一种基于大数据的充电站数据管控方法及系统与流程

本发明涉及充电管理，具体为一种基于大数据的充电站数据管控方法及系统。

背景技术：

1、随着节能减排观念的深入人心，使新能源汽车逐渐走进了千家万户。新能源汽车以其相对低廉的价格、契合绿色出行的理念、消纳间歇性可再生能源电力等特点，近些年在世界范围内都得到了快速的发展。与此同时，新能源汽车的快速发展也促使了很多充电站的建立，相应的，充电桩会根据新能源汽车的充电功率需求信息，实时调整自身输出的充电速率，确保整个充电过程的顺利，同时，它们会实时监控彼此充电状态，确保充电安全。

2、然而，随着新能源汽车数量的提高，大规模新能源汽车并入电网给电网的安全也带来了影响，会给电网负荷带来了很大的冲击。一般情况下，充电站内的充电桩数量、电容量等均是有限的，然而不同时间段内在人们进入充电站的充电频率不同的情况下，频繁使用相同充电桩并进行快速充电时不仅加大了单个充电桩的充电负荷，还极易造成充电桩的故障，加大充电损失。因此，如何针根据各充电桩的历史充电异常规律自适应管控充电速率成为亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于大数据的充电站数据管控方法及系统，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的充电站数据管控方法，包括以下步骤：

3、步骤s100：采集目标充电站内各充电桩的设备参数信息，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；

4、上述步骤中的设备参数信息包括电量容限，充电桩可充电模式等；

5、上述步骤的历史充电记录中连接到车辆进行充电时，捕捉时间数据作为一个时间序列，并将捕捉到的车辆参数信息、车辆充电速率和车辆实时充电电量等作为历史充电记录的内容；

6、步骤s200：将充电参数集中任意一台充电桩设为目标充电桩，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；

7、步骤s300：获取目标充电站中各充电桩的异常变化模型，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；

8、上述步骤中存在充电关联性的充电桩在一般情况下同时进行充电的频率较高，而若同时进行充电时，会加大充电负载，使充电桩充电异常概率增大；

9、步骤s400：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；

10、上述步骤中调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式；

11、步骤s500：充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。

12、进一步的，步骤s200中根据各车辆充电数据分别分析各历史充电记录的异常程度的具体步骤包括：

13、步骤s2-1：将充电参数集中任意一台充电桩设为目标充电桩，则根据充电记录集获取目标充电桩的各条历史充电记录，并分别将各历史充电记录中连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权得到目标充电桩的负荷状态值；则以时间节点为横坐标，各时间节点下的负荷状态值为纵坐标分别对目标充电桩的各历史充电记录构建时间序列下的负荷变化曲线；

14、上述步骤中不同的车辆参数信息，会在一定程度上对目标充电桩产生不同的充电响应值，影响充电速率，进一步影响目标充电桩的充电负荷状态；

15、步骤s2-2：分别获取目标充电桩的各负荷变化曲线，则根据各负荷变化曲线中各时间节点对应的负荷状态值分别计算出各历史充电记录的负荷状态均值h；依次确认各相邻时间节点对应负荷状态值的斜率值k；则分别计算出各负荷变化曲线中各相邻时间节点所组成的时间段对应的负荷状态变化程度s=β*(|hf-h|+|hf+1-h|)/|k|，其中hf和hf+1表示负荷变化曲线中任意第f个时间节点和第f+1个时间节点分别对应的负荷状态值，β表示负荷状态突变权重；

16、步骤s2-3：将各负荷变化曲线中负荷状态变化程度s大于变化阈值γ的时间段设为异常区间，则确认各异常区间分别在各负荷变化曲线中的数量占比为r；根据数量占比r分别得到各负荷变化曲线对应各历史充电记录的异常程度为q=r*s；

17、通过对连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权构建负荷变化曲线，并分析负荷变化曲线中各充电桩的历史负荷变化趋势，进一步根据负荷变化趋势分析各充电桩在历史时间序列下的异常程度，有利于分析各条记录对整体负荷的影响程度，提高后续对充电桩异常状况的判断准确性。

18、进一步的，步骤s200中构建历史时间序列下影响目标充电桩充电的异常变化模型的具体步骤包括：

19、步骤s210：依次获取各条历史充电记录的时间间隔长度，则根据时间间隔长度构建目标充电桩的间隔变化曲线，其中将任意第i条历史充电记录和第i+1条历史充电记录的时间间隔长度ti记间隔变化曲线中对应的坐标为(i,ti)；当ti<δ时，其中，δ表示时长阈值，记录i对应的值，形成间隔集合a={a1,a2,…,an}，其中a1,a2,…,an分别表示间隔变化曲线中第1,2,…,n个时间间隔长度小于时长阈值的坐标i值；则若间隔集合a中存在aj-aj-1=1，且j的连续次数ε>ζ时，表示目标充电桩存在其它充电损耗，其中ζ表示连续阈值；

20、上述步骤中其它充电损耗包括充电容量损耗、电池损耗等；

21、其中充电容量损耗表示充放电循环会导致电极活性表面积减小，充电桩的工作电流密度增大，从而引起极化增大，进一步造成充电桩的充电容量损耗；

22、步骤s220：若间隔集合a中的i值满足条件，其中i=aj，则确认所述i值在连续次数ε中的连续度占比为v；并根据连续度占比v得到对应目标充电桩在第i条历史充电记录的充电损耗程度为p=e-ρi*ρ*[v+1/ti]；其中e-ρi表示目标充电桩第i次充电后的电池衰减值，ρ表示目标充电桩的间隔权重；反之若不满足条件，则目标充电桩在第i条历史充电记录的充电损耗程度为p=e-ρi*ρ/ti；

23、上述步骤中的连续度占比v表示：若所述i值在连续次数ε=5中对应连续的第3个数据，则相应的连续度占比为v=3/5；

24、通过根据各充电桩对应历史记录之间的时间间隔分析各充电桩的使用频率，并根据各充电桩的使用连续性分析充电桩的损耗程度对整体负荷的影响程度，有利于后续根据各充电桩的异常程度和损耗程度构建异常变化模型，便于后续对各充电桩之间关联性的分析；

25、步骤s230：分别获取各历史充电记录的异常程度q和充电损耗程度p，得到历史时间序列下影响目标充电桩充电的异常变化模型为y=∑i[μ1*q+μ2*p]；其中μ1和μ2表示目标充电桩异常程度的权重和充电损耗程度的权重。

26、进一步的，步骤s400包括：

27、步骤s410：当前时间序列下，获取进行充电连接的所有充电桩信息，形成充电集合；捕捉充电集合中存在充电关联性的各台充电桩的异常变化模型，则将存在充电关联性的各充电桩的异常变化模型分别进行加权关联，并根据加权关联后的各异常变化模型分别进行累加，得到目标充电站的异常充电模型w；

28、步骤s420：当异常充电模型w大于异常阈值时，依次识别充电集合中各充电桩的充电模式，则在所述各充电桩的充电模式下自适应降低各充电桩对所有连接车辆的充电速率；

29、上述步骤中自适应调配充电桩的充电速率只是为了降低目标充电站的充电损耗，也会尽量满足用户实际选择的充电模式。

30、进一步的，步骤s500包括：

31、步骤s510：充电桩连接车辆并进行充电时，实时监测充电桩的充电数据；

32、步骤s520：将数据传输至数据库形成当前时间段内的充电记录。

33、充电站数据管控系统，系统包括：数据采集?？?、数据库、异常分析?？?、关联判断?？?、智能调配?？楹褪菁嗖饽？?；

34、通过数据采集?？椴杉勘瓿涞缯灸诟鞒涞缱纳璞覆问畔?，形成充电参数集；采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录，分别形成各充电桩的充电记录集；

35、通过数据库对所有采集的数据进行存储；

36、通过异常分析?？榻涞绮问腥我庖惶ǔ涞缱栉勘瓿涞缱?，则根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型；

37、通过关联判断?？榛袢∧勘瓿涞缯局懈鞒涞缱囊斐１浠Ｐ?，对各异常变化模型的差值小于相差阈值λ的各充电桩分别进行筛选分类，分别形成充电桩集合，则相应充电桩集合中的各台充电桩存在充电关联性；

38、通过智能调配?？樵诘鼻笆奔湫蛄邢?，获取进行充电连接的所有充电桩信息，形成充电集合；获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率；

39、通过数据监测?？樵诔涞缱铀谐盗静⒔谐涞缡?，实时监测充电桩的充电数据，将数据传输至数据库形成当前时间段内的充电记录。

40、进一步的，数据采集?？榘ㄉ璞覆杉ピ屠芳锹疾杉ピ?；

41、设备采集单元用于采集目标充电站内各充电桩的设备参数信息；历史记录采集单元用于采集充电参数集中各充电桩在历史时间序列下对车辆进行充电的所有历史充电记录。

42、进一步的，异常分析?？榘ɡ贩治龅ピ?、间隔时长分析单元和模型构建单元；

43、历史分析单元用于根据目标充电桩的充电记录集捕捉各条历史充电记录的车辆充电数据，并根据各车辆充电数据分别分析各历史充电记录的异常程度；间隔时长分析单元用于依次获取各条历史充电记录的时间间隔信息，分析目标充电桩的历史充电规律，并根据历史充电规律分析目标充电桩的充电损耗程度；模型构建单元用于根据各历史充电记录的异常程度和充电损耗程度构建历史时间序列下影响目标充电桩充电的异常变化模型。

44、进一步的，智能调配?？榘ㄐ畔⒒袢〉ピ?、模型分析单元和速率调配单元；

45、信息获取单元用于在当前时间序列下，获取进行充电连接的所有充电桩信息；模型分析单元用于获取充电集合中各充电桩的充电关联性，构建目标充电站的异常充电模型；速率调配单元用于依次识别充电集合中各充电桩的充电模式，并根据异常充电模型和各充电桩的充电模式自适应调配充电集合中各充电桩的充电速率。

46、数据监测?？榘ǔ涞缂嗖獾ピ褪荽涞ピ?；

47、充电监测单元用于在充电桩连接所有车辆并进行充电时，实时监测充电桩的充电数据；数据传输单元用于将数据传输至数据库形成当前时间段内的充电记录。

48、与现有技术相比，本发明所达到的有益效果是：

49、本发明通过对连接的车辆参数信息、车辆充电速率和车辆实时充电电量进行加权构建负荷变化曲线，并分析负荷变化曲线中各充电桩的历史负荷变化趋势，进一步根据负荷变化趋势分析各充电桩在历史时间序列下的异常程度，有利于分析各条记录对整体负荷的影响程度，提高后续对充电桩异常状况的判断准确性；通过根据各充电桩对应历史记录之间的时间间隔分析各充电桩的使用频率，并根据各充电桩的使用连续性分析充电桩的损耗程度对整体负荷的影响程度，有利于后续根据各充电桩的异常程度和损耗程度构建异常变化模型，便于后续对各充电桩之间关联性的分析。