本发明专利技术提供了一种基于人工智能的业务均衡分配方法及远程服务设施，涉及电力系统领域，所述基于人工智能的业务均衡分配方法包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型；根据所述历史用电惯性模型建立储能业务预测模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略，保证对服务设施中的电池进行业务均衡分配。电池进行业务均衡分配。电池进行业务均衡分配。
【技术实现步骤摘要】
一种基于人工智能的业务均衡分配方法及远程服务设施
[0001]本专利技术涉及电力系统领域，具体而言，涉及一种基于人工智能的业务均衡分配方法及远程服务设施。
技术介绍
[0002]随着科技的发展，电池在许多领域具有广泛的应用，例如新能源汽车即通过动力电池进行驱动，与传统汽车相比，新能源汽车在排放方面具有独特优势，但现有的新能源汽车在续航和充能方面具有一定短板，加之充电站普及程度较低，造成充电高峰期一桩难求的局面。
[0003]在此背景下，电池换电服务设施应运而生，通过服务设施提前为电池充电，在客户需要补充电能时直接在换电服务设施将电池替换即可达到续航的目的，但是，在此方案下，服务设施仍面临换电高峰的挑战，且不同的服务设施的用电高峰不尽相同，如何对服务设施的业务进行均衡分配，现有技术还没有很好的解决方案。
技术实现思路
[0004]本专利技术解决的问题是如何对服务设施中的电池进行业务均衡分配。
[0005]为解决上述问题，本专利技术提供一种基于人工智能的业务均衡分配方法，包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述历史用电惯性模型建立储能业务预测模型；将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略。
[0006]相对于现有技术，本专利技术通过历史储能数据和历史位置信息获得电池的使用场景和位置流动情况，进而获得电池的历史使用特点和使用习惯，通过历史用电惯性模型中包含的使用惯性获得未来的储能业务情况，其中包括服务设施未来的负荷程度，当判定服务设施的业务量超负荷时，根据具有连续通信能力的通信规则型多智能体模型进行智能体之间的相互通信和学习，从而根据负荷、与超负荷的服务设施相近的服务设施的余量进行电池的分配和调度，实现对服务设施的业务均衡分配。
[0007]可选地，所述历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。
[0008]可选地，所述获得电池的历史储能数据和历史位置信息包括：将所述地图进行粗粒度分区和细粒度分区，其中，所述粗粒度分区包括将所述地图划分为第一预设数量的粗粒度矩形区域，每个所述粗粒度矩形区域包括至少一个所述服
务设施，所述细粒度分区包括将所述地图划分为预设长度和预设宽度的细粒度矩形区域，所述细粒度矩形区域的面积小于所述粗粒度矩形区域的面积；所述历史位置信息包括所述电池所在的粗粒度矩形区域、细粒度矩形区域、所述电池的第一流动频率和第二流动频率，其中，所述第一流动频率包括所述电池移动在各个粗粒度矩形区域之间的流动频率，所述第二流动频率包括所述电池移动在各个细粒度矩形区域之间的流动频率。
[0009]可选地，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型包括：根据所述电池容量、所述完全充电时间和所述放电速度获得用电依赖率；根据所述充电功率曲线、所述电池容量、所述完全充电时间获得充电设施特征；根据所述放电功率曲线、所述放电速度和所述放电类型获得用电喜好特征；根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征，可选地，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型还包括：根据所述第一流动频率判断跨区域需求程度，其中，当所述第一流动频率大于第一预设频率时，判定所述电池的使用者具有高跨区域需求；根据所述第二流动频率判断移动需求程度，其中，当所述第二流动频率大于第二预设频率时，判断所述电池的使用者具有高移动需求；根据所述跨区域需求和所述移动需求确定所述电池的位置变化特征；根据所述用电强度特征和所述位置变化特征建立所述历史用电惯性模型。
[0010]可选地，所述根据所述历史用电惯性模型建立储能业务预测模型包括：建立混合逻辑回归模型，根据所述历史用电惯性模型获得所述服务设施的预测储能业务，所述预测储能业务包括预测充放电频次和预测流通活跃度；获得当前储能数据和当前位置信息；根据所述当前储能数据和所述当前位置信息建立当前用电惯性模型；对所述当前用电惯性模型中的当前用电强度特征和当前位置变化特征进行插值处理，生成验证样本集；根据所述验证样本集验证所述预测储能业务，当所述预测储能业务和所述验证样本集中的实际储能业务之间的偏差小于预设偏差时，将所述混合逻辑回归模型作为所述储能业务预测模型。
[0011]可选地，所述将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型包括：将所述地图中的所有智能体构建为多智能体模型；对所述多智能体模型中的每个智能体设置与之对应的控制器，并通过深度前馈网络控制每个所述智能体，获得所述通信规则型多智能体模型，所述预设区域包括第二预设数量的所述粗粒度矩形区域，所述第二预设数量小于或等于所述第一预设数量。
[0012]可选地，所述根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略包括：
是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本专利技术中提及的“第一”“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0020]需要注意，本专利技术中提及的“一个”“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0021]如图1所示，本专利技术一实施例提供的一种基于人工智能的业务均衡分配方法，包括：步骤S100，获得电池的历史储能数据和历史位置信息。
[0022]具体地，服务设施中包含多个电池，每个电池的型号规格、储能情况都不尽相同，每个电池的来源、位置也具有一定差异，对电池进行历史数据标记，用于掌握服务设施的基础情况，从而根据历史的数据获得未来的数据和信息。
[0023]可选地，历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。
[0024]在一实施例中，历史储能数据包括电池容量，用于确定电池类型，进而指导后续的电池分配倾向；完全充电时间和充电功率曲线用于衡量电池健康程度以及该电池在历史充电时对应的充电桩类型；放电功率曲线和放电速度用于衡量该电池的历史用户的用电倾向，从而指导确定该电池的使用寿命和健康程度；放电类型用于衡量该电池在历史放电时所在的用电器类型，从而指导后续的电池分配倾向。
[0025]在一实施例中，历史位置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的业务均衡分配方法，其特征在于，包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述历史用电惯性模型建立储能业务预测模型；将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略。2.根据权利要求1所述的基于人工智能的业务均衡分配方法，其特征在于，所述历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。3.根据权利要求2所述的基于人工智能的业务均衡分配方法，其特征在于，所述获得电池的历史储能数据和历史位置信息包括：将所述地图进行粗粒度分区和细粒度分区，其中，所述粗粒度分区包括将所述地图划分为第一预设数量的粗粒度矩形区域，每个所述粗粒度矩形区域包括至少一个所述服务设施，所述细粒度分区包括将所述地图划分为预设长度和预设宽度的细粒度矩形区域，所述细粒度矩形区域的面积小于所述粗粒度矩形区域的面积；所述历史位置信息包括所述电池所在的粗粒度矩形区域、细粒度矩形区域、所述电池的第一流动频率和第二流动频率，其中，所述第一流动频率包括所述电池移动在各个粗粒度矩形区域之间的流动频率，所述第二流动频率包括所述电池移动在各个细粒度矩形区域之间的流动频率。4.根据权利要求3所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型包括：根据所述电池容量、所述完全充电时间和所述放电速度获得用电依赖率；根据所述充电功率曲线、所述电池容量、所述完全充电时间获得充电设施特征；根据所述放电功率曲线、所述放电速度和所述放电类型获得用电喜好特征；根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征。5.根据权利要求4所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型还包括：根据所述第一流动频率判断跨区域需求程度，其中，当所述第一流动频率大于第一预设频率时，判定所述电池的使用者具有高跨区域需求；根据所述第二流动频率判断移动需求程度，其中，当所述第二流动频率大于第二预设频率时，判断所述电池的使用者具有高移动需求；根据所述跨区域需求和所述移动需求确定所述电池的位置变化特...
【专利技术属性】
技术研发人员：俞沛宙，王妍，赵婉芳，赵宁远，张轩闻，史乔石，朱斌，沈华胄，卢劼，张力行，施志强，李军谋，蒋军，雷前，潘妍，王迎卜，章梦妮，顾豪达，葛凯梁，
申请(专利权)人：国网浙江省电力有限公司宁波供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。