一种基于数据处理的低谷慢速充电桩及其充电方法与流程

本发明属于数据处理，具体涉及一种基于数据处理的低谷慢速充电桩及其充电方法。

背景技术：

1、目前，新能源汽车发展如火如荼，2022年，国内新能源乘用车销售567.4万辆，同比增长90.4%，每辆电动汽车基本需要1台7kw的单相充电桩或20kw三相充电桩，充电负荷越来越高，而且充电高峰期基本是下班后的18:00点至22点，此时间段也是家用电负荷的高峰期，双高叠加，造成部分配电室变压器的负载率接近重过载，而且形势越来越严峻，在短期内无法对大量配电室进行增容的情况下，需要一种技术手段，对居民充电桩进行错峰充电，避免变压器超载运行存在的安全隐患。

2、现有技术中，对于错峰充电的设计往往基于现有的人工智能模型进行大数据训练和预测，但是这种方式存在较大的缺点，即成本高，预测实时性和准确性不足，另外，也有采取时间序列模型进行超前预测，但是对于多维电力负载信号往往直接进行回归预测，这就导致信号内部规律得不到挖掘，进而导致超前预测的准确性不足，难以应对复杂多变的实时性电力信号，实用性差。

技术实现思路

1、为了解决现有技术存在的对于多维电力负载信号往往直接进行回归预测，导致信号内部规律得不到挖掘，进而导致超前预测的准确性不足，难以应对复杂多变的实时性电力信号，实用性差的技术问题，本发明提供一种基于数据处理的低谷慢速充电桩及其充电方法。

2、第一方面

3、本发明提供了一种基于数据处理的低谷慢速充电桩，包括：控制器、监测模块、电力负载限制模块、直流充电模块、储能缓冲模块和交叉耦合电路；

4、监测模块通过电力负载限制模块与直流充电模块连接，直流充电模块分别与控制器和交叉耦合电路连接；

5、储能缓冲模块分别与控制器和交叉耦合电路连接，其中，储能缓冲模块的充电电压与待充电电池系统工作电压相同；

6、控制器与交叉耦合电路连接；

7、监测模块和储能缓冲模块均与交流电供给侧连接；

8、交叉耦合电路与充电接口连接；

9、电力负载限制模块与储能缓冲模块连接，在监测模块监测到电力负载达到上限时，电力负载限制模块断开直流充电模块，打开储能缓冲模块，以与待充电电池系统工作电压相同的充电电压对待充电电池进行充电，直至储能缓冲模块电量耗尽。

10、进一步地，低谷慢速充电桩，还包括：通讯模块；

11、通讯模块分别与交流电供给侧、监测模块和控制器连接，通讯模块用于处理交流电供给侧、监测模块和控制器三者之间的数据传输。

12、进一步地，控制器包括pic16f877a控制器、stm32f407控制器和msp430fr5969控制器。

13、第二方面

14、本发明提供了一种基于数据处理的低谷慢速充电方法，应用于第一方面中的基于数据处理的低谷慢速充电桩，方法包括：

15、s101：采集预设时长内的多维度电力负载信号，其中，多维度电力负载信号包括电压、电流、功率、功率因数、变化频率和相位差；

16、s102：构建各个维度电力负载信号的预测能力识别模型，基于预测能力识别模型确定相应维度的回归系数，并利用回归系数对相应维度的电力负载信号进行赋权；

17、s103：选取滑动窗口，对赋权后的电力负载信号进行基于主成分分析算法的数据降维，获取主成分序列；

18、s104：将主成分序列进行基于小波变换的波段分解，获取低频信号和高频信号；

19、s105：结合自回归集成移动平均模型和核支持向量回归模型对高频信号进行分析，预测充电空窗期，其中，充电空窗期为电力负载功率低于预设电力负载功率的时间段；

20、s106：评估在充电空窗期内的剩余电力负载功率，其中，剩余电力负载功率为预设电力负载功率与当前电力负载功率的差值；

21、s107：根据剩余电力负载功率调整充电空窗期内进行充电的目标车辆；

22、s108：在充电空窗期内按预设电力负载功率对目标车辆进行充电。

23、进一步地，s101具体为：

24、s1011：通过降采样的方式采集电力负载信号。

25、进一步地，s102具体包括：

26、s1021：根据电力负载信号构建预测变量：

27、

28、其中，表示 t时刻预测变量中的第 i个变量，， p表示预测变量的维度， t表示时刻，， t表示总时长；

29、s1022：构建对于所述预测变量在不同采样时刻 t的预测能力识别模型：

30、

31、其中，表示待预测变量向前 h的预测结果，表示调整系数，表示观测误差，表示回归系数；

32、s1023：通过梯度下降算法最小化预测结果，获取相应维度电力负载信号的回归系数；

33、s1024：利用获取的回归系数对相应维度的电力负载信号进行赋权：

34、。

35、进一步地，s103具体包括：

36、s1031：选取窗宽为 s的滑动窗口，以滑动窗口 s内相邻数据的加权平均值作为赋权后的电力负载信号的平滑数据 fk：

37、

38、其中， a， b表示小于滑动窗口的采样点，采样点为任意正整数，，表示权重系数，其中，，表示赋权后的电力负载信号，表示赋权后的电力负载信号的采样点总数量；

39、s1032：计算各个维度中平滑数据对电力负载信号总体方差的方差贡献率；

40、s1033：将方差贡献率大于预设方差贡献率的维度电力负载信号作为主成分进行保留，最终得到不同维度的主成分序列，其中，m的值小于6。

41、进一步地，选取滑动窗口，具体为：

42、遍历所有窗宽 sj，对电力负载信号进行滑动平均，得到滑动平均序列，记作 yj，计算滑动平均序列的平均值；

43、计算滑动平均序列中数据与平均值差的累计和值；

44、选取最小的累计和值对应的窗宽作为目标窗宽，完成滑动窗口的选取。

45、进一步地，s104具体包括：

46、s1041：选取实值函数作为目标小波函数，确定目标小波函数的约束条件：

47、

48、其中， c表示与时刻 t无关的可调常数，表示调整系数， r表示实数域；

49、s1042：利用目标小波函数，对主成分序列进行连续小波变换，获取时刻 t的低频信号和高频信号：

50、

51、其中，表示操作符，表示离散化函数，分别表示可对所述主成分序列进行频率尺度上伸缩的低频尺度系数和高频尺度系数，表示可对主成分序列进行时域上平移操作的平移系数，表示主成分序列。

52、进一步地，s105具体包括：

53、s1051：建立高频信号的自回归集成移动平均模型：

54、

55、其中，表示 d阶差分算子，表示初始待估参数， p表示模型自回归阶数， q表示模型移动平均阶数，表示在自回归阶数为 i时的模型待估参数，表示在移动平均阶数为 j时的模型待估参数，表示 t时刻误差，表示第一预测输出；

56、s1052：建立高频信号的核支持向量回归模型：

57、

58、其中，表示拉格朗日乘子， b表示拉格朗日偏置项， n表示高频信号中的信号数量，表示高斯径向基核函数， x表示第 i个信号的高维映射值，表示第二预测输出；

59、s1053：将第一预测输出和第二预测输出进行平均，得到融合预测输出：

60、；

61、s1054：将融合预测输出组成预测输出序列，并从预测输出序列筛选出充电空窗期。

62、与现有技术相比，本发明至少具有以下有益技术效果：

63、（1）在本发明中，通过在低谷慢速充电桩中引入监测模块、电力负载限制模块和储能缓冲模块，以对电网实时负载情况进行监测进而利用电力负载限制模块的限制约束，避免低谷充电时出现意外高峰用电导致的电网过载，最大程度地降低低谷充电对电网负载的冲击。此外，设计的储能缓冲模块充电电压与待充电电池系统工作电压相同，在弥补为避免低谷充电电力负载限制模块频繁启停充电对待充电设备的损害的同时，提高低谷慢速充电桩的充电效率，最大程度地提升电网利用率。

64、（2）在本发明中，通过构建预测能力识别模型识别各个变量的预测能力，对预测能力弱的变量赋予更小的权重来降低预测噪声，相应地，对预测能力高的变量赋予更大的权重，以更好地捕捉时序规律。另外，为了电力信号之间存在动态相关关系，不是一成不变的，通过引入滑动窗口对电力负载信号进行重构，通过创建时间序列中不同子序列的一系列平均值来分析数据，减轻时间序列中小波动的影响，将时序数据相关性的动态关系纳入到预测过程，提升预测准确性。此外，通过结合主成分分析算法对电力负载信号进行主成分分析并降维，之后利用小波分解提取包含细节信息的高频信号，捕捉电力负载信号的瞬时特征，以应对复杂多变的电力负载信号，获取更加准确的充电空窗期，最大限度地避免过载发生，维护用电安全，使得信号内部规律得到挖掘，提升超前预测准确性。最后通过计算剩余电力负载功率并对其进行监测避免峰谷倒置，在保证充电台区下所有用户均能按期完成充电的同时，平抑台区全时段充电负荷曲线，促进充电台区效率最大化。