[发明专利]基于BERT的非侵入式台区充电桩状态监测与电价调整方法

说明书

本发明涉及电动汽车充电管理技术，旨在提供一种基于BERT的非侵入式台区充电桩状态监测与电价调整方法。该方法包括：获取变电站台区的总功率历史数据和充电桩状态历史数据，作为训练样本；搭建BERT模型，从前往后依次包括嵌入层、Transformer层和输出层；确定训练用损失函数；使用梯度下降算法训练BERT模型；将变电站台区中智能电表的历史总功率数据输入到训练好的BERT模型中，得到各充电桩的历史工作状态数据和历史充电功率数据，实现台区充电桩状态监测。本发明可直接应用在现有充电桩上，无需更新充电桩硬件设备；减少了充电桩设计和生产成本，比传统方法更加经济、高效。可以通过实时调整充电电价来引导用户改变用电习惯，有利于电网削峰填谷，提高电能利用率。

技术领域

本发明涉及电动汽车充电管理技术，特别涉及基于BERT(Bidirectional EncoderRepresentation from Transformers)的非侵入式负荷检测和充电容量预测方法，以及利用该方法实时调整电动汽车充电电价的方法。

技术背景

近年来，随着电动汽车及其相关技术的快速发展，越来越多的电动汽车接入电网，增加了电网负荷的复杂度。通过电动车充电容量预测算法，为电动汽车实时充电电价的制定提供数据支撑，有益于电动汽车的充电调度。现有的充电容量预测方法大多需依靠安装于在充电桩上相关电气数据检测设备获取的电动汽车充电信息来实现，这对充电桩硬件配置有一定要求，同时也不够经济。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于BERT的非侵入式台区充电桩状态监测与电价调整方法。

为解决技术问题，本发明的解决方案是：

提供一种基于BERT的非侵入式台区充电桩状态监测的方法，包括以下步骤：

(1)获取变电站台区的总功率历史数据和充电桩状态历史数据，作为训练样本；

(2)搭建BERT模型，从前往后依次包括嵌入层、Transformer层和输出层；

(3)确定训练用损失函数；

(4)使用梯度下降算法训练BERT模型，具体包括：

(4.1)随机初始化模型参数；

(4.2)把训练样本传入BERT模型，得到输出；

(4.3)根据损失函数计算得出损失；

(4.4)对每一个产生误差的神经元，调整模型参数以减小误差；

(4.5)重复步骤(4.2)至(4.4)直到损失收敛；

(5)将变电站台区中智能电表的历史总功率数据输入到训练好的BERT模型中，得到各充电桩的历史工作状态数据和历史充电功率数据(曲线)，实现台区充电桩状态监测。

本发明进一步提供了利用前述基于BERT的非侵入式台区充电桩状态监测方法进一步预测变电站台区剩余充电容量的方法，包括以下步骤：

(1)搭建并训练全连接前馈神经网络FFN；

(2)将训练好的BERT模型和FFN模型部署到智能电表上，智能电表实时读取变电站台区的总功率数据，并输入到训练好的BERT模型中，实时获取充电桩工作状态数据，形成历史充电功率数据(曲线)；

(3)根据智能电表读取的变电站台区的历史总功率和台区固有容量，计算得台区历史剩余容量数据；结合步骤(2)获得的历史充电功率数据，计算得到变电站台区的历史剩余充电容量；将结果输入训练好的FFN模型，得到预测的未来剩余充电容量。

本发明还提供了利用前述预测变电站台区剩余充电容量的方法进一步对实时充电电价进行调整的方法，包括以下步骤：