CN119416651A 一种多枪头充电桩功率分配方法、介质及系统 （青岛华烁高科新能源技术有限公司）

统本发明提供了一种多枪头充电桩功率分配程中,输入实时数据并调整功率分配,同时收集在无法很好地适应复杂的充电场景和需求的技2所述充电桩功率分配模型的融合子网络的全连接层的最后三层进行实时微调；所述充电时间方程误差项子网络用于预测充电时间方程的误差，所述电池容量方程误差项子网络用于预测电池容量方程的误差，输所述充电效率方程误差项子网络用于预测充电效率方程的误差，输入是充电设备参3所述电网负载方程误差项子网络用于预测电网负载方程的误差，输所述环境参数子网络用于处理环境对充电的影响，输入是环境参数，输所述充电枪头电池互相响应子网络用于分析充电枪头和电池之间的动所述融合子网络用于整合各子网络的输出，输入是所有子网络的输出9.一种计算机可读存储介质，其特征在于，所述4[0002]随着电动汽车产业的快速发展，充电基础设施的建设和优化成为了一个重要议5于对所述充电桩功率分配模型的融合子网络的全连接层的最后三层进行实6所述充电枪头电池互相响应子网络用于分析充电枪头和电池之间的动态交互关[0025]所述电网负载方程误差项子网络结构是时间序列预测网络，使用GRU单元和注意7网参数等;将收集到的各类参数数据整理成结构化的数据集,为后续的数学建模和机器学习模型训练做好准备;对数据集进行初步的统计分析和异常值检测,确保数据的完整性和的未知参数进行迭代求解,使模型预测输出与实际观测数据之间的误差最小化;通过反复迭代,直到模型预测值与实际观测值的偏差小于预设的阈值,则认为模型已经充分拟合了[0036]其中,所述步骤S40包括:设计多分支结构的神经网络模型,包括充电功率方程误8[0037]其中,所述步骤S50包括:将步骤S10收集的各类运行参数数据划分为训练集和验[0038]其中,所述步骤S60包括:从充电桩的数据采集系统获取当前充电场景的电池参各项参数输入到步骤S50训练得到的充电桩功率分配模型中,由模型通过前向计算输出各[0039]其中,所述步骤S70包括:将步骤S60输出的功率分配向量传递给充电桩的功率调集各枪头的实际充电数据,计算实际功率分配与目标分配之间的误差,为后续模型微调提Lora技术构建一个轻量级的微调模型,聚焦在融合子网络的最后三个全连接层,引入低秩;n(t)通过实时监测充电过程计算得到，计算公式为其中[0043]I(t)和v(t)通过充电桩的电流和电压传感器9;EO和Ef通过电池管理系统(BMS)提供的数据获取。;;no通过电池规格参数获取。[0059]Topt和lopt通过优化实验获取，具体步骤为：在不同温度和电流组合下测量充电;;Tmin和Tmax通过电池规格和充电安全标准确定。;;Tin和Tmax通过用户设定和充电站运营策略确定。[0072]Erequired通过用户需求或电池管理系统提供的数据获取。;;;[0080]2)具有较强的实时性和鲁棒性。该方法将机器学用Lora技术对核心网络层进行高效微调,使得整个系统能够持续适应充电场景的变化,避[0081]3)保持了物理可解释性。与纯数据驱动的"黑法在保持机器学习模型优秀性能的同时,还保留了数学模型的可解释性。这有助于更好地[0083]总的来说,本发明提出的多枪头充电桩功率分配方法,将数学建模与机器学习相结合,在保持物理可解释性的基础上,利用数据驱动的方式自适应地优化充电功率分配策于对充电桩功率分配模型的融合子网络的全连接层的最后三层进行该步骤的目的是收集充电桩各枪头历史运行过程中的相关参数数据,为后续的数1)从充电桩的数据采集系统中获取各个充电枪头的历史运行记录,包括电[0088]2)将收集到的各项参数数据整理成结构化的数据集,为该步骤的目的是基于从步骤S10收集的运行参数数据,建立一个包含多个带有误1)建立充电功率方程,考虑电池参数、充电设备参数以及环境温;入时间误差项Er:;3)建立电池容量方程,考虑电池参数、充放电电流、温度等因素对电池容量的影;4)建立充电效率方程,考虑充电设备参数、环境温度、充电电流对充电效率的影;;[0091]7)建立上述方程组的约束条件,包括充[0092]通过以上步骤,建立了一个包含多个带有误差项的数学模型,该模型能够准确描述充电桩运行过程中的关键特性,并考虑了各种实际因素对充电过程的影响。这为后续的该步骤的目的是利用从步骤S10收集的历史运行参数数据,对步骤S20建立的数学1)将步骤S10收集的各类运行参数数据输入到步骤S20建立的数学模型中,作为模[0094]2)采用非线性最小二乘法等数值优化算法,[0095]3)通过反复迭代,直到模型预测值与实际观测值的偏差小于预设的阈值(例如[0096]4)对拟合模型的准确性和稳定性进行验证,包[0097]通过这一步骤,得到了一个经过历史数据拟合的数学模型,该模型能够更加准确该步骤的目的是构建一个包含数学模型和神经网络模型的混合模型,利用神经网络的强大学习能力来补充数学模型的不足,提高功率分配策略的准确性和鲁棒性。具体实神经元数量根据电池参数和充电设备参数的维度确定,隐藏层神经元数量为32×n,输出层每层LSTM单元的隐藏状态维度为64×n,全连接输出层的神经元数量与时间误差维度相匹两个全连接层。卷积层的滤波器数量分别为16×n和32×n,全连接层的神经元数量分别为个残差块中的卷积层滤波器数量为32×n,全连接输出层的神经元数量与效率误差维度相层的隐藏状态维度为64×n,注意力层的维度为32×n,输出层神经元数量与充电桩负载误[0104]充电枪头电池互相响应子网络:双向LSTM网络结合自注意力机制,包含两层双向LSTM和一个多头自注意力层。每层LSTM的隐藏状态维度为64×n,自注意力层的头数为4×n,输出层神经元数量与充电效率和动态功率调整前馈神经网络。编码器和解码器各包含4层,每层的自注意力头数为8×n,前馈神经网络的隐藏层维度为256×n。为适应Lora微调,在最后三层全连接层中引入低秩适应矩阵,秩为[0107]4)神经网络子网络的作用是预测各方程的误差项,这些误[0108]通过构建这样一个集数学建模和机器学习于一体的的优势,在保持物理模型可解释性的同时,又能够通过数据驱动的方式自适应地学习和优[0110]该步骤的目的是利用从步骤S10收集的历史运行参数1)将步骤S10收集的各类运行参数数据划分为训练集和验证集,其中训练集用于[0111]2)定义混合模型的训练目标函数,通常可以是最小化各枪头充电功率分配的误该步骤的目的是获取当前充电场景的各项参数,并将其输入到步骤S50训练得到1)从充电桩的数据采集系统获取当前充电场景的相关参数,包括电池参数(电池[0117]3)模型通过前向计算,根据输入的各项参数,输出各充电枪头的最优充电功率分[0118]通过这一步骤,获取了当前充电场景的全面参数信息,并将其输入到训练好的充电桩功率分配模型中,从而得到各充电枪头的最优功率分配。这为后续的实时功率调整提该步骤的目的是根据步骤S60得到的功率分配向量,实时调整各充电枪头的充电1)将步骤S60输出的功率分配向量传递给充电桩的功率调节模块,指示各充电枪[0120]2)充电桩控制系统实时监控各枪头的充电状态,根据反馈的实时充电数据(充电[0121]3)同时,充电桩控制系统实时采集各枪头的实际充电数据,与目标功率分配向量[0122]4)将这些实时收集的充电数据和功率分配误差信息,作为后续步骤S80微调模型[0123]通过这一步骤,实现了充电桩功率的实时动态调整,确保各枪头的充电过程符合该步骤的目的是利用步骤S70收集的实时充电数据和功率分配误差,使用Lora技[0125]2)这个轻量级的微调模型的目标是尽可能拟合步骤S70观测到的实时功率分配误[0126]3)具体来说,微调模型的结构聚焦在融合子网络的最后三个全连接层,在这几层[0128]通过这一步骤,构建了一个轻量级的微调模型,可以持续优化充电桩功率分配模型的融合子网络,提高其对实时充电场景的适应性,从而进一步提高整体的功率分配准确该步骤的目的是将步骤S80中使用Lora技术微调的轻量级模型,定期合并到步骤1)在充电桩运行过程中,每隔一段时间(例如1天),将步骤S8[0130]2)具体合并方式为:将轻量级微调模型的最后三个全连接层的参数,直接覆盖融合子网络对应层的参数。由于使用了Lora技术,这种参数更新不会大幅改变融合子网络的[0132]4)通过周期性地进行这种模型合并,可以使充电桩功率分配策略持续优化,随着[0133]这一步骤确保了充电桩功率分配模型的持续改[0134]综上所述,这种多枪头充电桩功率分配和可控性,而神经网络模型则提高了对实际运行数据的自适应学习能力。融合子网络的Lora微调进一步增强了模型的实时性和鲁棒性,确保了充电桩在复杂动态环境下也能保持到了一个能够较为准确地描述实际充电过程的其中包括多个子网络,分别用于预测各个数学方程的误差项。这些子网络能够充分利用历同时,还设计了一个融合子网络,用于整合各子网络的输出,得到最终的充电功率分配策出与数学模型的计算结果进行加权平均,得到最终的功率分配结果。这种融合能够充分发[0140]4.在线微调:为了进一步提高模型的实时性和鲁棒性,采用Lora技术对融合子网数据构建一个轻量级的微调模型,定期更新融合子网络的部分参数。这样既能跟踪充电场[0141]上述技术方案充分利用了数学建模和机网络模型的自适应学习能力,又能够弥补数学模型对复杂动态特征的描述不足,实现充电该步骤的目的是收集充电桩各枪头历史运行过程中的相关参数数据,为后续的数电池参数B={B1,B2,…,B},其中分别表示充电需求参数C={c1,cy,…,cn},其中ci=(Etarget,T实时充电数据M={M,M2,…,Mn},其中Mi=(p,v,I,Tonarge,n}分别电网参数G=fvgria,lgria,9,pff,L山},表示电网电压、电流、相位角、功率因[0143]2)将收集到的各项参数数据整理成结构化的数据集X=(B,C,D,M,E,G},为该步骤的目的是基于从步骤S10收集的运行参数数据,建立一个包含多个带有误1)建立充电功率方程,考虑电池参数、充电设备参数以及环境温;入时间误差项Er:;其中,Tiharge为总充电时间;BO为初始电量;Ef为目标电量;p(E)为电量E时的充电功率;"为充电阶段数;和分别为充电时间对第i阶段电流和电压的偏导数;al,[0147]3)建立电池容量方程,考;其中,C(N)为第N次循环后的电池容量;CO为初始容量;和K2为衰减系数;N[0148]4)建立充电效率方程,考;;个充电桩在t时刻的功率;m为其他动态负载数量;s;(t)为第j个动态负载在t时刻的复数f,为标准频率。充电时间约束:Tmnin≤Tcharge≤Tmax,；1R(t)≤pstatonmax该步骤的目的是利用从步骤S10收集的历史运行参数数据,对步骤S20建立的数学1)将步骤S10收集的各类运行参数数据输入到步骤S20建立的数学模型中,作为;[0154]3)通过反复迭代,直到模型预测值与实际观测值的偏差小于预设的阈值(例如[0155]4)对拟合模型的准确性和稳定性进行验证,包该步骤的目的是构建一个包含数学模型和神经网络模型的混合模型,利用神经网络的强大学习能力来补充数学模型的不足,提高功率分配策略的准确性和鲁棒性。具体包括:输入为电池参数B和充电设备参数D,输出为功率误差EP。网络结构为三层前馈输入为充电需求参数C和实时充电数据M,输出为时间误差Er。网络结构为LSTM输入为电池参数B和实时充电数据M,输出为容量误差EC。网络结构为一维卷积神经网络,包含两个卷积层、一个池化层和两个全连接层。卷积层的滤波器数量分别为16结构为残差网络,包含三个残差块和一个全连接输出层。每个残差块中的卷积层滤波输入为电网参数G和实时充电数据M,输出为充电桩负载误差E。网络结构为时层,每层使用LeakyReLU激活函数。三个隐藏层的神经元数量分别为32xn、64xn和32率调整向量。网络结构为双向LSTM网络结合自注意力机制,包含两层双向LSTM和一个多头输入为上述各子网络的输出,输出为下个时刻的充电桩功率分配向量。网络结构器和解码器各包含4层,每层的自注意力头数为8xn,前馈神经网络的隐藏层维度为256xn数量为下个时刻的充电桩功率分配向量维度。[0165]3)神经网络子网络的作用是预测各方程的误差项,这些误该步骤的目的是利用从步骤S10收集的历史运行参数数据,对步骤S40构建的混合1)将步骤S10收集的各类运行参数数据x划分为训练集xtrain和验证集xval,其;[0169]4)在训练过程中,定期使用验证集xval评估模型的泛化性能,如充电功率分配误[0170]5)当验证集性能指标达到预该步骤的目的是获取当前充电场景的各项参数,并将其输入到步骤S50训练得到[0173]3)模型通过前向计算,根据输入的各项参数,输出各充电枪头的最优充电功率分[0175]2)充电桩控制系统实时监控各枪头的充电[0176]3)同时,充电桩控制系统实时采集各枪头的实际充电数据Mactual,与步骤S60的目标功率分配向量p进行对比,计算出实际功率分配pactual与目标分配p之间的误差。[0177]4)将这些实时收集的充电数据Mactual和功率分配误差EP,作为后续步骤S80微该步骤的目的是利用步骤S70收集的实时充电数据Mactual和功率分配误差EP,[0179]2)这个轻量级的微调模型的目标是尽可能拟合步骤S70观测到的实时功率分配误[0180]3)具体来说,微调模型的结构聚焦在融合子网络的最后三个全连接层,在这几层该步骤的目的是将步骤S80中使用Lora技术微调的轻量级模型,定期合并到步骤1)在充电桩运行过程中,每隔一段时间(例如1天),将步骤S8[0183]2)具体合并方式为:将轻量级微调模型的最后三个全连接层的参数,直接覆盖融合子网络对应层的参数。由于使用了Lora技术,这种参数更新不会大幅改变融合子网络的[0185]4)通过周期性地进行这种模型合并,可以使充电桩功率分配策略持续优化,随着施例2：某城市某公共停车场内安装了一个8枪头的多枪头充电桩系统,用于为停车场内的在充电桩投入运营之初,运营方首先通过数据采集系统获取了各充电枪头的历史充电需求参数:用户设定的目标充电量Etarget:5kWh~15kWh；期望充基于上述数据,运营方首先建立了包含多个带有误差项的数学模型,描述充电过;其中,为充电时间常数,经实验测量获得为1800s;为功率对温度的偏导数,;;其中,Co为初始容量18kWh,和k2分别为0.05和0.01,通过循环实验拟合得到;Ea为40kJ/mol,通过阿伦尼乌斯实验测得。;其中,no为理想充电效率90%,Tn为1200s,通过实验测得;kr和分别为0.001;