2.如权利要求1所述的储能调度方法，其特征在于，所述将充电站的参考信息输入预先

　　将充电站的参考信息输入预先建立的车辆充电预测模型得到参考车辆充电预测量；

　　将所述参考车辆充电预测量对应的时间划分为预设个数的时间段得到阶段充电预测

　　3.如权利要求1所述的储能调度方法，其特征在于，所述根据所述车辆充电预测量建立

　　根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定得到储能调度

　　4.如权利要求1所述的储能调度方法，其特征在于，所述根据所述储能调度模型得到参

　　5.如权利要求4所述的储能调度方法，其特征在于，所述根据储能调度模型得到每个时

　　6.如权利要求1所述的储能调度方法，其特征在于，所述根据所述参考调度策略对所述

　　7.如权利要求1‑6中任一项所述的储能调度方法，其特征在于，所述将充电站的参考信

　　根据所述历史车辆充电信息对预设神经网络进行训练得到初始车辆充电量预测模型；

　　根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量预测模型。

　　模型建立模块，用于将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆

　　9.一种储能调度设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储

　　器上并可在所述处理器上运行的储能调度程序，所述储能调度程序配置为实现如权利要求

　　10.一种存储介质，其特征在于，所述存储介质上存储有储能调度程序，所述储能调度

　　本发明涉及电动汽车技术领域，尤其涉及一种储能调度方法、装置、设备及存储介

　　让有限的充电桩尽量服务更多的电动汽车。然而在充电高峰时期，电网负载过高，

　　充电站的充电功率可能会不足，从而导致车辆的充电时间更长。这样一来，在同样的时间范

　　围内，可以服务的车辆数就会更少。为每个充电桩配备一个储能系统，在充电低谷期时充电

　　存储电量，在充电高峰期时，协助充电桩馈电给电动汽车。可一定程度上缓解电网的负担，

　　满电，然后在高峰期馈电。然而若过早地为储能系统储备了大量电量，这些电量有可能会有

　　损失。且这些方案没有考虑到电价的因素，或许在真正的电价最低点到来之前，已经将储能

　　括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的储能调度程序，所述

　　此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有储能

　　调度程序，所述储能调度程序被处理器执行时实现如上文所述的储能调度方法的步骤。

　　能调度模型，通过储能调度模型在每天的不同时间选择不同的储能状态，每个时间的储能

　　状态的改变最终组成完整的储能调度策略，根据利润模型计算每个储能调度策略的利润，

　　基于前一次储能调度策略的利润值生成新的储能调度策略，将利润最高的储能调度策略作

　　参照图1，图1为本发明实施例方案涉及的硬件运行环境的储能调度设备结构示意

　　如图1所示，该储能调度设备可以包括：处理器1001，例如中央处理器(Central

　　(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接

　　NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

　　本领域技术人员可以理解，图1中示出的结构并不构成对储能调度设备的限定，可

　　如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模

　　在图1所示的储能调度设备中，网络接口1004主要用于与网络服务器进行数据通

　　信；用户接口1003主要用于与用户进行数据交互；本发明储能调度设备中的处理器1001、存

　　储器1005可以设置在储能调度设备中，所述储能调度设备通过处理器1001调用存储器1005

　　本发明实施例提供了一种储能调度方法，参照图2，图2为本发明一种储能调度方

　　步骤S10：将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电

　　时间、日期、日类型、温度以及当天的充电量建立的模型，通过该模型输入当天的时间、日

　　行训练得到初始车辆充电量预测模型，其中预设神经网络可以是MLP神经网络，也可以是贝

　　叶斯神经网络；根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量

　　预测模型，验证数据集可以是采集的同地区的其他地方的充电站的历史充电信息也可以是

　　通过其他方法的得到的类似充电站的历史信息，基于历史信息通过初始车辆充电量预测模

　　型进行预测，在通过当天充电量的真实值对初始车辆充电量预测模型中的权重进行调整最

　　辆充电预测量，参考车辆充电预测量可以是以统计表、折现表等方式表现的整体车辆充电

　　预测量(当天全天的车辆充电预测量)；将所述参考车辆充电预测量对应的时间划分为预设

　　个数的时间段得到阶段充电预测量，预设个数可以是24个(以24个小时为标准进行划分)、3

　　个(以“早上8个小时+下午8小时+晚上8小时”为标准进行划分)，可根据实际情况进行调整，

　　本发明对此不作限定，其中阶段充电预测量为每个时间段的充电预测量，例如，早上8小时

　　的充电量为A，下午8小时的充电量为B等等；根据所述阶段充电预测量得到车辆充电预测

　　量，将每个阶段充电预测量进行整合的到车辆充电预测量，车辆充电预测量可以是表格样

　　态变化的次数，其中，充电站储能状态有空闲、充电、馈电三种状态，通过利润模型可以计算

　　点，在初始节点向下一个节点延伸至最后一个时间节点得到一种调度策略，第一次迭代根

　　据实际需求可以生成预设个数的初始节点状态，从而得到预设个数的调度策略，预设个数

　　可以是10个、20个，本发明对此不作限定，可根据节点数量进行调整，调度模型生成调度策

　　略的过程可参考图3，图中在初始节点生成10个初始节点状态，经过预设个数的状态变化得

　　在具体实施中，车辆充电预测量将一天的充电预测量分为12个时间段，则生成12

　　个时间节点，并且在初始节点生成20个初始状态，则第一次迭代可以生成20种调度策略，其

　　中的调度策略可展示为：空闲‑空闲‑充电‑充电‑充电‑充电‑馈电‑空闲‑空闲‑馈电‑馈电‑

　　应理解的是，储能调度可以是指对安装在充电站内部的ESS储能设备的充放电控

　　制，ESS储能设备可以从充电站内部为自己补充电量，也可以为充电站内的充电桩进行供

　　建立储能调度模型，通过储能调度模型在每天的不同时间选择不同的储能状态，每个时间

　　的储能状态的改变最终组成完整的储能调度策略，根据利润模型计算每个储能调度策略的

　　利润，基于前一次储能调度策略的利润值生成新的储能调度策略，将利润最高的储能调度

　　步骤S21：根据所述车辆充电预测量预设个数的时间段得到充电站储能变化次数。

　　量根据时间划分为多个时间段，例如车辆充电预测量是预测一个月的充电量，将一个月的

　　充电量划分为30个时间段，每个时间段为一天，也可以是将一个月的充电量划分为3个时间

　　充电预测量划分为多少个时间段，则充电站储能设备的储能状态可以对应改变多少次，例

　　如，将车辆充电预测量根据时间顺序划分为12个时间段，则充电站储能设备的储能状态可

　　可理解的是，电价参考信息可以是充电站当地的电价收费标准、收费阶梯；充电站

　　损耗信息可以是充电站储能设备预测时间端内的维修费用，储能设备预测时间段内的损耗

　　例，充电站的日利润值包括每天车辆充电量的收入、储能设备每天充电的支出、储能设备平

　　表示使用一个储能设备平均每天需要的费用；days表示储能设备的使用寿命(单

　　其中SOC(t)表示在第t个时间段，储能设备的电量占容量的百分比，其计算公式

　　其中，SOC(0)表示最开始时储能设备电量；Θ(t)表示在第t个时间段时的储能状

　　态(ESS状态，其中ESS可以表示储能设备)，Θ(t)为‑1表示充电状态，Θ(t)为0表示空闲状

　　步骤S24：根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定

　　可理解的是，预设算法可以是蚁群算法，也可以是遗传算法、模拟退火算法，禁忌

　　预设个数的时间段设定蚁群中蚂蚁个体的路线节点个数，其中蚂蚁在每个路线节点有与储

　　蚂蚁个体在起点位置有3个方向可以到达第1个节点；从第二个节点有3个方向到达第2个节

　　[0110] 其中，K为迭代次数，z为路线方向(储能状态)，t为节点位置(时间段)； 为

　　节点位置时，选择的路线为θ(t)时，下一节点位置如果选择该方向时，该路线上的信息素浓

　　进行说明；每个时间段对应为蚂蚁个体的节点位置，储能状态为蚂蚁个体的路线方向；选择

　　概率可以是蚂蚁个体选择路线方向的概率，其中根据影响因子以及参考利润值得到储能状

　　态概率；其中影响因子可以通过平均电价以及当前时间段电价计算得到，计算公式可以是：

　　考调度策略的利润值得到利润值最大的参考调度策略；将所述利润值最大的调度策略作为

　　则此次迭代为最后依次迭代。通过蚁群算法生成的蚂蚁个体最终得到的信息素浓度最高的

　　行参数设定，在通过车辆充电预测量对蚁群算法进一步限定得到储能调度模型，储能调度

　　模型中的蚁群算法每次生成多个蚂蚁个体，每个蚂蚁个体根据状态选择概率和上次迭代的