KR20230122165A - 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치 - Google Patents

충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치 Download PDF

Info

Publication number
KR20230122165A
KR20230122165A KR1020237026122A KR20237026122A KR20230122165A KR 20230122165 A KR20230122165 A KR 20230122165A KR 1020237026122 A KR1020237026122 A KR 1020237026122A KR 20237026122 A KR20237026122 A KR 20237026122A KR 20230122165 A KR20230122165 A KR 20230122165A
Authority
KR
South Korea
Prior art keywords
charging
electric vehicle
information
capacity
demand
Prior art date
Application number
KR1020237026122A
Other languages
English (en)
Inventor
유홍 순
페이 판
케 다이
용 강
Original Assignee
보그 워너 뉴 에너지 (샹양) 컴퍼니 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 보그 워너 뉴 에너지 (샹양) 컴퍼니 리미티드 filed Critical 보그 워너 뉴 에너지 (샹양) 컴퍼니 리미티드
Publication of KR20230122165A publication Critical patent/KR20230122165A/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/62Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/63Monitoring or controlling charging stations in response to network capacity
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/67Controlling two or more charging stations
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L53/00Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60Monitoring or controlling charging stations
    • B60L53/68Off-site monitoring or control, e.g. remote control
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007Regulation of charging or discharging current or voltage
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007Regulation of charging or discharging current or voltage
    • H02J7/00712Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L2260/00Operating Modes
    • B60L2260/40Control modes
    • B60L2260/46Control modes by self learning
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60YINDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00Type of vehicle
    • B60Y2200/90Vehicles comprising electric prime movers
    • B60Y2200/91Electric vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10Technologies relating to charging of electric vehicles
    • Y02T90/12Electric charging stations
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10Technologies relating to charging of electric vehicles
    • Y02T90/14Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (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

충전 관리 시스템의 충전과 에너지공급 최적화 방법 및 장치에서, 방법은 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득하여, 충전소 충전시설 시스템의 충전능력, 전력공급 능력과 실제 충전용량을 확정하고, 사전 훈련된 딥 러닝 시계열 예측 알고리즘 모델에서 얻은 출력결과에 근거하여, 충전소 충전시설 시스템의 실제 충전용량 및 충전할 전기차의 충전수요량에 근거하여, 충전 공률 분배명령을 생성하여, 각 충전 시설에 전기 에너지를 분배하는 것을 포함하고, 딥러닝을 이용하여 지속적인 최적화 관리 제어 모델을 구축하고, 충전시설의 에너지 공급과 충전능력 자원을 최적화하여, 이용 효율을 향상시킨다.

Description

충전 관리 시스템의 충전과 에너지공급 최적화 방법 및 장치
본 출원은 2021년1월12일에 중국 특허청에 제출된 출원번호가202110033191.1이고, 발명의 명칭이 "충전 관리 시스템의 충전과 에너지공급 최적화 방법 및 장치"인 중국 특허 출원의 우선권을 주장하고, 그 전부 내용은 인용을 통해 본 출원에 포함된다.
분야
본 발명은 충전 관리 기술분야에 관한 것으로, 특히 충전 관리 시스템의 충전과 에너지공급 최적화 방법 및 장치에 관한 것이다.
전기차 충전소는 중요한 인프라로서, 차량의 차량이용 편리성과 관련되며, 신 에너지 차량의 증가와 항속거리의 증가에 따라, 충전소에 대한 수요가 점점 늘어, 사람들은 충전 인프라의 건설과 발전을 더욱 중요시하게 되었다. 기존 충전시설이 많고, 충전용량이 크지만, 충전시설이 일단 구축되면, 충전 출력 인터페이스와 주차공간은 상대적으로 고정되고, 연결된 전기공급능력의 영향도 받는다. 피충전 전기차의 유동성에 인해, 충전시설에 연결된 피충전 전기차의 수량, 충전에 필요한 시간 및 필요한 충전용량이 모두 불명확하여, 혼잡시간에 충전소를 찾기 어렵고, 차량은 줄을 서서 오랫동안 기다려야 하고, 비혼잡시간에는 충전시설이 방치되어, 이용율이 높지 않는 현상이 발생하게 되고; 때로는, 충전시설이 만충전 출력 중이라도, 충전과정에서 공률수요곡선 요인으로 하여, 충전건과 주차공간의 영향을 받아, 혼잡시간에도 충전시설의 능력이 충분하지만, 차량이 기다려야 하는 현상이 발생하게 된다.
기존의 충전시설 관리시스템은 충전수급을 예측할 수 있는 능력이 없고 실제 충전 사용량과 결부하여 수동 조정하여야 하기에, 효율이 낮고 차량 충전과정에서 모순이 두드러져, 충전시설의 충전출력과 전력공급 효율을 극대화할 수 없다.
본 발명의 목적은 종래 기술의 결점을 해결하고, 충전 관리 시스템의 충전과 에너지공급 최적화 방법 및 장치를 제공하고, 딥 러닝을 이용하여 지속적으로 최적화가 가능한 관리 제어 모델을 건립하고, 충전시설의 에너지 공급과 충전능력자원을 최적화하고, 이용효율을 향상시키는 것이다.
본 발명의 상기 기술적 목적은 다음과 같은 기술방안에 의해 실현된다: 충전 관리 시스템의 충전과 에너지 공급 최적화 방법으로서, 상기 방법은 다음을 포함한다:
S1, 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득한다.
S2, 상기 충전소 전력공급 변배전 정보, 상기 충전시설 능력정보, 상기 충전단말 출력 정보 및 상기 전기차 충전수요 정보에 따라 충전소 충전 시설 시스템의 충전능력, 전력공급 능력 및 실제 충전용량을 확정한다.
S3, 상기 충전능력, 상기 전력공급 능력과 상기 실제 충전용량을 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델에 입력하여, 모델의 출력 결과를 얻는다.
S4, 상기 모델의 출력결과와 충전소 충전시설의 실제 충전용량 및 충전할 전기차의 충전수요에 따라 충전 공률 분배명령을 생성한다.
S5, 상기 충전 공률 분배명령에 따라 각 충전시설에 전기 에너지를 분배하고, 충전시설에 설치된 충전단말을 통해 전기차를 충전한다.
상기 기술방안을 채택하는 것을 통하여, 본 발명이 제공하는 충전 관리 시스템은 충전능력 실행관리소자와 충전능력 훈련 최적화소자를 포함하고, 충전능력 훈련 최적화소자는 최초 기계학습모델에 대한 훈련, 테스트와 검증을 통해, 사전 훈련된 딥러닝 시계열 예측 알고리즘모델을 형성하고, 구체적인 전기차 충전 응용 정황에서, 실시간 수집된 데이터를 딥러닝 시계열 예측 알고리즘 모델에 입력하고, 모델의 출력결과에 근거하여, 충전시설의 실제 충전용량과 충전할 전기차의 충전수요에 결부하여, 충전 공률 분배명령을 생성하여 충전능력 실행관리소자로 전송하고, 충전능력 실행관리소자는 실제 수요에 따라 충전시설 시스템의 공급 및 충전율을 실시간으로 조절하여, 충전단말의 출력을 전기차의 충전수요에 최대한 만족시키면서, 충전출력과 전력공급 효율의 극대화를 실현하고; 동시에 딥러닝 시계열 예측 알고리즘 모델을 사용하는 과정에서, 실제 충전 응용 정황과 결합하여, 모델을 지속적으로 훈련, 테스트, 검증과 최적화하여, 충전시설 및 해당 전력공급 효율을 지속적으로 최적화할 수 있다. 본 발명에서 제공하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법은 AI 딥러닝을 활용하여 지속적으로 최적화된 관리 제어 모델을 구축하고, 최적화된 충전시스템 에너지 제어 수급 균형을 형성하며, 충전단말이 이용하는 제어 모델 출력을 최적화하여, 충전시설 시스템의 충전과 전력사용효율을 극대화한다.
본 발명의 유익한 효과는 다음과 같다:
1. 본 발명이 제공하는 충전과 에너지 공급 최적화 방법은 충전소가 전기차의 충전 수요를 최대한 충족시키면서, 충전출력과 전력공급 효율의 극대화를 실현하며, 충전시설 및 상응하는 전력공급 효율을 지속적으로 최적화하고, AI 딥러닝을 활용하여 지속적인 최적화 관리 제어 모델을 구축하여 충전시설 시스템의 충전과 전력사용 효율을 극대화한다.
2. 구체적인 전기차 충전 응용 정황에서, 실시간으로 수집된 데이터를 딥러닝 시계열 예측 알고리즘 모델에 입력하고, 모델의 출력결과에 근거하여, 충전시설의 실제 충전용량과 충전할 전기차의 충전수요에 결부하여, 충전 공률 분배명령을 생성하고 실제 수요에 따라 충전시설 시스템의 공급 및 충전율을 실시간으로 조절하여, 충전단말의 출력을 전기차의 충전수요에 최대한 만족시키면서, 충전출력과 전력공급 효율의 극대화를 실현하고, 동시에 딥러닝 시계열 예측 알고리즘 모델을 사용하는 과정에서, 실제 충전 정황과 결합하여, 모델을 지속적으로 훈련, 테스트, 검증과 최적화하여, 충전시설 및 해당 전력공급 효율을 지속적으로 최적화할 수 있다.
3. 모델을 훈련시키기 전에, 대량의 과거 데이터와 실시간 데이터를 수집하고, 특징 데이터베이스를 만들고, 특징 데이터베이스에 있는 데이터를 통해 모델을 반복적으로 훈련, 검증, 최적화하는 과정이 필요하고, 관련 데이터는 전기차의 충전수요, 충전설비의 실시간 충전량이 충전소의 전원에 대한 전력공급량을 계산하는 데 사용되며, 학습훈련을 통해 시스템의 충전전력관리모듈을 지속적으로 최적화하고, 각 충전단말의 충전수요와 대응능력을 예측하고, 각 충전단말의 충전능력과 피충전 전기차의 배터리 충전과정의 공률수요곡선을 실시간으로 비교하여, 실시간으로 충전수요에 대응하고 충전능력을 제어한다.
4. 딥 러닝 시계열 예측 알고리즘 모델이 형성된 후 실제 충전 정황과 결합하여 끊임없이 실시간 값을 입력하여 모델을 훈련, 검증 및 최적화하여, 최적화된 충전 시스템의 에너지 수급밸런스 제어 모델 출력을 형성하여, 충전과 에너지공급 최적화 방법을 지속적으로 최적화하고, 실제 상황에 따라 융통성 있게 조정 변경하여, 충전 시설 시스템의 충전과 전력 소비 효율을 극대화한다.
5. 충전수요가 높고 충전단말이 부족한 정황에서, 본 시스템 을 통해 분배를 최적화하여, 충전시설, 전력공급과 충전단말, 충전할 전기차 사이의 수급 적응성을 향상하여, 본 시스템 자원의 동적 최적화를 실현하는데 가능성을 제공한다.
본 발명의 실시예에서의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예의 설명에 사용되는 도면을 간단히 소개하며, 알아야 할 것은, 다음 설명중의 도면은 본 발명의 일부 실시예일 뿐, 당업자라면 이러한 도면에 기초하여 창조적인 노력 없이도 다른 도면을 얻을 수 있을 것이다.
도 1은 본 발명의 충전 관리 시스템의 충전과 에너지 공급 최적화 방법 프로세스의 개략도이다.
도 2는 본 발명의 충전 관리 시스템의 충전과 에너지 공급 최적화 방법의 딥 러닝 모델의 구현 단계의 개략도이다.
도 3은 본 발명의 충전 관리 시스템의 에너지 제어 출력 서브프로세스의 개략도이다.
도 4는 본 발명의 충전 관리 시스템의 충전과 에너지 공급 최적화 장치 구조의 개략도이다.
도 5는 본 발명의 충전 전기차 전원 배터리에 의해 충전되는 충전단말의 충전 과정에서 전력 수요 변화를 나타낸 그래프이다.
도면에서, 1. 데이터 관리모듈; 2, 데이터 수집모듈; 3, 데이터 저장모듈; 4, 데이터 훈련 및 출력모듈; 5, 인간-기계 상호작용 관리모듈; 6, 통신모듈; 7, 클라우드 서버; 8, 충전능력 실행관리소자; 9, 충전능력 훈련 최적화소자이다.
아래에서 구체적인 실시예를 통해 본 발명의 기술적 해결책을 명확하고 완전하게 설명할 것이다. 명확한 것은, 설명된 실시예들은 본 발명의 일부 실시예일 뿐, 모든 실시예가 아니다. 본 발명의 실시예에 기초하여, 창의적인 노력 없이 당업자에 의해 얻어지는 다른 모든 실시예는 본 발명의 보호 범위 내에 속한다.
도 1을 참조하면, 본 발명이 제공하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법은, 다음을 포함한다.
단계 S1, 충전소 전력공급 변배전 정보, 충전시설 능력 정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득한다.
단계 S2, 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보에 근거하여 충전소 충전시설 시스템의 충전능력, 전력공급 능력과 실제 충전용량을 확정한다.
단계 S3, 충전능력, 전력공급 능력과 실제 충전용량을 사전 훈련된 딥 러닝 시계열 예측 알고리즘 모델에 입력하고 모델의 출력 결과를 얻는다.
단계 S4, 모델의 출력 결과와 충전소 충전시설의 실제 충전용량 및 충전할 전기차의 충전 수요량에 근거하여, 충전 공률 분배 명령을 생성한다.
단계 S5, 충전 공률 분배 명령에 따라 각 충전 시설에 전기 에너지를 분배하고, 충전 시설에 설치된 충전단말을 통해 전기차를 충전한다.
설명해야 할 것은, 본 발명에서 제공하는 충전 관리 시스템은 충전능력 실행관리소자(8)와 충전능력 훈련 최적화소자(9)를 포함하고, 충전능력 훈련 최적화소자(9)은 초기의 기계 학습 모델을 훈련, 테스트 및 검증하여, 미리 훈련된 딥러닝 시계열 예측 알고리즘 모델을 형성하여, 구체적인 전기차 충전 정황에서, 실시간으로 수집된 데이터를 딥러닝 시계열 예측 알고리즘 모델에 입력하고, 모델의 출력결과에 근거하여, 충전시설의 실제 충전용량과 충전할 전기차의 충전수요에 결부하여, 충전 공률 분배명령을 생성하고 충전능력 실행관리소자(8)에 전달하여, 충전능력 실행관리소자(8)는 실제 수요에 따라 충전시설 시스템의 공급 및 충전율을 실시간으로 조절하여, 충전단말의 출력은 전기차의 충전수요에 최대한 만족시키면서, 충전출력과 전력공급 효율의 극대화를 실현하고, 동시에 딥러닝 시계열 예측 알고리즘 모델을 사용하는 과정에서, 실제 충전 정황과 결합하여, 모델을 지속적으로 훈련,테스트, 검증과 최적화하여, 충전시설 및 해당 전력공급 효율을 지속적으로 최적화할 수 있다.
설명해야 할 것은, 충전시설 시스템의 충전능력은 모든 충전시설의 정격 공률의 합이며, 충전시설 시스템의 전력공급 능력은 충전소 에너지공급 변배전 변압기의 정격용량에서 배전망의 기타 설비의 전력소비를 뺀 후 제공가능한 최대 출력 용량이고, 충전능력을 ∑P, 전력공급 능력을 ∑Q, 실제 충전용량은 ∑S, 단일 충전시설의 정격 공률을 P, 충전시설의 수를 m, 각 충전시설에 설치된 충전단말의 수를 n로 셋팅하면 다음을 얻을 수 있다.
∑P=P1+P2+…+Pm
∑Q
Figure pct00001
∑S
여기서, 충전시설의 출력공률 Pm Sm1+Sm2+…+Smn, Sm은 충전단말의 실제 충전 공률이고, 피충전 전기차와 직접적인 관련이 있으며, 전기차에 연결되지 않은 경우 그 값은 0이다. 충전단말의 최대 출력 공률은 전기차의 최대 수신 용량보다 작거나 같으며, 이는 전기차의 배터리 충전 관리 시스템에 의해 제어되고, 동시에 본 시스템의 전력공급 능력에 의해 제어되기도 한다.
충전기의 실제 출력공률은 Pn=Sn이며, 실제 충전에 필요한 공률은 피충전 전기차의 전력 용량과 주변 온도의 영향을 크게 받을 뿐만 아니라 피충전 전기차 전원배터리 자체의 잔존용량 SOC의 영향도 받는다. 피충전 전기차의 전원배터리의 충전과정의 변화에 따라 생성되는 전력수요곡선에 따르면, 피충전 전기차의 전원배터리가 일정 용량에 도달하면 장기간의 저전류 정전류 충전 상태에 진입하고, 이때 ∑Q가 충분하면, 충전시설이 부족하더라도 새로운 전기차의 충전수요가 접수되면 충전단말을 선택적으로 제어하고 충전완료 명령을 내려 새로운 충전수요를 받아, 새로운 전기차를 충전하고 충전 상태를 실시간으로 모니터링한다.
본 발명에서 제공하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법은 AI 딥러닝을 활용하여 지속적으로 최적화되는 관리제어 모델을 구축하고, 최적화된 충전 시스템의 에너지 수급밸런스, 최적의 충전 단말 이용 제어 모델 출력을 형성하여, 충전 시설 시스템의 충전과 전력 소비 효율을 극대화한다.
구체적으로, 도면 4를 참조하여, 본 발명의 충전 관리시스템은 충전능력 실행관리소자(8), 충전능력 훈련 최적화소자(9)와 클라우드 서버(7)를 포함하고, 충전능력 실행관리소자(8)는 에너지 공급 변배전소, 충전 시설 분배 제어 모듈 및 여러 충전 시설을 포함하고, 충전 시설에는 여러 개의 충전단말이 장착되어 있으며, 충전 시설은 모두 충전 시설 분배 제어 모듈에 연결되며, 충전 시설 분배 제어 모듈은 에너지 공급 변배전소에 연결되고, 충전시설 분배제어모듈은 충전능력 훈련 최적화소자에서 전송한 충전 공률 분배명령을 수신하고, 상기 충전 공률 분배명령에 따라 전기에너지를 충전시설로 분배하며, 충전시설은 전기에너지를 전기차가 충전에 필요한 작업전력으로 변환하는데 사용되며, 충전단말을 통해 충전하려는 전기차를 DC급속충전 또는 AC완속충전을 진행한다.
충전능력 훈련 최적화소자(9)는 데이터 관리모듈(1), 데이터 수집모듈(2), 데이터 저장모듈(3), 데이터 훈련 및 출력모듈(4)을 포함하고, 데이터 수집모듈(2), 데이터 저장모듈(3) 및 데이터 훈련 및 출력모듈(4)은 모두 데이터 관리모듈(1)을 통해 충전 시설 분배 제어 모듈에 연결되고, 충전능력 훈련 최적화소자(9)는 인간-기계 상호작용 관리모듈(5)과 통신모듈(6)을 더 포함하고, 인간-기계 상호작용 관리모듈(9)은 각각 데이터 관리모듈(1)과 통신모듈(6)에 연결되고, 통신모듈(6)은 데이터 훈련 및 출력모듈(4)와 연결된다.
클라우드 서버(7)는 시스템 레벨의 종합적인 관리를 지원하고, 통신 인터페이스의 공통 프로토콜을 통해 데이터 정보의 원격 공유, 수집처리, 상호 운용과 관리를 지원하고 충전능력 실행관리소자(8) 데이터 관리의 확장으로 LAN 관리 및 공유 확장하고, AI 훈련환경 및 모델의 전이, 치입을 통해, 빅 데이터에서 인공 지능 기술의 이점을 더 잘 활용하여 출력 제어 모델을 훈련과 검증을 진행하여, LAN멀티사이트 충전 관리 시스템의 데이터공유와 기계 딥러닝을 최적화하여, 각 시스템 충전능력자원의 보완과 최적화를 실현하고, LAN내에서 충전시설 시스템의 충전과 전력소비효율을 극대화하였다.
도 2를 참조하면, 단계 S1에서, 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전 단말 출력 정보 및 전기차 충전수요 정보를 획득하는 단계 전, 상기 방법은 다음을 더 포함한다:
단계 S01, 기계학습 사전 훈련 모델을 선택하고 상기 기계학습 사전 훈련 모델에서 충전용량과 관련된 초기 임계값과 기능 매트릭스를 설정하고 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 건립한다.
단계 S02, 충전단말의 특징 매개변수를 설정하고, 피충전 전기차의 전원 배터리의 충전과정 전력수요 변화곡선을 획득하고, 충전 작동 상태 특징의 시계열 예측 관계를 건립한다.
단계 S03, 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급 정보 및 환경정보를 획득하고, 특징 데이터베이스를 생성한다.
단계 S04, 특징 데이터베이스의 데이터를 충전과 에너지 공급 최적화 시계열 예측 관계 모델에 입력하고, 충전 작동 상태 특징 시계열 예측 관계와 결합하여, 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 훈련최적화하고, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델을 얻는다.
알아야 할 것은, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델을 사용하기 전에 모델을 건립하고 모델에 대한 훈련검증을 수행해야 하고, 우선은 기계학습 사전 훈련 모델을 선택하고 모델에서 충전용량과 관련된 초기 임계값과 기능 매트릭스를 설정하고, 충전과 에너지 공급 최적화 시계열 예측의 관계 모델을 건립하고, 기계학습 사전 훈련 모델 선택 시 정황과 결합하여야 하고, 초기 모델을 선택한 후, 구제적인 충전시스템의 충전용량과 관련된 초기 임계값을 입력하고, 이는 충전시스템의 전기에너지 공급 변배전소의 최대 전력공급 능력, 충전시설 시스템의 총 정격 충전능력, 각 충전 시설의 정격 충전용량 및 충전단말의 수량, 위치 정보를 포함하며, 동적분석과 충전시스템의 충전과 에너지공급능력을 처리하는데 사용되여, 응용정황의 상태특징을 확정한다.
충전과 에너지 공급 최적화 시계열 예측 관계가 건립된 후에는 충전 작동 상태 특징의 시계열 예측 관계도 건립해야 하며, 구체적으로 다음을 포함한다. 각 충전단말의 충전용량과 시간관계의 주요변수를 셋팅하여 전기차의 충전수요에 대응하고 응답하며, 충전상태에 들어간 전기차와 충전단말에 대하여 일대일 대응되는 시계열 예측 관계추이를 건립하고, 설명하여야 할 것은, 피충전 전기차의 배터리 충전과정 공률의 수요변화곡선은 과거 데이터베이스로부터 확인할 수 있거나, 피충전 전기차의 배터리 관리 시스템 BMS로부터 확인할 수도 있으며, 모바일 APP혹은 인터넷 서버 혹은 충전단말을 통해 피충전 전기차의 배터리 관리 시스템 BMS를 읽을 수 있고, 즉 피충전 전기차의 배터리 충전과정 공률의 수요변화곡선을 얻어, 충전단말이 피충전 전기차의 실시간 충전 에너지 상태를 모니터링 학습하는데 사용하여, 에너지적응제어의 정확도를 높인다.
도 5와 같이, 기존 전기차 전원 배터리는 대부분 리튬이온 배터리를 사용하고 있어 충전시간이 오래 걸린다. 충전단말 전력은 일반적으로 전기차 충전에 필요한 최대 정격공률을 충족하도록 선택하여 피충전 전기차가 최대 용량 충전을 요구할 때 충전단말이 상응하는 전기 에너지를 제공할 수 있도록 한다. 전원 배터리에 필요한 충전용량은 배터리의 잔량, 즉 전원 배터리 자체의 동적 SOC(전원 배터리의 남은 전력 비율), 남은 용량이 배터리용량에서의 비율의 영향을 받고, SOC=1일때 배터리가 완전히 충전, SOC=0일때 배터리가 완전히 방전됨을 의미하는데, 이러한 상황은 전원 배터리에 큰 손상을 초래하기에, 실제 응용에서는 SOC가 50% 미만이면, 바로 충전 보충해야 하며, 도 5의 (a)는 실온에서 전원 배터리의 전형적인 서로 다른 SOC에서의 충전전류 곡선도이다. 전원 배터리의 충전 프로세스가 변화됨에 따라 충전기의 출력 공률도 그에 따라 상응하게 변화되고, 도 5의 (b)는 충전단말의 실제 출력 공률이 전원 충전 프로세스에 따라 변화되는 곡선을 반영한다.
도 5에 도시된 본 실시예의 전기차 전원 배터리의 충전용량과 SOC 사이의 관계 곡선으로부터 알 수 있듯이, 전기차의 전원 배터리 용량이 정격 용량의 90%에 도달할 때, 요구되는 충전 공률은 급격하게 감소하고, 상응하는 충전 시간은 다음과 같이 표현된다: 본 실시예의 전기차의 전력 배터리 용량이 완전히 충전되는 데 250-300분이 걸리지만, 실제로는 충전 시작 후 최대공률로 급속피충전 시간은 약 150min 소요되었고, 전기차 정격용량의 90%에 도달하면, 충전단말의 실제 출력 용량은 시간이 지남에 따라 점차 감소한다. 즉, 전기차를 정격용량까지 완충해야 하는 경우 충전단말이 충족한 경우에는 시스템이 지원할 수 있으며, 충전 수요는 많지만 충전단말이 부족한 경우 본 시스템 배치를 최적화는 것을 통하여, 충전시설, 전력공급과 충전단말, 충전하려는 전기차 간의 수급 적응성을 향상시켜, 본 시스템 자원의 동적 최적화를 실현하는데 가능성을 제공한다.
모델을 훈련시키기 전에, 대량의 과거 데이터와 실시간 데이터를 수집하고 특징 데이터베이스, 즉 모델훈련의 데이터집합을 만들어야 하고, 특징 데이터베이스에 있는 데이터를 통해 모델을 반복적으로 훈련, 검증, 최적화하고, 데이터 수집모듈(2)을 통해 데이터를 수집하고, 데이터 관리모듈(1)을 거쳐 데어터 저장모듈(3)에 저장하고, 데이터 훈련 및 출력모듈(4)에 과거와 실시간 데이터를 제공하고, 초기 건립된 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 훈련 최적화하고, 관련 수집 매개변수는 충전 시설의 작동 정보 상태 매개변수, 피충전 전기차의 수량 및 모델 매개변수, 피충전 전기차의 충전 수요 매개변수, 전력공급 능력 매개변수, 환경 상태 매개변수, 작업상태 정황 데이터 및 인간-기계 상호작용 제어 매개변수를 포함하고, 관련 데이터는 전기차의 충전수요량, 충전설비의 실시간 충전량 및 충전소 전력공급량을 계산하는 데 사용되며, 학습훈련을 통해 시스템의 충전 전력 관리모듈을 지속적으로 최적화하고, 각 충전단말의 충전수요와 대응능력을 예측하고, 각 충전단말의 충전능력과 피충전 전기차의 배터리 충전과정의 공률수요곡선을 실시간으로 비교하여, 최적화로 실시간으로 충전수요에 대응하고 충전능력을 제어한다.
설명해야 할 것은, 훈련집합과 테스트집합을 포함하는 특징 데이터베이스를 생성할 때, 초기에는 훈련데이터 90%, 테스트 데이터 10%로 셋팅하고, 데이터의 증가에 따라, 훈련데이터 95%, 테스트 데이터 5%로 조정하여, 기계가 출력 모델의 최적화를 학습하도록 준비한다. 구체적으로 지난 2년간 수집된 충전데이터를 기준으로 시간별 충전데이터를 기본 시계열 단위로 사용하고, 데이터를 90%의 훈련 데이터와 10%의 테스트 데이터 두 그룹의 데이터로 나누고, 과거 데이터의 이력 분석 후, 시계열 예측, 모델링하고, 테스트 데이터로 검증 조정하여 제어오차를 조정하여, 계절환경변화로 인한 전기차 충전 부하 변동의 영향을 더 잘 관리할 수 있다.
도 2를 참조하면, 단계 S04, 특징 데이터베이스의 데이터를 충전과 에너지 공급 최적화 시계열 예측 관계 모델에 입력하고, 충전 작동 상태 특징 시계열 예측 관계와 결합하여, 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 훈련 최적화하고, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델을 얻는 단계 후, 다음을 더 포함한다.
단계 S05, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델에서 목표 제어량을 비교, 예측 및 최적화하고 비교값(제1비교값)에 따라 모델 훈련과 데이터 출력을 수행한다.
단계 S06, 일정한 충전과 에너지 공급값을 누적하고, 수집된 실시간 데이터를 특징 데이터베이스에 입력하고, 충전소와 피충전 전기차의 응용 정황 특징과 결합하여 상기 특징 데이터베이스를 보강한다. 실제 응용에서는 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급정보 및 환경정보 등 데이터를 실시간으로 수집하여 특징 데이터베이스를 보강한다.
단계 S07, 보강된 특징 데이터베이스에 근거하여 모델 학습 훈련과 데이터 분석을 진행하고, 데이터 분석 결과에 따라 비교값(제2비교값)을 출력하고, 충전 단말의 충전 상태와 전기차의 수요 정보와 결합하여, 충전 단말의 사용을 제어한다.
단계 S08, 최적화된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델 출력을 형성한다.
알아야 할 것은, 딥 러닝 시계열 예측 알고리즘 모델이 형성된 후에는 실제 충전 응용 정황을 결합하여 실시간 값을 지속적으로 입력하여 모델을 훈련, 검증 및 최적화하여 최적화된 충전 시스템 에너지 제어 수급 밸런스 제어 모델의 출력을 형성하여, 충전과 에너지 공급 최적화 방법을 지속적으로 최적화하고 실제 상황에 따라 융통성 있게 조정 변경하여 충전시설 시스템의 충전과 전력 소비 효율을 극대화한다.
설명이 필요한 것은, 일정한 충전과 에너지 공급 데이터가 축적되면, 다양한 정황 혹은 사용자 요구에 따라 알고리즘을 설정할 수 있으며, 학습훈련과 데이터 분석에 들어가고, 충전소와 피충전 전기차의 응용 정황 특징에 근거하여, 정기적으로 대량 데이터 수집을 결합하여, 과거 데이터베이스와 실시간 데이터베이스를 보강하고, 기계 학습의 데이터 범위를 더 보강하였으며, 사용 가능한 충전과 에너지 공급 시계열 예측 알고리즘 프레임 모델에는 자동 리턴 모델, LSTM 모델 등 딥 러닝 최적화 알고리즘 모델이 포함되어, 더 적합한 응용 정황 충전과 에너지 수급 사이의 관계 예측을 제공하여, 서로 다른 충전 시스템 간의 수급능력 조정에 더 적응하여, 더 나은 수급 밸런스를 맞춘다.
구체적으로, 단계 S05에서, 딥러닝 시계열 예측 알고리즘 모델에서 목표 제어량을 비교, 예측 및 최적화하고 비교값(제1비교값)에 따라 모델 훈련과 데이터 출력을 수행하는 단계에는 구체적으로 다음을 포함한다:
사전 학습된 딥러닝 시계열 예측 알고리즘 모델에 각 충전단말에 실시간으로 연결되는 전기차 정보, 충전능력, 전력공급 능력 및 실제 충전용량을 입력한다.
총 충전용량을 계산하여 미리 소정의 임계치와 비교하고, 동시에 각 충전단말의 실제 충전용량과 충전단말의 정격 출력능력 및 피충전 전기차의 충전수요의 차이를 비교하고, 비교값에 근거하여 모델 훈련과 데이터 출력을 진행한다. 구체적으로, 총 충전용량을 계산하고 상기 총 충전용량을 미리 정해진 임계값과 비교하고, 동시에 각 충전단말의 실제 충전용량과 충전단말의 정격출력능력의 제1차이값 및 각 충전단말의 실제 충전용량과 피충전 전기차의 충전수요의 제2차이값을 비교하고, 상기 제1차이값과 제2차이값을 제1비교값으로 하고, 제1비교값에 근거하여 모델 훈련과 데이터 출력을 수행한다.
전기차의 새로운 충전수요가 접수되면, 데이터 출력 결과에 따라, 충전소 충전시설의 실제 충전용량, 충전단말의 충전상태와 전기차의 수요정보 등을 결합하여, 충전전력 분배명령을 출력하고, 에너지 제어 출력 서브 프로세스를 실행하여 충전단말의 사용을 제어한다.
전기차의 새로운 충전수요를 접수 안하면, 되돌아 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급정보 및 환경정보를 획득하여 특징 데이터베이스를 생성하는 단계를 실행한다.
이해하여야 할 것은, 목표 제어량은 충전과 에너지 공급의 관계이며, 딥러닝 시계열 예측 알고리즘 모델에서, 처리된 실시간 데이터를 입력하여, 모델의 출력 결과를 얻고, 모델 출력결과에 근거하여, 충전 공률 분배명령을 출력하거나 모델을 계속 훈련 최적화하여, 모델을 실제 충전 정황에 응용하고, 실제 충전 정황에서 훈련 최적화하여, 실제 응용 정황에 더욱 적합한 충전과 에너지 공급 수요관계의 추세예측을 제공함으로써, 최적의 수급밸런스를 맞추고, 전기차의 새로운 충전수요에 대응필요 혹은 수신 시, 충전능력 훈련 최적화 관리 소자의 출력명령을 충전능력 실행 전력 관리소자에 전달하여, 에너지 제어 출력 서브 프로세스를 실행하여, 충전단말의 사용을 제어하여, 전기차의 새로운 충전수요를 만족시키고, 동시에 충전단말의 이용률을 향상시켜, 충전단말의 방치혹은 시스템의 남은 전력 에너지 낭비를 방지한다.
구체적으로, 단계 S07, 누적된 데이터집합에 근거하여 모델 학습 훈련과 데이터 분석을 진행하고, 데이터 분석 결과에 따라 비교값(제2 비교값)을 출력하고, 충전 단말의 충전 상태와 전기차의 수요 정보와 결합하여, 충전 단말의 사용을 제어하는 단계는 다음을 포함한다.
전기차의 새로운 충전수요가 접수되면, 출력된 비교값(제2 비교값)에 근거하여, 충전소 충전시설의 실제 충전용량, 충전단말의 충전상태와 전기차의 수요정보와 결합하여, 충전전력 분배명령을 출력하고, 에너지 제어 출력 서브 프로세스를 실행하여 충전단말의 사용을 제어한다.
전기차의 새로운 충전수요를 접수 안하면, 되돌아 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급정보 및 환경정보를 획득하여 특징 데이터베이스를 생성하는 단계를 실행한다.
이해하여야 할 것은, 누적된 데이터 집합에 근거하여 모델 학습훈련과 데이터 분석 과정에서, 시스템은 실제 충전요구에 대응하고, 데이터 분석 결과에 근거하여 비교값을 출력하고, 충전 능력을 제어하여 전기 에너지 관리소자 충전단말의 사용을 실행하고, 출력 명령에 근거하여, 전기차의 수요정보와 결합하여 충전단말의 사용을 판단하며, 이때 출력 비교값 제어 시스템이 전기차의 새로운 충전수요에 응답 필요 혹은 수신할 경우, 즉 충전능력 훈련 최적화 관리소자의 출력명령을 충전능력 집행 전원관리 소자에 전달하면, 에너지 제어 출력 서브 프로세스를 실행하여, 충전단말의 사용을 제어하여, 전기차의 새로운 충전수요를 충족시키는 동시에 충전단말의 이용률을 향상시켜, 충전단말의 방치혹은 시스템의 남은 전력 에너지 낭비를 방지한다.
도 3을 참조하면, 에너지 제어 출력 서브 프로세스의 단계는 다음을 포함한다.
충전 공률 분배명령을 접수한다.
전기차의 새로운 충전수요를 접수하고, 수요에 따라 우선순위를 정한다.
충전단말의 작동상태를 검측한다.
충전단말이 유휴상태이면, 우선순위에 따라 새로운 전기차와 연결하여, 새로운 전기차를 충전하고 실시간으로 충전상태를 모니터링하며 충전에너지 사용량 정보를 데이터베이스로 피드백한다.
충전단말이 유휴상태가 아니면, 시스템내의 전력공급 이 충분한지 비교한다.
시스템내의 전력공급이 충분하면, 피충전 전기차의 전원 배터리의 충전과정의 공률수요 변화곡선과 결합하여, 균등충전 상태인 피충전 전기차 및 대응되는 충전단말을 찾아, 충전단말과 피충전 전기차의 충전을 중지하고, 우선순위에 따라 새로운 전기차에 연결하여, 새로운 전기차를 충전하고 실시간으로 충전상태를 모니터링하며, 충전에너지 사용량 정보를 데이터베이스로 피드백한다.
시스템내의 전력공급이 충분하지 않으면, 피충전 전기차의 전원 배터리의 충전과정의 공률수요 변화곡선과 결합하여, 균등충전 상태인 피충전 전기차 및 대응되는 충전단말을 찾아, 충전단말과 피충전 전기차를 제어하여 충전을 중지하고, 새로운 전기차에 연결하여 충전을 시작하고, 동시에 다른 충전 단말의 충전용량을 조정하여, 우선 순위에 따라 새로운 전기차의 충전요구를 충족하면서 실시간으로 충전상태와 에너지 보급을 조정하며, 충전에너지 사용량 정보를 데이터베이스로 피드백한다.
설명하여야 할 것은, 에너지 제어 출력 서브 프로세스는 충전 데이터 관리 센터의 데이터 분석 출력 결과에 근거하여, 충전단말의 충전상태와 전기차의 충전수요를 결합하여 충전단말의 사용을 판단 및 제어한다. 데이터 훈련 및 출력모듈이 명령을 출력 후, 에너지 최적화 관리 출력 제어 프로세스는 구체적으로, 데이터 훈련 및 출력모듈(4)이 명령을 출력함과 동시에, 충전능력 실행관리소자(8)의 충전시설 분배제어 모듈은 시스템의 각 충전단말의 에너지 사용정황을 지속적으로 모니터링하고, 모바일 APP 또는 인터넷 서버 또는 인간-기계 상호작용 관리모듈(5)등을 통해 전기차의 새로운 충전수요가 수신되면, 수요에 따라 우선 순위를 정하고, 시스템내에서 식별과 조율을 진행한다.
충전단말이 유휴일 경우, 충전시설 분배제어 모듈은 새로운 충전할 전기차를 연결하고, 시스템은 전기에너지 공급 변배전소에서 사용가능한 총 공률과 실제 사용 공률 및 공급 분배 최대 용량을 결합하여 새로 연결된 전기차에 충전을 진행하고, 실시간으로 모니터링하며, 동시에 새로 연결된 충전단말와 전기차 관련 정보를 데이터 수집 모듈에 피드백하여, 빅데이터베이스에 입력한다.
충전단말이 유휴상태가 아닐 경우, 충전시설 분배 제어모듈은 시스템의 전기에너지 공급이 충분한지 여부를 판단하고, 시스템 전기에너지가 공급이 충분하면, 각 충전단말에서 실시간 충전 공률이 최대 충전용량의 90% 미만인 연결된 전기차를 찾아, 제어센터는 도5중의 피충전 전기차의 전력 배터리 충전과정 공률수요 변화곡선과 결합하여, 피충전 전기차가 균등충전 상태인지 여부를 판단하며, 이미 균등충전상태이면, 우선 충전을 정지하여, 충전단말의 이용율을 높이고, 해당 충전단말 및 대응되는 전기차에 대한 충전을 정지하고, 동시에 새로운 피충전 전기차를 연결하여 우선순위에 따라 정격용량 급속 충전하고 실시간으로 충전상태를 모니터링하는 동시에 충전단말과 새로 연결된 전기차의 관련정보를 데이터 수집모듈에 피드백하여, 빅데이터베이스에 입력된다.
충전단말이 유휴상태가 아닐 경우, 충전시설 분배제어모듈은 시스템의 전기에너지가 공급이 충분한지 여부를 판단하고, 시스템 전기에너지 공급이 충분하지 못하면, 각 충전단말에서 실시간 충전 공률이 최대 충전용량의 90% 미만인 연결된 전기차를, 제어센터는 도 5중의 피충전 전기차의 전력 배터리 충전과정 공률수요 변화곡선과 결합하여, 피충전 전기차가 균등충전 상태인지 여부를 판단하며, 이미 균등충전 상태이면, 우선 충전을 정지하여, 충전단말의 이용율을 높이고, 해당 충전단말 및 대응되는 전기차에 대한 충전을 정지하고, 동시에 새로운 피충전 전기차를 연결하고 충전을 시작하고, 동시에 충전시설 분배제어모듈을 통해 기타 피충전 전기차의 충전용량이 대폭 감소된 충전단말의 충전용량을 제어하여, 네트워크내 관련 출력포인트의 출력 에너지를 조율하여, 우선 수요가 있는 피충전 전기차의 충전을 만족시키면서 충전상태를 실시간 모니터링하고 에너지보급을 조정하며, 동시에 각 관련 충전단말과 연결된 전기차의 관련정보를 데이터 수집모듈에 피드백하여, 빅데이터베이스에 입력된다.
바람직하게는, 충전단말이 유휴상태가 아닌 경우, 충전시설 분배제어모듈은 시스템의 전기에너지 공급이 충분한지 여부를 판단하고, 시스템 내 전기에너지 공급이 충분하지 않은 경우, 여러 충전기/시설 충전능력 관리시스템의 상호 연결하에, 크로스 자원 조율관리를 실현하고, 즉 새로운 충전 수요 전기차를 인근 전력 에너지가 방치된 충전소에 추천하여 우선 충전을 하도록 한다.
도 2를 참조하면, 단계 S08, 최적화된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델 출력을 형성한 후, 단계S09, 최적화된 충전 시스템 에너지 제어 수급 밸런스 제어 모델을 훈련 형성하여 출력 및 저장 후, 이를 기반으로 미리 설정된 시간간격으로 주기적으로 기계학습훈련을 진행하여, 충전 시스템 에너지 제어 수급 밸런스 제어 모델을 최적화한다.
알아야 할 것은, 훈련에 의해 형성된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델에 기초하여, 미리 설정된 시간간격으로 주기적으로 기계학습훈련을 진행하여, 여러개의 충전단말에 충전우선순위 조정을 진행하고, 여러개의 충전단말에 대응하는 충전위치에 공률분배조정을 진행하여, 다양한 계절변화에 적응시키고, 다양한 유형의 신에너지 차량 사용자의 변화에 따라 전체 충전효율을 최적화하여, 서로 다른 차량모델과 이동충전 에너지 저장 시설의 충전요구를 통합한다.
본 실시예의 딥 러닝 훈련 환경은 Facebook의 오픈 소스 PyTorch 프레임워크, Ubuntu 운영 체제를 기반으로 하는 오픈 소스 GUN/Linux 운영 체제에서 학습훈련하고, PyTorch설치환경을 기본으로, 그의 관련 지능형 데이터와 모델을 기초로, Anaconda 패키지 관리 도구, 미러링 설정, 시각화 도구, GPU(이미지 프로세서)등을 포함하고, 개발된 본 발명의 딥러닝 시계열 예측 기반 충전 시설 관리 시스템을 내장하고 훈련모델을 구축하였다. 사용자는 서버를 통해 Ubuntu 운영 체제를 구성하여, 본 학습 시스템의 데이터베이스를 이식하여 원격 상호작용을 할 수도 있다.
구체적으로, 충전용량과 관련된 초기 임계값은 충전 시스템의 전력공급 변배전소의 최대 전력공급 능력, 충전 시설의 총 정격 충전능력, 각 충전시설의 정격 충전용량 및 충전단말의 개수와 위치정보를 포함한다.
알아야 할 것은, 모델에서 충전용량과 관련된 초기 임계값을 설정하는 것을 통해, 응용 정황과 결합하여 학습모델을 선택하고 구체적인 충전 시스템의 초기 임계값을 입력하고, 충전 시스템 에너지 최적화 운영 사전 학습 모델을 만들어, 충전 시스템의 충전과 에너지 공급능력을 동적분석 및 처리하는데 사용하여, 응용 정황의 상태특징을 명확히 한다.
구체적으로, 전기차의 충전수요 정보, 충전시설의 충전작업 정보, 전력공급 정보 및 환경 정보는 구체적으로 충전시설의 작업 정보 상태 매개변수, 피충전 전기차의 수량 및 모델 매개변수, 피충전 전기차의 충전수요 매개변수, 전력공급 능력 매개변수, 환경상태 매개변수, 작업상태 정황 데이터 및 인간-기계 상호작용 제어 매개변수를 포함한다.
설명해야 할 것은, 충전시설 작업정보 상태 매개변수는 충전전량 및 충전시간, 실시간 전량과 누적전량을 포함하고, 이는 충전시설 및 그 단말 또는 피충전 전기차의 BMS 관리시스템으로부터 수집하고, 실시간 관리와 제어 동시에 데이터베이스로 입력하는데 사용되고, 기계학습과 훈련검증을 지원하며, 충전단말 혹은 전기차의 번호판 식별 신호로부터 피충전 차량의 차량모델매개변수를 수집하고, 정보는 데이터베이스에 입력되고, AI제어모델의 훈련, 매칭, 검증에 사용되고, 충전용량과 충전 요구 사항을 결합한 시스템 최적화 조율 모델을 제작하여 실시간 조율하고, 충전중인 단말 매칭과 충전할 전기차의 수요정보를 포함하는 충전수요 매개변수는 전기차의 충전요구 및 실시간 충전상태로부터 수집하고, AI훈련, 매칭, 검증에 사용되고, 충전능력과 충전수요를 결합한 시스템 최적화 조율 모델을 제작하여 실시간 조율하고, 최대 전력공급 능력과 과거 전력공급용량, 실시간 에너지 공급 데이터를 포함하는 전력공급 능력 매개변수는 전력공급 변배전소의 상태 정보로부터 수집하고, AI훈련, 매칭, 검증에 사용되고, 충전능력과 충전수요를 결합한 시스템 최적화 조율모델을 제작하여 전체 조율 제어하고, 환경상태 매개변수의 수집은 주로 온도와 습도이고, 전력공급 변배전소의 상태정보 및 시스템의 설비 핵심 포인트로부터의 수집되며, 제어모델의 훈련, 매칭, 검증과 최적화에 사용되고, 다양한 정황에서의 시스템 작업 최적화를 지원하고, 핵심 포인트의 작업상태를 모니터링 및 보호하고, 충전시설, 충전 인터페이스, 전기차등 이미지와 데이터를 포함하는 작업상태 정황 데이터는 시스템 모니터링, 스마트설비의 작업상태 식별을 통해 수집되고, 모델 데이터 훈련, 검증과 제어 시스템의 결책 제어능력을 최적화하는데 사용되고, 실시간 상태 데이터 및 모델의 조정, 설치된 수요 정보를 포함하는 인간-기계 상호작용 제어 매개변수는 인간-기계 상호작용 조율소자, 충전 APP단말과 원격서버로부터 수집되고, 그 자리에서 바로 혹은 원격으로 인간-기계 협업 매개변수의 입력을 실현하여 계산, 제어와 조율에 참여한다.
도 4를 참조하면, 본 발명은 충전 관리 시스템의 충전과 에너지 공급 최적화 장치를 더 제공하며, 다음을 포함한다.
충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득하는데 사용되는 데이터 수집모듈(2).
충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보에 근거하여, 충전소 충전시설 시스템의 충전능력, 전력공급 능력과 실제 충전용량을 확정하는데 사용되는 데이터 관리모듈(1).
충전소의 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 저장하는데 사용되는 데이터 저장모듈(3).
충전능력, 전력공급 능력과 실제 충전용량을 사전 훈련된 딥 러닝 시계열 예측 알고리즘 모델에 입력하고, 모델 출력결과를 얻고, 모델 출력결과와 충전소 충전시설 시스템의 실제 충전용량 및 충전할 전기차의 충전수요량에 근거하여, 충전 공률 분배명령을 생성하는 데이터 훈련 및 출력모듈(4).
충전 공률 분배명령에 따라 각 충전 시설에 전기 에너지를 분배하고, 충전시설에 설치된 충전단말을 통해 전기차를 충전하는 충전능력 관리실행소자(8).
설명해야 할 것은, 본 발명의 충전 관리 시스템의 충전과 에너지 공급 최적화 장치는 데이터 관리모듈(1), 데이터 수집모듈(2), 데이터 저장모듈(3), 데이터 훈련 및 출력모듈(4)등을 포함하는 데이터 관리센터를 핵심으로 하고, 데이터 관리모듈(1)은 데이터 관리센터의 프로세서로서, 시스템내 각 데이터베이스의 저장과 처리를 지원하고, 클라우드 서버, 각 충전 APP, WiFi 설비와의 통신연결을 담당하여, 사용자와의 원격 상호작용을 실현하고, 데이터 수집모듈(2), 데이터 저장모듈(3), 데이터 훈련 및 출력모듈(4), 인간-기계 상호작용 관리모듈(5), 통신모듈(6)은 함께 본 발명의 충전 관리 운산센터를 형성하여, 다수의 충전소레벨 시스템을 집중식 관리하여, 충전 관리 시스템의 충전과 에너지 공급 최적화를 실현하고, 다수 충전단말을 제어하여 충전 공률의 동적분배를 실현한다.

Claims (10)

  1. S1, 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득하고,
    S2, 상기 충전소 전력공급 변배전 정보, 상기 충전시설 능력정보, 상기 충전단말 출력 정보 및 상기 전기차 충전수요 정보에 근거하여 충전소 충전시설 시스템의 충전능력, 전력공급 능력과 실제 충전용량을 확정하고,
    S3, 상기 충전능력, 상기 전력공급 능력과 상기 실제 충전용량을 사전 훈련된 딥 러닝 시계열 예측 알고리즘 모델에 입력하고 모델의 출력 결과를 얻고,
    S4, 상기 모델의 출력 결과와 충전소 충전시설의 실제 충전용량 및 충전할 전기차의 충전 수요량에 근거하여, 충전 공률 분배 명령을 생성하고,
    S5, 상기 충전 공률 분배 명령에 따라 각 충전 시설에 전기 에너지를 분배하고, 충전 시설에 설치된 충전단말을 통해 전기차를 충전하는 단계를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  2. 제1항에 있어서, 상기 S1, 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득하는 단계 전에,
    S01, 기계학습 사전 훈련 모델을 선택하고 상기 기계학습 사전 훈련 모델에서 충전용량과 관련된 초기 임계값과 기능 매트릭스를 설정하고 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 건립하고,
    S02, 충전단말의 특징 매개변수를 설정하고, 피충전 전기차의 전원 배터리의 충전과정 전력 수요 변화곡선을 획득하고, 충전 작동 상태 특징의 시계열 예측 관계를 건립하고,
    S03, 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급 정보 및 환경정보를 획득하고, 특징 데이터베이스를 생성하고,
    S04, 상기 특징 데이터베이스의 데이터를 상기 충전과 에너지 공급 최적화 시계열 예측 관계 모델에 입력하고, 상기 충전 작동 상태 특징의 시계열 예측 관계와 결합하여, 상기 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 훈련 최적화하고, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델을 얻는 단계를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  3. 제2항에 있어서, 상기 S04, 상기 특징 데이터베이스의 데이터를 상기 충전과 에너지 공급 최적화 시계열 예측 관계 모델에 입력하고, 상기 충전 작동 상태 특징의 시계열 예측 관계와 결합하여, 상기 충전과 에너지 공급 최적화 시계열 예측 관계 모델을 훈련 최적화하고, 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델을 얻는 단계 후,
    S05, 상기 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델에서 목표 제어량을 비교, 예측 및 최적화하고 비교값에 따라 모델 훈련과 데이터 출력을 수행하고,
    S06, 일정한 충전과 에너지 공급 값을 누적하고, 수집된 실시간 데이터를 특징 데이터베이스에 입력하고, 충전소와 피충전 전기차의 응용 정황 특징과 결합하여 상기 특징 데이터베이스를 보강하고,
    S07, 보강된 특징 데이터베이스에 근거하여 모델 학습 훈련과 데이터 분석을 진행하고, 데이터 분석 결과에 따라 비교값을 출력하고, 충전 단말의 충전 상태와 전기차의 수요 정보를 결합하여, 충전 단말의 사용을 제어하고,
    S08, 최적화된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델 출력을 형성하는 단계를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  4. 제3항에 있어서, 상기 S05, 상기 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델에서 목표 제어량을 비교, 예측 및 최적화하고 비교값에 따라 모델 훈련과 데이터 출력을 수행하는 단계는 구체적으로,
    상기 사전 훈련된 딥러닝 시계열 예측 알고리즘 모델에 각 충전단말에 실시간으로 연결되는 전기차 정보, 충전능력, 전력공급 능력 및 실제 충전용량을 입력하고,
    총 충전용량을 계산하여 미리 정해진 임계치와 비교하고, 동시에 각 충전단말의 실제 충전용량과 충전단말의 정격출력능력 및 피충전 전기차의 충전수요의 차이를 비교하고, 비교값에 근거하여 모델 훈련과 데이터 출력을 진행하고,
    전기차의 새로운 충전수요가 접수되면, 데이터 출력 결과에 따라, 충전소 충전시설의 실제 충전용량, 충전단말의 충전상태와 전기차의 수요정보 등을 결합하여, 충전 공률 분배명령을 출력하고, 에너지 제어 출력 서브 프로세스를 실행하여 충전단말의 사용을 제어하고,
    전기차의 새로운 충전수요를 접수 안하면, 되돌아 상기 전기차의 충전수요정보, 충전시설의 충전작업정보, 전력공급정보 및 환경정보를 획득하고, 특징 데이터베이스를 생성하는 단계를 실행하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  5. 제3항에 있어서, 상기 S07, 누적된 데이터 집합에 의해 모델 학습 훈련 및 데이터 분석을 진행하고, 데이터 분석 결과에 따라 비교값을 출력하고, 충전 단말의 충전 상태와 전기차의 수요 정보를 결합하여, 충전 단말의 사용을 제어하는 단계는,
    전기차의 새로운 충전수요가 접수되면, 출력된 비교값에 근거하여, 충전소 충전시설의 실제 충전용량, 충전단말의 충전상태와 전기차의 수요정보와 결합하여, 충전 공률 분배명령을 출력하고, 에너지 제어 출력 서브 프로세스를 실행하여 충전단말의 사용을 제어하는 것을 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  6. 제4항 또는 제5항에 있어서, 상기 에너지 제어 출력 서브 프로세스의 단계는,
    충전 공률 분배명령을 접수하고,
    전기차의 새로운 충전수요를 접수하고, 수요에 따라 우선순위를 정하고,
    충전단말의 작동상태를 검측하고,
    충전단말이 유휴상태이면, 우선순위에 따라 새로운 전기차와 연결하여, 새로운 전기차를 충전하고 실시간으로 충전상태를 모니터링하며 충전에너지 사용 정보를 데이터베이스로 피드백하고,
    충전단말이 유휴상태가 아니면, 시스템내의 전기 에너지 공급이 충분한지 비교하고,
    시스템내의 전기 에너지가 충분하면, 피충전 전기차의 전원 배터리의 충전과정의 공률수요 변화곡선과 결합하여, 균등충전 상태인 피충전 전기차 및 대응되는 충전단말을 찾아, 충전단말과 피충전 전기차의 충전을 중지하고, 우선순위에 따라 새로운 전기차에 연결하여, 새로운 전기차를 충전하고 실시간으로 충전상태를 모니터링하며, 충전에너지 사용 정보를 데이터베이스로 피드백하고,
    시스템내의 전기 에너지가 충분하지 않으면, 피충전 전기차의 전원 배터리의 충전과정의 공률수요 변화곡선과 결합하여, 균등충전 상태인 피충전 전기차 및 대응되는 충전단말을 찾아, 충전단말과 피충전 전기차의 충전을 중지하도록 제어하고, 새로운 전기차에 연결하여 충전을 시작하고, 동시에 다른 충전 단말의 충전용량을 조정하여, 우선 순위에 따라 새로운 전기차의 충전요구를 만족하면서 실시간으로 충전상태와 에너지 보급을 조정하며, 충전에너지 사용 정보를 데이터베이스로 피드백하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  7. 제3항에 있어서, 상기 단계 S08, 최적화된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델 출력을 형성하는 단계 후,
    S09, 최적화된 충전 시스템 에너지 제어 수급의 밸런스 제어 모델을 훈련하여 출력 및 저장 후, 이를 기반으로 미리 설정된 시간간격으로 주기적으로 기계학습훈련을 진행하여, 충전 시스템 에너지 제어 수급 밸런스 제어 모델을 최적화하는 단계를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  8. 제2항에 있어서, 상기 충전용량과 관련된 초기 임계값은 충전 시스템의 전력공급 변배전소의 최대 전력공급 능력, 충전 시설의 총 정격 충전능력, 각 충전시설의 정격 충전용량 및 충전단말의 개수와 위치정보를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  9. 제2항에 있어서, 상기 전기차의 충전수요 정보, 충전시설의 충전작업 정보, 전력공급 정보 및 환경 정보는 구체적으로 충전시설의 작업 정보 상태 매개변수, 피충전 전기차의 수량 및 모델 매개변수, 피충전 전기차의 충전수요 매개변수, 전력공급 능력 매개변수, 환경상태 매개변수, 작업상태 정황 데이터 및 인간-기계 상호작용 제어 매개변수를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 방법.
  10. 충전소 전력공급 변배전 정보, 충전시설 능력정보, 충전단말 출력 정보 및 전기차 충전수요 정보를 획득하는 데이터 수집모듈,
    상기 충전소 전력공급 변배전 정보, 상기 충전시설 능력정보, 상기 충전단말 출력 정보 및 상기 전기차 충전수요 정보에 근거하여, 충전소 충전시설 시스템의 충전능력, 전력공급 능력과 실제 충전용량을 확정하는 데이터 관리모듈,
    상기 충전소 전력공급 변배전 정보, 상기 충전시설 능력정보, 상기 충전단말 출력 정보 및 상기 전기차 충전수요 정보를 저장하는데 사용되는 데이터 저장모듈,
    상기 충전능력, 상기 전력공급 능력과 상기 실제 충전용량을 사전 훈련된 딥 러닝 시계열 예측 알고리즘 모델에 입력하고, 모델 출력결과를 얻고, 상기 모델 출력결과와 충전소 충전시설 시스템의 실제 충전용량 및 충전할 전기차의 충전수요량에 근거하여, 충전 공률 분배명령을 생성하는 데이터 훈련 및 출력모듈,
    상기 충전 공률 분배명령에 따라 각 충전 시설에 전기 에너지를 분배하고, 충전시설에 설치된 충전단말을 통해 전기차를 충전하는 충전능력 관리실행소자를 포함하는 것을 특징으로 하는 충전 관리 시스템의 충전과 에너지 공급 최적화 장치.
KR1020237026122A 2021-01-12 2022-01-10 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치 KR20230122165A (ko)

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
KR20230122165A true KR20230122165A (ko) 2023-08-22

Family

ID=76044599

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237026122A KR20230122165A (ko) 2021-01-12 2022-01-10 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치

Country Status (5)

Country Link
JP (1) JP2024503017A (ko)
KR (1) KR20230122165A (ko)
CN (1) CN112874369B (ko)
DE (1) DE112022000624T5 (ko)
WO (1) WO2022152065A1 (ko)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
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
CA3230281A1 (en) * 2021-10-01 2023-04-06 Jordan Frances HANCOCK 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)

* Cited by examiner, † Cited by third party
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
WO2019140279A1 (en) * 2018-01-12 2019-07-18 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

Also Published As

Publication number Publication date
WO2022152065A1 (zh) 2022-07-21
CN112874369B (zh) 2022-08-05
JP2024503017A (ja) 2024-01-24
DE112022000624T5 (de) 2024-01-25
CN112874369A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
KR20230122165A (ko) 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치
Zheng et al. A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid
Yao et al. Robust frequency regulation capacity scheduling algorithm for electric vehicles
CN103559567B (zh) 电网对电动汽车充电站的管理系统的管理方法
CN103337890B (zh) 一种电动出租车充电站有序充电系统及方法
WO2015081740A1 (zh) 电动汽车充放电控制系统及方法
CN109523087B (zh) 基于深度学习的电动汽车快充站储能监测系统及其方法
CN113103905B (zh) 一种电动汽车智能充电分配调节方法、装置、设备及介质
CN109560577B (zh) 一种交直流混合分布式可再生能源系统的控制方法及系统
CN104269901A (zh) 一种电网对电动汽车直流快速充电站管理系统及方法
CN114056161A (zh) 一种充电桩有序充电系统及控制方法
CN114429274A (zh) 基于多种资源聚合的虚拟电厂调节能力评估方法及系统
CN112819203B (zh) 一种基于深度学习的充电管理系统及方法
CN114186867A (zh) 一种应用于电动车的有序充放电控制系统
Al-Rubaye et al. Power interchange analysis for reliable vehicle-to-grid connectivity
Li et al. Energy management model of charging station micro-grid considering random arrival of electric vehicles
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
CN113872228A (zh) 一种应用于电网调峰调频的电动汽车调度方法和装置
CN108039760B (zh) 一种基于大数据云平台远程管理的分布式智慧充电系统
US11698397B2 (en) Power calculation apparatus and power calculation method
CN112766579B (zh) 一种基于自适应算法的充电系统规划方法和装置
Fernández et al. Control structure for optimal demand-side management with a multi-technology battery storage system
Jain et al. A data driven approach for scheduling the charging of electric vehicles
Mamounakis et al. Renewable energy prosumers clustering towards target aggregated prosumption profiles based on recursive predictions
US20230100372A1 (en) Computer and electricity adjustment method