一種基于車輛信息的充電樁智能充電方法與流程

本發明涉及智能充電樁，尤其涉及一種基于車輛信息的充電樁智能充電方法。

背景技術：

1、隨著全球對環境保護的日益重視，以及國家政策的積極推動，新能源汽車行業正以前所未有的速度發展，新能源汽車，尤其是電動汽車，因其零排放或低排放的特點，被視為未來交通領域的重要發展方向，這一趨勢直接推動了充電樁作為新能源汽車核心基礎設施的需求快速增長，傳統充電樁在充電過程中往往缺乏智能化管理，導致用戶需要長時間等待或面臨充電不便的問題。

2、中國專利公開號：cn117671663a公開了一種充電樁識別系統，包括充電車位，所述充電車位的入口處一側固定安裝有控制顯示一體機，所述充電車位的中部安裝有地鼠，用于阻止不符合規定的車輛進入充電車位，所述控制顯示一體機的頂端安裝有高清識別攝像頭，用于對車輛進行拍照，并對其車牌圖像進行識別，所述充電車位遠離其入口一側固定安裝有充電樁，所述充電樁的側壁上安裝有充電槍，本發明通過高清識別攝像頭自動抓拍車輛的圖像并識別出車牌識號；依據車牌識號的位數判定車輛類別，識別的車牌類別為需要充電的綠牌車輛時，將判定指令反饋至控制顯示一體機的控制模塊，通過控制模塊控制地鼠進行下降，此時將車輛停入至充電車位上。但該方案未針對不同車型設置對應的充電方案，且未在充電過程中對充電樁輸出功率進行實時更改，難以提高充電樁充電效率。

技術實現思路

1、為此，本發明提供一種基于車輛信息的充電樁智能充電方法，用以克服現有技術中充電效率較低的問題。

2、為實現上述目的，本發明提供一種基于車輛信息的充電樁智能充電方法，包括：

3、步驟s1，對車輛圖像數據、車主賬號數據和車輛電池狀態數據進行獲取；

4、步驟s2，根據數據處理方法對車輛圖像數據、車主賬號數據和車輛電池狀態數據進行預處理，得到預處理圖像數據、預處理賬號數據和預處理電池數據；

5、步驟s3，構建智能充電模型；

6、步驟s4，根據智能充電模型輸出識別分類結果，將識別分類結果與充電樁數據庫進行比對，并根據比對結果輸出充電樁充電功率；

7、步驟s5，根據充電速度對充電樁充電功率的匹配度進行判斷，并根據判斷結果對充電樁充電功率進行實時調整；

8、步驟s6，根據電池溫度對預設充電速度閾值的有效性進行判斷，并根據判斷結果對預設充電速度閾值進行修正；

9、步驟s7，根據電池電量占比對充電樁充電功率的適用性進行判斷，并根據判斷結果對充電樁充電功率進行優化；

10、步驟s8，根據電池實際容量對預設電池電量占比的準確性進行判斷，并根據判斷結果對預設電池電量占比進行校正。

11、進一步地，所述數據處理方法包括：

12、步驟s20，對車輛圖像數據進行預處理，得到預處理圖像數據；

13、步驟s21，對賬號數據和電池數據進行預處理，得到預處理賬號數據和預處理電池數據。

14、進一步地，在所述步驟s20中，通過圖像處理工具對車輛圖像數據進行預處理，并通過像素值歸一化對預處理后的圖像數據進行像數值處理，得到預處理圖像數據，設定像素值歸一化的計算公式為：

15、x0＝(x-xmin)/(xmax-xmin)

16、其中，x0為標準化圖像數據歸一化后的像素值，x為標準化圖像數據需要被歸一化的原始像素值，xmin為標準化圖像數據的像數值中的最小值，xmax為標準化圖像數據的像數值中的最小值；

17、在所述步驟s21中，通過數據處理工具對車主賬號數據和車輛電池狀態數據進行預處理，得到預處理賬號數據和預處理電池數據。

18、進一步地，在所述步驟s3中，在構建智能充電模型時，將歷史車輛圖像數據劃分為80％的圖像訓練集和20％的圖像驗證集，并將圖像訓練集輸入至卷積神經網絡模型中進行訓練，將圖像驗證集輸入至訓練后的卷積神經網絡模型中對超參數進行迭代優化，直至卷積神經網絡模型輸出的正確率達到98％時，將該卷積神經網絡模型輸出為圖像識別模型。

19、進一步地，在所述步驟s3中，在構建智能充電模型時，還將歷史車主賬號數據和歷史車輛電池狀態數據劃分為75％的數據訓練集和25％的數據驗證集，將數據訓練集輸入至決策樹模型中進行訓練，并將數據驗證集輸入至訓練后的決策樹模型中對決策樹模型的超參數進行優化設置，直至決策樹模型的分類準確率達到95％時，將該決策樹模型輸出為數據分類模型，將圖像識別模型與數據分類模型作為智能充電模型進行輸出。

20、進一步地，在所述步驟s4中，將預處理圖像數據、預處理賬號數據和預處理電池數據輸入至智能充電模型進行識別分類，得到識別分類結果，將識別分類結果與充電樁數據庫進行比對，根據比對結果輸出充電樁充電功率p，其中：

21、當充電樁數據庫中存在與識別分類結果一致的預設識別分類結果時，將與預設識別分類結果對應的預設充電樁充電功率p0作為充電樁充電功率p進行輸出：

22、當充電樁數據庫中不存在與識別分類結果一致的預設識別分類結果時，將所述識別分類結果發送至管理員終端，由管理員終端對充電樁數據庫進行更新，并根據更新后的充電樁數據庫重復步驟s4，直至充電樁數據庫中存在與識別分類結果一致的預設識別分類結果。

23、進一步地，在所述步驟s5中，獲取充電速度v，將充電速度v與預設充電速度閾值v0進行比對，根據比對結果對充電樁充電功率p的匹配度進行判斷，并根據判斷結果對充電樁充電功率p進行實時調整，其中：

24、當v落在v0上時，判定充電樁充電功率p高度匹配，不對充電樁充電功率p進行實時調整；

25、當v不落在v0上時，判定充電樁充電功率p不匹配，根據調整系數對充電樁充電功率p進行實時調整，設定調整系數a，a＝0.4x(v-v0)×e(v0-v)/v0，實時調整后的充電樁充電功率為pa，pa＝p(1-a)，并對實時調整后的充電樁充電功率pa進行輸出。

26、進一步地，在所述步驟s6中，獲取電池溫度t，將電池溫度t與預設高溫電池溫度t1和預設低溫電池溫度t2進行比對，根據比對結果對預設充電速度閾值v0的有效性進行判斷，并根據判斷結果對預設充電速度閾值v0進行修正，其中：

27、當t≥t1時，判定預設充電速度閾值v0無效，且電池溫度過高，切斷電源，并反饋至管理員終端，由管理員對設備進行維護；

28、當t1＞t＞t2時，判定預設充電速度閾值v0有效，不對預設充電速度閾值v0進行修正；

29、當t2≥t時，判定預設充電速度閾值v0無效，根據修正系數對預設充電速度v0進行修正，設定修正系數b，b＝1-(t/t2)×e-(t2-t)，修正后的預設充電速度閾值為vb0，vb0＝v0×b，并根據修正后的預設充電速度閾值重復步驟s5。

30、進一步地，在所述步驟s7中，獲取電池電量占比k，將電池電量占比k與預設電池電量占比k0進行比對，根據比對結果對充電樁充電功率p的適用性進行判斷，并根據判斷結果對充電樁充電功率p進行優化，其中：

31、當k≥k0時，判定充電樁充電功率p適用，不對充電樁充電功率p進行優化；

32、當k＜k0時，判定充電樁充電功率p不適用，根據優化系數對充電樁充電功率p進行優化，設定優化系數e，e＝(1-k/k0)×e-0.2×(k0-k)，優化后的充電樁充電功率為pe，pe＝p×e，并對優化后的充電樁充電功率pe進行輸出。

33、進一步地，在所述步驟s8中，獲取電池實際容量q，將電池實際容量q與預設電池實際容量q0進行比對，根據比對結果對預設電池電量占比的準確性進行判斷，并根據判斷結果對預設電池電量占比k0進行校正，其中：

34、當q≥q0時，判定預設電池電量占比k0準確性達標，不對預設電池電量占比k0進行校正；

35、當q＜q0時，判定預設電池電量占比k0準確性不達標，根據校正系數對預設電池電量占比k0進行校正，設定校正系數為d，d＝q/q0，校正后的預設電池電量占比為kd0，kd0＝ko/d。

36、與現有技術相比，本發明的有益效果在于，所述方法通過步驟s1獲取到車輛圖像數據、車主賬號數據和車輛電池狀態數據，為后續的充電決策提供全面、準確的信息基礎，通過步驟s2對采集到的原始數據進行清洗、去噪和特征提取，得到更加干凈、有用的預處理圖像數據、預處理賬號數據和預處理電池數據，從而提高了數據的質量和可用性，所述方法通過步驟s3基于機器學習和深度學習算法，結合歷史數據，構建能夠預測和優化充電過程的智能充電模型，提高充電效率，減少充電時間，同時保護電池健康，延長使用壽命，所述方法通過步驟s4將預處理后的數據輸入智能充電模型，模型根據預設充電功率p0進行判斷，并輸出最優的充電樁充電功率p，確保充電過程安全和高效，避免過充和過放對電池造成損害，所述方法通過步驟s5根據實時監測的充電速度v與預設充電速度v0進行比較，動態調整充電樁的充電功率p，以匹配實際充電需求，提高充電過程的靈活性和適應性，確保充電效率最大化，所述方法通過步驟s6根據電池溫度t與預設電池溫度t0的差異，對預設充電速度v0進行修正，以適應電池當前的工作狀態，防止電池因溫度過高而受損，同時優化充電速度，提高充電效率，所述方法通過步驟s7根據電池電量占比k與預設電池電量占比k0的比較結果，對充電樁的充電功率p進行進一步優化，以實現更精準的充電控制，提高充電精度，確保電池電量在合理范圍內，延長電池使用壽命，所述方法通過步驟s8比較電池實際容量q與預設實際容量q0，對預設電池電量占比k0進行校正，以反映電池的真實狀態，提高系統對電池狀態的識別能力，確保充電策略的準確性和有效性。

37、尤其，所述數據處理方法通過圖像處理工具對車輛圖像數據進行預處理，并通過像素值歸一化對預處理后的圖像數據進行像數值處理，提高圖像質量，統一像素值范圍，以提升識別準確率、加速算法收斂和增強泛化能力，通過數據處理工具對車主賬號數據和車輛電池狀態數據進行預處理，得到預處理賬號數據和預處理電池數據，清洗數據、格式化數據和特征提取，以提高數據分析效率。

38、尤其，在所述步驟s3中，在構建智能充電模型時，根據歷史車輛圖像數據對卷積神經網絡模型進行訓練，并將正確率達到98％卷積神經網絡模型輸出為圖像識別模型，通過大量數據的訓練和超參數的優化，卷積神經網絡模型能夠學習到車輛圖像中的關鍵特征，從而提高對車輛圖像的識別準確率。

39、尤其，在所述步驟s3中，在構建智能充電模型時，還根據歷史車主賬號數據和歷史車輛電池狀態數據對決策樹模型進行訓練，將分類準確率達到95％的決策樹模型輸出為數據分類模型，并將圖像識別模型與數據分類模型作為智能充電模型進行輸出，通過結合圖像識別和數據分類兩個模型，智能充電模型能夠更全面地了解車輛和車主的信息，從而做出更準確的充電決策。

40、尤其，在所述步驟s4中，將預處理圖像數據、預處理賬號數據和預處理電池數據輸入至智能充電模型進行識別分類，得到識別分類結果，將識別分類結果與充電樁數據庫進行比對，根據比對結果輸出充電樁充電功率p，并在充電樁數據庫中不存在與識別分類結果一致的預設識別分類結果時，將所述識別分類結果發送至管理員終端，由管理員終端對充電樁數據庫進行更新，并根據更新后的充電樁數據庫重復步驟s4，直至充電樁數據庫中存在與識別分類結果一致的預設識別分類結果，通過允許管理員在必要時更新充電樁數據庫，系統能夠靈活應對新車型、新電池技術或特殊充電需求的出現，確保充電服務的連續性和準確性，即使在面對未知或新類型的車輛和電池時，用戶也能通過系統的快速響應和管理員的及時干預獲得合適的充電服務，從而提升用戶體驗以及充電樁智能充電效率。

41、尤其，在所述步驟s5中，將充電速度v與預設充電速度閾值v0進行比對，根據比對結果對充電樁充電功率p的匹配度進行判斷，并根據判斷結果對充電樁充電功率p進行實時調整，通過實時調整充電功率，確保充電過程始終保持在最優狀態，從而提高充電效率，縮短充電時間。

42、尤其，在所述步驟s6中，將電池溫度t與預設高溫電池溫度t1和預設低溫電池溫度t2進行比對，根據比對結果對預設充電速度閾值v0的有效性進行判斷，并根據判斷結果對預設充電速度閾值v0進行修正，通過監測電池溫度并在高溫條件下切斷電源，有效防止了因電池過熱而引發的安全事故，保障了用戶和設備的安全，在電池溫度處于安全范圍內時，保持預設充電速度閾值v0的有效性，確保充電過程的高效進行，在低溫條件下，通過修正預設充電速度閾值以適應電池特性，提高充電效率，系統能夠根據不同電池溫度條件自動調整充電策略，提高了對不同環境和電池狀態的適應能力。

43、尤其，在所述步驟s7中，獲取電池電量占比k，將電池電量占比k與預設電池電量占比k0進行比對，根據比對結果對充電樁充電功率p的適用性進行判斷，并根據判斷結果對充電樁充電功率p進行優化，通過根據電池電量占比動態優化充電功率，系統能夠在電池電量較低時提供更快的充電速度，從而縮短充電時間，提高充電效率，避免在電池電量接近滿電時仍采用高功率充電，減少了對電池的過充風險，有利于延長電池使用壽命。

44、尤其，在所述步驟s8中，獲取電池實際容量q，將電池實際容量q與預設電池實際容量q0進行比對，根據比對結果對預設電池電量占比的準確性進行判斷，并根據判斷結果對預設電池電量占比k0進行校正，通過對預設電池電量占比k0的校正，系統能夠更準確地評估電池的剩余電量，從而制定更精確的充電策略，提高充電精度，系統能夠根據實際電池容量的變化自動調整預設電池電量占比k0，增強了系統對不同電池狀態的適應性和靈活性。