JP2024503017A - 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 - Google Patents
充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 Download PDFInfo
- Publication number
- JP2024503017A JP2024503017A JP2023541706A JP2023541706A JP2024503017A JP 2024503017 A JP2024503017 A JP 2024503017A JP 2023541706 A JP2023541706 A JP 2023541706A JP 2023541706 A JP2023541706 A JP 2023541706A JP 2024503017 A JP2024503017 A JP 2024503017A
- Authority
- JP
- Japan
- Prior art keywords
- charging
- capacity
- information
- electric vehicle
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 66
- 238000005457 optimization Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 25
- 238000013480 data collection Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
-
- 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
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- 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
- B60L53/67—Controlling two or more charging stations
-
- 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
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/90—Vehicles comprising electric prime movers
- B60Y2200/91—Electric vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
充電管理システムの充電及びエネルギー供給の最適化方法であって、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得し、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定し、予め訓練された深層学習時系列予測アルゴリズムモデルに従って、モデル出力結果を得、充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量を結合し、充電電力分配指令を生成し、各充電施設に電力分配を行うことを含み、深層学習を利用して持続的に最適化された管理制御モデルを構築し、充電施設の供給能力と充電能力資源を最適化し、利用効率を高める。【選択図】図1
Description
本願は、2021年1月12日に中国特許局に、出願番号202110033191.1、発明名「充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置」を提出する中国特許出願の優先権を要求し、そのすべての内容は援引によって本願に組み合わせる。
本発明は充電管理技術分野に関し、特に充電管理システムの充電及びエネルギー供給の最適化方法並び装置に関する。
本発明は充電管理技術分野に関し、特に充電管理システムの充電及びエネルギー供給の最適化方法並び装置に関する。
電気自動車充電パイルは重要なインフラとして、車両の乗車体験に関係しており、新エネルギー自動車の保有量の増加と航続距離の向上に伴い、充電パイルに対するニーズ量も徐々に増加しており、人々はますます充電インフラの建設と発展を重視している。既存の充電施設の数は多く、充電容量は大きいが、充電施設が完成すると、充電出力インタフェースと駐車スペースは相対的に固定され、同時に接続された電力供給能力の影響を受けている。充電された電気自動車の流動性のため、充電施設に接続されている充電された電気自動車の数、充電が必要な時間及び必要な充電容量はいずれも確定せず、ラッシュアワーには車にパイルを探すのが困難になることがよくあり、車両は列に並んで充電しなければならず、待ち時間が長く、空いている時にはまた充電施設が遊休し、利用率が高くない現象が現れる。充電施設が満充電出力で動作しても、充電過程の電力ニーズ曲線の要素があるため、充電銃と駐車スペースの制限を受け、ラッシュアワーには充電施設の能力が豊かになり、車が駐車スペースを待つことを余儀なくされることがある。
既存の充電施設管理システムは充電需給予測能力を備えておらず、実際の充電使用と人工的に結合して調整するだけでは、効率が低く、車両の充電過程で矛盾が際立ち、充電施設の充電出力と電力供給効率の最大化を実現することができない。
本発明は従来技術の欠陥を解決し、充電管理システムの充電と供給能力最適化方法及び装置を提供し、深層さ学習を利用して持続的に最適化された管理制御モデルを構築し、充電施設の供給能力と充電能力資源を最適化し、利用効率を高めることを目的とする。
本発明の上述の技術的目的は、以下の解決手段を利用する。
充電管理システムの充電及びエネルギー供給の最適化方法であって、
S1、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップと、
S2、前記充電ステーションの電力供給送配電情報、前記充電施設能力情報、前記充電端末出力情報、及び前記電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するステップと、
S3、前記充電能力、前記給電能力、及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得るステップと、
S4、前記モデル出力結果と充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するステップと、
S5、前記充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するステップを含む。
S1、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップと、
S2、前記充電ステーションの電力供給送配電情報、前記充電施設能力情報、前記充電端末出力情報、及び前記電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するステップと、
S3、前記充電能力、前記給電能力、及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得るステップと、
S4、前記モデル出力結果と充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するステップと、
S5、前記充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するステップを含む。
上記の技術手段を採用することによって、本発明が提供する充電管理システムは充電能力実行管理ユニットと充電能力訓練最適化ユニットを含み、充電能力訓練最適化ユニットは、最初の機械学習モデルに対して訓練、テストと検証を行うことによって、予め訓練された深層学習時系列予測アルゴリズムモデルを形成し、具体的な電気自動車の充電応用シーンにおいて、リアルタイムで収集したデータを深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果に基づいて、充電施設の実際の充電容量と充電待ち電気自動車の充電ニーズを結合して、充電電力分配指令を生成して充電能力実行管理ユニットに送信し、充電能力実行管理ユニットによって、実際のニーズに基づいて、充電施設システムのエネルギー供給能力と充電比例をリアルタイムで調整し、充電端末の出力量は電気自動車の充電ニーズを最適に満たす下で、充電出力と電力供給効率の最大化を実現する同時に、深層学習時系列予測アルゴリズムモデルを使用する過程で、実際の充電応用シーンと結合して、モデルに対して絶えず訓練、テスト、検証と最適化を行い、充電施設と相応の電力供給効率を持続的に最適化させる。本発明が提供する充電管理システムの充電とエネルギー供給の最適化方法はAIディープラーニングを利用して持続的に最適化された管理制御モデルを構築し、最適化された充電システムのエネルギー制御需給バランス、最適な充電端末に使用する制御モデル出力を形成し、それによって充電施設システムの充電と電力使用効率の最大化を実現する。
本発明の有益な効果は、以下のようである。
1、本発明が提供する充電とエネルギー供給の最適化方法は、本充電ステーションが電気自動車の充電ニーズを最適に満たす下で、充電出力と電力供給効率の最大化を実現し、充電施設と相応の電力供給効率を持続的に最適化し、AIディープラーニングを利用して持続的に最適化された管理制御モデルを構築し、充電施設システムの充電と電力使用効率の最大化を実現する。
2、具体的な電気自動車充電応用シーンにおいて、リアルタイムで収集したデータを深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果に基づいて、充電施設の実際の充電容量と充電待ちの電気自動車の充電ニーズを結合して、充電電力分配指令を生成し、実際のニーズに基づいてリアルタイムで充電施設システムのエネルギー供給と充電比率を調整し、充電端末の出力量は、電気自動車の充電ニーズを最適に満たす下で、充電出力と電力供給効率の最大化を実現する同時に、深層学習時系列予測アルゴリズムモデルを使用する過程で、実際の充電応用シーンと結合して、モデルに対して絶えず訓練、テスト、検証と最適化を行い、充電施設と相応の電力供給効率を持続的に最適化させる。
3、モデルを訓練する前に、大量の歴史データとリアルタイムデータを収集し、特徴データベースを作成し、特徴データベース中のデータを通じてモデルに対して繰り返し訓練、検証と最適化を行い、関連データは電気自動車の充電ニーズ量、充電設備のリアルタイム充電量が充電ステーションの電力供給量よりも多いことを計算するために用い、学習訓練に参加してシステム充電電力管理モジュールを絶えず最適化し、そして、各充電端末の充電ニーズと応答能力を予測し、各充電端末の充電能力と充電対象である電気自動車動力電池の充電過程の電力ニーズ曲線をリアルタイムで比較し、最適なリアルタイムで充電ニーズに応答し、充電能力を制御する。
4、深層学習時系列予測アルゴリズムモデルが形成された後、実際の充電応用シーンと結合して、絶えずリアルタイムの数値を入力することによって、モデルを訓練、検証、最適化することができ、最適化された充電システムのエネルギー制御需給バランスの制御モデル出力を形成し、充電とエネルギー供給の最適化方法は持続的に最適化され、実際の状況に応じて柔軟に調整し、充電施設システムの充電と電力使用効率の最大化を実現する。
5、充電ニーズが多い、充電端末が不足している資源矛盾の下で、本システムを通じて最適化スケジューリングを行うことができ、それによって充電施設、供給配電と充電端末、充電待ち電気自動車間の需給適合性を高め、本システムの資源動的最適化実施のために空間を提供した。
本発明の実施形態における技術的態様をより明確に説明するために、以下に、実施例の説明において使用する必要がある図面を簡単に説明する。明らかに、以下の説明における図面は本発明のいくつかの実施例にすぎず、当業者にとっては、創造的な労働を払わずに、これらの図面に基づいて他の図面を得ることができる。
以下、本発明の技術的態様を、具体的な実施例を参照して、明確に、完全に説明する。明らかに、説明された実施例は、すべての実施例ではなく、本発明の一部の実施例にすぎない。本発明の実施例に基づいて、当業者が創造的な労働を行うことなく得られる他のすべての実施形態は、本発明の保護の範囲に属する。
図1を参照して、本発明は充電管理システムの充電と電力供給の最適化方法を提供し、
S1、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップと、
S2、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するステップと、
S3、充電能力、給電能力、及び実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得るステップと、
S4、モデル出力結果と充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するステップと、
S5、充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するステップを含む。
S1、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップと、
S2、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するステップと、
S3、充電能力、給電能力、及び実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得るステップと、
S4、モデル出力結果と充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するステップと、
S5、充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するステップを含む。
なお、本発明が提供する充電管理システムは、本発明が提供する充電管理システムは充電能力実行管理ユニット8と充電能力訓練最適化ユニット9を含み、充電能力訓練最適化ユニット9は、最初の機械学習モデルに対して訓練、テストと検証を行うことによって、予め訓練された深層学習時系列予測アルゴリズムモデルを形成し、具体的な電気自動車の充電応用シーンにおいて、リアルタイムで収集したデータを深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果に基づいて、充電施設の実際の充電容量と充電待ち電気自動車の充電ニーズを結合して、充電電力分配指令を生成して充電能力実行管理ユニット8に送信し、充電能力実行管理ユニット8によって、実際のニーズに基づいて、充電施設システムのエネルギー供給能力と充電比例をリアルタイムで調整し、充電端末の出力量は電気自動車の充電ニーズを最適に満たす下で、充電出力と電力供給効率の最大化を実現する同時に、深層学習時系列予測アルゴリズムモデルを使用する過程で、実際の充電応用シーンと結合して、モデルに対して絶えず訓練、テスト、検証と最適化を行い、充電施設と相応の電力供給効率を持続的に最適化させる。
なお、充電施設システムの充電能力はすべての充電施設の定格電力の総計であり、
充電施設システムの給電能力は充電ステーションの電力供給送配電用変圧器の定格容量から電力網内の他の設備の電力を差し引いた後に、提供できる最大出力容量であり、充電能力はΣP、給電能力はΣQ、実際の充電容量はΣS、単一の充電施設の定格電力はP、充電施設の数はm、各充電施設に設置された充電端末の数はnであり、
ΣP=P1+P2+…+Pm
ΣQ≧ΣS
が得られ、ここで、充電施設の出力電力Pm≧Sm1+Sm2+…+Smn、Smは充電端末の実際の充電電力であり、充電対象である電気自動車と直接関連し、電気自動車に接続していない場合、その値は0である。充電端末の最大出力電力は電気自動車の最大受電容量以下であり、電気自動車内の電池充電管理システムの制御を受けるとともに、本システムの電力供給能力の制御を受ける。
充電施設システムの給電能力は充電ステーションの電力供給送配電用変圧器の定格容量から電力網内の他の設備の電力を差し引いた後に、提供できる最大出力容量であり、充電能力はΣP、給電能力はΣQ、実際の充電容量はΣS、単一の充電施設の定格電力はP、充電施設の数はm、各充電施設に設置された充電端末の数はnであり、
ΣP=P1+P2+…+Pm
ΣQ≧ΣS
が得られ、ここで、充電施設の出力電力Pm≧Sm1+Sm2+…+Smn、Smは充電端末の実際の充電電力であり、充電対象である電気自動車と直接関連し、電気自動車に接続していない場合、その値は0である。充電端末の最大出力電力は電気自動車の最大受電容量以下であり、電気自動車内の電池充電管理システムの制御を受けるとともに、本システムの電力供給能力の制御を受ける。
充電機の実際の出力電力Pn=Sn、充電時に実際に必要な電力は、充電対象の電気自動車の動力容量、環境温度の影響が大きいほか、充電対象の電気自動車の動力電池自体の動的な荷電SOCなどの影響を受けている。充電対象の電気自動車の動力電池の充電過程の変化による電力ニーズ曲線から、充電対象の電気自動車の動力電池が一定容量に達すると、比較的長い時間を必要とする低電流イコライザ充電段階に入り、この時ΣQ余裕があれば、充電設備が不足していても、新しい電気自動車の充電ニーズを受信すると、新しい充電ニーズに接続して、新しい電気自動車を充電し、充電状態をリアルタイムで監視するため、充電端末を選択的に制御し、充電完了指令を出すべきであることが分かる。
本発明が提供する充電管理システムの充電と電力供給の最適化方法はAIディープラーニングを利用して持続的に最適化された管理制御モデルを構築し、最適化された充電システムのエネルギー制御需給バランス、最適な充電端末利用の制御モデル出力を形成し、充電施設システムの充電と電力使用効率の最大化を実現する。
具体的には、図4を参照して、本発明の充電管理システムは充電能力管理実行ユニット8、充電能力訓練最適化部9及びクラウドサーバ7を含み、充電能力管理実行ユニット8は電力供給送配電ステーション、充電施設分配制御モジュール、及びいくつかの充電施設を含み、充電施設にはいくつかの充電端末が設置され、充電施設はすべて充電施設分配制御モジュールに接続され、充電能力訓練最適化ユニットが送信した充電電力分配指令を受信し、充電電力分配指令に基づいて充電施設への電力分配を制御するための充電施設分配制御モジュールは、電力供給送配電ステーションに接続され、充電施設は、充電待ち電気自動車に必要な動作電力に電力を変換するために使用され、充電端末を通じて充電まち電気自動車に対してDC急速充電またはAC低速充電を行う。
充電能力訓練最適化ユニット9は、データ管理モジュール1、データ収集モジュール2、データ記憶モジュール3、データ訓練及び出力モジュール4を含み、データ収集モジュール2、データ記憶モジュール3及びデータ訓練及び出力モジュール4は、いずれもデータ管理モジュール1を介して充電施設分配制御モジュールに接続され、充電能力訓練最適化ユニット9は、ヒューマンインタラクションスケジューリングモジュール5及び通信モジュール6をさらに含み、ヒューマンインタラクションスケジューリングモジュール9は、データ管理モジュール1と通信モジュール6にそれぞれ接続され、通信モジュール6はデータトレーニングと出力モジュール4に接続される。
クラウドサーバ7はシステムレベルの総合管理をサポートし、通信インタフェースの共通プロトコルを通じてデータ情報の遠隔共有、収集処理、相互利用とスケジューリングをサポートし、充電能力訓練最適化ユニット8のデータ管理センターのエピタキシャルとローカルエリアネットワークの管理と共有拡張をサポートとして、AI訓練環境とモデルの移転、配置を受け入れることができ、ビッグデータベース下の人工知能技術の優位性をよりよく発揮して出力制御モデルの訓練と検証を行い、それによってローカルエリアの複数ステーション充電管理システム下のデータ共有と機械深層学習を最適化し、各システムの充電能力資源の相互補完と最適化を実現し、ローカルエリアの充電施設システムの充電と電力使用効率の最大化を実現する。
図2を参照して、ステップS1において、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップの前に、さらに、
S01、機械学習事前学習済みモデルを選択し、前記機械学習事前学習済みモデルにおける充電容量に関連する初期閾値と機能行列を設定し、充電とエネルギー供給最適化時系列予測関係モデルを構築するステップと、
S02、充電端末特徴パラメータを設定し、充電対象の電気自動車動力電池の充電過程の電力ニーズ変化曲線を取得し、充電動作状態特徴時系列予測関係を構築するステップと、
S03、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップと、
S04、前記特徴データベース中のデータを充電とエネルギー供給最適化時系列予測関係モデルに入力し、充電動作状態特徴時系列予測関係を結合して、充電とエネルギー供給の最適化時系列予測関係モデルに対して訓練し最適化を行い、事前訓練された深層学習時系列予測アルゴリズムモデルを取得するステップとを含む。
S01、機械学習事前学習済みモデルを選択し、前記機械学習事前学習済みモデルにおける充電容量に関連する初期閾値と機能行列を設定し、充電とエネルギー供給最適化時系列予測関係モデルを構築するステップと、
S02、充電端末特徴パラメータを設定し、充電対象の電気自動車動力電池の充電過程の電力ニーズ変化曲線を取得し、充電動作状態特徴時系列予測関係を構築するステップと、
S03、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップと、
S04、前記特徴データベース中のデータを充電とエネルギー供給最適化時系列予測関係モデルに入力し、充電動作状態特徴時系列予測関係を結合して、充電とエネルギー供給の最適化時系列予測関係モデルに対して訓練し最適化を行い、事前訓練された深層学習時系列予測アルゴリズムモデルを取得するステップとを含む。
理解すべきことは、事前訓練された深層学習時系列予測アルゴリズムモデルを使用する前に、まずモデルを構築してモデルを訓練・検証する必要があることである。まず機械学習前モデルを選択し、モデル中の充電容量に関連する初期閾値と機能行列を設定し、充電と供給最適化時系列予測関係モデルを構築し、機械学習前モデルを選択する際に、応用シーンに合わせて選択する必要があり、初期モデルを選定した後、充電システムの電力供給送配電ステーションの最大電力供給能力、充電施設システムの総定格充電能力、各充電施設の定格充電容量及びその充電端末の数、位置情報を含む具体的な充電システムにおける充電容量に関する初期閾値を入力し、充電システムの充電とエネルギー供給能力を動的に分析・処理し、応用シーンの状態特徴を明確にする。
充電とエネルギー供給最適化時系列予測関係を確立した後、充電動作状態特徴時系列予測関係を確立する必要があり、具体的には、各充電端末の充電容量と時間の対応関係を主変数として設定し、電気自動車の充電ニーズに対応・応答し、充電状態に入った電気自動車と充電端末に対して1対1の対応する時系列予測関係傾向を構築することを含む。なお、充電対象の電気自動車の動力電池の充電過程の電力ニーズ変化曲線は歴史データベースに由来してもよく、充電対象である電気自動車の電池管理システムBMSに由来してもよく、モバイルAPP、インターネットサーバーまたは充電端末を通じて充電対象の電気自動車の電池管理システムBMSを読み込むことで、充電対象の電気自動車の動力電池の充電過程の電力ニーズ変化曲線を取得することができ、充電対象の電気自動車における充電端末のリアルタイム充電エネルギー状態の監督学習に使用され、エネルギー適合制御の精度を向上させることが含まれる。
図5に示すように、従来の電気自動車用動力電池はリチウムイオン電池が多く採用されており、充電過程にかかる時間が長い。充電端末の電力は一般的に電気自動車の充電に必要な最大定格電力を満たすことができ、充電対象の電気自動車が最大容量の充電を必要とする場合、充電端末が相応の電力を提供できることを保証することができる。動力電池に必要な充電容量は同時に電池の残容量に影響され、すなわち動力電池自身の動的な荷電SOC(動力電池残電力量の百分率)、残容量が電池容量に占める比率は、SOC=1の場合は電池が完全に充満し、SOC=0の場合は電池放電が完全であることを示す。この場合、動力電池への損害は極めて大きく、実際の応用ではSOCが50%未満の場合は充電して補電しなければならず、図5(a)は、常温での動力電池の典型的な異なるSOCでの充電電流グラフである。動力電池の充電過程の変化に伴い、充電機の出力電力も相応の変化が発生し、図5(b)は充電端末の実際の出力電力が動力充電過程に従って変化する曲線を反映する。
図5に示す本実施例の電気自動車動力電池の充電容量とSOCとの関係曲線を見ると、電気自動車動力電池の容量が90%の定格容量に達すると、必要な充電電力は急速に減少し、対応する充電時間で特徴づけられる:本実施例の電気自動車動力電池の容量は完全の充電に250-300 min必要であるが、実際には充電を開始してから150 min程度だけがフルパワー急速充電に近づく必要があり、電気自動車の定格容量の90%に達し、残りの時間で充電端末の実際の出力容量は徐々に低くなる。つまり、1台の電気自動車は完全に定格容量に充満することに、充電端末が余裕を持っている場合、システムはサポートを提供することができ、充電ニーズが多く充電端末が不足している資源矛盾の下で、本システムを通じて最適化のスケジューリングを行うことができ、それによって充電施設、供給配電と充電端末、充電待ち電気自動車の間の需給適合性を高め、本システムの資源動的最適化の実施に空間を提供した。
モデルを訓練する前に、大量の履歴データとリアルタイムデータを収集し、特徴データベース、つまりモデル訓練のデータセットを作成し、特徴データベース中のデータを通じてモデルを繰り返し訓練、検証、最適化し、データ収集モジュール2を通じてデータを収集し、データ管理モジュール1の処理を経てデータ記憶モジュール3に格納し、データ訓練と出力モジュール4に歴史とリアルタイムのデータを提供し、初期に確立された充電と供給能力最適化時系列予測関係モデルに対して訓練最適化を行い、関連収集パラメータは充電施設の動作情報状態パラメータ、充電対象の電気自動車の車両数と車種パラメータ、充電対象の電気自動車の充電ニーズパラメータ、電力供給能力パラメータ、環境状態パラメータ、動作状態シーンデータ及びヒューマンインタラクション制御パラメータを含み、関連データは電気自動車の充電ニーズ量、充電設備のリアルタイム充電量と充電ステーションの電力供給量を計算するために用いられ、学習訓練に参加してシステム充電電力管理モジュールを絶えず最適化し、各充電端末の充電ニーズと応答能力を予測し、各充電端末の充電能力と充電対象である電気自動車動力電池の充電過程の電力ニーズ曲線をリアルタイムに比較し、最適なリアルタイムで充電ニーズに応答し、充電能力を制御する。
なお、特徴データベースを作成する時、訓練セットとテストセットを含み、初期設定90%は訓練データ、10%はテストデータで、データの増加に伴い、95%の訓練データと5%のテストデータに調整し、機械学習の最適化出力モデルのために準備する。具体的には、過去2年間に収集された充電データに基づいて、時間充電データを基本時系列ユニットとして、90%の訓練データ集と10%はのテストデータ集でという2組のデータに分けられ、過去のデータに対して歴史的な分析を行った後、時系列予測、モデリングを行い、更にテストデータを用いて検査調整を行い誤差を制御し、季節環境の変化による電気自動車の充電負荷変動の影響などをよく管理することができる。
図2、ステップS04を参照して、特徴データベース中のデータを充電とエネルギー供給最適化時系列予測関係モデルに入力し、充電動作状態特徴時系列予測関係を結合して、充電とエネルギー供給最適化時系列予測関係モデルに対して訓練し最適化を行い、事前訓練された深層学習時系列予測アルゴリズムモデルを取得するステップの後、さらに、以下のステップを含む。
ステップS05、予め訓練された深層学習時系列予測アルゴリズムモデルの下で目標制御量に対して、比較、予測と最適化制御を行い、比較値(第1の比較値)に基づいて、モデル訓練とデータ出力を行う。
ステップS06、一定の充電とエネルギー供給数値を蓄積し、収集したリアルタイムデータを特徴データベースに入力し、充電ステーションと充電対象である電気自動車の応用シーン特徴を結合し、前記特徴データベースを充実させる。実際の応用において、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報などのデータをリアルタイムに収集し、特徴データベースを充実させる。
ステップS07、充実した特徴データベースに基づいて、モデル学習訓練と数値分析を行い、数値分析結果に基づいて、比較値(第2の比較値)を出力し、充電端末の充電状態と電気自動車のニーズ情報を結合し、充電端末の使用を制御する。
ステップS08、最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成する。
ステップS05、予め訓練された深層学習時系列予測アルゴリズムモデルの下で目標制御量に対して、比較、予測と最適化制御を行い、比較値(第1の比較値)に基づいて、モデル訓練とデータ出力を行う。
ステップS06、一定の充電とエネルギー供給数値を蓄積し、収集したリアルタイムデータを特徴データベースに入力し、充電ステーションと充電対象である電気自動車の応用シーン特徴を結合し、前記特徴データベースを充実させる。実際の応用において、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報などのデータをリアルタイムに収集し、特徴データベースを充実させる。
ステップS07、充実した特徴データベースに基づいて、モデル学習訓練と数値分析を行い、数値分析結果に基づいて、比較値(第2の比較値)を出力し、充電端末の充電状態と電気自動車のニーズ情報を結合し、充電端末の使用を制御する。
ステップS08、最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成する。
理解すべきことは、深層学習時系列予測アルゴリズムモデルが形成された後、実際の充電応用シーンと結合して、絶えずリアルタイムの数値を入力することによってモデルを訓練し、検証し、最適化する必要があり、最適化された充電システムのエネルギー制御需給バランスの制御モデル出力を形成し、充電とエネルギー供給最適化方法は持続的に最適化され、実際の状況に応じて柔軟に調整し、変化させ、充電施設システムの充電と電力使用効率の最大化を実現する。
なお、一定の充電とエネルギー供給の数値を蓄積する時、異なるシーンあるいはユーザーの要求に基づいて設定されたアルゴリズム、学習訓練と数値分析に入ることができ、充電ステーションと充電対象の電気自動車の応用シーンの特徴に基づいて、定期的に大量のデータの収集を結合して、歴史データベースとリアルタイムデータベースを充実させて、機械学習のデータを豊かにして、使用可能な充電とエネルギー供給時系列予測アルゴリズム構築モデルには、自己回帰モデル、LSTMモデルなどの深層学習最適化アルゴリズムモデルが含まれ、異なる充電システム間の需給能力の協調に適応し、より良い需給バランスを達成するために、シーンの充電とエネルギー供給の需要関係をより適したトレンド予測を提供する。
具体的には、ステップS05において、深層学習時系列予測アルゴリズムモデルの下で目標制御量を比較、予測、最適化制御し、比較値(第1の比較値)に基づいて、モデル訓練とデータ出力を行うステップは、具体的に、以下を含む。
各充電端末がリアルタイムに接続する電気自動車情報、充電能力、電力供給能力、及び実際の充電容量を前記予め訓練された深層学習時系列予測アルゴリズムモデルに入力する。
総充電容量を計算し、所定の閾値と比較すると同時に、各充電端末の実際の充電容量と充電端末の定格出力能力、及び充電対象である電気自動車の充電ニーズの差を比較し、比較値に基づいてモデル訓練とデータ出力を行う。具体的には、総充電容量を算出し、前記総充電容量と所定の閾値とを比較するとともに、各充電端末の実際の充電容量と充電端末の定格出力能力の第1の差分値及び各充電端末の実際の充電容量と充電対象の電動自動車の充電ニーズの第2の差分値を比較し、前記第1の差分値と前記第2の差分値を第1の比較値とし、第1の比較値に基づくモデル訓練とデータ出力を行う。
新しい電気自動車の充電ニーズを受信すると、データ出力結果に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御する。
新しい電気自動車の充電ニーズを受信していない場合、前記電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップに戻る。
各充電端末がリアルタイムに接続する電気自動車情報、充電能力、電力供給能力、及び実際の充電容量を前記予め訓練された深層学習時系列予測アルゴリズムモデルに入力する。
総充電容量を計算し、所定の閾値と比較すると同時に、各充電端末の実際の充電容量と充電端末の定格出力能力、及び充電対象である電気自動車の充電ニーズの差を比較し、比較値に基づいてモデル訓練とデータ出力を行う。具体的には、総充電容量を算出し、前記総充電容量と所定の閾値とを比較するとともに、各充電端末の実際の充電容量と充電端末の定格出力能力の第1の差分値及び各充電端末の実際の充電容量と充電対象の電動自動車の充電ニーズの第2の差分値を比較し、前記第1の差分値と前記第2の差分値を第1の比較値とし、第1の比較値に基づくモデル訓練とデータ出力を行う。
新しい電気自動車の充電ニーズを受信すると、データ出力結果に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御する。
新しい電気自動車の充電ニーズを受信していない場合、前記電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップに戻る。
理解すべきことは、目標制御量が充電とエネルギー供給との関係であり、深層学習時系列予測アルゴリズムモデルの下で、処理されたリアルタイムデータを入力し、モデルの出力結果を得て、モデル出力結果に基づいて、充電電力分配命令を出力するか、モデルに対して訓練最適化を継続して、モデルを実際の充電シーンに応用して、実際の充電シーンの中で訓練最適化を行って、応用シーンの充電とエネルギー供給のニーズとの関係により適した傾向予測を提供し、最適な需給バランスを達成し、新しい電気自動車の充電ニーズに応答したり、受信したりする必要がある場合、充電能力訓練最適化管理ユニットの出力命令を通じて充電能力実行電力管理ユニットに与え、エネルギー制御出力サブフローを実行し、充電端末の使用を制御し、新しい電気自動車の充電ニーズを満たし、同時に充電端末の利用率を高め、充電端末の遊休やシステム内の余裕のある電力の浪費を避ける。
具体的には、前記S07の蓄積されたデータセットに基づいてモデル学習訓練と数値解析を行い、数値解析結果に基づいて比較値(第2の比較値)を出力し、充電端末の充電状態と電気自動車のニーズ情報とを結合して、充電端末の使用を制御するステップは、具体的に
新しい電気自動車の充電ニーズを受信した場合、出力比較値(第2の比較値)に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御することを含む。
新しい電気自動車の充電ニーズを受信していない場合は、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報、及び環境情報を取得し、特徴データベースを作成するステップに戻る。
新しい電気自動車の充電ニーズを受信した場合、出力比較値(第2の比較値)に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御することを含む。
新しい電気自動車の充電ニーズを受信していない場合は、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報、及び環境情報を取得し、特徴データベースを作成するステップに戻る。
理解すべきことでは、蓄積されたデータセットに基づいてモデル学習訓練と数値解析を行う過程で、システムも実際の充電ニーズに応じて応答し、数値解析結果に基づいて比較値を出力し、充電能力を制御して電力管理ユニットの充電端末の使用を実行し、出力指令に基づいて、電気自動車のニーズ情報に基づいて充電端末の使用を判断し、例えばこの時の出力比較値制御システムは、新しい電気自動車の充電ニーズを受信又は応答する必要があり、即ち充電能力実行電力管理ユニットに充電能力訓練最適化管理ユニットからの指令を出力して、エネルギー制御出力サブフローを実行し、充電端末の使用を制御し、新しい電気自動車の充電ニーズを満たすとともに、充電端末の利用率を高め、充電端末の遊休やシステム内の余裕のある電力浪費を回避する。
図3を参照すると、エネルギー制御出力サブフローのステップは、
充電電力分配命令を受信することと、
新しい電気自動車の充電ニーズを受信し、ニーズ時系列に応じて優先度を定義することと、
充電端末の動作状態を検出することと、
充電端末がアイドル状態にある場合、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
充電端末が非アイドル状態にある場合、システム内の電力供給能力に余裕があるかどうかを比較することと、
システム内の電力供給に余裕がある場合、充電対象である電気自動車の動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御し充電を停止させ、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
システム内の電力供給に余裕がない場合、充電対象である電気自動車動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御して充電を停止し、新しい電気自動車に接続して充電を開始し、同時に他の充電端末の充電容量を調整し、優先順位に従って新しい電気自動車の充電ニーズを満たし、充電状態とエネルギー補給調整をリアルタイムで監視し、充電エネルギー使用情報をデータベースにフィードバックすることを含む。
充電電力分配命令を受信することと、
新しい電気自動車の充電ニーズを受信し、ニーズ時系列に応じて優先度を定義することと、
充電端末の動作状態を検出することと、
充電端末がアイドル状態にある場合、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
充電端末が非アイドル状態にある場合、システム内の電力供給能力に余裕があるかどうかを比較することと、
システム内の電力供給に余裕がある場合、充電対象である電気自動車の動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御し充電を停止させ、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
システム内の電力供給に余裕がない場合、充電対象である電気自動車動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御して充電を停止し、新しい電気自動車に接続して充電を開始し、同時に他の充電端末の充電容量を調整し、優先順位に従って新しい電気自動車の充電ニーズを満たし、充電状態とエネルギー補給調整をリアルタイムで監視し、充電エネルギー使用情報をデータベースにフィードバックすることを含む。
なお、エネルギー制御出力サブフローは、充電データ管理センターの数値解析の出力結果に基づいて、充電端末の充電状態と電気自動車の充電ニーズとを結合して充電端末の使用を判断し、制御するものである。データ訓練と出力モジュールが命令を出力した後、エネルギー最適化スケジューリング出力制御過程は具体的に、データ訓練と出力モジュール4が命令を出力すると同時に、充電能力実行管理ユニット8の充電施設分配制御モジュールもシステムの各充電端末のエネルギー使用状況を常に監視し、モバイルAPPやインターネットサーバ、ヒューマンインタラクションスケジューリングモジュール5などを通じて新しい電気自動車の充電ニーズを受信すると、ニーズ時序列に優先度を定義し、システム内で判断、識別とスケジューリングを行う。
充電端末にアイドルがある場合、充電施設分配制御モジュールは新しい充電待ち電気自動車の接続を手配し、システムは電力供給送配電ステーションで利用可能な総電力、実際の使用電力及び供給分配最大充電容量を結合して接続された新しい電気自動車を充電し、リアルタイムで充電状態を監視すると同時に、新たに接続された充電端末と電気自動車の関連情報をデータ収集モジュールにフィードバックし、ビッグデータベースに入る。
充電端末にアイドルがない場合、充電施設分配制御モジュールはシステム内の電力供給能力に余裕があるかどうかを判断し、もしシステム内の電力供給能力に余裕があれば、各充電端末のリアルタイム充電電力が最大充電容量の90%未満の対応する接続の電気自動車を探し出し、制御センターは図5中の充電対象である電気自動車の動力電池充電過程の電力ニーズ変化曲線と結合し、充電対象の電気自動車がイコライザ充電状態にあるかどうかを判断でき、もしすでにイコライザ充電状態にあるならば、優先的に充電を停止することができ、充電端末の利用率を高めて、該充電端末とその対応する電気自動車を制御して充電を停止して、同時に新しい充電対象の電気自動車に接続して、優先度に従って定格容量で急速に充電して、リアルタイムで充電状態を監視し、同時に充電端末と新しく接続の電気自動車の関連情報をデータ収集モジュールにフィードバックし、ビッグデータベースに入る。
充電端末にアイドルがない場合、充電施設分配制御モジュールはシステム内の電力供給能力に余裕があるかどうかを判断し、もしシステム内の電力供給能力に余裕があれば、各充電端末のリアルタイム充電電力が最大充電容量の90%未満の対応する接続の電気自動車を探し出し、制御センターは図5中の充電対象である電気自動車の動力電池充電過程の電力ニーズ変化曲線と結合し、充電対象の電気自動車がイコライザ充電状態にあるかどうかを判断でき、もしすでにイコライザ充電状態にあるならば、優先的に充電を停止することができ、新しい充電された電気自動車に接続して充電を開始して、同時に充電施設分配制御モジュールを通じて他の充電対象の電気自動車の充電容量が大幅に低下している充電端末の充電容量を調整し、ネット内の関連出力点の出力エネルギースケジューリングを通じて、優先度のニーズがある充電対象の電気自動車の充電をを満たし、リアルタイムで充電状態とエネルギー補給調整を監視し、同時に、各関連充電端末と接続電気自動車の関連情報はデータ収集モジュールにフィードバックされ、ビッグデータベースに入る。
好ましくは、充電端末にアイドルがない場合、充電施設分配制御モジュールはシステム内の電力供給能力に余裕があるかどうかを判断し、もしシステム内の電力供給能力に余裕がない場合、マルチネット充電スタック/施設充電能力管理システムの相互接続の下で、クロスステーション資源の相互補完調整を実現することができ、すなわち充電新規ニーズの電気自動車を遊休電力資源がある充電ステーションに優先的に充電することを推奨する。
図2を参照して、ステップS08の最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成するステップを形成した後、さらに、S09、最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成することを訓練して、保存した後、その上で予め設定された時間周期ごとに機械学習訓練を行い、充電システムエネルギー制御需給バランスの制御モデルを最適化させるステップが含まれる。
理解すべきことでは、訓練によって形成された充電システムのエネルギー制御需給バランスの制御モデルに基づいて、予め設定された時間周期ごとに機械学習訓練を行い、複数の充電端末を充電優先度の調整を行い、複数の充電端末に対応する充電ビットに電力分配調整を行い、異なる季節、異なる新エネルギー車ユーザーの変化に適応させ、全体の充電効率を最適化し、異なる型番の車両と移動充電貯蔵施設の充電ニーズを統合させる。
本実施例の深層学習環境は、FacebookオープンソースのPyTorchフレームワークを用い、学習・訓練し、UbuntuオペレーティングシステムのオープンソースGUN/Linux(登録商標)オペレーティングシステムに基づいて、PyTorchインストール環境をデフォルトとし、Anacondaパケット管理ツール、ミラー設定、可視化ツール、GPU(画像プロセッサ)などを含むその関連するインテリジェントデータとモデルを基礎として、開発された本発明の深層学習時系列予測による充電施設管理システムを配置することにより、訓練モデルを構築する。ユーザはまた、サーバを介してUbuntuオペレーティングシステムを構成し、本学習システムのデータベースを移行して遠隔インタラクションを行うこともできる。
具体的には、充電容量に関する初期閾値は、充電システムの電力供給送配電ステーションの最大電力供給能力、充電施設の総定格充電能力、各充電施設の定格充電容量及びその充電端末の数、と位置情報を含む。
理解すべきことでは、モデルにおける充電容量に関する初期閾値を設定し、応用シーンと結合して学習モデルを選択し、具体的な充電システムの初期閾値を入力することにより、充電システムのエネルギー最適化運転予備訓練モデルを構築し、充電システムの充電と供給能力を動的に分析し、処理し、応用シーンの状態特徴を明確にする。
具体的には、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報は、具体的には、充電施設の作業情報状態パラメータ、充電対象である電気自動車の車両数及び車種パラメータ、充電対象である電気自動車の充電ニーズパラメータ、電力供給能力パラメータ、環境状態パラメータ、作業状態シーンデータ及びヒューマンインタラクション制御パラメータを含む。
なお、充電施設の動作情報状態パラメータの収集は充電電力の量と充電時間、リアルタイム電力の量と積算電力の量を含み、充電施設とその端末または充電対象である電気自動車BMS管理システムからのものであり、リアルタイムの管理と制御ためのものであり、同時にデータベースに入り、機械学習と訓練検証をサポートし、充電対象である車数車種パラメータの収集は、充電端末または電気自動車のナンバープレート識別信号からのものであり、情報はデータベースに入り、AI制御モデルの訓練、マッチング、検証に用いられ、充電能力と充電ニーズを結合したシステム最適化スケジューリングモデルを制定し、リアルタイムスケジューリングを実行し、充電ニーズパラメータの収集は電気自動車からの充電請求とリアルタイム充電状態からのものであり、充電中の端末マッチングと充電待ちの電気自動車のニーズ情報を含み、AI訓練、マッチング、検証に用いられ、充電能力と充電ニーズを結合したシステム最適化スケジューリングモデルを制定し、リアルタイムスケジューリングを実行し、電力供給能力パラメータの収集は、電力供給送配電ステーションの状態情報からのものであり、最大電力供給能力と履歴電力供給容量、リアルタイム電力供給データを含み、AI訓練、マッチング、検証に用いられ、充電能力と充電ニーズを結合したシステム最適化スケジューリングモデルを制定し、リアルタイムスケジューリングを実行し、環境状態パラメータは主に温湿度であり、電力供給送配電ステーションからの状態情報及びシステム内設備のキー箇所の収集であり、訓練、マッチング、検証と最適化制御モデルに用いられ、異なるシーンでのシステム作業の最適化をサポートし、キーである作業状態の監視と保護を行い、作業状態シーンデータ収集は主にシステム監視、知能設備の作業状態識別であり、充電施設、充電インターフェース、電気自動車などの画像とデータを含み、モデルデータ訓練、検証、最適化制御システムの意思決定制御能力をサポートするために用いられ、ヒューマンインタラクション制御パラメータの収集は、ヒューマンインタラクションスケジューリングユニット、充電APP端末及びリモート・サーバからのものであり、リアルタイム状態データ及びモデルの調整、設置のための情報を含み、直接に入力として現地又は遠隔のヒューマンインタラクションパラメータとして演算、制御及びスケジューリングに参加することが実現される。
図4を参照して、さらに、本発明は、
充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するためのデータ収集モジュール2、
充電ステーションの電力供給能力変化配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するためのデータ管理モジュール1、
充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を記憶するデータ記憶モジュール3と、
充電能力、電力供給能力及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得て、モデル出力結果及び充電ステーション充電施設システムの実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するためのデータ訓練及び出力モジュール4と、
充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するための充電能力管理実行ユニット8を含む充電管理システムの充電および電力供給最適化装置を提供する。
充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するためのデータ収集モジュール2、
充電ステーションの電力供給能力変化配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するためのデータ管理モジュール1、
充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を記憶するデータ記憶モジュール3と、
充電能力、電力供給能力及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得て、モデル出力結果及び充電ステーション充電施設システムの実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するためのデータ訓練及び出力モジュール4と、
充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するための充電能力管理実行ユニット8を含む充電管理システムの充電および電力供給最適化装置を提供する。
なお、本発明の充電管理システムの充電と供能最適化装置はデータ管理センターを核心とし、データ管理モジュール1、データ収集モジュール2、データ記憶モジュール3、データ訓練と出力モジュール4などを含み、データ管理モジュール1はデータ管理センターのプロセッサとして、システムの各データベースの貯蔵と処理をサポートし、クラウドサーバ、各種充電APP、WiFiデバイスと通信接続を担当し、ユーザーのリモートインタラクションを実現し、データ収集モジュール2、データ記憶モジュール3、データ訓練と出力モジュール4、ヒューマンインタラクションスケジューリングモジュール5、通信モジュール6は共に本発明の充電管理演算センターを構成し、複数の充電ステーションレベルシステムに対して集中式管理を行うことにより、充電管理システムの充電と供給の最適化を実現し、複数の充電端末を制御して充電電力の動的な分配を実現する。
Claims (10)
- 充電管理システムの充電及びエネルギー供給の最適化方法であって、
S1、充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するステップと、
S2、前記充電ステーションの電力供給送配電情報、前記充電施設能力情報、前記充電端末出力情報、及び前記電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するステップと、
S3、前記充電能力、前記給電能力、及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得るステップと、
S4、前記モデル出力結果と充電ステーション充電施設の実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するステップと、
S5、前記充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するステップを含むことを特徴とする充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記ステップS1は、充電ステーションの電力供給電力送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得する前に、さらに、
S01、機械学習事前学習済みモデルを選択し、前記機械学習事前学習済みモデルにおける充電容量に関連する初期閾値と機能行列を設定し、充電とエネルギー供給最適化時系列予測関係モデルを構築するステップと、
S02、充電端末特徴パラメータを設定し、充電対象の電気自動車動力電池の充電過程の電力ニーズ変化曲線を取得し、充電動作状態特徴時系列予測関係を構築するステップと、
S03、電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップと、
S04、前記特徴データベース中のデータを前記充電とエネルギー供給最適化時系列予測関係モデルに入力し、前記充電動作状態特徴時系列予測関係を結合して、前記充電とエネルギー供給の最適化時系列予測関係モデルに対して訓練し最適化を行い、事前訓練された深層学習時系列予測アルゴリズムモデルを取得するステップとを含むことを特徴とする請求項1に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記S04は、前記特徴データベース中のデータを前記充電とエネルギー供給最適化時系列予測関係モデルに入力し、前記充電動作状態特徴時系列予測関係を結合して、前記充電とエネルギー供給最適化時系列予測関係モデルを訓練し最適化を行い、事前訓練された深層学習時系列予測アルゴリズムモデルを取得するステップの後、さらに、
S05、前記予め訓練された深層学習時系列予測アルゴリズムモデルの下で目標制御量に対して、比較、予測と最適化制御を行い、比較値に基づいて、モデル訓練とデータ出力を行うステップと、
S06、一定の充電とエネルギー供給数値を蓄積し、収集したリアルタイムデータを特徴データベースに入力し、充電ステーションと充電対象である電気自動車の応用シーン特徴を結合し、前記特徴データベースを充実させるステップと、
S07、充実した特徴データベースに基づいて、モデル学習訓練と数値分析を行い、数値分析結果に基づいて、比較値を出力し、充電端末の充電状態と電気自動車のニーズ情報を結合し、充電端末の使用を制御するステップと、
S08、最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成するステップと、を含むことを特徴とする請求項2に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記S05の前記予め訓練された深層学習時系列予測アルゴリズムモデルの下で目標制御量に対して、比較、予測と最適化制御を行い、比較値に基づいて、モデル訓練とデータ出力を行うステップは、具体的に、
各充電端末がリアルタイムに接続する電気自動車情報、充電能力、電力供給能力、及び実際の充電容量を前記予め訓練された深層学習時系列予測アルゴリズムモデルに入力するステップと、
総充電容量を計算し、所定の閾値と比較すると同時に、各充電端末の実際の充電容量と充電端末の定格出力能力、及び充電対象である電気自動車の充電ニーズの差を比較し、比較値に基づいてモデル訓練とデータ出力を行うステップと、
新しい電気自動車の充電ニーズを受信すると、データ出力結果に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御するステップと、
新しい電気自動車の充電ニーズを受信していない場合、前記電気自動車の充電ニーズ情報、充電施設の充電作業情報、電力供給情報及び環境情報を取得し、特徴データベースを作成するステップに戻るステップと、を含むことを特徴とする請求項3に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記S07の蓄積されたデータセットに基づいてモデル学習訓練と数値解析を行い、数値解析結果に基づいて比較値を出力し、充電端末の充電状態と電気自動車のニーズ情報とを結合して、充電端末の使用を制御するステップは、具体的に
新しい電気自動車の充電ニーズを受信した場合、出力比較値に基づいて、充電ステーションの充電施設の実際の充電容量、充電端末の充電状態と電気自動車のニーズ情報を結合して、充電電力分配指令を出力し、エネルギー制御出力サブフローを実行し、充電端末の使用を制御することを含むことを特徴とする請求項3に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記エネルギー制御出力サブフローのステップは、
充電電力分配命令を受信することと、
新しい電気自動車の充電ニーズを受信し、ニーズ時系列に応じて優先度を定義することと、
充電端末の動作状態を検出することと、
充電端末がアイドル状態にある場合、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
充電端末が非アイドル状態にある場合、システム内の電力供給能力に余裕があるかどうかを比較することと、
システム内の電力供給に余裕がある場合、充電対象である電気自動車の動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御し充電を停止させ、優先度に従って新しい電気自動車に接続し、新しい電気自動車を充電し、リアルタイムで充電状態を監視し、同時に充電エネルギー使用情報をデータベースにフィードバックすることと、
システム内の電力供給に余裕がない場合、充電対象である電気自動車動力電池の充電過程の電力ニーズ変化曲線と結合して、イコライザ充電状態にある充電対象である電気自動車及び対応する充電端末を見つけ、充電端末と充電対象である電気自動車を制御して充電を停止し、新しい電気自動車に接続して充電を開始し、同時に他の充電端末の充電容量を調整し、優先順位に従って新しい電気自動車の充電ニーズを満たし、充電状態とエネルギー補給調整をリアルタイムで監視し、充電エネルギー使用情報をデータベースにフィードバックすることを含むことを特徴とする請求項4又は5に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記S08の最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成するステップの後に、さらに、
S09、最適化された充電システムエネルギー制御需給バランスの制御モデル出力を形成することを訓練して、保存した後、その上で予め設定された時間周期ごとに機械学習訓練を行い、充電システムエネルギー制御需給バランスの制御モデルを最適化させるステップが含まれることを特徴とする請求項3に記載の充電管理システムの充電及びエネルギー供給の最適化方法。 - 前記充電容量に関する初期閾値は、充電システム電力供給電力供給電力送配電ステーションの最大電力供給能力、充電施設の総定格充電能力、各充電施設の定格充電容量及びその充電端末の数と位置情報を含むことを特徴とする請求項2に記載の充電管理システムの充電と供給能力最適化方法。
- 前記電気自動車の充電ニーズ情報、充電施設の充電作業情報、給電情報及び環境情報は、具体的に、充電施設作業情報状態パラメータ、充電対象である電気自動車の車両数及び車種パラメータ、充電対象である電気自動車の充電ニーズパラメータ、給電能力パラメータ、環境状態パラメータ、動作状態シーンデータ、及びヒューマンインタラクション制御パラメータを含むことを特徴とする請求項2に記載の充電管理システムの充電と供給能力最適化方法。
- 充電管理システムの充電およびエネルギー供給の最適化装置であって、
充電ステーションの電力供給送配電情報、充電施設能力情報、充電端末出力情報、及び電気自動車の充電ニーズ情報を取得するためのデータ収集モジュール、
前記充電ステーションの電力供給能力変化配電情報、前記充電施設能力情報、前記充電端末出力情報、及び前記電気自動車の充電ニーズ情報に基づいて、充電ステーションの充電施設システムの充電能力、電力供給能力と実際の充電容量を決定するためのデータ管理モジュール、
前記充電ステーションの電力供給送配電情報、前記充電施設能力情報、前記充電端末出力情報、及び前記電気自動車の充電ニーズ情報を記憶するデータ記憶モジュールと、
前記充電能力、前記電力供給能力及び前記実際の充電容量を予め訓練された深層学習時系列予測アルゴリズムモデルに入力し、モデル出力結果を得て、前記モデル出力結果及び充電ステーション充電施設システムの実際の充電容量及び充電待ち電気自動車の充電ニーズ量に基づいて、充電電力分配指令を生成するためのデータ訓練及び出力モジュールと、
前記充電電力分配指令に基づいて各充電施設に電力分配を行い、充電施設に設置された充電端末を介して電気自動車を充電するための充電能力管理実行ユニットを含むことを特徴とする充電管理システムの充電およびエネルギー供給の最適化装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033191.1 | 2021-01-12 | ||
CN202110033191.1A CN112874369B (zh) | 2021-01-12 | 2021-01-12 | 一种充电管理系统的充电与供能优化方法及装置 |
PCT/CN2022/070920 WO2022152065A1 (zh) | 2021-01-12 | 2022-01-10 | 一种充电管理系统的充电与供能优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024503017A true JP2024503017A (ja) | 2024-01-24 |
Family
ID=76044599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023541706A Pending JP2024503017A (ja) | 2021-01-12 | 2022-01-10 | 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2024503017A (ja) |
KR (1) | KR20230122165A (ja) |
CN (1) | CN112874369B (ja) |
DE (1) | DE112022000624T5 (ja) |
WO (1) | WO2022152065A1 (ja) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733426B (zh) * | 2020-12-16 | 2022-10-04 | 国创移动能源创新中心(江苏)有限公司 | 电动汽车的脉冲充电频率优化方法、装置 |
CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
JP2022189386A (ja) * | 2021-06-11 | 2022-12-22 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN113379139A (zh) * | 2021-06-22 | 2021-09-10 | 阳光电源股份有限公司 | 一种充电站管理方法及其应用装置 |
CN113568307B (zh) * | 2021-07-02 | 2022-04-01 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
WO2023049998A1 (en) * | 2021-10-01 | 2023-04-06 | Cowan & Associates Management Ltd. | Electric vehicle fleet charging and energy management system |
CN114801834B (zh) * | 2022-04-18 | 2022-12-20 | 广东健怡投资有限公司 | 新能源汽车剩余充电时长预估方法、装置、设备及介质 |
CN115081929B (zh) * | 2022-07-18 | 2023-04-07 | 东南大学溧阳研究院 | 一种基于云边协同的电动汽车实时响应能力评估方法 |
CN115291111B (zh) * | 2022-08-03 | 2023-09-29 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
CN116039437B (zh) * | 2023-01-09 | 2023-08-15 | 广东天枢新能源科技有限公司 | 一种大功率液冷充电桩的能量调度系统 |
CN116307487B (zh) * | 2023-02-01 | 2024-03-19 | 浙江曼克斯缝纫机股份有限公司 | 基于电网新能源节能利用的新能源车充电管理系统及方法 |
CN115946563B (zh) * | 2023-03-13 | 2023-05-16 | 山东理工大学 | 充电堆功率动态分配策略优化方法、系统、终端及介质 |
CN116386215B (zh) * | 2023-03-16 | 2024-04-19 | 淮阴工学院 | 一种基于人流量用于移动电箱的智能充电方法 |
CN116353399B (zh) * | 2023-05-09 | 2023-11-03 | 湖北国网华中科技开发有限责任公司 | 充电桩的动态运行方法、装置、设备及可读存储介质 |
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
CN116788102B (zh) * | 2023-06-20 | 2024-05-14 | 阿维塔科技(重庆)有限公司 | 充电控制方法、装置、车辆及存储介质 |
CN116552299B (zh) * | 2023-07-11 | 2023-09-15 | 深圳市南霸科技有限公司 | 一种可移动式电动汽车应急充电系统及方法 |
CN116562602B (zh) * | 2023-07-12 | 2023-10-24 | 国网安徽省电力有限公司经济技术研究院 | 电动汽车参与需求响应优化运行方法 |
CN116691419B (zh) * | 2023-08-03 | 2023-11-14 | 浙江大学 | 弱链接通信下深度强化学习的电动汽车自主充电控制方法 |
CN117060456B (zh) * | 2023-08-21 | 2024-04-30 | 深圳中保动力新能源科技有限公司 | 一种基于人工智能的储能系统控制方法及装置 |
CN116834567B (zh) * | 2023-09-04 | 2023-11-17 | 北京新源恒远科技发展有限公司 | 适用于双枪充电桩的充电方法、系统、终端及存储介质 |
CN116882715B (zh) * | 2023-09-07 | 2023-11-28 | 杭州格创新能源有限公司 | 基于云服务器的桩车联动有序安全用电方法及系统 |
CN117310313B (zh) * | 2023-09-18 | 2024-04-16 | 广东永光新能源设计咨询有限公司 | 储能装置的故障检测方法、系统、设备及介质 |
CN116937581B (zh) * | 2023-09-19 | 2023-12-26 | 广州德姆达光电科技有限公司 | 一种充电站的智能调度方法 |
CN117277519B (zh) * | 2023-11-21 | 2024-02-02 | 深圳鹏城新能科技有限公司 | 一种储能逆变器电池过充保护方法、系统及介质 |
CN117584790B (zh) * | 2023-11-23 | 2024-06-18 | 北京海蓝云联技术有限公司 | 一种无增容充电桩控制系统 |
CN117601700A (zh) * | 2023-11-28 | 2024-02-27 | 深圳市优优绿能股份有限公司 | 一种充电站的能量流管理方法、装置和系统 |
CN117621898B (zh) * | 2023-12-08 | 2024-05-24 | 杭州育恩科技有限公司 | 考虑电网电价的智慧停车场充电桩充电控制方法及系统 |
CN117406007B (zh) * | 2023-12-14 | 2024-02-13 | 山东佰运科技发展有限公司 | 一种充电桩充电数据检测方法及系统 |
CN118017659A (zh) * | 2024-04-10 | 2024-05-10 | 速源芯(东莞)能源科技有限公司 | 一种可识别充电器充电能力的充电方法 |
CN118061844A (zh) * | 2024-04-19 | 2024-05-24 | 南方电网调峰调频(广东)储能科技有限公司 | 充放电控制方法、装置、计算机设备和存储介质 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055217B (zh) * | 2010-10-27 | 2012-09-19 | 国家电网公司 | 电动汽车有序充电控制方法及系统 |
DE102011008676A1 (de) * | 2011-01-15 | 2012-07-19 | Daimler Ag | System und Verfahren zum Aufladen von Batterien von Fahrzeugen |
JP6199771B2 (ja) * | 2014-02-26 | 2017-09-20 | 株式会社日立製作所 | 蓄電システムの制御方式 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN109094381A (zh) * | 2017-06-20 | 2018-12-28 | 南京理工大学 | 一种电动汽车充电站有序充电方法 |
CN107623355A (zh) * | 2017-10-12 | 2018-01-23 | 科世达(上海)管理有限公司 | 一种充电站功率的配置系统、管理器及方法 |
CN107769237B (zh) * | 2017-11-30 | 2019-11-08 | 南方电网科学研究院有限责任公司 | 基于电动汽车接入的多能源系统协同调度方法及装置 |
US11014466B2 (en) * | 2018-01-12 | 2021-05-25 | Johnson Controls Technology Company | Building energy optimization system with battery powered vehicle cost optimization |
CN108494034B (zh) * | 2018-03-21 | 2021-11-02 | 电子科技大学 | 一种配电网内电动汽车充电负荷分配的计算方法 |
CN109034648B (zh) * | 2018-08-13 | 2021-03-19 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
US10759298B2 (en) * | 2018-08-29 | 2020-09-01 | GM Global Technology Operations LLC | Electric-drive motor vehicles, systems, and control logic for predictive charge planning and powertrain control |
CN109398133B (zh) * | 2018-10-29 | 2021-09-03 | 河南英开电气股份有限公司 | 一种电动汽车充电集群及其功率自动分配系统 |
CN109591643A (zh) * | 2018-10-31 | 2019-04-09 | 特变电工南京智能电气有限公司 | 一种基于优先级的功率动态分配系统及其方法 |
CN109523087B (zh) * | 2018-11-28 | 2020-09-25 | 国网山东省电力公司德州供电公司 | 基于深度学习的电动汽车快充站储能监测系统及其方法 |
CN109927583A (zh) * | 2019-04-09 | 2019-06-25 | 广州市奔流电力科技有限公司 | 充电桩控制方法、装置、电动汽车充电系统和存储介质 |
CN110154817A (zh) * | 2019-05-16 | 2019-08-23 | 上海上汽安悦充电科技有限公司 | 一种集约式交流充电桩集群架构 |
CN110888908B (zh) * | 2019-11-01 | 2022-06-28 | 广州大学 | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 |
CN110936843A (zh) * | 2019-12-23 | 2020-03-31 | 南方科技大学 | 智能充电桩互联网系统及管理方法 |
KR102137751B1 (ko) * | 2020-01-16 | 2020-07-27 | 주식회사 텔다 | 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법 |
CN111429038B (zh) * | 2020-04-25 | 2022-08-12 | 华南理工大学 | 一种基于强化学习的主动配电网实时随机优化调度方法 |
CN112036602A (zh) * | 2020-07-24 | 2020-12-04 | 国网安徽省电力有限公司经济技术研究院 | 一种集成人机智能的5g电动汽车充电预测方法和系统 |
CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
-
2021
- 2021-01-12 CN CN202110033191.1A patent/CN112874369B/zh active Active
-
2022
- 2022-01-10 DE DE112022000624.2T patent/DE112022000624T5/de active Pending
- 2022-01-10 KR KR1020237026122A patent/KR20230122165A/ko unknown
- 2022-01-10 JP JP2023541706A patent/JP2024503017A/ja active Pending
- 2022-01-10 WO PCT/CN2022/070920 patent/WO2022152065A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN112874369A (zh) | 2021-06-01 |
DE112022000624T5 (de) | 2024-01-25 |
CN112874369B (zh) | 2022-08-05 |
KR20230122165A (ko) | 2023-08-22 |
WO2022152065A1 (zh) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2024503017A (ja) | 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置 | |
CN110649641B (zh) | 基于源网荷储协同服务的电动汽车快充站储能系统及其方法 | |
CN103733463B (zh) | 基于市场数据来控制能量服务的方法及装置 | |
WO2015081740A1 (zh) | 电动汽车充放电控制系统及方法 | |
WO2018204818A1 (en) | Method and apparatus for charging a battery using local power grid topology information | |
CN112994097A (zh) | 一种基于智能配变终端系统的高比例分布式光伏协同控制方法 | |
CN113437754A (zh) | 一种基于台区智能融合终端的电动汽车有序充电方法及系统 | |
CN112819203B (zh) | 一种基于深度学习的充电管理系统及方法 | |
CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
CN114425964A (zh) | 一种自主参与需求响应的电动汽车充电桩控制器及方法 | |
CN117748566B (zh) | 一种基于负荷动态聚合参与电网需求响应的方法 | |
CN113410874A (zh) | 基于虚拟电厂调峰辅助服务的负荷资源优化控制方法 | |
CN114498768A (zh) | 一种区域智能变电站源荷储优化运行策略生成方法及装置 | |
CN117057547A (zh) | 智慧能源服务平台多形态负荷资源调度模型构建方法、装置、存储介质 | |
JP2019165580A (ja) | 電力システム、制御装置、電力管理方法、プログラム、及び、電力管理サーバ | |
CN117335457A (zh) | 一种基于光储微电网系统的处理方法及装置 | |
CN117200334A (zh) | 一种计及新能源不确定性的多能源调度方法及装置 | |
CN114493198A (zh) | 基于虚拟电厂的资源调度方法、装置、存储介质及计算机设备 | |
CN116862036A (zh) | 一种负载预测方法以及装置 | |
Mamounakis et al. | Renewable energy prosumers clustering towards target aggregated prosumption profiles based on recursive predictions | |
Wang et al. | Dynamic electric vehicles charging load allocation strategy for residential area | |
CN117314598B (zh) | 一种储能设备租赁容量调整方法、装置和存储介质 | |
CN117200261B (zh) | 一种基于电网调频的储能设备控制方法、装置和存储介质 | |
KR102680317B1 (ko) | 배터리 내장형 양방향 전기차 충전기의 전력 시장 연계를 통한 수익 창출 장치, 방법 및 시스템 | |
Kumar et al. | Power Quality Improvement and Sustainable operation in A Standalone Micro Grid by Regulating Frequency in A Deregulated Market |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230710 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240522 |