买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳汇能新能源科技有限公司

摘要：本发明涉及电动汽车充电管理技术领域，具体涉及一种基于物联网的电动汽车充电场站智慧管理方法及平台，包括以下步骤：实时采集充电桩负载数据，包括电流、电压、功率，结合气象数据、交通数据以及历史充电数据，利用递归神经网络‑自动编码器混合模型进行未来时间的充电负载需求预测；根据充电负载需求预测结果和充电桩负载数据，动态调整每个充电桩的输出功率；通过车辆电池管理系统与充电桩进行通信获取当前充电电动汽车的电池状态，根据电池状态，智能调整输出功率。本发明，提升了对未来充电需求的准确预测，确保充电站能够提前调配资源，有效应对不同时间段的充电需求。

主权项：1.一种基于物联网的电动汽车充电场站智慧管理方法，其特征在于，包括以下步骤：S1，实时负载预测：通过安装在每个充电桩上的物联网传感器实时采集充电桩负载数据，包括电流、电压、功率，结合气象数据、交通数据以及历史充电数据，利用递归神经网络-自动编码器混合模型进行未来时间的充电负载需求预测；S2，充电桩动态功率调节：根据充电负载需求预测结果和充电桩负载数据，动态调整每个充电桩的输出功率，以实现充电负载的平衡分配，避免电网过载或充电不平衡；S3，充电策略动态管理：当充电负载需求预测结果为需求少，并且充电桩负载小时，通过车辆电池管理系统与充电桩进行通信获取当前充电电动汽车的电池状态，根据电池状态，智能调整输出功率；所述S1中的物联网传感器包括电流传感器、电压传感器和功率传感器，所述充电桩上均集成有电流传感器、电压传感器和功率传感器，实时监测每个充电桩的电流、电压和功率负载数据，通过无线通信网络将采集到的负载数据传输至中央管理器，中央管理器接收到实时传输的数据后，对数据进行存储和初步处理，包括数据的清洗、过滤和格式化处理；所述S1中利用递归神经网络-自动编码器混合模型进行未来时间的充电负载需求预测具体包括：S11，数据收集与融合：气象数据获取：通过与气象服务提供商的接口实时获取气象数据，包括温度、湿度、风速、降雨量；交通数据获取：通过与交通管理系统或第三方交通数据提供商的接口实时获取交通数据，包括交通流量、拥堵情况和道路状态；历史充电数据收集：从充电桩数据库中提取历史充电数据，包括电流、电压、功率以及时间戳；S12，对收集到的气象数据、交通数据和历史充电数据进行清洗，移除异常值和填补缺失值，对所有数据进行标准化处理，使其符合模型的输入要求，并构建数据集；S13，从气象数据、交通数据和历史充电数据中提取关键特征，包括温度、湿度、交通流量、历史充电负载，将不同来源的特征进行融合，形成综合特征向量，输入到递归神经网络-自动编码器混合模型中；S14，模型结构包括编码器部分以及解码器部分，均由递归神经网络组成；S15，通过前向传播和反向传播调整模型参数，基于损失函数最小化重构误差；S16，负载需求预测：输入实时数据：将实时采集到的气象数据、交通数据和当前充电负载数据输入训练好的递归神经网络-自动编码器混合模型，模型根据输入的综合特征向量，预测未来时间的充电负载需求，生成负载预测结果；所述S14中的模型结构具体包括：编码器部分：由递归神经网络组成，负责处理输入的时间序列数据，并将其编码成固定长度的隐藏向量，表示为： ，其中，是当前隐藏状态，是前一时间步的隐藏状态，是当前输入，和是权重矩阵，是偏置，是激活函数；隐藏向量生成：编码器的最后一个隐藏状态被视为整个序列的隐藏向量表示：；解码器部分：由递归神经网络组成，从隐藏向量重构原始输入数据，解码器的输出公式为： ； ；其中，是解码器的隐藏状态，是解码器前一时间步的隐藏状态，和是权重矩阵，是偏置，是解码器的输出，和是输出层的权重和偏置；所述递归神经网络-自动编码器混合模型根据输入的综合特征向量，预测未来时间的充电负载需求，预测表示为: ，其中，是未来T个时间步的负载预测值，是当前输入，是当前隐藏状态；所述S3具体包括：状态评估：根据接收到的电池状态数据评估当前电池的充电需求和健康状态，评估指标包括电池电压、电池电流、电池温度和电池剩余容量；功率调整策略：最大化充电效率：在需求小和负载小时，通过动态调整充电电流来最大化充电速度，调整表示为： ，其中，是电池允许的最大充电电流，是当前电池容量，是预定的充电时间；保护电池寿命：在充电过程中监控电池温度和电压,避免过充或过热，当温度或电压接近临界值时，降低充电电流，调整表示为： ，其中，是调整系数，和分别为温度阈值和最大温度；动态调整输出功率：输出控制：通过充电桩的内部控制器，根据调整后的充电电流动态调整充电桩的输出功率,表示为： 。

全文数据：

权利要求：

百度查询： 深圳汇能新能源科技有限公司 一种基于物联网的电动汽车充电场站智慧管理方法及平台