一种充电调度算法及一种充电桩功率负荷预测系统

摘要

本发明公开了一种充电调度算法及一种充电桩功率负荷预测系统，算法包括对电动车充电区域依照充电桩功率进行划分，分为高、中、低功率区域；实时统计目标电动汽车所需充电功率w

说明书

技术领域

本发明涉及充电桩的充电功率技术领域，尤其是一种一种充电调度算法及一种充电桩功率负荷预测系统。

背景技术

电动汽车的出现，缓解了因汽油燃烧带来的污染问题以及日益短缺的能源问题，但同时随之而来的是对城市电网带来的负担。据相关数据显示，目前新能源汽车的保有量达到五百多万辆，尤其是一二线城市中，占据新能源汽车保有量的绝大部分，这就对本就超负荷运行的城市电网系统带来了更大的挑战。同时，面对不同的电动车，充电桩也提供了多种充电功率以及多种充电服务(快充等)，从而使得充电桩的负荷管理更加的困难。因此，为了减轻城市电网压力，以及减少充电桩运营相关企业的成本及压力，需要对充电桩系统进行有效的负荷预测。

在现有方案中，基于不同的方法提出了对电动车的负荷预测系统，例如：专利(公开号：CN112701680A)中提出使用蒙特卡罗模型来模拟电动车的随机充电，基于概率和统计理论方法来对电动车负荷进行模型建立和预测；专利(公开号：CN111626494A)中考虑了区电力负荷数据、电动车充电行为特征数据、气象数据、日期数据等数据，并将这些数据输入至预设的负荷预测模型中，以得到预测结果；专利(公开号：CN109978201A)基于历史电力负荷数据，着重考虑了温度的影响，通过回归模型来建立负荷的曲线拟合，并将负荷预测结果送入核密度估计函数中进行核密度估计，根据负荷概率密度函数计算负荷置信区间和负荷预测估计值。

在这些方案中，由于大多基于回归模型进行负荷曲线拟合，同时电动车的无序充电行为(例如低功率电动车到高功率充电桩充电造成电力资源浪费)，导致负荷预测出的结果与真实值偏差较大。

发明内容

为解决上述现有技术问题，本发明提供一种充电调度算法及一种充电桩功率负荷预测系统。该调度算法将充电站充电区域划分为高功率、中功率及低功率充电区域，实时识别待充电车辆所需充电功率，并将其调配至对应充电区域，实现了智能化调度，对电力资源进行了更加合理的安排；同时因为实现了有序充电，使得充电桩功率负荷预测值更加准确。该负荷预测系统考虑到回归模型的局限性，选择利用在长短期记忆模型(LSTM)来实现负荷预测，同时提出V-LSTM神经元单元以解决现有的长短期记忆模型中历史数据对输出数据影响过大的问题。

为了实现上述目的，本发明采用的技术方案是：

一种充电调度算法，其特征在于：

(1)对电动车充电区域依照充电桩功率进行划分，分为高功率、中功率以及低功率区域；

(2)实时统计目标电动汽车所需充电功率w

(3)基于统计的数据，判断单个电动车充电功率w

(4)若该电动车对应充电功率区域有未使用的充电位，则将其调配至对应的区域，若对应功率区域没有充电位，则将其调配至等待区。

优选的，所述低功率、中功率和高功率充电桩的充电位分配比例为：2：3：5。

优选的，所述充电区域划分标准为：

(1)当w

(2)当100

(3)当w

优选的，在步骤(4)中，如果单个电动车对应充电功率区域中没有充电位，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位。

优选的，步骤(4)中，如果单个电动车对应充电功率区域中没有充电位，则先判断该车辆后续是否还有待充电车辆，再进行如下步骤：

1)若该车辆后续还有待充电车辆，则将该车调度至等待区，待所有车辆都处理完毕后，再判断充电区域是否有剩余充电位，如果有剩余充电位，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位；

2)若该车辆后续没有待充电车辆，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位。

优选的，在步骤(2)中，实时统计各功率区域中充电中车辆的剩余充电时长，得到剩余充电时长最短的时间，按低、中、高分别表示为

在步骤(4)中判断等待区电动车所属充电功率区域及该电动车需要等待的时间是

优选的，在步骤(2)中，实时统计各功率区域中充电中车辆的剩余充电时长，得到剩余充电时长最短的时间，按低、中、高分别表示为

在步骤(4)中对于调整功率等级后仍然无法进行充电的车辆，判断其所属充电功率区域及该电动车需要等待的时间是

一种充电桩功率负荷预测系统，其特征在于，包括：

充电桩数据收集模块；

负荷预测模块；

其中，所述充电桩数据收集模块用于采集影响充电桩负荷的相关数据x

所述负荷预测模块通过V-LSTM算法得到当前系统中的充电桩电力负荷预测值，所述V-LSTM算法，具体包括：

(1)V-LSTM神经元接收输入数据x

(2)V-LSTM神经元计算后，得到输出数据y

y

h

σ()＝w*x+b；

(3)对数据进行循环处理后，得到整体网络参数，再以此得出当前系统中的充电桩电力负荷预测值；

优选的，所述充电桩数据收集模块采集的充电桩数据为电力负荷数据、气象数据、温度数据、日期数据，将其表示为：x

优选的，所述的一种充电桩功率负荷预测系统，还包括：

充电桩负荷调整模块；

所述充电桩负荷调整模块，基于当前系统中的充电桩电力负荷预测值判断充电桩的电力负荷是否会超出电网的承载能力，以此增加或减少充电区域中充电位的数量。

本发明的有益效果体现在：使用充电调度算法来对电力资源进行更加合理的安排，解决了目前电动车用户充电时的无序问题。并考虑到回归模型的局限性，在长短期记忆模型(LSTM)的基础上，提出V-LSTM神经元单元以解决现有技术中历史数据对输出数据影响过大的问题。同时利用了LSTM模型可以有效地对历史数据特征进行保存，同时不断融合新加入的数据特征的优点，与传统的循环神经网络相比，不会抹除历史数据的影响，使得负荷预测的结果更加准确。

附图说明：

图1为一种充电调度算法的流程示意图；

图2为一种充电桩功率负荷预测系统的框架示意图；

图3为V-LSTM算法的算法结构示意图；

图4为V-LSTM算法的流程示意图；

图5一种充电调度算法及一种充电桩功率负荷预测系统的具体实施流程示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-5所示，本发明提供的具体实施例如下：

实施例1：

一种充电调度算法，其特征在于：

(1)对电动车充电区域依照充电桩功率进行划分，分为高功率、中功率以及低功率区域；

(2)实时统计待充电电动汽车所需充电功率w

(3)基于统计的数据，判断单个电动车充电功率w

(4)若该电动车对应充电功率区域有未使用的充电位，则将其调配至对应的区域，若对应功率区域没有充电位，则将其调配至等待区。

由于目前各类型电动汽车需求的最大充电功率不同，为了给充电用户提供更好的体验，充电站往往会设有不同输出功率的充电桩，但是电动汽车在实际充电过程中，用户可能会因为错误的认为所有车辆都适合使用高功率输出的充电桩快速充满电量，或者为了避免排队而选择和自己充电功率不匹配的充电桩，产生无序充电行为，这会增加城市电网压力和充电桩运营相关企业的成本，同时也会导致充电桩系统负荷预测结果与真实值偏差较大。

本方案公开的一种充电调度算法实时统计高、中、低功率区域充电位数量，及待充电电动汽车所需充电功率w

实施例2

本实施例中，作为实施例1技术方案的进一步改进,所述充电区域划分标准为：

(2)当w

(2)当100

(3)当w

目前交流充电桩充电功率为7kw，直流充电桩为30kw到350kw，因此本方案基于此来划分充电区域类型，以满足不同电动车辆对充电功率的需求，也可防止因为充电功率高于电动车需求功率对电动汽车电池造成损伤。

实施例3

本实施例中，作为实施例2技术方案的进一步改进，所述低功率、中功率和高功率充电桩的充电位分配比例为：2：3：5。

由于目前的电动汽车大多为中功率以及高功率充电汽车，且今后电动汽车的发展趋势是实现高功率快速充电，因此本方案将低功率、中功率和高功率充电桩的充电位分配比例设定为：2：3：5，进一步满足充电用户的需求。

实施例4

本实施例中，作为实施例1技术方案的进一步改进,在步骤(4)中，如果单个电动车对应充电功率区域中没有充电位，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位。

在实际充电过程中，可能会出现待充电车辆过多需要排队充电的情况，本方案考虑到充电站有空余充电位，但是其充电功率和待充电电动车不匹配，同时充电用户又很着急充电的情况，选择将待充电车辆的功率等级调整，再看有无匹配的充电位，如果有，则用户可以自主选择是否使用该充电位充电。这样使得充电流程不过分死板，可以缓解用户燃眉之急，提高用户充电体验。

实施例5

本实施例中，作为实施例1技术方案的进一步改进,步骤(4)中，如果单个电动车对应充电功率区域中没有充电位，则先判断该车辆后续是否还有待充电车辆，再进行如下步骤：

1)若该车辆后续还有待充电车辆，则将该车调度至等待区，待所有车辆都处理完毕后，再判断充电区域是否有剩余充电位，如果有剩余充电位，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位；

2)若该车辆后续没有待充电车辆，对于高功率的电动车，则将其功率等级下调，对于低功率和中功率的电动车，则将其功率等级上调，再判断有无对应的空余充电位。

当有一系列车队需要排队进行充电时，需要考虑更加复杂的队列问题，如果排在前面的电动车调整充电功率等级获得充电位，排在后面的充电功率等级和空余充电位等级真正匹配的电动车可能会因此不能获得对应的充电位。

因此本方案选择先将所有排队车辆调度至对应区域后，再查看有无剩余充电位，最后调整等待区电动车的功率等级，为其分配充电位。这样使得排队充电时，充电位的分配更合理，使所有排队车辆分配到的充电位功率与其所需功率的匹配率更高。

实施例6

本实施例中，作为实施例1技术方案的进一步改进,在步骤(2)中，实时统计各功率区域中充电中车辆的剩余充电时长，得到剩余充电时长最短的时间，按低、中、高分别表示为

在步骤(4)中判断等待区电动车所属充电功率区域及该电动车需要等待的时间是

单个用户等待充电时，用户不清楚需要等待多长时间，本方案实时统计了各功率区域中充电中车辆的剩余充电时长，以此得到用户需要等待的时间，便于用户选择继续等待还是放弃本次充电，提高用户充电体验。

实施例7

本实施例中，作为实施例4、5技术方案的进一步改进,在步骤(2)中，实时统计各功率区域中充电中车辆的剩余充电时长，得到剩余充电时长最短的时间，按低、中、高分别表示为

在步骤(4)中对于调整功率等级后仍然无法进行充电的车辆，判断其所属充电功率区域及该电动车需要等待的时间是

考虑到多辆电动车排队充电时，需要所有排队车辆都被调整到等待区，且调整功率等级也未分配到充电位后才认定为需要等待，因此本方案选择在调整功率等级后，认定等待区电动车是否需要等待同时告知用户需要等待的时间。

实施例8

一种充电桩功率负荷预测系统，其特征在于，包括：

充电桩数据收集模块；

负荷预测模块；

其中，所述充电桩数据收集模块用于采集影响充电桩负荷的相关数据x

所述负荷预测模块通过V-LSTM算法得到当前系统中的充电桩电力负荷预测值，所述V-LSTM算法，具体包括：

(1)V-LSTM神经元接收输入数据x

(2)V-LSTM神经元计算后，得到输出数据y

y

h

σ()＝w*x+b；

(3)对数据进行循环处理后，得到整体网络参数，再以此得出当前系统中的充电桩电力负荷预测值；

长短期记忆模型(LSTM)可以有效地对历史数据特征进行保存，同时不断融合新加入的数据特征，从而相比于传统的循环神经网络，不会抹除历史数据的影响，使得预测的结果更加准确。但是当我们将其应用在电力数据的负荷预测时，过于强烈的历史数据表达则会干扰下一神经元中对输入数据的特征编码，即存在这样的现象：上一层神经元中处理的低温状态下的低负荷数据可能会导致下一层神经元中处理的高温状态下的高负荷数据的预测结果过低。

因此，在本方案中，提出了一种新的神经元模式，其削弱了历史数据对当前神经元的影响，通过将该神经元的输入值直接作用于该神经元的输出历史数据中，从而强化了在电力负荷这样的系统中历史数据对当前神经元状态有影响但并非十分密切的场景，使得充电桩电力负荷预测值更准确。

实施例9

本实施例中，作为实施例8技术方案的进一步改进,所述充电桩数据收集模块采集的充电桩数据为电力负荷数据、气象数据、温度数据、日期数据，将其表示为：x

影响电力负荷的因素很多，例如电网电压，天气温度、气候、充电桩温度等，但是电网电压和充电桩温度这类受多因素影响的数据不易提前获得，本方案在采集充电桩数据阶段选择采集气象数据、温度数据、日期(工作日还是休息日)数据等可以通过天气预报获得预测值，且对电力负荷值影响很大的数据作为自变量，保证预期结果准确性的同时也使得预测系统能随时得到预测结果。

实施例10

本实施例中，作为实施例8技术方案的进一步改进,所述的一种充电桩功率负荷预测系统，其特征在于，包括：

充电桩负荷调整模块；

所述充电桩负荷调整模块，基于当前系统中的充电桩电力负荷预测值判断充电桩的电力负荷是否会超出电网的承载能力，以此增加或减少充电区域中充电位的数量。

本方案增加了充电桩负荷调整模块，能够基于充电桩电力负荷预测值调整充电区域中充电位的数量，使充电桩电力负荷在电网的承载范围内。

在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系。

在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的实施例的描述中，需要理解的是，“-”和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“A-B”表示大于或等于A，且小于或等于B的范围。“A～B”表示大于或等于A，且小于或等于B的范围。

在本发明的实施例的描述中，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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。