充电桩智能节能控制系统及方法与流程

本发明涉及充电桩节能，更具体地说，本发明涉及充电桩智能节能控制系统及方法。

背景技术：

1、授权公告号为cn112572218b的中国专利公开了一种节能储能充电桩。该节能储能充电桩包括：充电桩本体，包括作为电源供体的电池；电池充电管理模块，与所述电池连接，用于为所述电池充电；电池放电管理模块，与电池连接，用于利用电池为充电枪提供电量为待充电汽车充电；电池、电池放电管理模块、充电枪依序连接；第一控制器，用于控制所述电池充电管理模块对所述电池的充电工作；第二控制器，用于控制所述电池放电管理模块利用所述电池为待充电汽车进行充电的工作。

2、现有模式难以对充电过程实时监控与优化,对实现节能减排的效果也不佳；大量新能源汽车的快速充电,会对电网产生冲击,形成明显的负荷高峰,加重电网运行压力；而且由于缺乏合理的充电时间管理,充电费用也较高；缺乏精细化的充电数据监测和分析应用,也缺乏对车辆、电池、电网等多源异构数据的有效整合利用；使充电过程无法精细化管理,充电效率难以提升；还无法实现充电过程的信息化和集中化管理。

3、鉴于此，本发明提出充电桩智能节能控制系统及方法以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：充电桩智能节能控制方法，包括：

2、s1、采集历史充电需求数据；所述历史充电需求数据包括充电数据和外环境数据；

3、s2、根据所述历史充电需求数据训练出预测充电数据的机器学习模型；

4、s3、将实时外环境数据输入训练好的机器学习模型，得到预测的充电数据；

5、s4、采集车辆电池数据；根据所述车辆电池数据获取车辆电池修正系数；

6、s5、采集充电桩输出数据；根据所述充电桩输出数据获取充电桩输出修正系数；

7、s6、根据所述车辆电池修正系数和所述充电桩输出修正系数对预测的充电数据进行数据修正，得到充电桩工作数据；利用充电桩工作数据对本次新能源车辆进行充电。

8、进一步地，所述充电数据包括充电持续时间和充电功率数据；

9、在充电桩中安装充电控制单元,内置存储器用于存储充电数据；在充电过程中,所述充电控制单元实时检测并记录本次充电的开始时间和结束时间,计算出充电持续时间；

10、充电控制单元每隔固定时间间隔采集一次充电桩向新能源汽车供电的瞬时功率数据；将充电持续时间和采集的n个瞬时功率数据与充电开始时间进行绑定,存储在充电控制单元的存储器中；其中n个瞬时功率数据为充电功率数据；

11、充电结束后,充电控制单元会自动将本次充电的完整记录传输并保存到后台服务器的数据库中；

12、所述外环境数据包括环境温度、环境湿度、环境风速、日照强度和空气质量系数；

13、所述环境温度通过安装在充电桩工作范围内的温度传感器采集获得；

14、所述环境湿度通过安装在充电桩工作范围内的湿度传感器采集获得；

15、所述环境风速通过安装在充电桩上的风速仪获得；

16、所述日照强度通过安装在充电桩工作范围内的光照传感器获得；

17、所述空气质量系数从设置充电桩的地区环境监测站获取。

18、进一步地，步骤s2，包括：

19、s201、将历史充电需求数据作为样本进行数据预处理，数据预处理包括处理缺失值,转换异常数据,并获取特征数据集；

20、其中，处理缺失值的方式包括：删除包含缺失值的样本或使用均值/中位数/众数对缺失值进行填充；

21、转换异常数据的方式包括：计算样本的均值mean和标准差std；设置转换阈值g,转换阈值g取j倍标准差,即g＝j×std；

22、计算出样本下限＝mean-g和样本上限＝mean+g；

23、若样本值小于样本下限或者大于样本上限,则该样本是异常数据；对于异常数据,则分配样本上下限；

24、s202、将特征数据集分为训练数据集和验证数据集；

25、s203、选择gru循环神经网络作为机器学习模型的机器学习算法，并定义机器学习模型的结构，结构包括输入层、隐藏层和输出层,以及确定gru循环神经网络的层数和节点数；使用均方误差mse作为机器学习模型的损失函数；

26、均方误差其中，n为样本数量,w为预测值,v为真实值；

27、s204、选择adam优化器编译并在训练数据集上迭代训练机器学习模型；获取初始机器学习模型；在验证数据集上评估初始机器学习模型,计算验证集上的均方误差mse；通过调整初始机器学习模型的结构和参数使验证集的均方误差mse降低,获得最终的机器学习模型。

28、进一步地，所述车辆电池数据包括电池特征数据和车辆类型数据；所述电池特征数据包括电池温度和电池健康状态系数；

29、在充电桩接入点设置电池管理系统,电池管理系统与新能源汽车上的电池管理系统进行数据交互；设置温度监测模块,在充电接口处监测新能源汽车的电池温度；

30、在充电桩的充电接口设置电压采集模块和电流采集模块,在充电过程中实时采集电池的电压数据和电流数据；根据电压数据和电流数据运用欧姆定律计算得出电池内阻；

31、设立一个初始电池剩余电量百分比，即初始容量；对采样得到的电流数据进行求和,得到电荷量q；将电荷量q除以额定电量c,再乘以100％,即可得到当前的电池剩余电量百分比；

32、当前电池剩余电量百分比减去初始电池剩余电量百分比得到的是充电后的电量增量，即为充电获得的剩余容量；

33、在采集的电压数据中统计电池的电芯的最大电压vmax和最小电压vmin；计算电压差值δv＝vmax-vmin，以及电池组的平均电压vavg；电压差值δv与电池组的平均电压vavg之比，即为不平衡程度评估指数k＝δv/vavg；

34、电池健康状态系数hr：

35、

36、式中，k为不平衡程度评估指数；c为剩余容量；c0为初始容量；r电池内阻；t为电池温度；vo为电压数据；i为电流数据；t0为参考温度；θ、λ和β为经验参数；e为指数函数的底。

37、进一步地，所述车辆类型数据包括车辆高度、车辆宽度和车辆重量；

38、在充电桩的入口和出口处各安装高清工业相机,用于拍摄充电车辆的侧面；

39、将高清工业相机拍摄到的车辆图像进行预处理；预处理包括使用高斯滤波算法降低车辆图像噪声；调整车辆图像对比度和亮度；得到车辆预处理图像；对车辆预处理图像进行canny边缘检测,提取车辆预处理图像中车辆的轮廓区域；在车辆的轮廓区域采用边缘检测和直线检测算法,检测车辆的车顶线和车身线；在车辆预处理图像上,连接检测到的车顶线和车身线,获取车辆侧视高度；在车辆预处理图像测量车身线的长度,得到车辆图像宽度；

40、获取高清工业相机至经过高清工业相机的车辆之间的实际物理距离,即为标准距离；在标准距离处设置一个实际尺寸已知的标定框；

41、标定框在车辆预处理图像上占w像素宽、h像素高；车辆侧视高度为h像素,车辆图像宽度为w像素；标定框真实高度为l,宽度为p；车辆高度＝h/h×l；车辆宽度＝w/w×p；

42、在充电桩的入口处设置压力传感器，获取车辆重量。

43、进一步地，所述车辆电池修正系数csi：

44、

45、式中，t为电池温度，hr为电池健康状态系数；wr为车辆宽度；mr为车辆重量；sr为车辆高度；ρ和ζ为修正调节参数。

46、进一步地，所述充电桩输出数据包括区域电网数据和实时电价；所述区域电网数据包括电力负荷数据、电网电压数据和区域消费者影响系数；

47、电力负荷数据通过充电桩所在区域变电站获取；电网电压数据通过电网电压检测装置采集；

48、区域消费者影响系数的获取方式包括：

49、步骤1、收集用户的用电量数据；收集用户的设备容量数据；收集用户的功率因数；收集用户的重要性类别数据；收集用户的电力可靠性需求级别；

50、步骤2、将收集的数据进行评分，包括：

51、用电量数据评分包括：设置d个用电量区间,并为每个区间设置对应的基础分值；用电量值落在的用电量区间,就取得该用电量区间的基础分值；用电量设置包括第一区间为0至a1,基础分值为a1；第二区间为a1至a2,基础分值为a2；依此类推设定d个区间；其中a1,a2为用电量值,a1,a2为对应的基础分值,且后一个区间右端值大于前一个区间右端值,后一个区间基础分值大于前一个区间基础分值；

52、设备容量数据评分包括设置f个设备容量区间,每个区间设置对应的基础分值；容量值落在的区间就取得该区间的基础分值；设备容量区间设置包括第一区间为0至b1,基础分值为b1；第二区间为b1至b2,基础分值为b2；依此类推；其中，b1,b2为设备容量值,b1,b2为对应的基础分值；

53、功率因数评分包括设置z个功率因数区间,每个区间设置对应的基础分值；功率因数区间设置包括第一区间为0.9至1,基础分值为c1；第二区间为0.8至0.9,基础分值为c2；依此类推；其中c1,c2为对应的基础分值；

54、重要性类别数据评分包括根据用户类别设置对应的分值d1,d2...dn；

55、电力可靠性需求级别评分包括根据需求级别设置对应的分值e1,e2...ek；

56、区域消费者影响系数

57、式中，s为电量数据评分；p为设备容量数据评分；u为功率因数评分；l为重要性类别数据评分；m为电力可靠性需求级别评分；e为指数函数的底；

58、实时电价通过国家电网公司或地方电网公司发布的区域电价获取。

59、进一步地，所述充电桩输出修正系数

60、式中，a为实时电价，x为电力负荷数据，b为电网电压数据，io为区域消费者影响系数。

61、进一步地，所述充电桩工作数据获取方式包括：

62、s601、将预测的充电数据进行预处理，预处理包括提取n个瞬时功率数据构成样本矩阵x；

63、s602、定义神经网络模型包括在神经网络模型的全连接层中定义权重w1和w2，设置w1和w2均为大小为1x1的可训练参数,并初始化值为0；计算w1×csi以及计算w2×si,样本矩阵x的大小是nx1,n为样本数量；将w1×csi扩展重复n次,得到大小为nx1的向量a；将w2×si扩展重复n次,得到大小为nx1的向量b；计算x+a+b得到大小为nx1的输出矩阵；对输出矩阵应用relu激活函数,作为神经网络模型全连接层的输出；

64、s603、采用均方误差作为神经网络模型的损失函数；使用adam优化算法更新权重；在神经网络模型中w1和w2将在梯度下降过程中,逐步学习将csi和si应用到样本矩阵x中；

65、s604、定义神经网络模型的卷积层，用于提取n个瞬时功率数据的时序特征:输入形状为(batch_size,seq_len,input_dim)的时间序列；设置一维卷积,核大小为3,输出通道数为128；利用卷积滑动窗口在充电持续时间轴上扫描序列,并提取局部特征；使用relu激活函数和maxpooling获取特征图；

66、设置单层lstm,节点数量为64；将卷积层输出的特征图展平为(batch_size,feat_size)输入lstm层；并使用tanh函数激活获取输出特征序列；定义最后一层全连接层输出预测的修正后的功率序列；输出形状为(batch_size,seq_len),即n个功率预测值；n个功率预测值在时间序列上排列，构成n个功率预测值序列；

67、n个功率预测值序列和预测的充电持续时间作为充电桩工作数据。

68、充电桩智能节能控制系统，其用于所述的充电桩智能节能控制方法，包括：

69、数据采集模块，用于采集历史充电需求数据；所述历史充电需求数据包括充电数据和外环境数据；

70、机器训练模块，用于根据所述历史充电需求数据训练出预测充电数据的机器学习模型；

71、实时获取模型，用于将所述实时外环境数据输入训练好的机器学习模型，得到预测的充电数据；

72、电池修正系数获取模块，用于采集车辆电池数据；根据所述车辆电池数据获取车辆电池修正系数；

73、输出修正系数获取模块，用于采集充电桩输出数据；根据所述充电桩输出数据获取充电桩输出修正系数；

74、实时调控模块，用于根据所述车辆电池修正系数和所述充电桩输出修正系数对预测的充电数据进行数据修正，得到充电桩工作数据；利用所述充电桩工作数据对本次新能源车辆进行充电。

75、本发明充电桩智能节能控制系统及方法的技术效果和优点：

76、通过采集丰富的历史充电数据以及环境数据,运用机器学习模型预测每次充电的需求,做到智能化地满足充电需求；在对单个车辆进行充电时,系统能充分考虑电池健康状态和充电桩输出状态等诸多因素,对预测出的充电需求进行精确修正,避免过充过放,实现精确控制充电量,既保护电池,又节省能源；利用预测且经修正优化后的充电数据,系统指导对新能源汽车的充电过程进行智能化管理,使单次充电更加高效；充分结合车辆特性、电池参数、充电设施状态、电网状况等诸多因素,运用精确的控制策略,对充电过程进行全面优化和精细调控；此外,根据区域电网负荷情况,降低充电成本的同时减轻电网压力；这对保障大规模新能源汽车应用时电网的稳定运行有利。