充电定价方法、服务器、系统、设备及介质技术方案

本发明专利技术提供一种充电定价方法、服务器、系统、设备及介质，所述方法包括：接收到电动汽车的充电请求后，获取所述电动汽车当前状态，以及从电网提供商系统获取电网当前状态，从充电服务商系统获取充电服务设施当前状态，从中心云获取训练好的数学模型；根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略。本发明专利技术能够减轻网络负担，降低传输能耗，有效减少用户等待时间，响应电动汽车用户动态需求，优化电网整体效率，针对电动汽车为充电服务商确定充电定价策略。为充电服务商确定充电定价策略。为充电服务商确定充电定价策略。

【技术实现步骤摘要】
充电定价方法、服务器、系统、设备及介质


[0001]本专利技术涉及充电服务
，尤其涉及一种充电定价方法、MEC服务器、充电定价系统、相应的计算机设备及计算机可读存储介质。

技术介绍

[0002]现有的充电定价方法主要以单个充电站为粒度进行处理，缺乏对全局的考虑，充电定价模型主要是基于特定场景下的静态模型，缺乏解决实际问题的通用性。
[0003]在中心云进行定价计算的充电定价策略，需要从网络边缘收集所需的原始数据传输到中心云，计算完成后将处理结果从中心云传输到终端，数据传输量较大，时延较长，增加了网络负载压力和能耗，特别是当充电服务的供需动态变化时，充电定价策略生成的计算需求和时延会显著增加。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的上述不足，提供一种充电定价方法、服务器、系统、设备及介质，以解决现有技术的充电定价方法缺乏全局性和通用性，数据传输量较大，时延较长，不能在供需动态变化时快速确定充电定价策略等问题。
[0005]第一方面，本专利技术提供一种充电定价方法，应用于边缘计算MEC服务器，所述方法包括：
[0006]接收到电动汽车的充电请求后，获取所述电动汽车当前状态，以及从电网提供商系统获取电网当前状态，从充电服务商系统获取充电服务设施当前状态，从中心云获取训练好的数学模型；
[0007]根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略。
[0008]优选地，所述采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略之后，所述方法还包括：
[0009]将所述充电定价策略发送给所述充电服务商系统，以使所述充电服务商系统根据所述充电定价策略向所述电动汽车发送充电价格。
[0010]优选地，所述电动汽车当前状态包括：电动汽车的容量、剩余能量、当前位置、充电服务类型；
[0011]所述电网当前状态包括：电网的当前供电价格、当前负载状态；
[0012]所述充电服务设施当前状态包括：充电服务设施的数量、位置、当前运营状态、当前排队长度、以及所述电动汽车到达充电服务设施的当前道路交通状况。
[0013]优选地，所述从中心云获取训练好的数学模型之前，所述方法还包括：
[0014]将电动汽车历史状态、电网历史状态以及充电服务设施历史状态发送给中心云，以使所述中心云基于所述电动汽车历史状态、所述电网历史状态以及所述充电服务设施历
史状态训练数据模型得到所述训练好的数学模型。
[0015]优选地，所述数学模型具体采用马尔可夫决策过程MDP模型。
[0016]优选地，在所述数学模型中：
[0017]定义状态包括：电动汽车状态、电网状态、以及充电服务设施状态；
[0018]定义动作包括：充电价格的升降；
[0019]定义奖励包括：充电服务商的收益和/或电网负载平衡。
[0020]优选地，所述根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略，具体包括：
[0021]将所述电动汽车当前状态、所述电网当前状态和所述充电服务设置当前状态作为当前时刻状态S
t
输入所述训练好的数学模型；
[0022]采用DRL方法根据所述当前时刻状态S
t
产生一个动作a
t
，根据所述动作a
t
转移到下个时刻状态S
(t+1)
，并获得相应奖励r(S
t
，a
t
)，根据所述奖励r(S
t
，a
t
)确定所述电动汽车的充电定价策略。
[0023]第二方面，本专利技术提供一种充电定价装置，设置于边缘计算MEC服务器，所述装置包括：
[0024]获取模块，用于接收到电动汽车的充电请求后，获取所述电动汽车当前状态，以及从电网提供商系统获取电网当前状态，从充电服务商系统获取充电服务设施当前状态，从中心云获取训练好的数学模型；
[0025]定价模块，与所述获取模块连接，用于根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略。
[0026]第三方面，本专利技术提供一种充电定价系统，包括：
[0027]边缘计算MEC服务器，用于执行如上所述的充电定价方法；
[0028]电动汽车，用于向所述MEC服务器提供电动汽车当前状态；
[0029]电网提供商系统，用于向所述MEC服务器提供当前电网状态；
[0030]充电服务商系统，用于向所述MEC服务器提供当前充电服务设施状态；
[0031]中心云，用于向所述MEC服务器提供训练好的数学模型。
[0032]第四方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如上所述的充电定价方法。
[0033]第五方面，本专利技术提供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，实现如上所述的充电定价方法。
[0034]本专利技术提供一种充电定价方法、服务器、系统、设备及介质，通过MEC服务器与电动汽车、电网提供商系统、充电服务商系统进行数据交互，收集电动汽车、电网和充电服务设施的当前状态信息，利用中心云训练好的数学模型，由MEC服务器采用DRL方法确定充电定价策略，原始数据不再需要从网络边缘传输到中心云进行处理，MEC服务器和中心云之间只需要传输少量数据，能够减轻网络负担，降低传输能耗，有效减少用户等待时间，响应电动汽车用户动态需求，优化电网整体效率，针对电动汽车为充电服务商确定充电定价策略。
附图说明
[0035]图1是本专利技术实施例1的一种充电定价方法的流程图；
[0036]图2是本专利技术实施例2的一种充电定价装置的结构示意图；
[0037]图3是本专利技术实施例3的一种充电定价系统的结构示意图；
[0038]图4是本专利技术实施例4的一种计算机设备的结构示意图。
具体实施方式
[0039]为使本领域技术人员更好地理解本专利技术的技术方案，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0040]可以理解的是，此处描述的具体实施例和附图仅仅用于解释本专利技术，而非对本专利技术的限定。
[0041]可以理解的是，在不冲突的情况下，本专利技术中的各实施例及实施例中的各特征可相互组合。
[0042]可以理解的是，为便于描述，本专利技术的附图中仅示出了与本专利技术相关的部分，而与本专利技术无关的部分未在附图中示出。
[0043]可以理解的是，本专利技术的实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种充电定价方法，其特征在于，应用于边缘计算MEC服务器，所述方法包括：接收到电动汽车的充电请求后，获取所述电动汽车当前状态，以及从电网提供商系统获取电网当前状态，从充电服务商系统获取充电服务设施当前状态，从中心云获取训练好的数学模型；根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略。2.根据权利要求1所述的方法，其特征在于，所述采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电动汽车的充电定价策略之后，所述方法还包括：将所述充电定价策略发送给所述充电服务商系统，以使所述充电服务商系统根据所述充电定价策略向所述电动汽车发送充电价格。3.根据权利要求1所述的方法，其特征在于，所述电动汽车当前状态包括：电动汽车的容量、剩余能量、当前位置、充电服务类型；所述电网当前状态包括：电网的当前供电价格、当前负载状态；所述充电服务设施当前状态包括：充电服务设施的数量、位置、当前运营状态、当前排队长度、以及所述电动汽车到达充电服务设施的当前道路交通状况。4.根据权利要求1所述的方法，其特征在于，所述从中心云获取训练好的数学模型之前，所述方法还包括：将电动汽车历史状态、电网历史状态以及充电服务设施历史状态发送给中心云，以使所述中心云基于所述电动汽车历史状态、所述电网历史状态以及所述充电服务设施历史状态训练数据模型得到所述训练好的数学模型。5.根据权利要求1～4任意一项所述的方法，其特征在于，所述数学模型具体采用马尔可夫决策过程MDP模型。6.根据权利要求5所述的方法，其特征在于，在所述数学模型中：定义状态包括：电动汽车状态、电网状态、以及充电服务设施状态；定义动作包括：充电价格的升降；定义奖励包括：充电服务商的收益和/或电网负载平衡。7.根据权利要求6所述的方法，其特征在于，所述根据所述电动汽车当前状态、所述电网当前状态和所述充电服务设施当前状态，采用分布式强化学习DRL方法利用所述训练好的数学模型确定所述电...

【专利技术属性】
技术研发人员：刘晶，任思颖，毋涛，廖军，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：