【技术实现步骤摘要】
本专利技术涉及充电桩预警保护，具体为一种基于负荷平衡的充电桩状态预警方法。
技术介绍
1、随着全球对可持续能源和环境保护需求的增加，电动汽车的普及率迅速上升。伴随这一趋势，对于电动汽车充电设施，特别是充电桩的需求也呈现显著增长。然而，电动汽车充电对电网的影响，特别是在用电高峰时段的负荷增加，对电网稳定性和充电设施的运营效率提出了挑战，在一些提供集中的充电服务住宅小区中，为了让电能分配更为集中和高效，多个充电桩一般会连接到同一条母线上。
2、连接在同一母线上的充电桩可以共享电力资源，母线作为主电源通道，需要将电能分送到每一个连接到它上面的充电桩上，但是母线的负荷是有限的，若是多个充电桩同时进行充电，容易造成母线的负荷较大，产生充电桩的较大负荷和供电母线的供给负荷不平衡的现象，母线的正常供电需要让需求和负荷保持平衡，当大量充电桩同时工作时，对母线的负荷会有显著影响，一旦母线的负荷过大，会造成影响到整个母线的稳定性，甚至造成跳闸等情况的发生，因此为了避免供电母线的负荷过大，需要对于各个充电的负荷进行限制，在某一充电桩的负荷过大，可能会对供电母线产生影响时及时地进行预警，避免对母线造成过大的压力。
3、现有技术中的，为了保证供电母线不至于发生过载的情况，一般都是在充电桩的供电处设置断路器，一旦某个充电桩的负荷超出断路器的额定值，则断路器断开发出报警的信号，母线的总负荷超出额定值，总负荷的断路器断开，也就是说在断路器断开之前，不会有其他的预警信息，但是在住宅小区内部的充电桩一般是根据车型进行安装的，各个充电桩的进行
4、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的目的在于提供一种基于负荷平衡的充电桩状态预警方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于负荷平衡的充电桩状态预警方法，所述方法适用于一个供电母线连接有至少两组充电桩的充电站，具体步骤包括：
4、将充电站内部的充电桩进行顺序编号，将一天时间分隔成n个等长的时间区间，采集历史数据中每个时间区间内的环境数据、日期类型、油价数据和每个充电桩的平均负荷；
5、构建深度学习网络模型，将历史数据中每个时间区间内的环境数据、日期类型、油价数据作为训练集，将每个充电桩的平均负荷作为标签对于深度学习网络模型进行训练；
6、确定当前时刻所处的时间区间，获取当前时刻的环境数据、日期类型和油价数据，并输入至训练完成的深度学习网络模型中，对于当前时间区间内的每个充电桩的负荷进行预测，生成每个充电桩的预测负荷数据；
7、采集当前充电站内的各个充电桩的使用状态数据、最大负荷数据和供电母线的最大负荷数据，并结合每个充电桩的预测负荷数据生成负荷阈值模型，得出各个充电桩的负荷阈值指数；
8、实时采集正在进行充电的充电桩的时间－负荷曲线和投入使用时间，并结合该充电桩的负荷阈值指数，判断超出负荷阈值指数的充电时间长度；
9、依据超出负荷阈值指数的充电时间长度和投入使用时间，并结合当前时刻的环境数据建立状态指数模型，生成状态指数，将状态指数与预设的状态阈值进行比较，判断对应充电桩的状态信息。
10、进一步地，所述每个时间区间内的环境数据包括对应时间区间内的平均温度、平均湿度、平均风速和平均降雨量，所述日期类型为对应时间区间所处的日期是工作日、周末或节假日，并将工作日的日期类型标定为1，周末的日期类型标定为2，节假日的日期类型标定为3，油价数据为对应时间区间所处日期的油价。
11、进一步地，所述深度学习网络模型基于长短时记忆网络构成，所述深度学习网络模型的输入层大小为6，即深度学习网络的输入层接收包含6个元素的向量作为输入，所述深度学习网络模型采用均方误差作为损失函数，adam优化器作为优化器。
12、进一步地，所述充电桩的使用状态包括正在充电、空闲和维护，将充电的使用状态标定为1、空闲和维护的充电状态标定为0作为充电桩的使用状态数据，所述充电桩的最大负荷数据为充电桩进行安全输出的最大功率，所述供电母线的最大负荷数据为供电母线安全传输所能提供的最大功率。
13、进一步地，生成负荷阈值模型，得出各个充电桩的负荷阈值指数所依据的具体逻辑为：
14、依据每个充电桩的预测负荷数据和供电母线的最大负荷数据，生成每个充电桩的第一预测负荷，所依据的具体公式为：
15、
16、其中，yoi表示编号为i的充电桩的第一预测负荷，即第i个充电桩的第一预测负荷，qmax表示供电母线的最大负荷，m表示充电站内的充电桩数量，yii表示第i个充电桩的预测负荷；
17、依据各个充电桩的使用状态数据，对于使用状态数据为0的充电桩的第一预测负荷进行分配，生成使用状态数据为1的充电桩的第二预测负荷，所依据的公式为：
18、
19、其中，yti表示第i个充电桩的第二预测负荷，μi表示第i个充电桩的使用状态数据；
20、将充电桩的第二预测负荷和最大负荷数据进行比较，生成充电桩的负荷阈值指数，所依据的具体逻辑为：
21、
22、其中，所述ysi表示第i个充电桩的负荷阈值指数，yzi表示第i个充电桩的最大负荷数据。
23、进一步地，判断超出负荷阈值指数的充电时间长度所依据的逻辑为：
24、记录充电桩开始充电的时刻，并标定为t0，并将该时间点对应的负荷标定为0，将坐标为(t0，0)的点作为时间-负荷曲线的零点；
25、将充电桩在t0时刻至当前时刻之间的时间段的各个时刻作为横坐标，以各个时刻的充电桩实时负荷数据作为纵坐标，构成充电桩的时间-负荷曲线；
26、实时比较采集到的负荷数据与负荷阈值指数，若实时负荷超过负荷阈值指数，记录这一状态开始的时刻值，一旦实时负荷回落至负荷阈值指数以下，记录结束的时刻值；
27、对于每个超出负荷阈值指数的事件，根据结束的时刻值和开始的时刻值计算其持续时间，若出现多次超负荷阈值指数，计算它们的总时长，作为超出负荷阈值指数的充电时间长度。
28、进一步地，根据充电桩当前时刻的环境数据包括充电桩所处环境的实时温度和实时湿度数据，建立状态指数模型，生成状态指数所依据的具体公式为：
29、
30、其中，zti表示第i个充电桩的状态指数，wdi和sdi表示第i个充电桩所处环境的实时温度和实时湿度，ton本文档来自技高网...
【技术保护点】
1.一种基于负荷平衡的充电桩状态预警方法，其特征在于，所述方法适用于一个供电母线连接有至少两组充电桩的充电站，具体步骤包括：
2.根据权利要求1所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述每个时间区间内的环境数据包括对应时间区间内的平均温度、平均湿度、平均风速和平均降雨量，所述日期类型为对应时间区间所处的日期是工作日、周末或节假日，并将工作日的日期类型标定为1，周末的日期类型标定为2，节假日的日期类型标定为3，油价数据为对应时间区间所处日期的油价。
3.根据权利要求2所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述深度学习网络模型基于长短时记忆网络构成，所述深度学习网络模型的输入层大小为6，即深度学习网络的输入层接收包含6个元素的向量作为输入，所述深度学习网络模型采用均方误差作为损失函数，Adam优化器作为优化器。
4.根据权利要求2所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述充电桩的使用状态包括正在充电、空闲和维护，将充电的使用状态标定为1、空闲和维护的充电状态标定为0作为充电桩的使用状态数据，所述
5.根据权利要求4所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：生成负荷阈值模型，得出各个充电桩的负荷阈值指数所依据的具体逻辑为：
6.根据权利要求1所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：判断超出负荷阈值指数的充电时间长度所依据的逻辑为：
7.根据权利要求1所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：根据充电桩当前时刻的环境数据包括充电桩所处环境的实时温度和实时湿度数据，建立状态指数模型，生成状态指数所依据的具体公式为：
8.根据权利要求7所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：判断对应充电桩的状态信息所依据的具体逻辑为：
...【技术特征摘要】
1.一种基于负荷平衡的充电桩状态预警方法，其特征在于，所述方法适用于一个供电母线连接有至少两组充电桩的充电站，具体步骤包括：
2.根据权利要求1所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述每个时间区间内的环境数据包括对应时间区间内的平均温度、平均湿度、平均风速和平均降雨量，所述日期类型为对应时间区间所处的日期是工作日、周末或节假日，并将工作日的日期类型标定为1，周末的日期类型标定为2，节假日的日期类型标定为3，油价数据为对应时间区间所处日期的油价。
3.根据权利要求2所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述深度学习网络模型基于长短时记忆网络构成，所述深度学习网络模型的输入层大小为6，即深度学习网络的输入层接收包含6个元素的向量作为输入，所述深度学习网络模型采用均方误差作为损失函数，adam优化器作为优化器。
4.根据权利要求2所述的一种基于负荷平衡的充电桩状态预警方法，其特征在于：所述充电...
【专利技术属性】
技术研发人员：宋志远，余双标，曾昭来，宋学龙，
申请(专利权)人：深圳市泰玖新能源科技有限公司，
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。