CN119160030A - 基于大数据的充电桩智能节能管理方法及系统 - Google Patents
基于大数据的充电桩智能节能管理方法及系统 Download PDFInfo
- Publication number
- CN119160030A CN119160030A CN202411691808.9A CN202411691808A CN119160030A CN 119160030 A CN119160030 A CN 119160030A CN 202411691808 A CN202411691808 A CN 202411691808A CN 119160030 A CN119160030 A CN 119160030A
- Authority
- CN
- China
- Prior art keywords
- charging
- power
- battery
- target
- charging power
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000003862 health status Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 33
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了基于大数据的充电桩智能节能管理方法及系统，涉及充电桩节能管理技术领域，方法包括：采集充电桩和充电设备的参数数据，构成数据集并进行预处理，构建输入特征矩阵输入训练好的充电功率预测深度学习模型，输出预测充电功率，进行目标优化，调整充电桩的充电功率进行节能管理；在进行充电时，根据实际的电池电量和计算的下一时间间隔的目标电池电量对充电功率进行补偿；对充电桩进行监测生成健康状态系数，小于预设的健康阈值时，生成充电桩预警信号，进行检修。通过功率预测、健康状态监测和充电功率补偿，实现充电过程的动态优化与稳定控制，有效降低能耗、延长设备使用寿命，提高充电稳定性，确保充电过程与实际需求高度匹配。
Description
技术领域
本发明涉及充电桩节能管理技术领域，具体为基于大数据的充电桩智能节能管理方法及系统。
背景技术
随着电动汽车的普及，充电桩的需求量急剧增加。充电桩不仅需要提供高效、稳定的充电服务，同时还面临节能和智能管理的挑战。在实际使用中，充电桩的功率管理、充电设备的健康监测、以及充电过程的优化调度都是影响充电桩运行效率和设备寿命的关键因素。传统的充电桩管理系统往往只能提供基础的充电控制功能，缺乏对于充电功率的精细化调控、节能管理、以及设备健康状态监测等功能，这在一定程度上影响了充电桩的使用效率和用户体验。
为了提高充电桩的使用效率，增强其节能和智能化管理能力，一些基于数据分析和人工智能的管理方案逐渐被应用到充电桩管理系统中。例如，通过采集充电桩的实时数据，利用大数据分析技术对充电需求进行预测和优化调度，可以在满足充电需求的前提下，实现充电功率的合理分配。此外，基于充电设备的健康监测数据，结合深度学习算法，还可以对设备的健康状态进行评估和预测，从而在故障发生前进行预防性维护，延长设备的使用寿命。
然而，现有的大数据和深度学习应用在充电桩智能节能管理领域仍然存在一些不足之处。例如，现有技术中缺乏一种完整的充电功率预测和优化方法，以实现对充电桩充电功率的精细化控制。同时，缺少能够实时监测充电桩健康状态并对功率进行动态补偿的系统，导致充电设备在长时间工作后出现性能下降甚至故障的情况。
发明内容
基于以上所述现有技术的缺点，本发明的目的是提供基于大数据的充电桩智能节能管理方法及系统，以解决上述技术问题。
为实现上述目的，本发明提供如下技术方案：基于大数据的充电桩智能节能管理方法，包括：
采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
本发明进一步设置为，参数数据包括时间戳、充电功率、充电负载、电池电量、充电设备标识、电池温度、电池电容和电池内阻，数据预处理包括对数据集进行清洗，剔除异常值和缺失值。
本发明进一步设置为，根据所述数据集构建充电特征向量，包括：
根据所述数据集构建充电特征，所述充电特征包括充电功率特征、充电负载特征、电池电量特征、充电转换特征、电池健康特征和温度敏感特征；
根据充电特征构建充电特征向量，以时间戳为序列，根据充电特征向量构建输入特征矩阵，定义充电功率特征为目标输出，进行数据对齐，数据对齐通过将输入特征矩阵与目标输出错位一位，实现对下一时刻充电功率的预测。
本发明进一步设置为，所述充电转换特征的计算逻辑为：，其中，为第个连接的充电设备的充电转换特征，为时间内的电池电量增加量，为输入的充电功率；
所述电池健康特征的计算逻辑为：其中，为第个连接的充电设备的电池健康特征，为当前电池实际容量，为电池标称容量，为当前电池内阻，为标准电池内阻，和为权重系数，且和均大于零；
所述温度敏感特征的计算逻辑为：，其中，为第个连接的充电设备的温度敏感特征，为当前电池温度，为最佳电池充电温度，为温度敏感系数。
本发明进一步设置为，充电功率预测深度学习模型的训练，包括：
将获取的数据集分为训练集和测试集，根据所述训练集构建输入特征矩阵和目标输出；
将输入特征矩阵和目标输出传递至充电功率预测深度学习模型进行训练，其中，所述充电功率预测深度学习模型包括充电功率预测计算单元、输出单元、损失函数单元和模型评估单元，所述充电功率预测计算单元用于通过遗忘门、输入门、候选状态生成和输出门更新细胞状态和隐藏状态，所述输出单元用于根据隐藏状态与输出层的权重矩阵和偏置进行线性变换，得到目标输出，所述损失函数单元用于定义损失函数和根据损失函数进行模型的参数更新，所述模型评估单元用于评估模型的性能，检查模型对数据的拟合程度；
训练至达到最大迭代或评估指标满足预设的要求，将最终得到的参数设置为模型参数，完成充电功率预测深度学习模型的训练。
本发明进一步设置为，根据下一时刻的预测充电功率进行目标优化，其中，定义目标优化函数：，为求解充电功率使得目标函数最小化，为连接的充电设备的个数，为第个连接的充电设备在时刻的最优充电功率，为第个连接的充电设备的目标电池电量，为第个连接的充电设备在时的电池电量，和为时间窗口的起始时间和结束时间，和为权重系数，用于调节能耗与电量偏差之间的平衡；
所述目标优化函数的约束条件包括：，；；，其中，和为第个连接的充电设备的额定最小功率和最大功率，为充电功率的平滑量，用于在充电功率控制时引入的调节空间，以避免功率频繁波动，为第个连接的充电设备在时刻的预测充电功率，为第个连接的充电设备在时的电池电量，为第个连接的充电设备对应的第个充电桩的充电效率，取值范围为(0,1)，为时刻的电网总功率约束。
本发明进一步设置为，对上述目标优化函数进行求解时，目标优化函数中包含积分和时间连续变量，由于获取的参数数据是以时间戳为序列的离散数据，故将时间区间[,]离散化为K个小时间步，将连续时间优化转换为离散化的优化，将时间区间划分为的小步长：；用离散的充电功率值近似代替连续的；将积分转换为求和形式：；；经过离散化处理，目标函数变为：；通过数值优化算法对离散化后的优化问题进行求解，数值优化算法包括梯度下降法、拉格朗日乘子法、动态规划和遗传算法；
求解得到最优充电功率的集合；按照所述最优充电功率的集合对连接的充电设备进行充电。
本发明进一步设置为，还包括：
在进行充电时，基于最优充电功率计算下一时间间隔的目标电池电量，当达到下一时刻时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿，其中，下一时刻的目标电池电量的计算逻辑为：，其中，为下一个时间间隔后的目标电池电量，为第个连接的充电设备在时刻的电池电量；根据实际的电池电量和目标电池电量对充电功率进行补偿，补偿量的计算逻辑为：，其中，为时刻的充电功率补偿量，用于补偿时刻的充电功率，为时刻的实际的电池电量，为时刻的目标电池电量，为比例系数，用于控制补偿力度。
本发明进一步设置为，还包括：对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，对充电桩进行检修，其中，所述充电桩健康状态系数的计算逻辑为：，其中，为第个充电桩的充电桩健康状态系数，为时刻的电流，为第个充电桩的额定电流，为在和中取最大值，为第个充电桩在时间周期的平均电流，和为权重系数，用于调整电流积分和电流波动性对健康指数的影响。
本发明还提供基于大数据的充电桩智能节能管理系统，所述系统包括：
采集模块：采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
预测模块：根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
节能模块：根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
补偿模块：在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
监测模块：在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
本发明提供基于大数据的充电桩智能节能管理方法及系统，所述方法通过采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修，产生的有益效果包括：
提高充电效率，降低能耗：本发明通过采集充电桩和充电设备的实时数据，构建深度学习模型对充电功率进行预测，并在下一时刻的预测充电功率基础上进行目标优化，动态调整充电功率输出，使充电过程与实际需求更加匹配。这种优化的功率分配策略能够有效降低充电过程中的能耗，实现节能效果；
延长设备使用寿命：本发明在充电过程中实时监测充电桩的健康状态，生成充电桩健康状态系数，并在健康状态系数低于预设阈值时发出预警信号，对充电桩进行维护检修，避免设备过载或长期高负荷工作导致的损耗，进而延长了设备的使用寿命；
充电功率补偿，提高充电稳定性：通过在充电过程中基于当前充电功率计算下一时间间隔的目标电池电量，并实时获取实际电池电量，根据实际电池电量与目标电池电量的差异进行充电功率的补偿，确保在充电过程中维持稳定的充电功率输出，提高了充电过程的稳定性，减少了功率波动。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明的一示例性实施例示出的基于大数据的充电桩智能节能管理方法的流程图；
图2为本发明的一示例性实施例示出的基于大数据的充电桩智能节能管理系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
实施例一
基于大数据的充电桩智能节能管理方法，如图1所示，包括：
采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
从充电桩和连接的充电设备实时采集参数数据，形成数据集D，包含N条记录，在每条记录中，参数数据包括时间戳、充电功率、充电负载、电池电量、充电设备标识、电池温度、电池电容和电池内阻，对数据集进行清洗，剔除异常值和缺失值；具体的，时间戳是记录数据采集时间的标记，用于标识每条数据的具体采集时刻；充电功率是指充电桩向电池提供的功率，充电功率直接影响充电速度和能耗，控制充电功率能够调节充电过程的效率和稳定性；充电负载表示充电设备当前的负载情况，即充电设备接入充电桩的数量和充电过程中的负载特征，充电负载数据用于评估当前系统的负荷情况；电池电量表示电池当前存储的能量量，在本发明中，不用百分数进行表示，用瓦时进表示；充电设备标识是用于唯一识别每个接入充电桩的充电设备的编号或标签，充电设备标识帮助系统在多设备接入时区分不同设备的数据；电池温度是电池在充电过程中的温度状态；电池电容是电池存储电荷的能力，电池电容反映电池的实际存储容量，可以用于评估电池的健康状态和容量衰减情况；电池内阻是电池内部对电流流动的阻力，内阻会影响电池的充放电效率和发热情况，内阻增大会导致电池发热和充电效率下降。
本发明进一步设置为，根据所述数据集构建充电特征向量，包括：
根据所述数据集构建充电特征，所述充电特征包括充电功率特征、充电负载特征、电池电量特征、充电转换特征、电池健康特征和温度敏感特征；
根据充电特征构建充电特征向量，以时间戳为序列，根据充电特征向量构建输入特征矩阵，定义充电功率特征为目标输出，进行数据对齐，数据对齐通过将输入特征矩阵与目标输出错位一位，实现对下一时刻充电功率的预测；
根据参数数据构建充电特征，更进一步的，充电特征包括充电功率特征、电池电量特征、充电负载特征、充电转换特征、电池健康特征和温度敏感特征；
具体的，所述充电转换特征的计算逻辑为：，其中，为第个连接的充电设备的充电转换特征，为时间内的电池电量增加量，为输入的充电功率；上述计算逻辑用于计算充电桩在单位时间内对电池的充电效率，具体来说，充电转换特征的值用于衡量每单位时间内输入的充电功率对电池电量的增加量，从而表征充电过程中的能量转换效率；
所述电池健康特征的计算逻辑为：其中，为第个连接的充电设备的电池健康特征，为当前电池实际容量，为电池标称容量，为当前电池内阻，为标准电池内阻，和为权重系数，且和均大于零；具体的，上述计算逻辑用于评估充电电池的健康状态，具体采用电池的健康特征来表征，通过结合电池的实际容量和内阻情况，综合评估电池的当前健康状态，与新电池或标称状态进行对比，从而判断电池的老化程度。值越高，表示电池的健康状态越好，反之则表明电池存在老化或损耗；
所述温度敏感特征的计算逻辑为：，其中，为第个连接的充电设备的温度敏感特征，为当前电池温度，为最佳电池充电温度，为温度敏感系数，具体的，上述计算逻辑用于计算电池在充电过程中的温度敏感特征，具体采用温度敏感系数来表征，温度敏感系数反映了当前电池温度偏离最佳充电温度的程度，从而可以帮助系统调整充电功率或充电策略，避免温度过高或过低对电池性能和寿命的影响，值越高，表示当前温度偏离最佳温度越多，充电过程可能对电池造成的影响越大；值越接近1，表示温度接近最佳状态，充电过程对电池的影响较小。
本发明进一步设置为，充电功率预测深度学习模型的训练，包括：
将获取的数据集分为训练集和测试集，根据所述训练集构建输入特征矩阵和目标输出；具体的，根据充电功率特征、电池电量特征、负载信息特征、充电转换特征、电池健康特征和温度敏感特征构建充电特征向量，以时间戳为序列，根据特征向量构建输入特征矩阵X，定义充电功率特征为目标输出，进行数据对齐，数据对齐为通过将输入特征与目标输出错位一位，实现对下一时刻充电功率的预测；
将输入特征矩阵和目标输出传递至充电功率预测深度学习模型进行训练，其中，所述充电功率预测深度学习模型包括充电功率预测计算单元、输出单元、损失函数单元和模型评估单元，所述充电功率预测计算单元用于通过遗忘门、输入门、候选状态生成和输出门更新细胞状态和隐藏状态，所述输出单元用于根据隐藏状态与输出层的权重矩阵和偏置进行线性变换，得到目标输出，所述损失函数单元用于定义损失函数和根据损失函数进行模型的参数更新，所述模型评估单元用于评估模型的性能，检查模型对数据的拟合程度；
训练至达到最大迭代或评估指标满足预设的要求，将最终得到的参数设置为模型参数，完成充电功率预测深度学习模型的训练。
具体的，充电功率预测深度学习模型中，充电功率预测计算单元的构建逻辑为：；；；；；，其中，、和分别表示遗忘门、输入门、输出门的激活值；、、和分别为隐藏状态到门和候选状态的权重矩阵，、、和分别为输入到门和候选状态的权重矩阵，、、和分别为各门和候选状态的偏置向量；为元素级乘法操作，为Sigmoid激活函数，为双曲正切激活函数。
具体的，遗忘门决定保留多少前一时刻的细胞状态；输入门决定当前输入中的信息有多少被写入细胞状态；输出门决定细胞状态中的信息有多少输出到隐藏状态；候选细胞状态通过当前输入和前一隐藏状态生成新的候选细胞状态；细胞状态更新结合遗忘门和输入门的信息，更新细胞状态；隐藏状态用于输出层的预测和下一时刻的递归计算；输入特征和前一时刻的隐藏状态输入充电功率预测计算单元，计算当前时刻的隐藏状态和细胞状态；
输出单元的计算逻辑为：，其中，为预测的下一时刻充电功率，为输出层权重矩阵，为输出层偏置向量。
损失函数的计算逻辑为：，为损失函数，为时刻的权重，在没有预先的设定下，为，为实际的下一时刻充电功率；参数更新逻辑为：；；；；；其中，一阶矩估计：梯度的指数加权移动平均，表示梯度的期望；二阶矩估计：梯度平方的指数加权移动平均，表示梯度方差的期望；偏差校正：由于初始时刻估计值偏小，进行偏差校正得到和；参数更新：使用校正后的梯度估计，更新模型参数；在每个训练迭代中，计算损失函数的梯度，更新模型参数；为模型参数集合，包括所有权重和偏置；为迭代次数，和为一阶和二阶矩估计的指数衰减率，，；为学习率；为防止分母为零的微小数，；
在模型评估中，通过设置评估指标进行模型的评估，其中，评估指标——决定系数的计算逻辑为：，其中，决定系数衡量模型对数据的拟合程度，取值范围[0,1]，越接近1表示模型解释力越强，分子为预测误差的平方和。分母为真实值与其均值的平方和。为测试集样本数量；为真实的充电功率；为模型预测的充电功率；为真实充电功率的均值。
将最终得到的参数设置为模型参数，通过实时输入当前时刻的参数数据，输出下一时刻的充电功率的预测；
本发明进一步设置为，根据下一时刻的预测充电功率进行目标优化，其中，定义目标优化函数：，为求解充电功率使得目标函数最小化，为连接的充电设备的个数，为第个连接的充电设备在时刻的最优充电功率，为第个连接的充电设备的目标电池电量，为第个连接的充电设备在时的电池电量，和为时间窗口的起始时间和结束时间，和为权重系数，用于调节能耗与电量偏差之间的平衡；所述目标优化函数用于在充电桩智能节能管理中，通过对充电功率的动态调整，实现充电设备在充电过程中的最佳功率分配；目标是最小化充电过程中与目标电池电量的偏差，确保充电过程在满足电池需求的同时实现节能效果。权重系数为功率平衡系数，用于调节电池能耗与电量偏差之间的平衡；权重系数为偏差调节系数，用于调节实际电量与目标电量之间偏差的权重，且。
所述目标优化函数的约束条件包括：，；；，其中，和为第个连接的充电设备的额定最小功率和最大功率，为充电功率的平滑量，用于在充电功率控制时引入的调节空间，以避免功率频繁波动，为第个连接的充电设备在时刻的预测充电功率，为第个连接的充电设备在时的电池电量，为第个连接的充电设备对应的第个充电桩的充电效率，取值范围为(0,1)，为时刻的电网总功率约束，具体的，目标优化函数是用于确定充电功率分配的目标，旨在最小化功率消耗和电量偏差，确保充电的高效性和节能性。
具体的，上述优化目标函数的含义为最小化充电过程中的总充电电能和终端电池电量与目标电量之间的偏差，即优化变量的值使得的值最小，在满足约束条件下，对上述目标函数进行求解；对上述目标优化函数进行求解时，目标优化函数中包含积分和时间连续变量，由于获取的参数数据是以时间戳为序列的离散数据，故将时间区间[,]离散化为K个小时间步，将连续时间优化转换为离散化的优化，将时间区间划分为的小步长：；用离散的充电功率值近似代替连续的；将积分转换为求和形式：；；经过离散化处理，目标函数变为：；通过数值优化算法对离散化后的优化问题进行求解，数值优化算法包括梯度下降法、拉格朗日乘子法、动态规划和遗传算法，此处不对具体的算法作出限制。求解得到最优充电功率的时间序列集合；按照所述最优充电功率的时间序列集合对待充电设备进行充电。
本发明进一步设置为，还包括：在进行充电时，基于最优充电功率计算下一时间间隔的目标电池电量，当达到下一时刻时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿，其中，下一时刻的目标电池电量的计算逻辑为：，其中，为下一个时间间隔后的目标电池电量，为第个连接的充电设备在时刻的电池电量；根据实际的电池电量和目标电池电量对充电功率进行补偿，补偿量的计算逻辑为：，其中，为时刻的充电功率补偿量，用于补偿时刻的充电功率，为时刻的实际的电池电量，为时刻的目标电池电量，为比例系数，用于控制补偿力度。具体的，上述逻辑用于在充电过程中对功率进行动态补偿，以确保电池的实际电量与目标电量保持一致。通过计算每个时间间隔后的目标电池电量和实际电池电量之间的差异，可以调整充电功率，进行补偿，以减小误差，确保电池在充电过程中能以较高的精度达到预定的电量水平。该补偿逻辑通过动态调整充电功率，使实际电池电量尽可能接近目标电量，确保充电过程按照预期进行。这种精确的电量控制有助于优化充电过程，提高充电效率。
本发明进一步设置为，还包括：对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，对充电桩进行检修，其中，所述充电桩健康状态系数的计算逻辑为：，其中，为第个充电桩的充电桩健康状态系数，为时刻的电流，在调整充电功率时，由于电压保持不变，因此通过调整电流来实现充电功率的调整，所以，通过电流能够直观的反应充电桩的健康状态，为第个充电桩的额定电流，为在和中取最大值，表示的含义为在大于时，记录过载电流的累积量，充电桩健康状态系数随着过载电流的累积而指数衰减，为第个充电桩在时间周期的平均电流，和为权重系数，用于调整电流积分和电流波动性对健康指数的影响。当充电桩健康状态系数小于预设的健康阈值时，表示充电桩的电流长时间处于过载状态或电流波动较大，此时需要对节能策略进行优化限制或者对充电桩进行检修。具体的，计算逻辑用于评估充电桩的健康状态，通过计算健康状态系数反映充电桩在充电过程中的工作状态和累积损耗情况。充电桩的健康状态系数是根据电流偏差和电流波动情况计算的。通过对电流偏差的积分和波动性的评估，该方法能够监测充电桩的负载状态、过载情况以及运行稳定性，以便及时进行检修和维护，延长设备使用寿命，保证充电过程的安全性。
实施例二
请参阅图2，该示例性的基于大数据的充电桩智能节能管理系统包括：
采集模块：采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
预测模块：根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
节能模块：根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
补偿模块：在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
监测模块：在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
需要说明的是，上述实施例所提供的基于大数据的充电桩智能节能管理系统与上述实施例所提供的基于大数据的充电桩智能节能管理方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的基于大数据的充电桩智能节能管理系统在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.基于大数据的充电桩智能节能管理方法，其特征在于，包括：
采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
2.根据权利要求1所述的基于大数据的充电桩智能节能管理方法，其特征在于，参数数据包括时间戳、充电功率、充电负载、电池电量、充电设备标识、电池温度、电池电容和电池内阻，数据预处理包括对数据集进行清洗，剔除异常值和缺失值。
3.根据权利要求2所述的基于大数据的充电桩智能节能管理方法，其特征在于，根据所述数据集构建充电特征向量，包括：
根据所述数据集构建充电特征，所述充电特征包括充电功率特征、充电负载特征、电池电量特征、充电转换特征、电池健康特征和温度敏感特征；
根据充电特征构建充电特征向量，以时间戳为序列，根据充电特征向量构建输入特征矩阵，定义充电功率特征为目标输出，进行数据对齐，数据对齐通过将输入特征矩阵与目标输出错位一位，实现对下一时刻充电功率的预测。
4.根据权利要求3所述的基于大数据的充电桩智能节能管理方法，其特征在于，所述充电转换特征的计算逻辑为：，其中，为第个连接的充电设备的充电转换特征，为时间内的电池电量增加量，为输入的充电功率；
所述电池健康特征的计算逻辑为：其中，为第个连接的充电设备的电池健康特征，为当前电池实际容量，为电池标称容量，为当前电池内阻，为标准电池内阻，和为权重系数，且和均大于零；
所述温度敏感特征的计算逻辑为：，其中，为第个连接的充电设备的温度敏感特征，为当前电池温度，为最佳电池充电温度，为温度敏感系数。
5.根据权利要求3所述的基于大数据的充电桩智能节能管理方法，其特征在于，充电功率预测深度学习模型的训练，包括：
将获取的数据集分为训练集和测试集，根据所述训练集构建输入特征矩阵和目标输出；
将输入特征矩阵和目标输出传递至充电功率预测深度学习模型进行训练，其中，所述充电功率预测深度学习模型包括充电功率预测计算单元、输出单元、损失函数单元和模型评估单元，所述充电功率预测计算单元用于通过遗忘门、输入门、候选状态生成和输出门更新细胞状态和隐藏状态，所述输出单元用于根据隐藏状态与输出层的权重矩阵和偏置进行线性变换，得到目标输出，所述损失函数单元用于定义损失函数和根据损失函数进行模型的参数更新，所述模型评估单元用于评估模型的性能，检查模型对数据的拟合程度；
训练至达到最大迭代或评估指标满足预设的要求，将最终得到的参数设置为模型参数，完成充电功率预测深度学习模型的训练。
6.根据权利要求1所述的基于大数据的充电桩智能节能管理方法，其特征在于，根据下一时刻的预测充电功率进行目标优化，其中，定义目标优化函数：，为求解充电功率使得目标函数最小化，为连接的充电设备的个数，为第个连接的充电设备在时刻的最优充电功率，为第个连接的充电设备的目标电池电量，为第个连接的充电设备在时的电池电量，和为时间窗口的起始时间和结束时间，和为权重系数，用于调节能耗与电量偏差之间的平衡；
所述目标优化函数的约束条件包括：，；；，其中，和为第个连接的充电设备的额定最小功率和最大功率，为充电功率的平滑量，用于在充电功率控制时引入的调节空间，以避免功率频繁波动，为第个连接的充电设备在时刻的预测充电功率，为第个连接的充电设备在时的电池电量，为第个连接的充电设备对应的第个充电桩的充电效率，取值范围为(0,1)，为时刻的电网总功率约束。
7.根据权利要求6所述的基于大数据的充电桩智能节能管理方法，其特征在于，对上述目标优化函数进行求解时，目标优化函数中包含积分和时间连续变量，由于获取的参数数据是以时间戳为序列的离散数据，故将时间区间[,]离散化为K个小时间步，将连续时间优化转换为离散化的优化，将时间区间划分为的小步长：；用离散的充电功率值近似代替连续的；将积分转换为求和形式：；；经过离散化处理，目标函数变为：；通过数值优化算法对离散化后的优化问题进行求解，数值优化算法包括梯度下降法、拉格朗日乘子法、动态规划和遗传算法；
求解得到最优充电功率的集合；按照所述最优充电功率的集合对连接的充电设备进行充电。
8.根据权利要求1所述的基于大数据的充电桩智能节能管理方法，其特征在于，还包括：
在进行充电时，基于最优充电功率计算下一时间间隔的目标电池电量，当达到下一时刻时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿，其中，下一时刻的目标电池电量的计算逻辑为：，其中，为下一个时间间隔后的目标电池电量，为第个连接的充电设备在时刻的电池电量；根据实际的电池电量和目标电池电量对充电功率进行补偿，补偿量的计算逻辑为：，其中，为时刻的充电功率补偿量，用于补偿时刻的充电功率，为时刻的实际的电池电量，为时刻的目标电池电量，为比例系数，用于控制补偿力度。
9.根据权利要求1所述的基于大数据的充电桩智能节能管理方法，其特征在于，还包括：对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，对充电桩进行检修，其中，所述充电桩健康状态系数的计算逻辑为：，其中，为第个充电桩的充电桩健康状态系数，为时刻的电流，为第个充电桩的额定电流，为在和中取最大值，为第个充电桩在时间周期的平均电流，和为权重系数，用于调整电流积分和电流波动性对健康指数的影响。
10.基于大数据的充电桩智能节能管理系统，用于实现权利要求1-9任一项所述的基于大数据的充电桩智能节能管理方法，其特征在于，包括：
采集模块：采集充电桩和连接的充电设备的参数数据，构成数据集并进行数据预处理；
预测模块：根据所述数据集构建输入特征矩阵，将所述输入特征矩阵输入训练好的充电功率预测深度学习模型，输出下一时刻的预测充电功率；
节能模块：根据下一时刻的预测充电功率进行目标优化，调整充电桩的充电功率进行节能管理；
补偿模块：在进行充电时，基于当前充电功率计算下一时间间隔的目标电池电量，当达到下一时间间隔时，获取实际的电池电量，根据实际的电池电量和目标电池电量对充电功率进行补偿；
监测模块：在充电完成后，对充电桩健康状态进行监测，生成充电桩健康状态系数，当充电桩健康状态系数小于预设的健康阈值时，生成充电桩预警信号，对充电桩进行检修。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411691808.9A CN119160030B (zh) | 2024-11-25 | 2024-11-25 | 基于大数据的充电桩智能节能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411691808.9A CN119160030B (zh) | 2024-11-25 | 2024-11-25 | 基于大数据的充电桩智能节能管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN119160030A true CN119160030A (zh) | 2024-12-20 |
| CN119160030B CN119160030B (zh) | 2025-02-07 |
Family
ID=93884569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411691808.9A Active CN119160030B (zh) | 2024-11-25 | 2024-11-25 | 基于大数据的充电桩智能节能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119160030B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119459427A (zh) * | 2025-01-08 | 2025-02-18 | 江西驴充充物联网科技有限公司 | 一种多枪充电桩的充电功率分配方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3001587A1 (fr) * | 2013-01-29 | 2014-08-01 | IFP Energies Nouvelles | Procede et systeme de commande de la charge d'au moins deux moyens de stockage d'energie electrique |
| CN107379990A (zh) * | 2017-07-24 | 2017-11-24 | 万帮充电设备有限公司 | 充电桩功率的限制方法及装置 |
| WO2019153305A1 (en) * | 2018-02-11 | 2019-08-15 | Abb Schweiz Ag | Charging station and method and device for controlling charging station |
| CN114094611A (zh) * | 2021-11-23 | 2022-02-25 | 国网湖南省电力有限公司 | 一种计及soc一致性的储能电站功率指令分配方法及系统 |
| DE102021202468A1 (de) * | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Vorrichtung und Verfahren zur modellbasierten prädizierten Regelung einer Komponente eines Fahrzeugs |
| CN116853056A (zh) * | 2023-07-31 | 2023-10-10 | 鸿洋集团有限公司 | 基于数据分析的充电桩智能管理系统 |
| CN117445740A (zh) * | 2023-10-31 | 2024-01-26 | 上汽通用五菱汽车股份有限公司 | 充电方法、装置、系统、控制器以及存储介质 |
| CN117485185A (zh) * | 2023-12-21 | 2024-02-02 | 盐城师范学院 | 一种基于数据分析的智能电池管理方法及系统 |
| CN117621923A (zh) * | 2023-12-29 | 2024-03-01 | 上海洛轲智能科技有限公司 | 一种预约出行控制方法及装置 |
| CN118560331A (zh) * | 2024-07-30 | 2024-08-30 | 深圳汇能新能源科技有限公司 | 一种基于物联网的电动汽车充电场站智慧管理方法及平台 |
-
2024
- 2024-11-25 CN CN202411691808.9A patent/CN119160030B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3001587A1 (fr) * | 2013-01-29 | 2014-08-01 | IFP Energies Nouvelles | Procede et systeme de commande de la charge d'au moins deux moyens de stockage d'energie electrique |
| CN107379990A (zh) * | 2017-07-24 | 2017-11-24 | 万帮充电设备有限公司 | 充电桩功率的限制方法及装置 |
| WO2019153305A1 (en) * | 2018-02-11 | 2019-08-15 | Abb Schweiz Ag | Charging station and method and device for controlling charging station |
| DE102021202468A1 (de) * | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Vorrichtung und Verfahren zur modellbasierten prädizierten Regelung einer Komponente eines Fahrzeugs |
| CN114094611A (zh) * | 2021-11-23 | 2022-02-25 | 国网湖南省电力有限公司 | 一种计及soc一致性的储能电站功率指令分配方法及系统 |
| CN116853056A (zh) * | 2023-07-31 | 2023-10-10 | 鸿洋集团有限公司 | 基于数据分析的充电桩智能管理系统 |
| CN117445740A (zh) * | 2023-10-31 | 2024-01-26 | 上汽通用五菱汽车股份有限公司 | 充电方法、装置、系统、控制器以及存储介质 |
| CN117485185A (zh) * | 2023-12-21 | 2024-02-02 | 盐城师范学院 | 一种基于数据分析的智能电池管理方法及系统 |
| CN117621923A (zh) * | 2023-12-29 | 2024-03-01 | 上海洛轲智能科技有限公司 | 一种预约出行控制方法及装置 |
| CN118560331A (zh) * | 2024-07-30 | 2024-08-30 | 深圳汇能新能源科技有限公司 | 一种基于物联网的电动汽车充电场站智慧管理方法及平台 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119459427A (zh) * | 2025-01-08 | 2025-02-18 | 江西驴充充物联网科技有限公司 | 一种多枪充电桩的充电功率分配方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN119160030B (zh) | 2025-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN119160030A (zh) | 基于大数据的充电桩智能节能管理方法及系统 | |
| CN118646127B (zh) | 一种电池储能电站智能监控方法及系统 | |
| CN113673115B (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN118501718B (zh) | 一种车用电池寿命模拟检测方法及系统 | |
| Wang et al. | Remaining useful life prediction method of lithium-ion batteries is based on variational modal decomposition and deep learning integrated approach | |
| KR20220061709A (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| CN118572757B (zh) | 一种基于数字孪生的智能储能系统调控与运维方法及设备 | |
| CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
| CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| CN118962455A (zh) | 一种电池分析方法 | |
| WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
| CN118795372A (zh) | 一种储能电池健康状态监测方法、系统及存储介质 | |
| CN117371305A (zh) | 基于物理信息约束神经网络的锂离子电池预测与健康管理的模型融合方法 | |
| CN118198542A (zh) | 一种锂电池化成分容柜 | |
| CN117630673A (zh) | 用于针对蓄能器初始提供老化状态模型的方法和装置 | |
| CN116128361A (zh) | 智能侦察系统多级效能计算方法、装置、设备及介质 | |
| CN119291518B (zh) | 一种bms测试方法、装置、设备及存储介质 | |
| CN119051221B (zh) | 多节串联电池芯的均衡保护方法及系统 | |
| CN116953529B (zh) | 一种基于数据融合的锂离子动力电池健康评估方法及系统 | |
| Feng et al. | Multi-timescale inconsistency evaluation and data-driven state of health prediction for circulating water-cooled series battery pack | |
| CN117691594B (zh) | 一种用于变压器的节能降耗判断方法及系统 | |
| Frimpong et al. | A model for predicting unregulated energy usage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |