一种基于群充电系统的功率分配方法与流程

1.一种基于群充电系统的功率分配方法，其特征在于：所述分配方法包括以下步骤：

2.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s1中，电量状态表示为：其中，soci为第i个终端的电量状态，qi为当前电量，qmaxi为电池的最大电量容量，通过soc获取每个终端的电池剩余电量；充电功率的计算表示为：pi＝vi×ii，其中，pi为第i个终端的瞬时功率，vi为电压，ii为电流；传感器每秒采集一次数据，然后将这些数据打包成数据包传输到中央控制单元。

3.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s2中，通过无线网络或有线连接，将每个终端的监控数据传输到中央控制单元；中央控制单元接收数据后进行预处理，包括数据过滤、去噪；数据传输过程可以表示为：ti(t)＝f(di(t)，网络条件)，其中，di(t)为第i个终端在时间t的监控数据集，f为网络传输函数，考虑到网络带宽、延迟等因素；数据预处理包括数据过滤和去噪，采用移动平均滤波器来平滑数据：其中，为平滑后的数据，n为窗口大小，通过移动平均平滑数据，以去除短期波动突出长期趋势。

4.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s3中，在中央控制单元中运行智能算法，对所有终端的功率需求进行综合分析和计算，该步骤使用三种算法进行计算：包括线性规划、动态规划、机器学习，其中，线性规划表示为：此时，ci(pi)为第i个终端功率消耗的成本函数，约束条件为：其中，ptotal为系统的总功率限制，线性规划用于在满足总功率约束的条件下，最小化各终端的功率消耗成本；动态规划模型：状态转移方程：此时，vt(s)为状态s在时间t的最优值函数，ct(s,a)为状态s和行动a的即时成本，p(s|s,a)为状态转移概率，动态规划用于处理多阶段决策问题，优化每个时间点的功率分配策略；机器学习模型：使用历史数据训练机器学习模型，使用线性回归模型预测功率需求：其中，为预测的第i个终端功率需求，β0,β1,β2,β3为模型参数，机器学习模型通过学习历史数据中的模式，预测未来的功率需求；最后，通过多算法结合：pi(t)＝w1·lp(di(t))+w2·dp(di(t))+w3·ml(di(t))其中，w1,w2,w3为权重系数，通过交叉验证和加权平均法确定，lp、dp、ml分别表示线性规划。

5.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s4中，根据算法分析结果，动态调整并分配功率资源，确保各终端的充电效率最大化，中央控制单元通过控制器实时调整各终端的充电功率；功率分配公式：pi(t)＝f(di(t),ci(pi))，其中，pi(t)为第i个终端在时间t的分配功率，ci(pi)为算法分析结果；通过拉格朗日乘数法解决约束优化问题，拉格朗日函数为：其中，λ为拉格朗日乘数，通过求解拉格朗日函数的偏导数得到最优解。

6.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s5中，实时接收各终端的充电反馈，持续优化功率分配策略；通过反馈控制机制，不断调整算法参数和分配策略，适应不同充电需求和环境变化，其中，δpi(t)为功率调整量，ei(t)为第i个终端在时间t的误差，kp,ki,kd分别为比例、积分和微分控制系数，通过调整pid控制器的参数，实现系统响应速度：其中，为预测的功率需求，pi(t)为实际分配的功率；通过不断调整pid控制器的参数，优化功率分配策略，确保系统在变化的环境下保持稳定和高效。

7.根据权利要求1所述的一种基于群充电系统的功率分配方法，其特征在于：在步骤s6中，检测并处理充电过程中的异常情况，中央控制单元具备故障检测和处理功能，能够采取措施：若则ai(t)＝1，即表示异常，否则ai(t)＝0，即表示正常，其中，ai(t)为第i个终端在时间t的异常状态，为预测的功率需求，δ为异常阈值；当检测到异常情况时，系统会触发异常处理机制，及时调整分配策略，异常处理措施为：pi(t)＝pi(t-1)+δpi(t)，其中，δpi(t)为基于异常检测的功率调整量，通过异常处理机制，确权利要求书