuerungsmenge im Rahmen des vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells, und Durchführen von Modelltraining und Datenausgabe basierend auf einem Vergleichswert (einem ersten Vergleichswert).
Schritt S06: Akkumulieren eines bestimmten Lade- und Stromversorgungswertes, Eingeben von gesammelten Echtzeitdaten in die Kennwertdatenbank und Anreichern der Kennwertdatenbank in Kombination mit Anwendungsszene-Merkmalen der Ladestation und des geladenen Elektrofahrzeugs. Während der tatsächlichen Anwendung werden die Ladebedarfsinformationen des Elektrofahrzeugs, Ladearbeitsinformationen, Stromversorgungsinformationen und Umgebungsinformationen der Ladeeinrichtung in Echtzeit gesammelt, um die Kennwertdatenbank zu erstellen.
Schritt S07: Durchführen von Modelllerntraining und numerischen Analyse auf der Grundlage der angereicherten Kennwertdatenbank, Ausgeben eines Vergleichswerts (eines zweiten Vergleichswerts) auf der Grundlage eines numerischen Analyseergebnisses, und Steuern der Verwendung eines Ladeterminals in Kombination mit einem Ladezustand des Ladeterminals und Bedarfsinformationen des Elektrofahrzeugs.
Schritt S08: Ausgabe eines optimierten Steuerungsmodells der Regelenergie-Angebot- und Nachfrage-Gleichgewicht eines Ladesystems.
Es sollte verstanden werden, dass, nachdem das Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell gebildet ist, das Modell kontinuierlich trainiert, verifiziert und optimiert werden muss, indem Echtzeitwerte in Kombination mit einem tatsächlichen Ladeanwendungsszenario eingegeben werden, um ein optimiertes Steuerungsmodell der Regelenergie-Angebot- und Nachfrage-Gleichgewicht des Ladesystems auszugeben. Das Lade- und Stromversorgungsoptimierungsverfahren wird kontinuierlich optimiert, und flexibel angepasst und geändert auf der Grundlage einer tatsächlichen Situation, um die Lade- und Stromverbrauchseffizienz des Ladeeinrichtungssystems zu maximieren.
Es sollte beachtet werden, dass bei der Akkumulation einer bestimmten Menge von Lade- und Energieversorgungswerten ein Algorithmus auf der Grundlage verschiedener Szenarien oder Benutzeranforderungen eingestellt werden kann, um Lerntraining und numerische Analyse durchzuführen. Gemäß den Anwendungsszene-Merkmalen einer Ladestation und eines aufzuladenden Elektrofahrzeugs werden eine historische Datenbank und eine Echtzeit-Datenbank durch regelmäßige kombinierte Sammlung einer großen Menge von Daten angereichert, um eine Datenoberfläche des maschinellen Lernens anzureichern. Verfügbare Lade- und Energieversorgungs-Zeitreihenvorhersage-Algorithmus-Rahmenmodelle umfassen ein autoregressives Modell, ein LSTM-Modell und dergleichen, um Deep Learning durchzuführen, um ein Algorithmusmodell zu optimieren und eine Trendvorhersage bereitzustellen, die für eine Beziehung zwischen Lade- und Stromversorgungsnachfrage in einem Anwendungsszenario besser geeignet sind, um sich an die Koordination von Angebot- und Nachfragefähigkeiten zwischen verschiedenen Ladesystemen anzupassen, um ein besseres Angebot- und Nachfrage-Gleichgewicht zu erreichen.
Im Speziellen umfasst der Schritt S05 des Durchführens von Durchführens von Vergleichs-, Vorhersage- und Optimierungssteuerung für eine Zielsteuerungsmenge im Rahmen des vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells und des Durchführens von Modelltraining und Datenausgabe basierend auf einem Vergleichswert (einem ersten Vergleichswert):
Eingeben von Informationen über ein in Echtzeit angeschlossenes Elektrofahrzeug, eine Ladefähigkeit, eine Stromversorgungsfähigkeit und eine tatsächliche Ladeleistung jedes Ladeterminals in das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell;
Berechnen einer Gesamtladeleistung und Vergleichen der Gesamtladeleistung mit einem vorbestimmten Schwellenwert, und Vergleichen einer Differenz zwischen der tatsächlichen Ladeleistung jedes Ladeterminals, einer Nennleistungsfähigkeit des Ladeterminals und dem Ladebedarf des geladenen Elektrofahrzeugs, und Durchführen von Modelltraining und Datenausgabe basierend auf einem Vergleichswert; und speziell Berechnen einer Gesamtladeleistung und Vergleichen der Gesamtladeleistung mit einem vorbestimmten Schwellenwert und Vergleichen einer Differenz zwischen der tatsächlichen Ladeleistung jedes Ladeterminals, einer Nennleistungsfähigkeit des Ladeterminals und dem Ladebedarf des geladenen Elektrofahrzeugs und Durchführen von Modelltraining und Datenausgabe basierend auf einem Vergleichswert; und Vergleichen einer ersten Differenz zwischen einer tatsächlichen Ladeleistung jedes Ladeterminals und einer Nennladeleistung des Ladeterminals und einer zweiten Differenz zwischen der tatsächlichen Ladeleistung jedes Ladeterminals und dem Ladebedarf des geladenen Elektrofahrzeugs, Verwenden des ersten Differenzwerts und des zweiten Differenzwerts , um den ersten Vergleichswert zu erhalten, und Durchführen von Modelltraining und Datenausgabe basierend auf dem ersten Vergleichswert; und
wenn ein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Ausgeben eines Ladeleistungszuweisungsbefehls auf der Grundlage eines Datenausgabeergebnisses in Kombination mit der tatsächlichen Ladeleistung der Ladeeinrichtung an der Ladestation, dem Ladezustand des Ladeterminals und der Bedarfsinformation des Elektrofahrzeugs, und Ausführen eines Energiesteuerungsausgangs-Teilprozesses, um die Verwendung des Ladeterminals zu steuern; oder
wenn kein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Rückkehr zur Ausführung eines Schritts zum Erhalten der Ladebedarfsinformationen des Elektrofahrzeugs, Ladearbeitsinformationen, Stromversorgungsinformationen und Umgebungsinformationen der Ladeeinrichtung, um eine Kennwertdatenbank zu erstellen.
Es sollte verstanden werden, dass die Zielsteuerungsmenge eine Beziehung zwischen Laden und Stromversorgung ist. Im Rahmen des Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells werden verarbeitete Echtzeitdaten eingegeben, um ein Modellausgabeergebnis zu erhalten. Auf der Grundlage des Modellausgabeergebnisses wird eine Ladeleistungszuweisungsanweisung ausgegeben oder das Modell wird weiter trainiert und optimiert. Das Modell wird auf eine tatsächliche Ladeszene angewandt und in der tatsächlichen Ladeszene trainiert und optimiert, um eine Trendvorhersage zu erstellen, die für die Beziehung zwischen dem Lade- und dem Stromversorgungsbedarf in der Anwendungsszene besser geeignet ist, und um ein optimales Angebot- und Nachfrage-Gleichgewicht zu erreichen. Wenn es notwendig ist, auf den Ladebedarf eines neuen Elektrofahrzeugs zu reagieren oder einen zu erhalten, wird ein Befehl der Ladefähigkeitstrainingsoptimierungseinheit an die Ladefähigkeitsausführungsmanagementeinheit ausgegeben, um den Energiesteuerungsausgangs-Teilprozess zur Steuerung der Nutzung des Ladeterminals auszuführen. Dies erfüllt den Ladebedarf des neuen Elektrofahrzeugs, verbessert die Auslastung der Ladeterminals und verhindert, dass die Ladeterminals ungenutzt bleiben oder überschüssige Energie im System verschwendet wird.
Im Speziellen umfasst der Schritt S07 des Durchführens von Modelllerntraining und numerischen Analyse basierend auf der angereicherten Kennwertdatenbank, Ausgebens eines Vergleichswerts (eines zweiten Vergleichswerts) auf der Grundlage eines numerischen Analyseergebnisses und des Steuerns der Verwendung eines Ladeterminals in Kombination mit einem Ladezustand des Ladeterminals und Bedarfsinformationen des Elektrofahrzeugs:
wenn ein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Ausgeben eines Ladeleistungszuweisungsbefehls auf der Grundlage eines Ausgangsvergleichswerts (des zweiten Vergleichswerts) in Kombination mit der tatsächlichen Ladeleistung der Ladeeinrichtung an der Ladestation, dem Ladezustand des Ladeterminals und den Bedarfsinformationen des Elektrofahrzeugs und Ausführen eines Energiesteuerungsausgangs-Teilprozesses, um die Verwendung des Ladeterminals zu steuern; oder
wenn kein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Rückkehr zur Ausführung eines Schritts des Erhaltens der Ladebedarfsinformation des Elektrofahrzeugs, Ladearbeitsinformation, Stromversorgungsinformation und Umgebungsinformation der Ladeeinrichtung, um eine Kennwertdatenbank zu erzeugen.
Es sollte verstanden werden, dass während eines Prozesses des Modelllernens und -trainings und der numerischen Analyse auf der Grundlage der angereicherten Kennwertdatenbank das System auch auf einen tatsächlichen Ladebedarf reagiert, einen Vergleichswert auf der Grundlage eines numerischen Analyseergebnisses ausgibt und die Ladefähigkeitsausführungsmanagementeinheit steuert, um die Verwendung des Ladeterminals zu steuern und die Verwendung des Ladeterminals auf der Grundlage eines Ausgabebefehls in Kombination mit Bedarfsinformationen eines Elektrofahrzeugs zu bestimmen. Zu diesem Zeitpunkt muss ein Vergleichswert-Ausgabesteuerungssystem auf einen Ladebedarf eines neuen Elektrofahrzeugs reagieren oder einen solchen empfangen, d.h. der Befehl wird über die Ladefähigkeitsausführungsmanagementeinheit durch die Ladefähigkeitstrainingsoptimierungseinheit ausgegeben, um den Energiesteuerungsausgangs-Teilprozess auszuführen, um die Verwendung des Ladeterminals zu steuern, um den Ladebedarf des neuen Elektrofahrzeugs zu erfüllen und gleichzeitig die Auslastungsrate der Ladeterminals zu verbessern, zum Vermeiden, dass die Ladeterminals im Leerlauf sind oder überschüssige Energie im System verschwendet wird.
Siehe 3. Der Energiesteuerungsausgangs-Teilprozess umfasst die folgenden Schritte.
Empfangen der Ladeleistungszuweisungsanweisung.
Empfangen des Ladebedarfs des neuen Elektrofahrzeugs und Festlegen von Prioritäten auf der Grundlage einer Bedarfszeitreihe.
Erkennen eines Arbeitszustandes des Ladeterminals.
Wenn sich der Ladeterminal in einem Ruhezustand befindet, Verbinden mit dem neuen Elektrofahrzeug auf der Grundlage einer Priorität, Laden des neuen Elektrofahrzeugs und überwachen eines Ladezustands in Echtzeit, und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank.
Wenn sich der Ladeterminal nicht in einem Ruhezustand befindet, Vergleichen, ob die Energieversorgung im System überschüssig ist.
Wenn es einen Überschuss an elektrischer Energie im System gibt, Auffinden eines geladenes Elektrofahrzeug in einem einheitlichen Ladezustand und eines entsprechenden Ladeterminals in Kombination mit der Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs, Steuern des Ladeterminals und das geladene Elektrofahrzeug, um das Laden zu stoppen, Verbinden mit einem neuen Elektrofahrzeug basierend auf einer Priorität, Laden der neuen Elektrofahrzeuge und Überwachen eines Ladezustands in Echtzeit, und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank.
Wenn es keinen Überschuss an elektrischer Energie im System gibt, Auffinden eines geladenen elektrischen Fahrzeugs in einem einheitlichen Ladezustand und eines entsprechenden Ladeterminal in Kombination mit der Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen elektrischen Fahrzeugs, Steuern des Ladeterminals und des geladenen elektrischen Fahrzeugs, um das Laden zu stoppen, Verbinden eines neuen elektrischen Fahrzeugs und Starten des Ladevorgangs, Anpassen einer Ladeleistung eines anderen Ladeterminals, Erfüllen eines Ladebedarfs des neuen elektrischen Fahrzeugs basierend auf einer Priorität und Überwachen eines Ladezustands und einer Stromversorgungsanpassung in Echtzeit, und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank.
Es ist anzumerken, dass der Energiesteuerungsausgangs-Teilprozess die Verwendung des Ladeterminals auf der Grundlage eines Ausgabeergebnisses der numerischen Analyse eines Datenmanagementzentrums in Kombination mit dem Ladezustand des Ladeterminals und dem Ladebedarf des Elektrofahrzeugs bestimmt und steuert. Nachdem das Datentraining- und Datenausgabemodul 4 eine Anweisung ausgegeben hat, ein Prozess zur Steuerung der Ausgabe von Energieoptimierungsplänen ist speziell: Während das Datentraining- und Datenausgabemodul 4 eine Anweisung ausgibt, überwacht das Ladeeinrichtungsausgabesteuermodul der Ladefähigkeitsausführungsmanagementeinheit 8 auch ständig den Energieverbrauch jedes Ladeterminals im System. Sobald der Ladebedarf des neuen Elektrofahrzeugs über eine mobile APP oder einen Internetserver oder das Mensch-Maschine-Interaktionsplanungsmodul 5 empfangen wird, wird eine Priorität auf der Grundlage einer Bedarfssequenz definiert, und Bestimmung, Identifizierung und Planung im System.
Wenn der Ladeterminal nicht in Betrieb ist, sorgt das Ladeeinrichtungsverteilungssteuerungsmodul dafür, dass neue aufzuladende Elektrofahrzeuge angeschlossen werden, und das System kombiniert die in der Stromversorgungs-, Umwandlungs- und Verteilungsstation verfügbare Gesamtleistung, die tatsächlich verbrauchte Leistung, und die Bereitstellung und Verteilung einer maximalen Ladeleistung zum Aufladen des neu angeschlossenen Fahrzeugs, und überwacht einen Ladezustand in Echtzeit. Gleichzeitig werden relevante Informationen eines neu angeschlossenen Ladeterminals und Elektrofahrzeugs an das Datenerfassungsmodul zurückgegeben und in eine große Datenbank eingegeben.
Wenn kein Ladeterminal frei ist, bestimmt das Ladeeinrichtungsverteilungssteuerungsmodul, ob es einen Überschuss an elektrischer Stromversorgung im System gibt, und wenn es einen Überschuss an elektrischer Stromversorgung im System gibt, wird ein entsprechend angeschlossenes Elektrofahrzeug gefunden, dessen Echtzeit-Ladeleistung weniger als 90% der maximalen Ladeleistung jedes Ladeterminals ist. In 5 kann ein Kontrollzentrum anhand der Leistungsbedarfsänderungskurve während eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs feststellen, ob sich das geladene Elektrofahrzeug in einem einheitlichen Ladezustand befindet. Wenn sich das geladene Elektrofahrzeug im gleichmäßigen Ladezustand befindet, kann das geladene Elektrofahrzeug das Laden zuerst beenden, um die Auslastung eines Ladeterminals zu verbessern. Der Ladeterminal und das entsprechende Elektrofahrzeug werden so gesteuert, dass das Laden gestoppt wird, ein neues geladenes Elektrofahrzeug wird angeschlossen, um gleichzeitig geladen zu werden, das neue geladene Elektrofahrzeug wird schnell auf der Grundlage einer Nennleistung auf der Basis einer Priorität geladen, und ein Ladezustand wird in Echtzeit überwacht. Gleichzeitig werden relevante Informationen des Ladeterminals und des neu angeschlossenen Elektrofahrzeugs an das Datenerfassungsmodul zurückgegeben und in die große Datenbank eingegeben.
Wenn kein Ladeterminal frei ist, bestimmt das Ladeeinrichtungsverteilungssteuerungsmodul, ob es einen Überschuss an elektrischer Stromversorgung im System gibt, und wenn es keinen Überschuss an elektrischer Stromversorgung im System gibt, wird ein entsprechend angeschlossenes Elektrofahrzeug gefunden, dessen Echtzeit-Ladeleistung weniger als 90% der maximalen Ladeleistung jedes Ladeterminals ist. In 5 kann ein Kontrollzentrum anhand der Leistungsbedarfsänderungskurve während eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs in 5 feststellen, ob sich das geladene Elektrofahrzeug in einem einheitlichen Ladezustand befindet. Wenn sich das geladene Elektrofahrzeug im gleichmäßigen Ladezustand befindet, kann das geladene Elektrofahrzeug das Laden vorzugsweise beenden, um die Auslastung eines Ladeterminals zu verbessern. Das Ladeterminal und ein entsprechendes Elektrofahrzeug werden so gesteuert, dass das Laden gestoppt wird, und ein neues geladenes Elektrofahrzeug wird angeschlossen und beginnt mit dem Laden. Gleichzeitig wird die Ladeleistung eines anderen Ladeterminals, bei dem die Ladeleistung des geladenen Elektrofahrzeugs deutlich abnimmt, mit Hilfe des Ladeeinrichtungsverteilungssteuerungsmoduls angepasst. Durch die Planung der Ausgangsenergie relevanter Ausgangspunkte im Netz kann ein geladenes Elektrofahrzeug mit einem vorrangigen Bedarf geladen werden, und der Ladezustand und die Anpassung der Stromversorgung werden in Echtzeit überwacht. Gleichzeitig werden Informationen zu jedem relevanten Ladeterminal und einem angeschlossenen Elektrofahrzeug an das Datenerfassungsmodul zurückgegeben und in die große Datenbank eingegeben.
Vorzugsweise, wenn kein Ladeterminal frei ist, ermittelt das Ladeeinrichtungsverteilungssteuerungsmodul, ob es im System einen Überschuss an elektrischer Stromversorgung gibt. Wenn es keinen Überschuss an elektrischer Energieversorgung im System gibt, kann im Rahmen der Zusammenschaltung von netzübergreifenden Ladesäulen/Ladefähigkeits-Managementsystemen eine ergänzende Planung von stationsübergreifenden Ressourcen implementiert werden, d. h., dass ein ladendes Elektrofahrzeug mit einem neuen Bedarf einer nahegelegenen Ladestation mit einer freien Energieressource zum bevorzugten Laden empfohlen wird.
Siehe 2. Nach dem Schritt S08 der Ausgabe eines optimierten Steuerungsmodells der Regelenergie-Leistungsbilanz des Ladesystems, umfasst das Verfahren weiterhin: S09: Nach dem Training zur Ausgabe und Speicherung des optimierten Steuerungsmodells der Regelenergie-Leistungsbilanz des Ladesystems, Durchführung eines maschinellen Lerntrainings in jeder vorgegebenen Zeitspanne, um das Steuerungsmodell der Regelenergie-Leistungsbilanz des Ladesystems zu optimieren.
Es sollte verstanden werden, dass auf der Grundlage des Steuerungsmodells der Regelenergie-Leistungsbilanz eines Ladesystems, das durch Training gebildet wurde, maschinelles Lerntraining in jeder voreingestellten Zeitspanne durchgeführt wird, und eine Ladepriorität einer Vielzahl von Ladeterminals einmal angepasst wird, so dass die Ladepositionen, entsprechend der Vielzahl von Ladeterminals, Leistungsverteilung und -anpassung durchführen, um sich an verschiedene Jahreszeiten und Änderungen bei verschiedenen Energiefahrzeugnutzern anzupassen, um die Gesamtladeeffizienz zu optimieren und die Ladeanforderungen verschiedener Fahrzeugtypen und mobiler Ladeenergiespeichereinrichtungen zu integrieren.
Eine Deep-Learning-Trainingsumgebung dieser Ausführungsform wendet ein Facebook-Open-Source-PyTorch-Framework, ein Open-Source-GUN/Linux-Betriebssystem auf der Grundlage eines Ubuntu-Betriebssystems, eine Standard-PyTorch-Installationsumgebung, basierend auf relevanten intelligenten Daten und Modellen, einschließlich Anaconda-Paketmanagement-Tool, Spiegelungseinstellungen, Visualisierungstools, GPU (Bildprozessor) und dergleichen an, und erstellt ein Trainingsmodell, indem es ein entwickeltes Ladeeinrichtungsmanagementsystem auf der Grundlage der Deep-Learning-Zeitreihenvorhersage der vorliegenden Erfindung einbettet. Benutzer können auch das Ubuntu-Betriebssystem über einen Server konfigurieren, die Datenbank dieses lernenden Systems für die Ferninteraktion migrieren und einsetzen.
Im Speziellen umfasst der anfängliche Schwellenwert in Bezug auf die Ladekapazität: eine maximale Stromversorgungsfähigkeit einer Stromversorgungs-, Umwandlungs- und Verteilungsstation des Ladesystems, eine Gesamtnennladefähigkeit der Ladeeinrichtungen, eine Nennladeleistung jeder Ladeeinrichtung und eine Mengen- und Standortinformation eines Ladeterminals davon.
Es sollte verstanden werden, dass durch Einstellen eines anfänglichen Schwellenwerts in Bezug auf eine Ladeleistung in dem Modell, Auswählen eines Lernmodells in Kombination mit einem Anwendungsszenario und Eingeben des anfänglichen Schwellenwerts eines spezifischen Ladesystems ein vortrainiertes Ladesystemenergieoptimierungsbetriebsmodell erstellt wird, um Lade- und Stromversorgungsfähigkeit des Ladesystems dynamisch zu analysieren und zu verarbeiten und die Zustandsmerkmale des Anwendungsszenarios zu klären.
Im Speziellen umfassen die Ladebedarfsinformationen des Elektrofahrzeugs, die Ladearbeitsinformationen, die Stromversorgungsinformationen, und die Umgebungsinformationen der Ladeeinrichtung: einen Arbeitsinformationsstatusparameter der Ladeeinrichtung, Fahrzeugmengen- und -modellparameter der geladenen Elektrofahrzeuge, einen Ladebedarfsparameter des geladenen Elektrofahrzeugs, einen Stromversorgungsfähigkeits-Parameter, einen Umgebungsstatusparameter, Arbeitsstatus-Szenendaten und einen Mensch-Maschine-Interaktionssteuerungsparameter.
Es sollte beachtet werden, dass die Sammlung von Arbeitsinformationsstatusparametern der Ladeeinrichtung Ladestrom und die Ladezeit, Echtzeitleistung und akkumulierte Leistung umfasst, die von einer Ladeeinrichtung und einem Terminal davon oder einem BMS-Managementsystem eines geladenen Elektrofahrzeugs stammen, die für die Echtzeitverwaltung und -steuerung bei Eingabe in die Datenbank verwendet werden und maschinelles Lernen und Trainingsverifizierung unterstützen. Die Fahrzeugmenge und -modellparameter von geladenen Elektrofahrzeugen werden von einem Kennzeichenerkennungssignal eines Ladeterminals oder eines Elektrofahrzeugs erfasst und die Informationen werden in eine Datenbank eingegeben, die für Training, Abgleich und Verifizierung von KI-Steuerungsmodellen verwendet werden, um ein Systemoptimierungsplanungsmodell zu formulieren, das Ladefähigkeit und einen Ladebedarf kombiniert und das Systemoptimierungsplanungsmodell in Echtzeit plant. Der Ladebedarfsparameter wird aus einer Ladeanforderung für ein Elektrofahrzeug und einem Echtzeit-Ladezustand, einschließlich Ladeterminalabgleich und Ladebedarfsinformationen eines ladenden Elektrofahrzeugs, gesammelt, die für KI-Training, Abgleich und Verifizierung verwendet werden, um ein Systemoptimierungsplanungsmodell zu formulieren, das Ladefähigkeit und einen Ladebedarf kombiniert und das Systemoptimierungsplanungsmodell in Echtzeit plant. Der Stromversorgungsfähigkeits-Parameter wird aus Statusinformationen einer Stromversorgungs-, Transformations- und Verteilungsstation gesammelt, einschließlich einer maximalen Stromversorgungsfähigkeit, einer historischen Stromversorgungsleistung und Echtzeit-Energieversorgungsdaten, die für KI-Training, Abgleich und Überprüfung verwendet werden, um ein Systemoptimierungsplanungsmodell zu formulieren, das Ladefähigkeit und einen Ladebedarf kombiniert und das Systemoptimierungsplanungsmodell in Echtzeit plant. Die Umgebungsstatusparameter dienen hauptsächlich der Erfassung von Temperatur und Luftfeuchtigkeit, Zustandsinformationen von der Stromversorgungs-, Umwandlungs- und Verteilungsstation und der Erfassung von Schlüsselpunkten von Geräten in einem System, die für Training, Abgleich, Verifizierung und Optimierung eines Steuerungsmodells verwendet werden, und unterstützen die Systemarbeitsoptimierung in verschiedenen Szenarien und überwachen und schützen einen Arbeitsstatus von Schlüsselpunkten. Bei der Arbeitsstatusszenendatensammlung geht es hauptsächlich um die Systemüberwachung und die Arbeitszustandserkennung von intelligenten Geräten, einschließlich Bildern und Daten von Ladeeinrichtungen, Ladeschnittstellen, Elektrofahrzeugen und ähnlichem, zur Unterstützung des Modelldatentrainings, der Verifizierung und der Optimierung der Entscheidungs- und Kontrollfähigkeiten von Steuerungssystemen. Die Mensch-Maschine-Interaktionssteuerungsparameter werden von einer Mensch-Maschine-Interaktionsplanungseinheit, einem Lade-APP-Terminal und einem Remoteserver gesammelt, einschließlich Echtzeit-Statusdaten und Modellanpassung, Einstellungsbedarfsinformationen, und werden direkt als Eingabe verwendet, um vor Ort oder Remote-Mensch-Maschine-Kooperationsparameter zu erkennen, um an Berechnung, Steuerung und Planung teilzunehmen.
Siehe 4. Die vorliegende Erfindung stellt ferner eine Lade- und Stromversorgungsoptimierungsvorrichtung für ein Lademanagementsystem bereit, einschließlich:

ein Datenerfassungsmodul 2, das so konfiguriert ist, dass es Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs erhält;
ein Datenmanagementmodul 1, das so konfiguriert ist, dass es eine Ladefähigkeit, eine Stromversorgungsfähigkeit und eine tatsächliche Ladeleistung eines Ladeeinrichtungssystems an der Ladestation auf der Grundlage der Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, der Fähigkeitsinformationen der Ladeeinrichtung, der Leistungsinformationen des Ladeterminals und der Ladebedarfsinformationen des Elektrofahrzeugs bestimmt;
ein Datenspeichermodul 3, das dazu eingerichtet ist, die Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, die Fähigkeitsinformationen der Ladeeinrichtung, die Ausgangsinformationen des Ladeterminals und die Ladebedarfsinformationen des Elektrofahrzeugs zu speichern; und
ein Datentraining- und Datenausgabemodul 4, das dazu eingerichtet ist, die Ladefähigkeit, die Stromversorgungsfähigkeit und die tatsächliche Ladeleistung in ein vorab trainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell einzugeben und ein Modellausgabeergebnis zu erhalten; und eine Ladeleistungszuweisungsanweisung auf der Grundlage des Modellausgabeergebnisses, einer tatsächlichen Ladekapazität einer Ladeeinrichtung an der Ladestation und eines Ladebedarfs eines aufzuladenden Elektrofahrzeugs zu erzeugen; und
eine Ladefähigkeitsausführungseinheit 8, die dazu eingerichtet ist, auf der Grundlage der Ladeleistungszuweisungsanweisung elektrische Energie an jede Ladeeinrichtung zu verteilen und das Elektrofahrzeug unter Verwendung eines an der Ladeeinrichtung installierten Ladeterminals aufzuladen.

Es sollte beachtet werden, dass die Lade- und Stromversorgungsoptimierungsvorrichtung des Lademanagementsystems der vorliegenden Erfindung ein Datenmanagementzentrum als Kern nimmt, einschließlich des Datenmanagementmoduls 1, des Datensammelmoduls 2, des Datenspeichermoduls 3, des Datentraining- und Datenausgabemoduls 4 und dergleichen. Das Datenmanagementmodul 1 dient als Prozessor des Datenmanagementzentrums, unterstützt die Speicherung und Verarbeitung verschiedener Datenbanken im System und ist für die Kommunikation mit einem Cloud-Server, verschiedenen Lade-APPs und Wi-Fi-Geräten verantwortlich, um die Ferninteraktion von Benutzern zu realisieren. Das Datenerfassungsmodul 2, das Datenspeichermodul 3, das Datentraining- und Datenausgabemodul 4, das Mensch-Maschine-Interaktionsplanungsmodul 5 und das Kommunikationsmodul 6 bilden zusammen ein Lademanagement-Rechenzentrum der vorliegenden Erfindung, durch die zentralisierte Verwaltung einer Vielzahl von Systemen auf Ladestationsebene wird die Optimierung des Ladens und der Stromversorgung des Ladesystems implementiert, um eine Vielzahl von Ladeterminals zu steuern und eine dynamische Verteilung der Ladeleistung zu realisieren.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

CN 202110033191 [0001]

Claims

Ein Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem, wobei das Verfahren umfasst: S 1: Erhalten von Informationen über Energieversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs; S2: Bestimmen einer Ladefähigkeit, einer Stromversorgungsfähigkeit und einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation basierend auf den Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, der Fähigkeitsinformationen der Ladeeinrichtung, der Leistungsinformationen des Ladeterminals und der Ladebedarfsinformationen des Elektrofahrzeugs; S3: Eingeben der Ladefähigkeit, der Stromversorgungsfähigkeit und der tatsächlichen Ladeleistung in ein vorab trainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell und Erhalten eines Modellausgabeergebnisses; S4: Erzeugen einer Ladeleistungszuweisungsanweisung basierend auf dem Modellausgabeergebnis, einer tatsächlichen Ladeleistung einer Ladeeinrichtung an der Ladestation und eines Ladebedarfs eines aufzuladenden Elektrofahrzeugs; und S5: Verteilen von elektrischer Energie an jede Ladeeinrichtung basierend auf der Ladeleistungszuweisungsanweisung, und Laden des Elektrofahrzeugs unter Verwendung eines an der Ladeeinrichtung installierten Ladeterminals.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 1, wobei vor S1 des Erhaltens von Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladestation, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs, das Verfahren weiterhin umfasst: S01: Auswählen eines vortrainierten maschinellen Lernmodells und Einstellen eines anfänglichen Schwellenwerts und einer sich auf eine Ladeleistung in dem vortrainierten maschinellen Lernmodell beziehende Funktionsmatrix, und Einrichten eines Zeitreihenvorhersage-Beziehungsmodells zur Lade- und Stromversorgungsoptimierung, S02: Einstellen eines Ladeterminal-Kennwerts, Erhalten einer Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs, um eine Zeitreihenvorhersagebeziehung einer Ladebetriebszustandskennlinie zu erstellen; S03: Erhalten der Ladebedarfsinformationen des Elektrofahrzeugs, Ladearbeitsinformationen, Stromversorgungsinformationen und Umgebungsinformationen der Ladeeinrichtung, um eine Kennwertdatenbank zu erstellen; und S04: Eingeben der Daten in der Kennwertdatenbank in das Zeitreihenvorhersage-Beziehungsmodell zur Lade- und Stromversorgungsoptimierung, Trainieren und Optimieren des Zeitreihenvorhersage-Beziehungsmodells zur Lade- und Stromversorgungsoptimierung in Kombination mit der Zeitreihenvorhersage-Beziehung einer Ladebetriebszustandskennlinie, um das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell zu erhalten.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 2, wobei nach S04 des Eingebens der Daten in der Kennwertdatenbank in das Zeitreihenvorhersage-Beziehungsmodell zur Lade- und Stromversorgungsoptimierung, Trainieren und Optimieren des Zeitreihenvorhersage-Beziehungsmodells zur Lade- und Stromversorgungsoptimierung in Kombination mit der Zeitreihenvorhersage-Beziehung einer Ladebetriebszustandskennlinie, um das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell zu erhalten, das Verfahren ferner umfasst: S05: Durchführen von Vergleichs-, Vorhersage- und Optimierungssteuerung für eine Zielsteuerungsmenge im Rahmen des vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells und Durchführen von Modelltraining und Datenausgabe basierend auf einem Vergleichswert; S06: Akkumulieren eines bestimmten Lade- und Stromversorgungswertes, Eingeben gesammelter Echtzeitdaten in die Kennwertdatenbank und Anreichern der Kennwertdatenbank in Kombination mit Anwendungsszene-Merkmalen der Ladestation und des geladenen Elektrofahrzeugs; S07: Durchführen von Modelllerntraining und numerischer Analyse basierend auf der angereicherten Kennwertdatenbank, Ausgeben eines Vergleichswerts basierend auf einem numerischen Analyseergebnis und Steuern der Verwendung eines Ladeterminals in Kombination mit einem Ladezustand des Ladeterminals und Bedarfsinformationen des Elektrofahrzeugs; S08: Ausgeben eines optimierten Steuerungsmodells der Regelenergie-Leistungsbilanz eines Ladesystems.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 3, wobei S05 des Durchführens von Vergleichs-, Vorhersage- und Optimierungssteuerung für eine Zielsteuerungsmenge im Rahmen des vortrainierten Deep-Learning-Zeitreihenvorhersage-Algorithmusmodells und des Durchführens von Modelltraining und Datenausgabe basierend auf einem Vergleichswert speziell umfasst: Eingeben von Informationen über ein in Echtzeit angeschlossenes Elektrofahrzeug, eine Ladefähigkeit, eine Stromversorgungsfähigkeit und eine tatsächliche Ladeleistung jedes Ladeterminals in das vortrainierte Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell; Berechnen einer Gesamtladeleistung und Vergleichen der Gesamtladeleistung mit einem vorbestimmten Schwellenwert, und Vergleichen einer Differenz zwischen der tatsächlichen Ladeleistung jedes Ladeterminals, einer Nennleistungsfähigkeit des Ladeterminals und dem Ladebedarf des geladenen Elektrofahrzeugs, und Durchführen von Modelltraining und Datenausgabe basierend auf einem Vergleichswert; und wenn ein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Ausgeben eines Ladeleistungszuweisungsbefehls basierend auf einem Datenausgabeergebnis in Kombination mit der tatsächlichen Ladeleistung der Ladeeinrichtung an der Ladestation, dem Ladezustand des Ladeterminals und der Bedarfsinformationen des Elektrofahrzeugs, und Ausführen eines Energiesteuerungsausgangs-Teilprozesses, um die Verwendung des Ladeterminals zu steuern; oder wenn kein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Rückkehr zur Ausführung eines Schritts zum Erhalten der Ladebedarfsinformationen des Elektrofahrzeugs, Ladearbeitsinformationen, Stromversorgungsinformationen und Umgebungsinformationen der Ladeeinrichtung, um eine Kennwertdatenbank zu erstellen.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 3, wobei S07 des Durchführens von Modelllerntraining und numerischer Analyse basierend auf der angereicherten Kennwertdatenbank, Ausgebens eines Vergleichswerts basierend auf einem numerischen Analyseergebnis und Steuern der Verwendung eines Ladeterminals in Kombination mit einem Ladezustand des Ladeterminals und einer Bedarfsinformation des Elektrofahrzeugs speziell umfasst: wenn ein Ladebedarf eines neuen Elektrofahrzeugs empfangen wird, Ausgeben eines Ladeleistungszuweisungsbefehls basierend auf einem Ausgangsvergleichswert in Kombination mit der tatsächlichen Ladeleistung der Ladeeinrichtung an der Ladestation, dem Ladezustand des Ladeterminals und den Bedarfsinformationen des Elektrofahrzeugs, und Ausführen eines Energiesteuerungsausgangs-Teilprozesses, um die Verwendung des Ladeterminals zu steuern.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 4 oder 5, wobei die Schritte des Energiesteuerungsausgangs-Teilprozesses umfassen: Empfangen der Ladeleistungszuweisungsanweisung; Empfangen des Ladebedarfs des neuen Elektrofahrzeugs und Festlegen von Prioritäten basierend auf einer Bedarfszeitreihe; Erfassen eines Arbeitszustands des Ladeterminals; und wenn sich das Ladeterminal in einem Ruhezustand befindet, Verbinden mit einem neuen Elektrofahrzeug basierend auf einer Priorität, Laden des neuen Elektrofahrzeugs und Überwachen eines Ladezustands in Echtzeit und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank; oder wenn sich das Ladeterminal nicht in einem Ruhezustand befindet, Vergleichen, ob die Energieversorgung in dem System überschüssig ist; wenn es einen Überschuss an elektrischer Energie in dem System gibt, Auffinden eines geladenen Elektrofahrzeugs in einem einheitlichen Ladezustand und eines entsprechenden Ladeterminals in Kombination mit der Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs, Steuern des Ladeterminals und des geladenen Elektrofahrzeugs, um das Laden zu stoppen, Verbinden mit einem neuen Elektrofahrzeug basierend auf einer Priorität, Laden der neuen Elektrofahrzeuge und Überwachen eines Ladezustands in Echtzeit und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank; oder wenn es keinen Überschuss an elektrischer Energie in dem System gibt, Auffinden eines geladenen Elektrofahrzeugs in einem einheitlichen Ladezustand und eines entsprechenden Ladeterminals in Kombination mit der Leistungsbedarfsänderungskurve eines Ladevorgangs einer Leistungsbatterie eines geladenen Elektrofahrzeugs, Steuern des Ladeterminals und des geladenen Elektrofahrzeugs, um das Laden zu stoppen, Verbinden mit einem neuen Elektrofahrzeug und Starten des Ladens, Anpassen einer Ladeleistung eines anderen Ladeterminals, Erfüllen eines Ladebedarfs des neuen Elektrofahrzeugs auf der Grundlage einer Priorität und Überwachen eines Ladezustands und einer Einstellung der Stromversorgung in Echtzeit und Rückgabe von Ladeenergieverbrauchsinformationen an die Datenbank.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 3, wobei nach S08 der Ausgabe eines optimierten Steuerungsmodells der Regelenergie-Leistungsbilanz des Ladesystems das Verfahren ferner umfasst: S09: nach dem Training zur Ausgabe und Speicherung des optimierten Steuerungsmodells der Regelenergie-Leistungsbilanz des Ladesystems, Durchführen eines maschinellen Lerntrainings in jeder voreingestellten Zeitspanne zur Optimierung des Steuerungsmodells der Regelenergie-Leistungsbilanz des Ladesystems.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 2, wobei der anfängliche Schwellenwert in Bezug auf die Ladekapazität Folgendes umfasst: eine maximale Stromversorgungsfähigkeit einer Stromversorgungs-, Umwandlungs- und Verteilungsstation des Ladesystems, eine gesamte Stromversorgungsfähigkeit der Ladeeinrichtungen, eine Nennladeleistung jeder Ladeeinrichtung und eine Mengen- und Standortinformation eines Ladeterminals davon.
Lade- und Stromversorgungsoptimierungsverfahren für ein Lademanagementsystem gemäß Anspruch 2, wobei die Ladebedarfsinformationen des Elektrofahrzeugs, die Ladearbeitsinformationen, die Stromversorgungsinformationen und die Umgebungsinformationen des Ladesystems speziell umfassen: einen Arbeitsinformations-Statusparameter des Ladeeinrichtung, Fahrzeugmengen- und -modellparameter der geladenen Elektrofahrzeuge, einen Ladebedarfsparameter des geladenen Elektrofahrzeugs, einen Stromversorgungsfähigkeits-Parameter, einen Umgebungsstatusparameter, Arbeitsstatus-Szenendaten und einen Mensch-Maschine-Interaktionssteuerungsparameter.
Eine Lade- und Stromversorgungsoptimierungsvorrichtung für ein Lademanagementsystem, wobei die Vorrichtung umfasst: ein Datenerfassungsmodul (2), das dazu eingerichtet ist, Informationen über die Stromversorgung, -umwandlung und -verteilung einer Ladestation, Fähigkeitsinformationen einer Ladeeinrichtung, Leistungsinformationen eines Ladeterminals und Ladebedarfsinformationen eines Elektrofahrzeugs zu erhalten; ein Datenmanagementmodul (1), das dazu eingerichtet ist, eine Ladefähigkeit, eine Stromversorgungsfähigkeit und eine tatsächliche Ladeleistung eines Ladeeinrichtungssystems an der Ladestation basierend auf den Informationen über Stromversorgung, -umwandlung und -verteilung der Ladestation, der Fähigkeitsinformationen der Ladeeinrichtung, der Leistungsinformationen des Ladeterminals und der Ladebedarfsinformationen des Elektrofahrzeugs zu bestimmen; ein Datenspeichermodul (3), das dazu eingerichtet ist, die Informationen über die Stromversorgung, -umwandlung und -verteilung der Ladestation, die Fähigkeitsinformationen der Ladestation, die Ausgangsinformationen des Ladeterminals und die Ladebedarfsinformationen des Elektrofahrzeugs zu speichern. ein Datentraining- und Datenausgabemodul (4), das dazu eingerichtet ist, die Ladefähigkeit, die Stromversorgungsfähigkeit und die tatsächliche Ladeleistung in ein vortrainiertes Deep-Learning-Zeitreihenvorhersage-Algorithmusmodell einzugeben und ein Modellausgabeergebnis zu erhalten; und eine Ladeleistungszuweisungsanweisung basierend auf dem Modellausgabeergebnis, einer tatsächlichen Ladeleistung eines Ladeeinrichtungssystems an der Ladestation und eines Ladebedarfs eines aufzuladenden Elektrofahrzeugs zu erzeugen; und eine Ladefähigkeitsausführungsmanagementeinheit (8), die dazu eingerichtet ist, basierend auf der Ladeleistungszuweisungsanweisung elektrische Energie an jede Ladeeinrichtung zu verteilen und das Elektrofahrzeug unter Verwendung eines an der Ladeeinrichtung installierten Ladeterminals aufzuladen.