一种基于人工智能的充电站充电调控方法及系统与流程

本发明涉及充电基础设施管理，具体为一种基于人工智能的充电站充电调控方法。

背景技术：

1、随着充电站建设数量的不断增多，充电站充电调控已成为电力系统安全平稳运行的重要环节，以往的调度方式是由调度机构按照指令性计划、地方间框架协议、年度月度购电计划等中长期计划，结合第二日系统运行情况、负荷预测水平等情况，按照统一调度、分级管理的原则，统筹考虑。

2、目前，随着强随机性、波动性的新能源汽车、分布式电源等交互式设备大量接入，调度自动化要求更高，在充电站建设数量不断增多的情况下，面向常规电源为主的计划调度方式，较为僵化，需要考虑让充电站在新型电力系统中发挥更大的作用，进而，随着新能源汽车占比逐年提升，电网的安全影响因素正发生变化，电网运行的机理同步改变，调度方式也要随之优化。

3、目前充电站充电调控技术正处于不断发展和创新的阶段，负荷预测和需求响应、实时监控和反馈控制、边缘计算和物联网技术等都在不断推进研究中，这些技术的发展将进一步提升充电站的效率、可靠性和可持续性，促进电动车充电服务的普及和发展，以及充电调控的不断优化。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的充电站充电调控方法存在调度效率较低，电网负荷稳定性较差，缺乏灵活性，以及如何减少系统的波动性和不稳定性的优化问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的充电站充电调控方法，包括通过充电站充电调控架构云平台对各个充电站的调控关系进行分析，并形成架构连接树模型；根据调度需求指令生成调度需求标签和调度清单，随机优化一组调度时间集合；对需求时间进行时间区间的对应映射，生成区间充电站集合，验证随机优化满足条件并生成随机优化样本调度清单集合；根据随机优化样本清单集合，输出随机优化波动值最小时的调度时间集合。

4、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述对各个充电站的调控关系进行分析包括计算调控需求，在预设时间段内，收集所有充电站的功率输出数据，对数据进行调整，反映每个充电站的实际充电需求，在调整后的功率输出数据基础上，对所有充电站的数据进行累积计算，结合时间维度，累积每个时刻的功率输出，反映整个时间段内的总功率输出情况，输出一个在整个时间段内的功率输出累积值，表示为：

5、

6、其中，pacc(t)为在时间t的功率输出累积值，t0为初始时间，pi(t')为第i个充电站在时间t'的功率输出，ri(t')为第i个充电站在时间t'的充电需求，n为充电站的总数量，实时监测每个充电站及系统的负载情况，将监测到的负载数据进行整合，进行需求调整，并输出调控需求值，表示为：

7、

8、其中，c(t)为在时间t的总调控需求，lsum(τ)为在时间τ的总负载。

9、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述形成架构连接树模型包括调整节点权重，实时监测每个节点的输入负载数据，评估每个节点的连接质量，将监测到的输入负载和连接质量数据进行处理，输出每个节点的权重值，表示为：

10、

11、其中，wk(t)为第k个节点在时间t的权重，hk(t')为第k个节点在时间t'的输入负载，qk(t')为第k个节点在时间t'的节点连接质量，根据节点的权重对所有节点进行连接，构建架构连接树模型，并对节点的连接方式进行调整，输出完整的架构连接树模型表示为：

12、

13、其中，vl(t')为第l个节点在时间t'的连接稳定性，m为树模型中的节点数，ttree(t)为在时间t的架构连接树模型。

14、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述生成调度需求标签和调度清单包括确定每个充电站在特定调度周期内的综合充电需求，对每个充电桩的充电功率进行时间积分，并将所有充电桩的积分结果累加，得到充电站在整个调度周期内的总充电量，通过归一化因子对总充电量进行标准化处理，生成调度需求标签，表示为：

15、

16、其中，为第k调度周期内第i个充电站的调度需求标签，tk-1和tk分别为第k-1和第k调度周期的起始和结束时间，ni为第i个充电站的充电桩数量，pij(t)为第i个充电站的第j个充电桩在时间t的充电功率，α为衰减系数，反映充电需求随时间的衰减，e为归一化因子，用于标准化不同充电站的需求值，收集各个充电站的调度需求标签，对各个充电站的需求进行时间匹配，根据每个调度需求标签的时间戳，将需求映射到调度清单的时间线上，调度清单表示为：

17、

18、其中，sk为第k调度周期的调度清单，c为充电站总数。

19、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述随机优化一组调度时间集合包括随机优化调度时间集合，确定调度周期的起始时间和结束时间，在时间范围内随机选择时间点，采用随机优化算法，通过迭代优化时间点的位置，在优化过程中，对每次随机选择的时间点集合进行评估，经次迭代生成最优调度时间集合，表示为：

20、stm＝{t0,t1,t2，...，tw}

21、其中，stm为第m次随机优化生成的调度时间集合，t0＝0，表示固定的起始时间点，t1,t2,…,tw分别为随机优化生成的各个调度时间点，根据生成的调度时间集合，将整个调度周期划分为连续的时间区间，每个时间区间的起始和结束时间点由调度时间集合中的相邻时间点决定，在时间区间划分过程中，计算每个时间区间内的总负荷，将所有时间区间整合，形成完整的调度时间表，时间区间划分表示为：

22、

23、其中，ra为第a个时间区间，ta-1和ta分别为时间区间的起始和结束时间点，f(t)为在时间t内的负荷函数。

24、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述生成区间充电站集合包括生成每个时间区间内的充电需求集合，确定一组预设的调度时间集合并进行时间区间划分，获取每个时间区间内各充电站的充电需求数据，计算每个时间区间的总充电需求，生成每个时间区间内的充电需求集合，即区间充电站集合，表示为：

25、

26、其中，sv(ra)为第a个时间区间内的充电站集合，ti为调度时间集合中的第i个时间点，qi(t)为第i个时间点对应的充电需求函数，表示在时间t时的充电需求，β为调度需求衰减系数，为时间t与时间点ti的距离修正因子，根据区间充电站集合，验证随机优化生成的调度时间集合是否满足调度需求条件，每个调度周期开始时，根据映射单元生成的区间充电站集合，统计各时间区间内的充电需求总量，与系统预设的最大需求值进行比较，若时间区间内的需求总和超过最大需求值，认为调度时间集合不满足条件，重新进行随机优化，验证过程表示为：

27、

28、其中，li为第i个充电站的需求量，γi为充电站的需求修正因子，lk(t)为第k个时间区间内的需求函数，γk为区间的需求修正因子，max(sv)为单次调度时间节点能调度的最大需求值。

29、作为本发明所述的基于人工智能的充电站充电调控方法的一种优选方案，其中：所述输出随机优化波动值最小时的调度时间集合包括人工智能筛选，根据随机优化样本清单集合，计算任意一个调度清单的随机优化波动值，在随机优化样本清单集合中，选取随机优化波动值最小时的调度时间集合，并通过充电站充电调控架构云平台发送至工作人员，将调度需求值的变化情况与隐蔽损耗情况进行比值分析，确定由一个时间区间转移到另一个时间区间时系统的波动性，再通过全调度时间集合域下的整体累加分析，计算系统在调度时间集合下的整体波动值，波动值越大表示在调度时间集合下的优化，系统整体不稳定性越高，针对各个充电站的调度风险也越大。

30、本发明的另外一个目的是提供一种基于人工智能的充电站充电调控系统，其能通过映射验证模块通过验证需求时间对应的充电站数量是否满足条件，解决了目前的负荷分配不合理，影响系统稳定性的问题。

31、作为本发明所述的基于人工智能的充电站充电调控系统的一种优选方案，其中：包括架构连接树模块、随机优化模块、映射验证模块、优化波动模块；所述架构连接树模块用于通过充电站充电调控架构云平台对各个充电站的调控关系进行分析，并形成架构连接树模型；所述随机优化模块用于根据调度需求指令生成调度需求标签和调度清单，随机优化一组调度时间集合；所述映射验证模块用于对需求时间进行时间区间的对应映射，生成区间充电站集合，验证随机优化满足条件并生成随机优化样本调度清单集合；所述优化波动模块用于根据随机优化样本清单集合，输出随机优化波动值最小时的调度时间集合。

32、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序是实现基于人工智能的充电站充电调控方法的步骤。

33、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于人工智能的充电站充电调控方法的步骤。

34、本发明的有益效果：本发明提供的基于人工智能的充电站充电调控方法实现充电站间的协调和负荷平衡，确保系统能够及时响应充电站网络的扩展或变化，保持调控信息的最新状态，提高了充电站调控系统的灵活性和响应速度，避免因信息滞后导致的调度不当和资源浪费，根据实际的充电需求动态调整调度时间，避免过于固定的调度计划带来的僵化问题，最大限度地利用充电资源，提高充电站的效率和经济性，减少系统负荷波动，提高电网的稳定性和可靠性，提高了调度方案的精确性和可靠性，优化充电站的资源分配，提高整体调度效率，本发明在灵活性、充电站效率和负荷波动方面都取得更加良好的效果。