充放电控制方法、装置、计算机设备和存储介质

摘要

本申请涉及一种充放电控制方法、装置、计算机设备和存储介质。所述方法包括：获取目标车辆的电池充放电信息和车辆驾驶行程信息；根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；执行与所述目标充放电调度策略对应的车辆充放电控制指令。采用本方法能够提高电动汽车充放电调度准确度。

权利要求

1.一种充放电控制方法，其特征在于，包括：

获取目标车辆的电池充放电信息和车辆驾驶行程信息；

根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；

获取充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；其中，通过预设的天气状况隶属函数，计算所述天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；通过预设的能量供需状况隶属函数，计算所述能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；通过预设的充放电隶属函数，计算所述充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略；

执行与所述目标充放电调度策略对应的车辆充放电控制指令。

2.根据权利要求1所述的方法，其特征在于，所述电池充放电信息包括电池剩余电量、电池充电频率、电池放电频率中的至少一种，所述车辆驾驶行程信息包括所述目标车辆驶离所述充电桩的时间和所述目标车辆驶至所述充电桩的时间中的至少一种，所述根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率，包括：将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率；

其中，所述充放电概率预测网络用于提取出所述电池充放电信息和所述车辆驾驶行程信息中的电池充放电特征，并根据所述电池充放电特征，确定所述目标车辆在所述目标时段内的充放电概率。

3.根据权利要求2所述的方法，其特征在于，所述充放电概率预测网络包括输入层、时间循环神经网络节点层、全连接层和激活函数层，所述将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率，包括：通过所述输入层，接收以若干个时间步进行划分得到的所述电池充放电信息和所述车辆驾驶行程信息；

通过所述时间循环神经网络节点层，对所述电池充放电信息和所述车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；所述充放电特征向量用于表征所述电池充放电特征；

通过所述全连接层，对所述充放电特征向量进行分类处理，得到特征分类结果；

通过所述激活函数层，将所述特征分类结果映射为所述目标车辆在所述目标时段内的充电概率和放电概率。

4.根据权利要求1所述的方法，其特征在于，所述采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略，包括：将所述天气隶属度、所述能量供需隶属度和所述充放电隶属度输入至模糊推理模型；

所述模糊推理模型用于对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到组合推理结果；还用于对所述组合推理结果进行去模糊化操作，得到模糊推理精确值；

将与所述模糊推理精确值所处数值范围相对应的充放电调度策略，作为所述目标充放电调度策略；所述充放电调度策略包括等待充电、急需充电、等待放电、急需放电中的至少一种。

5.根据权利要求1所述的方法，其特征在于，所述获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，包括：获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量；

基于所述总能量供应量和所述总功率需求量之间的差异，确定所述充电桩在所述目标时段内的能量供需状况。

6.根据权利要求5所述的方法，其特征在于，所述获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量，包括：获取所述目标车辆在所述目标时段内的可用能量状态，以及，获取所述目标车辆的目标充电水平和目标放电水平；

根据所述可用能量状态和所述目标放电水平之间的差异，确定所述充电桩在所述目标时段内的总能量供应量；

根据所述目标充电水平和所述可用能量状态之间的差异，确定所述充电桩在所述目标时段内的总功率需求量。

7.一种充放电控制装置，其特征在于，所述装置包括：

获取模块，用于获取目标车辆的电池充放电信息和车辆驾驶行程信息；

确定模块，用于根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；

决策模块，用于获取充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率，对所述充电桩的充放电调度策略进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；其中，通过预设的天气状况隶属函数，计算所述天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；通过预设的能量供需状况隶属函数，计算所述能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；通过预设的充放电隶属函数，计算所述充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略；

执行模块，用于执行与所述目标充放电调度策略对应的车辆充放电控制指令。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

说明书

充放电控制方法、装置、计算机设备和存储介质

技术领域

[0001] 本申请涉及新能源汽车技术领域，特别是涉及一种充放电控制方法、装置、计算机设备和存储介质。

背景技术

[0002] 随着电动汽车数量的增加，在一些电动汽车使用率比较高的小区内，如果用户充电时间集中会出现变压器过载、峰谷差变大等问题，不利于配电网安全运行。因此需要将电动汽车分为有序充电和参与反向供电，使得用户可以按照需求参与充放电调度。

[0003] 随着电动汽车数量增加，将会出现电动汽车充电难、线损严重、电压下降，严重时会造成峰上加峰等问题。现有的方法没有考虑天气、能量供需状况、用户习惯等多种因素对电动汽车充放电调度的影响。

[0004] 因此，相关技术中存在电动汽车充放电调度准确度不高的问题。

发明内容

[0005] 基于此，有必要针对上述技术问题，提供一种能够提高电动汽车充放电调度准确度的充放电控制方法、装置、计算机设备和存储介质。

[0006] 一种充电桩的充放电控制方法，应用于充电桩，包括：

[0007] 获取目标车辆的电池充放电信息和车辆驾驶行程信息；

[0008] 根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；

[0009] 获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；

[0010] 执行与所述目标充放电调度策略对应的车辆充放电控制指令。

[0011] 在其中一个实施例中，所述电池充放电信息包括电池剩余电量、电池充电频率、电池放电频率中的至少一种，所述车辆驾驶行程信息包括所述目标车辆驶离所述充电桩的时间和所述目标车辆驶至所述充电桩的时间中的至少一种，所述根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率，包括：

[0012] 将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率；

[0013] 其中，所述充放电概率预测网络用于提取出所述电池充放电信息和所述车辆驾驶行程信息中的电池充放电特征，并根据所述电池充放电特征，确定所述目标车辆在所述目标时段内的充放电概率。

[0014] 在其中一个实施例中，所述充放电概率预测网络包括输入层、时间循环神经网络节点层、全连接层和激活函数层，所述将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率，包括：

[0015] 通过所述输入层，接收以若干个时间步进行划分得到的所述电池充放电信息和所述车辆驾驶行程信息；

[0016] 通过所述时间循环神经网络节点层，对所述电池充放电信息和所述车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；所述充放电特征向量用于表征所述电池充放电特征；

[0017] 通过所述全连接层，对所述充放电特征向量进行分类处理，得到特征分类结果；

[0018] 通过所述激活函数层，将所述特征分类结果映射为所述目标车辆在所述目标时段内的充电概率和放电概率。

[0019] 在其中一个实施例中，所述基于所述天气状况、所述能量供需状况和所述充放电概率进行模糊推理处理，得到模糊推理结果，包括：

[0020] 通过预设的天气状况隶属函数，计算所述天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；

[0021] 通过预设的能量供需状况隶属函数，计算所述能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；

[0022] 通过预设的充放电隶属函数，计算所述充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；

[0023] 采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略。

[0024] 在其中一个实施例中，所述采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略，包括：

[0025] 将所述天气隶属度、所述能量供需隶属度和所述充放电隶属度输入至模糊推理模型；所述模糊推理模型用于对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到组合推理结果；还用于对所述组合推理结果进行去模糊化操作，得到模糊推理精确值；

[0026] 将与所述模糊推理精确值所处数值范围相对应的充放电调度策略，作为所述目标充放电调度策略；所述充放电调度决策包括等待充电、急需充电、等待放电、急需放电中的至少一种。

[0027] 在其中一个实施例中，所述获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，包括：

[0028] 获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量；

[0029] 基于所述总能量供应量和所述总功率需求量之间的差异，确定所述充电桩在所述目标时段内的能量供需状况。

[0030] 在其中一个实施例中，所述获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量，包括：

[0031] 获取所述目标车辆在所述目标时段内的可用能量状态，以及，获取所述目标车辆的目标充电水平和目标放电水平；

[0032] 根据所述可用能量状态和所述目标放电水平之间的差异，确定所述充电桩在所述目标时段内的总能量供应量；

[0033] 根据所述目标充电水平和所述可用能量状态之间的差异，确定所述充电桩在所述目标时段内的总功率需求量。

[0034] 一种充电桩的充放电控制装置，所述装置包括：

[0035] 获取模块，用于获取目标车辆的电池充放电信息和车辆驾驶行程信息；

[0036] 确定模块，用于根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；

[0037] 决策模块，用于获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率，对所述充电桩的充放电调度策略进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；

[0038] 执行模块，用于执行与所述目标充放电调度策略对应的车辆充放电控制指令。

[0039] 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

[0040] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

[0041] 上述充放电控制方法、装置、计算机设备和存储介质，通过获取目标车辆的电池充放电信息和车辆驾驶行程信息；并根据电池充放电信息和车辆驾驶行程信息，确定目标车辆在目标时段内的充放电概率；再通过获取充电桩所处区域的天气状况和充电桩在目标时段内的能量供需状况，并基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到在目标时段内的目标充放电调度策略，以执行与目标充放电调度策略对应的车辆充放电控制指令；如此，可以实现在基于电池充放电信息和车辆驾驶行程信息预先预测目标车辆充放电概率的前提下，采用模糊推理技术将充电桩的能量供需情况和充电桩所在区域的天气状况作为确定目标车辆充放电调度的决策因子，从而实现了采用模糊推理技术将天气状况和能源供需状况融入到电动汽车调度问题中，使得可以生成更为准确、科学的电动汽车充放电调度控制，提高了电动汽车放电达到能量供需平衡，也提高了调度方法大规模应用的可行性和有效性。

附图说明

[0042] 图1为一个实施例中一种充放电控制方法的应用环境图；

[0043] 图2为一个实施例中一种充放电控制方法的流程示意图；

[0044] 图3为一个实施例中一种充放电概率隶属函数的示意图；

[0045] 图4为一个实施例中一种天气状况隶属函数的示意图；

[0046] 图5为一个实施例中一种充电桩总能量供需状况隶属函数的示意图；

[0047] 图6为一个实施例中一种决策输出隶属函数的示意图；

[0048] 图7为一个实施例中一种充放电概率预测网络的结构框图；

[0049] 图8为另一个实施例中一种充放电控制方法的流程示意图；

[0050] 图9为一个实施例中一种充放电控制装置的结构框图；

[0051] 图10为一个实施例中计算机设备的内部结构图。

具体实施方式

[0052] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0053] 本申请提供的充放电控制方法，可以应用于如图1所示的应用环境中。实际应用中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

[0054] 在一个实施例中，如图2所示，提供了一种充放电控制方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

[0055] 步骤S210，获取目标车辆的电池充放电信息和车辆驾驶行程信息。

[0056] 其中，目标车辆可以是指具有充放电功能的车辆。实际应用中，目标车辆可以是指电动汽车。

[0057] 其中，电池充放电信息可以是指目标车辆的电池剩余电量、充电频率、放电频率等信息。

[0058] 其中，车辆驾驶行程信息可以是指目标车辆的离开时间和返程时间。

[0059] 具体实现中，当目标车辆靠近充电桩或与充电桩电连接时，计算机设备可以通过设置于充电桩上的感应装置采集用于表征目标车辆的行驶特性，用户的用车习惯的电池充放电信息和车辆驾驶行程信息。

[0060] 步骤S220，根据电池充放电信息和车辆驾驶行程信息，确定目标车辆在目标时段内的充放电概率。

[0061] 其中，充放电概率可以包括充电概率和放电概率。

[0062] 具体实现中，当计算机设备获取到目标车辆的电池充放电信息和车辆驾驶行程信息后，计算机设备可以对电池充放电信息和车辆驾驶行程信息进行归一化处理，得到归一化后的目标特征向量。然后，再将归一化后的目标特征向量输入至预训练的充放电概率预测网络(如，预训练的LSTM神经网络)输出用于表征目标车辆在目标时段内的充放电概率的充放电概率向量。

[0063] 其中，预训练的LSTM神经网络可以是指基于通过充电桩上的感应装置获取电动汽车的行驶特性，用户的用车习惯等数据，并作为的训练样本进行训练得到的。其中，训练样本可以记为EV＝{EV1,EV2,···,EVi,···,EVN}；其中，N表示所述训练样本的个数，EVi表示所述训练样本中第i个电动汽车的相关数据，并有：EVi＝{xi,1,xi,2···,xi,j,···,xi,q}，q表示所述训练样本中第i个电动汽车数据类型个数，xi,j表示所述训练样本中第i个电动汽车对应的第j个数据类型的值。

[0064] 步骤S230，获取充电桩所处区域的天气状况和充电桩在目标时段内的能量供需状况，并基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到模糊推理结果；

[0065] 其中，模糊推理结果包括在目标时段内的目标充放电调度策略。

[0066] 具体实现中，计算机设备可以选取充电桩的能量供需情况和所在区域的天气状况作为其中的两个决策因子，与已有充放电概率分布一起作为电动汽车充放电问题模型决策层的输入。具体来说，计算机设备可以获取充电桩所处区域的天气状况即计算机设备可以对充电桩所在区域的天气状况影响程度进行评估，得到充电桩所在区域的天气状况对电动汽车充放电调度的影响程度Pw。实际应用中，充电桩所在区域的天气状况对电动汽车充放电调度的影响程度Pw可以表示为：

[0067]

[0068] 其中，Pe表示充电桩的能量供需状况对电动汽车充放电调度的影响程度；vi表示第i个因子对应的权重，取值范围为0～1；Ai表示第i个影响因素归一化处理的值,取值范围为0～1。

[0069] 同时，计算机设备可以获取充电桩在目标时段内的能量供需状况即计算机设备可以对充电桩的能量供需情况的影响程度进行评估，得到充电桩的能量供需状况对电动汽车充放电调度的影响程度Pe。实际应用中，充电桩的能量供需状况对电动汽车充放电调度的影响程度可以表示为：

[0070]

[0071] 其中，Pe表示充电桩的能量供需状况对电动汽车充放电调度的影响程度；vi表示第i个因子对应的权重，取值范围为0～1；Ai表示第i个影响因素归一化处理的值,取值范围为0～1。

[0072] 然后，计算机设备则基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到包括有在目标时段内的目标充放电调度策略的模糊推理结果。具体来说，计算机设备可以将表征天气状况、能量供需状况和充放电概率的特征输入至模糊推理模型，通过模糊推理模型并按照预设的模糊推理规则对输入量进行模糊推理处理，得到包括有在目标时段内的目标充放电调度策略的模糊推理结果。

[0073] 具体来说，将输入量进行模糊化，论域为U，取值范围均为，并将这充电和放电概率模糊化分为三个模糊集分别为正小(PL)、正中(PM)、正大(PH)，并采用三角形隶属函数，如图3所示。天气状况模糊化为两个模糊集分别为好(PG)和坏(PB)，如图4所示。充电桩总能量供应状态与总功率需求情况的差值模糊化为两个模糊集分别为正(PP)和负(PM)，如图5所示。

[0074] 决策层输出的论域也为U，取值范围，将其模糊化为4个模糊集，分别是放电第二优先级(PN)、放电第一优先级(PL)、充电第二优先级(PM)、充电第一优先级(PH)，并采用三角形隶属函数，如图6所示。

[0075] 计算机设备，采用Mamdani法(一种模糊推理算法)，按照模糊推理规则的建立方法，根据实际输入变量之间以及输入变量和输出变量之间的关系确定模糊控制规则。根据实际探测系统的需要，表1实例性地列出了其中比较重要的5条模糊推理规则。

[0076]

[0077] 表1

[0078] 其中，若充电概率模糊等级是“PL”、放电概率模糊等级也是“PL”、天气状况模糊等级是“PG”、充电桩能量供需状况模糊等级是“PP”，则决策输出模糊等级是“PM”。即当天气状况比较好，且充电桩的能量供应大于需求时，即使充电和放电概率都很低，也需要发出“充电第二优先级(等待充电)”决策。因为天气比较好，说明电动汽车的使用概率会增加，而且此时能量供应充足，因此最后发出“充电第二优先级(等待充电)”决策。

[0079] 其中，若充电概率模糊等级是“PM”、放电概率模糊等级是“PL”、天气状况模糊等级是“PG”、充电桩能量供需状况模糊等级是“PP”，则决策输出模糊等级是“PH”。该条规则与上一条规则相似，但该规则探测到的充电概率模糊等级是为“PM”，即正中，说明该电动汽车的有充电需求，需要进行充电操作，因此最后发出“充电第一优先级(急需充电)”决策。

[0080] 其中，若充电概率模糊等级是“PH”、放电概率模糊等级是“PL”、天气状况模糊等级是“PG”、充电桩能量供需状况模糊等级是“PP”，则决策输出模糊等级是“PH”。该条规则即是上条规则的后续，充电概率模糊等级已经发展为“PH”，即正大，说明该电动汽车的急需充电，因此最后发出“充电第一优先级(急需充电)”决策。

[0081] 其中，若充电概率模糊等级是“PL”、放电概率模糊等级是“PL”、天气状况模糊等级是“PB”、充电桩能量供需状况模糊等级是“PM”，则决策输出模糊等级是“PN”。由于天气状况不好，充电桩的能量供应小于需求，而此时充电概率和放电概率模糊等级是均为“正小”，因此输出“放电第二优先级(等待放电)”决策。

[0082] 其中，若充电概率模糊等级是“PL”、放电概率模糊等级是“PM”、天气状况模糊等级是“PG”、充电桩能量供需状况模糊等级是“PM”，则决策输出模糊等级是“PL”。当放电概率模糊等级为“正大”时，可以说明电动汽车需要放电，此时充电桩的能量供应小于需求，即使天气状况比较好，为了供需平衡，发出“放电第一优先级(急需放电)”决策。

[0083] 步骤S240，执行与目标充放电调度策略对应的车辆充放电控制指令。

[0084] 具体实现中，在计算机设备在确定出目标时段内的目标充放电调度策略后，计算机设备则可以执行与目标充放电调度策略对应的车辆充放电控制指令，进而实现对目标车辆进行充放电控制。

[0085] 上述充放电控制方法中，通过获取目标车辆的电池充放电信息和车辆驾驶行程信息；并根据电池充放电信息和车辆驾驶行程信息，确定目标车辆在目标时段内的充放电概率；再通过获取充电桩所处区域的天气状况和充电桩在目标时段内的能量供需状况，并基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到在目标时段内的目标充放电调度策略，以执行与目标充放电调度策略对应的车辆充放电控制指令；如此，可以实现在基于电池充放电信息和车辆驾驶行程信息预先预测目标车辆充放电概率的前提下，采用模糊推理技术将充电桩的能量供需情况和充电桩所在区域的天气状况作为确定目标车辆充放电调度的决策因子，从而实现了采用模糊推理技术将天气状况和能源供需状况融入到电动汽车调度问题中，使得可以生成更为准确、科学的电动汽车充放电调度控制，提高了电动汽车放电达到能量供需平衡，也提高了调度方法大规模应用的可行性和有效性。

[0086] 在另一个实施例中，根据电池充放电信息和车辆驾驶行程信息，确定目标车辆在目标时段内的充放电概率，包括：将电池充放电信息和车辆驾驶行程信息输入至充放电概率预测网络，得到目标车辆在目标时段内的充放电概率；其中，充放电概率预测网络用于提取出电池充放电信息和车辆驾驶行程信息中的电池充放电特征，并根据电池充放电特征，确定目标车辆在目标时段内的充放电概率。

[0087] 其中，电池充放电信息包括电池剩余电量、电池充电频率、电池放电频率中的至少一种。

[0088] 其中，车辆驾驶行程信息包括目标车辆驶离充电桩的时间和目标车辆驶至充电桩的时间中的至少一种。

[0089] 具体实现中，计算机设备在根据电池充放电信息和车辆驾驶行程信息，确定目标车辆在目标时段内的充放电概率的过程中，计算机设备可以将电池充放电信息和车辆驾驶行程信息输入至充放电概率预测网络，得到目标车辆在目标时段内的充放电概率。

[0090] 其中，充放电概率预测网络用于提取出电池充放电信息和车辆驾驶行程信息中的电池充放电特征，并根据电池充放电特征，确定目标车辆在目标时段内的充放电概率。

[0091] 例如，数据集中包含电动汽车的信息有电池剩余电量、充电频率、放电频率、离开时间和返程时间，设置若干个时间步的数据作为LSTM网络的输入，每组数据是一个向量表示为 其中， 分别对应一个电动汽车经过归一化处理之后的电池剩余电量、充电频率、放电频率、离开时间和返程时间。

[0092] 本实施例的技术方案，通过将电池充放电信息和车辆驾驶行程信息输入至充放电概率预测网络，快速地确定出目标车辆在目标时段内的充放电概率。

[0093] 在另一个实施例中，将电池充放电信息和车辆驾驶行程信息输入至充放电概率预测网络，得到目标车辆在目标时段内的充放电概率，包括：通过输入层，接收以若干个时间步进行划分得到的电池充放电信息和车辆驾驶行程信息；通过时间循环神经网络节点层，对电池充放电信息和车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；充放电特征向量用于表征电池充放电特征；通过全连接层，对充放电特征向量进行分类处理，得到特征分类结果；通过激活函数层，将特征分类结果映射为目标车辆在目标时段内的充电概率和放电概率。

[0094] 其中，充放电概率预测网络包括输入层、时间循环神经网络节点层(如，LSTM层)、全连接层(如，Dense层)和激活函数层(如，Softmax层)。为了便于本领域技术人员的理解，图7实例性地提供了一种充放电概率预测网络的结构框图。

[0095] 其中，充放电概率预测网络可以是指预训练的LSTM神经网络。其中，该LSTM神经网络包括四层：第一层是输入层，输入时间序列数据M个；第二层是LSTM层，神经元个数为a个；第三层是Dense层，输出的分类长度n个；第四层是Softmax层，实际应用中，激活函数层可以表示为：

[0096]

[0097] 其中，zj表示全连接层的输出，n表示分类数。

[0098] 利用下列公式进行误差反向传播并更新LSTM神经网络参数：

[0099]

[0100]

[0101] ht＝tanh(Wht‑1+Uxt)；

[0102]

[0103] 其中，表示第t个时间序列的网络损失函数，U是输入层的网络共享参数，W是隐藏层的网络共享参数。

[0104] 计算机设备可以通过输入层，接收以若干个时间步进行划分得到的电池充放电信息和车辆驾驶行程信息；然后，计算机设备可以通过时间循环神经网络节点层，对电池充放电信息和车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；充放电特征向量用于表征电池充放电特征；再然后，计算机设备可以通过全连接层，对充放电特征向量进行分类处理，得到特征分类结果；通过激活函数层，将特征分类结果映射为目标车辆在目标时段内的充电概率和放电概率。例如，计算机设备可以将电动汽车相关的数据经过LSTM网络后，将所提取到的有关充放电的特征输入全连接层进行分类，然后通过Softmax函数输出相应的电动汽车充电和放电概率。

[0105] 本实施例的技术方案，通过输入层，接收以若干个时间步进行划分得到的电池充放电信息和车辆驾驶行程信息；通过时间循环神经网络节点层，对电池充放电信息和车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；充放电特征向量用于表征电池充放电特征；通过全连接层，快速地对充放电特征向量进行分类处理，得到特征分类结果；通过激活函数层，准确地将特征分类结果映射为目标车辆在目标时段内的充电概率和放电概率。

[0106] 在另一个实施例中，基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到模糊推理结果，包括：通过预设的天气状况隶属函数，计算天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；通过预设的能量供需状况隶属函数，计算能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；通过预设的充放电隶属函数，计算充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；采用预设的模糊推理规则，对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到目标充放电调度策略。

[0107] 其中，天气模糊评价等级可以包括天气好(PG)和天气坏(PB)。

[0108] 其中，能量供需模糊评价等级可以包括正(PP)和负(PM)。

[0109] 其中，充放电模糊评价等级可以包括正小(PL)、正中(PM)、正大(PH)。

[0110] 具体实现中，计算机设备在基于天气状况、能量供需状况和充放电概率进行模糊推理处理，得到模糊推理结果，包括：计算机设备可以通过预设的天气状况隶属函数，计算天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；通过预设的能量供需状况隶属函数，计算能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；通过预设的充放电隶属函数，计算充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；采用预设的模糊推理规则，对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到目标充放电调度策略。

[0111] 本实施例的技术方案，采用模糊推理技术将充电桩的能量供需情况和充电桩所在区域的天气状况作为确定目标车辆充放电调度的决策因子，从而实现了采用模糊推理技术将天气状况和能源供需状况融入到电动汽车调度问题中，使得可以生成更为准确、科学的电动汽车充放电调度控制，提高了电动汽车放电达到能量供需平衡，也提高了调度方法大规模应用的可行性和有效性。

[0112] 在另一个实施例中，采用预设的模糊推理规则，对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到目标充放电调度策略，包括：将天气隶属度、能量供需隶属度和充放电隶属度输入至模糊推理模型；模糊推理模型用于对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到组合推理结果；还用于对组合推理结果进行去模糊化操作，得到模糊推理精确值；将与模糊推理精确值所处数值范围相对应的充放电调度策略，作为目标充放电调度策略；充放电调度决策包括等待充电、急需充电、等待放电、急需放电中的至少一种。

[0113] 具体实现中，计算机设备在采用预设的模糊推理规则，对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到目标充放电调度策略的过程中，计算机设备可以将天气隶属度、能量供需隶属度和充放电隶属度输入至模糊推理模型。通过该模糊推理模型，对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到组合推理结果；还用于对组合推理结果进行去模糊化操作，得到模糊推理精确值；将与模糊推理精确值所处数值范围相对应的充放电调度策略，作为目标充放电调度策略；充放电调度决策包括等待充电、急需充电、等待放电、急需放电中的至少一种。

[0114] 例如，对得到的模糊结果进行去模糊化，采用重心法作为去模糊化方法。在得到经过去模糊化操作的精确值后，将输出值小于0.25的结果判决为“放电第二优先级(等待放电)”；输出值介于0.25和0.5之间的结果判决为放电第一优先级(急需放电)”；输出值介于0.5和0.75之间的结果判决为“充电第二优先级(等待充电)”；输出值大于0.75的结果判决为“充电第一优先级(急需充电)”。

[0115] 本实施例的技术方案，通过将对天气隶属度、能量供需隶属度和充放电隶属度进行组合推理，得到组合推理结果，并对对组合推理结果进行去模糊化操作，得到模糊推理精确值；将与模糊推理精确值所处数值范围相对应的充放电调度策略，作为目标充放电调度策略，从而实现充分综合天气、能量供需、车辆充放电等影响因素，准确地确定出充放电调度策略。

[0116] 在另一个实施例中，获取充电桩所处区域的天气状况和充电桩在目标时段内的能量供需状况，包括：获取充电桩在目标时段内的总能量供应量和总功率需求量；基于总能量供应量和总功率需求量之间的差异，确定充电桩在目标时段内的能量供需状况。

[0117] 具体实现中，计算机设备在获取充电桩所处区域的天气状况和充电桩在目标时段内的能量供需状况的过程中，计算机设备可以获取充电桩在目标时段内的总能量供应量和总功率需求量；最后，计算机设备再基于总能量供应量和总功率需求量之间的差异，确定充电桩在目标时段内的能量供需状况。

[0118] 本实施例的技术方案，通过获取充电桩在目标时段内的总能量供应量和总功率需求量，并基于总能量供应量和总功率需求量之间的差异，从而准确地确定出充电桩在目标时段内的能量供需状况。

[0119] 在另一个实施例中，获取充电桩在目标时段内的总能量供应量和总功率需求量，包括：获取目标车辆在目标时段内的可用能量状态，以及，获取目标车辆的目标充电水平和目标放电水平；根据可用能量状态和目标放电水平之间的差异，确定充电桩在目标时段内的总能量供应量；根据目标充电水平和可用能量状态之间的差异，确定充电桩在目标时段内的总功率需求量。

[0120] 具体实现中，计算机设备在获取充电桩在目标时段内的总能量供应量和总功率需求量的过程中，计算机设备可以获取目标车辆在目标时段内的可用能量状态，以及，获取目标车辆的目标充电水平和目标放电水平。

[0121] 然后，计算机设备可以根据可用能量状态和目标放电水平之间的差异，确定充电桩在目标时段内的总能量供应量。

[0122] 实际应用中，充电桩在目标时段内的总能量供应量可以表示为：

[0123]

[0124]

[0125] 其中， 表示在第t个时段中充电桩的总能量供应； 表示在第t个时段中第i个电动汽车的放电能量供应， 表示放电目标水平， 表示可用能量状态。

[0126] 另外，计算机设备可以根据目标充电水平和可用能量状态之间的差异，确定充电桩在目标时段内的总功率需求量。

[0127] 实际应用中，充电桩在目标时段内的总功率需求量可以表示为：

[0128]

[0129]

[0130] 其中， 表示在第t个时段中第i个电动汽车的充电能量需求， 表示预计目标充电水平， 表示可用能量状态。

[0131] 本实施例的技术方案，通过获取目标车辆在目标时段内的可用能量状态，以及，获取目标车辆的目标充电水平和目标放电水平；根据可用能量状态和目标放电水平之间的差异，从而准确地确定充电桩在目标时段内的总能量供应量；根据目标充电水平和可用能量状态之间的差异，从而准确地确定充电桩在目标时段内的总功率需求量。

[0132] 在另一个实施例中，如图8所示，提供了一种充放电控制方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

[0133] 步骤S810，获取目标车辆的电池充放电信息和车辆驾驶行程信息；所述电池充放电信息包括电池剩余电量、电池充电频率、电池放电频率中的至少一种，所述车辆驾驶行程信息包括所述目标车辆驶离所述充电桩的时间和所述目标车辆驶至所述充电桩的时间中的至少一种。

[0134] 步骤S820，将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率；其中，所述充放电概率预测网络用于提取出所述电池充放电信息和所述车辆驾驶行程信息中的电池充放电特征，并根据所述电池充放电特征，确定所述目标车辆在所述目标时段内的充放电概率；

[0135] 步骤S830，获取所述充电桩所处区域的天气状况；获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量；

[0136] 步骤S840，基于所述总能量供应量和所述总功率需求量之间的差异，确定所述充电桩在所述目标时段内的能量供需状况；

[0137] 步骤S850，通过预设的天气状况隶属函数，计算所述天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；

[0138] 步骤S860，通过预设的能量供需状况隶属函数，计算所述能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；

[0139] 步骤S870，通过预设的充放电隶属函数，计算所述充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；

[0140] 步骤S880，采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到目标充放电调度策略；

[0141] 步骤S890，执行与所述目标充放电调度策略对应的车辆充放电控制指令。

[0142] 需要说明的是，上述步骤的具体限定可以参见上文对一种充放电控制方法的具体限定。

[0143] 应该理解的是，虽然图2和图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

[0144] 在一个实施例中，如图9所示，提供了一种充放电控制装置，包括：

[0145] 获取模块910，用于获取目标车辆的电池充放电信息和车辆驾驶行程信息；

[0146] 确定模块920，用于根据所述电池充放电信息和所述车辆驾驶行程信息，确定所述目标车辆在目标时段内的充放电概率；

[0147] 决策模块930，用于获取所述充电桩所处区域的天气状况和所述充电桩在所述目标时段内的能量供需状况，并基于所述天气状况、所述能量供需状况和所述充放电概率，对所述充电桩的充放电调度策略进行模糊推理处理，得到模糊推理结果；所述模糊推理结果包括在所述目标时段内的目标充放电调度策略；

[0148] 执行模块940，用于执行与所述目标充放电调度策略对应的车辆充放电控制指令。

[0149] 在其中一个实施例中，所述电池充放电信息包括电池剩余电量、电池充电频率、电池放电频率中的至少一种，所述车辆驾驶行程信息包括所述目标车辆驶离所述充电桩的时间和所述目标车辆驶至所述充电桩的时间中的至少一种，所述确定模块920，具体用于将所述电池充放电信息和所述车辆驾驶行程信息输入至充放电概率预测网络，得到所述目标车辆在目标时段内的充放电概率；其中，所述充放电概率预测网络用于提取出所述电池充放电信息和所述车辆驾驶行程信息中的电池充放电特征，并根据所述电池充放电特征，确定所述目标车辆在所述目标时段内的充放电概率。

[0150] 在其中一个实施例中，所述充放电概率预测网络包括输入层、时间循环神经网络节点层、全连接层和激活函数层，所述确定模块920，具体用于通过所述输入层，接收以若干个时间步进行划分得到的所述电池充放电信息和所述车辆驾驶行程信息；通过所述时间循环神经网络节点层，对所述电池充放电信息和所述车辆驾驶行程信息进行特征提取处理，生成充放电特征向量；所述充放电特征向量用于表征所述电池充放电特征；通过所述全连接层，对所述充放电特征向量进行分类处理，得到特征分类结果；通过所述激活函数层，将所述特征分类结果映射为所述目标车辆在所述目标时段内的充电概率和放电概率。

[0151] 在其中一个实施例中，所述决策模块930，具体用于通过预设的天气状况隶属函数，计算所述天气状况与各个天气模糊评价等级的隶属度，得到天气隶属度；通过预设的能量供需状况隶属函数，计算所述能量供需状况与各个能量供需模糊评价等级的隶属度，得到能量供需隶属度；通过预设的充放电隶属函数，计算所述充放电概率与各个充放电模糊评价等级的隶属度，得到充放电隶属度；采用预设的模糊推理规则，对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到所述目标充放电调度策略。

[0152] 在其中一个实施例中，所述决策模块930，具体用于将所述天气隶属度、所述能量供需隶属度和所述充放电隶属度输入至模糊推理模型；所述模糊推理模型用于对所述天气隶属度、所述能量供需隶属度和所述充放电隶属度进行组合推理，得到组合推理结果；还用于对所述组合推理结果进行去模糊化操作，得到模糊推理精确值；将与所述模糊推理精确值所处数值范围相对应的充放电调度策略，作为所述目标充放电调度策略；所述充放电调度决策包括等待充电、急需充电、等待放电、急需放电中的至少一种。

[0153] 在其中一个实施例中，所述决策模块930，具体用于获取所述充电桩在所述目标时段内的总能量供应量和总功率需求量；基于所述总能量供应量和所述总功率需求量之间的差异，确定所述充电桩在所述目标时段内的能量供需状况。

[0154] 在其中一个实施例中，所述决策模块930，具体用于获取所述目标车辆在所述目标时段内的可用能量状态，以及，获取所述目标车辆的目标充电水平和目标放电水平；根据所述可用能量状态和所述目标放电水平之间的差异，确定所述充电桩在所述目标时段内的总能量供应量；根据所述目标充电水平和所述可用能量状态之间的差异，确定所述充电桩在所述目标时段内的总功率需求量。

[0155] 关于充放电控制装置的具体限定可以参见上文中对于充放电控制方法的限定，在此不再赘述。上述充放电控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0156] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储充放电控制数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种充放电控制方法。

[0157] 本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0158] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种充放电控制方法的步骤。此处一种充放电控制方法的步骤可以是上述各个实施例的一种充放电控制方法中的步骤。

[0159] 在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种充放电控制方法的步骤。此处一种充放电控制方法的步骤可以是上述各个实施例的一种充放电控制方法中的步骤。

[0160] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

[0161] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0162] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。