一种可自动分配控制功率的充电方法与流程

1.本发明涉及智能电力分配
技术领域：
：，尤其涉及一种可自动分配控制功率的充电方法。
背景技术：
：：2.过去，传统的充电方法通常是固定功率充电，无法智能地根据电网负荷和用户需求进行动态调整，这种方法存在诸多问题，如充电时长不确定、充电效率低和电网负荷过高等，随着能源管理和智能电网技术的发展，自动分配控制功率的充电方法应运而生，智能充电桩具备通信能力和数据处理功能，能够实时监测充电需求、电网负荷以及用户优先级等信息，利用物联网技术，将充电桩与电网、用户终端等设备连接在一起，实现实时数据传输和信息交换，通过对历史数据和实时数据进行分析，以及运用统计学和机器学习等方法，预测用户充电需求和电网负荷情况，根据预测结果和设定的优先级规则，自动分配充电桩的功率输出，并灵活调整充电速度，以最大程度地满足用户需求同时保证电网稳定运行。然而，目前现有技术仍存在一些缺陷，充电需求预测模型仍有改进空间，特别是在考虑到用户行为的复杂性、海量数据的处理和变化情况下，模型的预测精度有待提高。技术实现要素：3.基于此，有必要提供一种可自动分配控制功率的充电方法，以解决至少一个上述技术问题。4.为实现上述目的，一种可自动分配控制功率的充电方法，所述方法包括以下步骤：步骤s1：通过自动充电桩系统采集汽车电源数据；对汽车电源数据进行数据预处理，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据；步骤s2：基于自然语言技术对充电枪状态数据进行语义信息转换处理，生成充电枪状态语义数据；对充电枪状态语义数据进行特征提取处理，生成充电枪功率特征数据；对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据；步骤s3：根据时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，生成充电枪功率预测数据；基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，从而生成充电枪实时功率预测数据；步骤s4：利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型；通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，生成充电功率控制策略模型；步骤s5：基于元学习技术对充电功率控制策略模型进行模型优化处理，生成充电功率控制策略优化模型；根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据；步骤s6：通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型；利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略；步骤s7：根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据；基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，得到充电枪控制实施结果数据；对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配。5.本发明通过自动充电桩系统采集汽车电源数据，对汽车电源数据进行数据预处理，可以去除数据中的噪声和异常值，提高数据的准确性和可靠性，生成汽车电源噪声数据，可以模拟实际充电环境中的噪声干扰，有助于评估充电功率优化算法的鲁棒性和性能，通过自动充电桩系统采集数据，可以实现自动化采集和处理，提高数据采集和处理的效率和准确性；通过自然语言技术对充电枪状态数据进行语义信息转换处理，可以将数据转化为可解释的语义信息，提高数据的可读性和可理解性，通过对充电枪状态语义数据进行特征提取处理，可以提取出与充电功率相关的特征，为后续充电功率优化提供有用的特征数据，通过对充电枪功率特征数据进行信息需求编码处理，可以将数据编码为规范化的数据格式，方便后续算法的处理和分析，并且可以帮助克服数据维度高、数据难以理解等问题，提高数据分析的效率和准确性；通过时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，可以预测未来一段时间内的充电功率需求，为充电功率优化提供有用的参考信息，基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，可以提高充电功率预测的准确性和精度，为充电功率优化提供更准确的预测结果，通过生成充电枪实时功率预测数据，可以根据历史数据和当前状态分析出未来的充电功率趋势，帮助决策者制定更加合理的充电策略，可以帮助优化充电功率的管理和控制，提高充电桩的利用效率，降低充电成本，提高用户体验；利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，可以根据历史数据和当前状态构建出自适应的充电控制策略模型，为充电功率优化提供有用的参考信息,通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，可以根据实时的充电功率需求预测结果动态调整充电控制策略，提高充电功率控制的准确性和精度,生成充电功率控制策略模型后，可以根据该模型对充电功率进行自适应控制，优化充电效率，提高充电桩的利用效率，降低充电成本，提高用户体验；基于元学习技术对充电功率控制策略模型进行模型优化处理，可以提高充电功率控制策略的效果和性能，进一步优化充电功率的管理和控制，根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，可以根据历史数据和经验提高充电功率控制策略的性能和准确性，生成充电功率元学习优化数据后，可以根据该数据进一步优化充电功率控制策略，提高充电效率和用户体验；通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，可以进一步提高充电功率控制策略的效果和性能，为充电功率优化提供更准确的控制策略，利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，可以通过可视化和解释模型的方式帮助决策者理解模型的预测结果和控制策略，提高决策的可靠性和可信度，生成充电控制策略后，可以根据该策略对充电功率进行动态控制，进一步提高充电效率和用户体验；根据充电控制策略对充电枪进行功率分配处理后，可以根据充电功率需求实时调整充电枪的功率输出，提高充电效率和用户体验，基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，可以实时监测和收集充电枪功率控制实施的结果数据，对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理后，可以根据实时的反馈信息动态调整充电枪功率输出，进一步提高充电效率和用户体验，实现充电功率的自动分配和控制，提高充电桩的利用效率，降低充电成本，提高用户体验。因此，本发明通过将噪声数据视为有价值的信息并进行语义化处理，利用噪声来增强电力控制数据的精度，以及使用自我适应的分类模型和元学习的方法，根据之前模型的控制结果进行动态优化，进一步提高模型的电力功率控制精度。6.本发明的有益效果在于通过自动充电桩系统采集汽车电源数据，并对其进行预处理，以生成汽车电源噪声数据，有助于准确地预测电源需求和充电枪状态，从而提高充电功率控制的精度，使用自然语言技术对充电枪状态数据进行语义信息转换处理，从中提取出充电枪功率特征数据，有助于快速准确地确定充电需求，从而提高充电功率控制的精度，通过时间序列分析技术和深度学习处理对充电枪功率预测数据进行处理，从而生成充电枪实时功率预测数据，有助于预测未来的充电需求，从而提高充电功率控制的精度，使用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型，并将充电枪实时功率预测数据导入该模型中进行动态调整，生成充电功率控制策略模型，有助于动态调整充电功率，进一步提高充电效率和用户体验，使用元学习技术对充电功率控制策略模型进行优化处理，生成充电功率控制策略优化模型，并根据历史性能指导优化公式对其进行策略优化处理，生成充电功率元学习优化数据，有助于提高充电功率控制策略的准确性和效率，通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型，并利用模型解释技术对其进行结果调整处理，生成充电控制策略，有助于生成更精确的充电控制策略，进一步提高充电效率和用户体验，根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据，并基于实时数据流处理技术对其进行实施结果收集处理，得到充电枪控制实施结果数据，根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配，有助于自动调整充电枪功率输出，提高充电效率和用户体验。因此，本发明通过将噪声数据视为有价值的信息并进行语义化处理，利用噪声来增强电力控制数据的精度，以及使用自我适应的分类模型和元学习的方法，根据之前模型的控制结果进行动态优化，进一步提高模型的电力功率控制精度。附图说明7.图1为一种可自动分配控制功率的充电方法的步骤流程示意图；图2为图1中步骤s2的详细实施步骤流程示意图；图3为图1中步骤s3的详细实施步骤流程示意图；图4为图1中步骤s4的详细实施步骤流程示意图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式8.下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。9.此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。10.应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。11.为实现上述目的，请参阅图1至图4，一种可自动分配控制功率的充电方法，所述方法包括以下步骤：步骤s1：通过自动充电桩系统采集汽车电源数据；对汽车电源数据进行数据预处理，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据；步骤s2：基于自然语言技术对充电枪状态数据进行语义信息转换处理，生成充电枪状态语义数据；对充电枪状态语义数据进行特征提取处理，生成充电枪功率特征数据；对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据；步骤s3：根据时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，生成充电枪功率预测数据；基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，从而生成充电枪实时功率预测数据；步骤s4：利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型；通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，生成充电功率控制策略模型；步骤s5：基于元学习技术对充电功率控制策略模型进行模型优化处理，生成充电功率控制策略优化模型；根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据；步骤s6：通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型；利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略；步骤s7：根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据；基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，得到充电枪控制实施结果数据；对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配。12.本发明通过自动充电桩系统采集汽车电源数据，对汽车电源数据进行数据预处理，可以去除数据中的噪声和异常值，提高数据的准确性和可靠性，生成汽车电源噪声数据，可以模拟实际充电环境中的噪声干扰，有助于评估充电功率优化算法的鲁棒性和性能，通过自动充电桩系统采集数据，可以实现自动化采集和处理，提高数据采集和处理的效率和准确性；通过自然语言技术对充电枪状态数据进行语义信息转换处理，可以将数据转化为可解释的语义信息，提高数据的可读性和可理解性，通过对充电枪状态语义数据进行特征提取处理，可以提取出与充电功率相关的特征，为后续充电功率优化提供有用的特征数据，通过对充电枪功率特征数据进行信息需求编码处理，可以将数据编码为规范化的数据格式，方便后续算法的处理和分析，并且可以帮助克服数据维度高、数据难以理解等问题，提高数据分析的效率和准确性；通过时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，可以预测未来一段时间内的充电功率需求，为充电功率优化提供有用的参考信息，基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，可以提高充电功率预测的准确性和精度，为充电功率优化提供更准确的预测结果，通过生成充电枪实时功率预测数据，可以根据历史数据和当前状态分析出未来的充电功率趋势，帮助决策者制定更加合理的充电策略，可以帮助优化充电功率的管理和控制，提高充电桩的利用效率，降低充电成本，提高用户体验；利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，可以根据历史数据和当前状态构建出自适应的充电控制策略模型，为充电功率优化提供有用的参考信息,通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，可以根据实时的充电功率需求预测结果动态调整充电控制策略，提高充电功率控制的准确性和精度,生成充电功率控制策略模型后，可以根据该模型对充电功率进行自适应控制，优化充电效率，提高充电桩的利用效率，降低充电成本，提高用户体验；基于元学习技术对充电功率控制策略模型进行模型优化处理，可以提高充电功率控制策略的效果和性能，进一步优化充电功率的管理和控制，根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，可以根据历史数据和经验提高充电功率控制策略的性能和准确性，生成充电功率元学习优化数据后，可以根据该数据进一步优化充电功率控制策略，提高充电效率和用户体验；通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，可以进一步提高充电功率控制策略的效果和性能，为充电功率优化提供更准确的控制策略，利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，可以通过可视化和解释模型的方式帮助决策者理解模型的预测结果和控制策略，提高决策的可靠性和可信度，生成充电控制策略后，可以根据该策略对充电功率进行动态控制，进一步提高充电效率和用户体验；根据充电控制策略对充电枪进行功率分配处理后，可以根据充电功率需求实时调整充电枪的功率输出，提高充电效率和用户体验，基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，可以实时监测和收集充电枪功率控制实施的结果数据，对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理后，可以根据实时的反馈信息动态调整充电枪功率输出，进一步提高充电效率和用户体验，实现充电功率的自动分配和控制，提高充电桩的利用效率，降低充电成本，提高用户体验。因此，本发明通过将噪声数据视为有价值的信息并进行语义化处理，利用噪声来增强电力控制数据的精度，以及使用自我适应的分类模型和元学习的方法，根据之前模型的控制结果进行动态优化，进一步提高模型的电力功率控制精度。13.本发明实施例中，参考图1所述，为本发明一种可自动分配控制功率的充电方法的步骤流程示意图，在本实例中，所述一种可自动分配控制功率的充电方法包括以下步骤：步骤s1：通过自动充电桩系统采集汽车电源数据；对汽车电源数据进行数据预处理，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据；本发明实施例中，通过使用合适的传感器和采集设备，将汽车电源数据从充电枪传输到充电桩系统，自动充电桩系统通过与汽车连接的充电枪，获取汽车电源数据，这些数据可以包括电压、电流、频率等信息，采集到的汽车电源数据可能存在噪声和异常值，需要进行预处理来提高数据的质量和准确性，其中预处理包括数据清洗、数据集成、数据规约等步骤，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据。14.步骤s2：基于自然语言技术对充电枪状态数据进行语义信息转换处理，生成充电枪状态语义数据；对充电枪状态语义数据进行特征提取处理，生成充电枪功率特征数据；对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据；本发明实施例中，通过使用自然语言技术，可以将充电枪状态数据转换为更具语义信息的形式。这可以涉及使用语义解析、命名实体识别、关系抽取等技术来识别充电枪状态中的关键信息元素，并将其转换为语义化的表示形式，生成充电枪状态语义数据，例如，将"已连接"表示为"充电枪与汽车已成功连接"，将"未连接"表示为"充电枪未与汽车连接，从充电枪状态语义数据中提取关键的特征信息，例如识别与充电枪状态和具体操作相关的关键词，如"连接"、“断开”、"充电中"等，生成充电枪功率特征数据，将充电枪功率特征数据中的连续数值进行离散化，转换为能够表示不同级别或类别的编码，将充电枪功率特征数据中的离散分类变量进行独热编码，生成对应的二进制编码向量，对于具有时序特征的充电枪状态数据，可以使用序列编码方法，如循环神经网络（rnn）或长短期记忆（lstm）来捕捉状态变化的时序模式，生成充电枪功率需求编码数据。15.步骤s3：根据时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，生成充电枪功率预测数据；基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，从而生成充电枪实时功率预测数据；本发明实施例中，通过使用时间序列分析方法（如arima、指数平滑等）来对充电枪功率需求编码数据进行预测，捕捉数据中的趋势、周期和季节性特征，并基于历史数据进行预测，在进行预测之前，可以使用特征工程方法来提取与功率需求相关的特征，包括历史功率需求数据的滞后特征、统计特征（如均值、标准差）以及其他影响因素（如时间、天气等）的编码特征，生成充电枪功率预测数据，将充电枪功率预测数据作为时间序列输入，同时考虑与之相关的其他特征。将数据集划分为训练集、验证集和测试集，并进行适当的数据标准化处理，使用lstm网络构建模型，该网络能够捕捉序列数据中的长期依赖关系，通过设置不同的lstm层数和单元数量，根据问题的复杂度进行调整，使用训练集对lstm模型进行训练，并通过反向传播算法更新模型的权重，例如可以使用适当的损失函数（如均方误差）来衡量预测结果与实际值之间的差异，使用验证集评估模型的性能，并根据评估结果进行模型调优，如调整模型架构、学习率和正则化方法，使用经过训练和调优的lstm模型对测试集进行预测，生成充电枪实时功率预测数据。16.步骤s4：利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型；通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，生成充电功率控制策略模型；本发明实施例中，通过利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程的问题，使用q-learning方法来构建自适应充电控制策略模型，该模型将学习如何在不同的状态和行动之间进行权衡，以最大化累积奖励，通过将汽车电源需求数据进行编码，定义一系列状态表示电源需求的特征，可以包括当前电池电量、充电速度、充电枪功率需求等，定义一组可能的充电功率控制策略作为模型的动作空间，可以包括充电功率的增加或减少，以及保持当前功率不变等，根据充电过程中的电池充电效率、充电速度和需求满足程度等因素，定义奖励函数来评估每个状态和行动组合的优劣，奖励函数鼓励充电过程中的高效能和需求满足，利用q-learning算法更新q-table，该表记录每个状态和动作的q值（预期累积奖励）。通过训练迭代，逐渐优化策略模型，通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，生成充电功率控制策略模型。17.步骤s5：基于元学习技术对充电功率控制策略模型进行模型优化处理，生成充电功率控制策略优化模型；根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据；本发明实施例中，通过基于元学习技术对充电功率控制策略模型进行模型优化处理，元学习是一种机器学习的元层次学习方法，它通过学习如何进行学习来提高学习算法的效果和泛化能力，通过将在步骤s4中生成的充电功率控制策略模型作为原始模型输入到元学习过程中，通过确定一个适当的学习任务，例如历史性能指标优化、充电效率最大化、需求响应速度等，使用历史数据将数据集划分为训练集和测试集，以便用于元学习优化过程，利用元学习算法使用训练集对充电功率控制策略模型进行优化，元学习算法会根据输入的原始模型和指定的学习任务，学习如何调整和更新原始模型的参数，以改进模型性能，生成充电功率控制策略优化模型，根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据。18.步骤s6：通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型；利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略；本发明实施例中，通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，无监督学习是一种机器学习方法，它从没有标签的数据中学习数据的模式和结构，将利用无监督学习技术对充电功率元学习优化数据进行处理，以训练充电功率控制策略优化模型，使用充电功率元学习优化数据作为输入数据，这些数据包括优化参数和相应的性能指标，它们可以用于训练模型，应用无监督学习算法（如聚类、降维等）对输入数据进行处理，从中学习出充电功率控制策略的模式和结构，生成充电功率控制策略监督模型，利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，模型解释技术用于理解模型的决策过程和结果，通过分析模型解释的结果，我们可以根据特定的需求和约束对充电控制策略进行调整，包括调整参数设置、权重分配或者应用领域专业知识，以生成适应实际充电场景的最终充电控制策略，生成充电控制策略。19.步骤s7：根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据；基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，得到充电枪控制实施结果数据；对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配。20.本发明实施例中，通过基于预先定义的规则、优化算法或机器学习模型将充电功率分配给各个充电枪，根据充电需求、电网容量和充电枪的状态等因素，将可用的总功率合理地分配给每个充电枪，生成充电枪功率控制数据，使用实时数据流处理技术来处理充电枪功率控制数据，包括接收和解析充电枪的实时数据，计算功率分配结果，并在实时环境中进行处理和更新，对于每个充电枪，收集实际应用充电功率、充电时长、电量等数据，以及充电过程中的其他相关信息，形成充电枪控制实施结果数据，可以通过与目标功率进行比较，并根据偏差采取相应的控制策略来实现基于充电枪控制实施结果数据，运用反馈控制理论来自动调整充电枪的功率分配，利用反馈控制的机制，不断监测充电过程中的实际状态和结果，对充电枪的功率分配进行实时调整，以确保充电过程稳定、高效，并满足充电要求和电网条件。21.优选地，步骤s1包括以下步骤：步骤s11：通过设置的自动充电桩系统采集汽车电源数据；步骤s12：对汽车电源数据进行缺失值检测处理，若汽车电源数据存在缺失值，则对汽车电源数据进行缺失值填充处理，生成汽车电源缺失值数据；对汽车电源缺失值数据进行异常检测处理，若汽车电源缺失值数据存在异常值，则对汽车电源缺失值数据进行平滑处理，生成汽车电源异常处理数据；步骤s13：将汽车电源异常处理数据进行数据清洗处理，生成汽车电源清洗数据；步骤s14：基于数据湖对业务清洗数据进行数据集成处理，生成汽车电源集成数据；步骤s15：利用维度规约方法对汽车电源集成数据进行数据规约处理，从而生成汽车电源规约数据；步骤s16：通过噪声传感器对汽车电源规约数据进行数据噪声收集处理，从而得到汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据。22.本发明通过自动充电桩系统设置，可以实时采集汽车电源数据，可以获取到电动车的电源状态、电池电量、充电时长等关键信息，为后续的充电控制提供准确的数据基础，对采集到的汽车电源数据进行缺失值检测，并进行填充处理，有助于保证数据的完整性和连续性，避免由于缺失值带来的数据不准确性，确保后续的数据处理和分析的可行性，对汽车电源数据进行异常检测，识别和处理潜在的异常值，通过平滑处理异常值，可以减少异常数据对后续处理和分析的影响，提高数据的质量和可靠性，对异常处理后的汽车电源数据进行数据清洗，去除重复、无效、错误的数据，使得数据更加干净和一致，有助于减少数据的噪声和干扰，基于数据湖的方法对清洗后的业务数据进行集成处理，将不同来源的数据整合在一起，有助于综合利用多个数据源的信息，提取更全面的特征和指标，并支持后续的充电控制决策，利用维度规约方法对集成的汽车电源数据进行处理，降低数据的维度和复杂度，从而简化数据分析和模型建设的过程，提高计算效率和减少存储空间的需求，通过噪声传感器收集汽车电源数据中的噪声，特别是充电枪状态数据和汽车电源需求数据的噪声，有助于了解和分析噪声对充电控制和管理的影响，从而进行相应的优化和改进。23.本发明实施例中，通过搭建自动充电桩系统，包括充电桩设备、数据采集模块等，设置数据采集模块，确保能够准确地获取汽车电源数据，如电池电量、充电状态等，对采集到的汽车电源数据进行缺失值检测，确定是否存在缺失值，若存在缺失值，利用例如插值法或模型填充法进行缺失值填充，确保数据的完整性，对填充后的数据进行异常检测，识别异常值，若存在异常值，进行平滑处理，消除异常的影响，并生成异常处理数据，对异常处理数据进行数据清洗，包括去除重复数据、处理异常数据、校验数据的有效性等操作，通过建立数据湖架构，将清洗后的数据存储于数据湖中，对不同数据源的业务清洗数据进行集成处理，整合各个数据源的信息，建立关联关系，生成汽车电源集成数据，选择适当的维度规约方法，例如主成分分析（pca）等，对集成的汽车电源数据进行处理，生成汽车电源规约数据，设置噪声传感器，用于收集汽车电源规约数据中的噪声信息，收集充电枪状态数据和汽车电源需求数据中的噪声，并与规约数据相对应。24.优选地，步骤s2包括以下步骤：步骤s21：基于nlp语义解析技术对充电枪状态数据进行数据降维处理，生成充电枪状态降维数据；步骤s22：根据词嵌入技术对充电枪状态降维数据进行语义转换处理，生成充电枪语义向量；将充电枪语义向量进行矩阵组合处理，生成充电枪状态语义数据；步骤s23：对充电枪状态语义数据进行特征提取处理，得到充电枪功率数据；步骤s24：根据方差统计分析方法对充电枪功率数据进行特征分析处理，生成充电枪功率特征数据；步骤s25：利用二进制编码技术对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据。25.本发明通过nlp语义解析技术对充电枪状态数据进行数据降维处理，可以减少数据的复杂性和冗余性，提高数据处理的效率，通过nlp语义解析技术，可以将充电枪状态数据转化为更简洁和有代表性的降维数据，保留重要的语义信息，通过词嵌入技术，可以将充电枪状态降维数据转化为语义向量，丰富其语义表达能力，将充电枪语义向量进行矩阵组合处理，可以将不同语义维度的信息结合起来，提供更全面的充电枪状态语义数据，通过特征提取处理，从充电枪状态语义数据中提取出与充电枪功率相关的特征，充电枪功率数据是对充电枪性能和需求的重要指标，通过提取特征可以更好地理解和分析充电枪的功率情况，根据方差统计分析方法对充电枪功率数据进行特征分析处理，可以帮助我们了解充电枪功率数据的变化程度和稳定性，通过对充电枪功率数据进行特征分析，可以得到对充电枪功率特征的描述和统计指标，为后续分析和决策提供依据，利用二进制编码技术对充电枪功率特征数据进行信息需求编码处理，可以将充电枪功率特征数据转化为一系列具有信息需求的编码，充电枪功率需求编码数据可以用于进一步的数据处理、特征分析和模型训练等应用，帮助理解和预测充电枪的功率需求。26.作为本发明的一个实例，参考图2所示，在本实例中所述步骤s2包括：步骤s21：基于nlp语义解析技术对充电枪状态数据进行数据降维处理，生成充电枪状态降维数据；本发明实施例中，通过收集包含充电枪状态数据的样本数据集，这些数据可以包括充电枪的各种状态信息，例如充电枪的连接状态、电压、电流等，将充电枪状态数据转化为文本表示形式，例如可以将不同的状态信息组合成一段描述性的文本，或者将每个状态信息作为一个独立的文本数据，使用nlp技术对充电枪状态数据进行语义解析，包括词性标注、命名实体识别、句法分析等技术，以提取出数据中的语义信息，利用主成分分析或线性判别分析算法对提取的特征进行降维处理，以减少特征向量的维度，生成充电枪状态降维数据。27.步骤s22：根据词嵌入技术对充电枪状态降维数据进行语义转换处理，生成充电枪语义向量；将充电枪语义向量进行矩阵组合处理，生成充电枪状态语义数据；本发明实施例中，通过选择一个合适的词嵌入技术，例如word2vec、glove或fasttext，这些技术可以将词汇映射到连续的向量空间中，使得具有相似语义的词汇在向量空间中的距离较近，使用选定的词嵌入技术将充电枪状态降维数据进行语义转换，生成充电枪语义向量，对于每个状态降维数据，将其作为一个文本输入，通过词嵌入技术将其转化为一个固定维度的向量表示，将生成的充电枪语义向量进行矩阵组合处理，以生成充电枪状态语义数据，这可以通过将向量按列或行进行组合，形成一个矩阵数据结构。28.步骤s23：对充电枪状态语义数据进行特征提取处理，得到充电枪功率数据；本发明实施例中，通过根据选择的特征，进行特征提取处理，可以使用各种机器学习和信号处理技术，如统计特征提取、频域分析、时域分析、小波变换等方法，特征提取的目标是从数据中提取出具有信息量和代表性的特征，根据经过特征提取处理的特征，计算得到充电枪的功率数据，可以根据实际需求来定义，比如通过计算、聚合或转换特征得到功率值。29.步骤s24：根据方差统计分析方法对充电枪功率数据进行特征分析处理，生成充电枪功率特征数据；本发明实施例中，通过将经过步骤s23处理的充电枪功率数据准备好，确保数据格式正确且可用，这些数据可以包含充电枪在不同时间点的功率值，根据方差统计分析方法对充电枪功率数据进行特征分析处理，方差分析是一种统计方法，用于检验不同组之间的平均值是否有显著差异，在这里，我们可以使用方差分析来分析充电枪功率数据中的特征，据实际需求，将充电枪功率数据进行分组设定，例如，可以将数据按照时间段、地理位置、充电桩类型等进行分组，对每个组内的功率数据计算方差。方差表示数据的离散程度，较大的方差意味着数据在该组内的分散程度较高，计算不同组之间的功率数据的方差，这样可以比较不同组之间的功率数据的差异程度，根据计算得到的组内方差和组间方差，进行方差分析，通过方差分析可以确定不同组之间的功率特征是否存在显著差异，根据方差分析的结果，可以对充电枪功率数据进行特征提取和生成，生成充电枪功率特征数据，例如，可以选择具有显著差异的组别或特征进行进一步分析和处理。30.步骤s25：利用二进制编码技术对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据。31.本发明实施例中，通过将充电枪功率特征数据进行离散化处理，离散化可以将连续的功率特征值转化为离散的取值集合，方便进行二进制编码，根据离散化后的功率特征数据的取值范围，确定编码的位数，位数应足够表示所有的离散取值，使用二进制编码技术对离散化后的功率特征数据进行编码，例如，可以使用标准的二进制编码方法，将每个离散取值映射为一个对应的二进制码，根据二进制编码的结果，生成充电枪功率需求编码数据，每个离散化的功率特征值都会被替换为相应的二进制码。32.优选地，步骤s3包括以下步骤：步骤s31：通过滑动窗口法对充电枪功率需求编码数据进行时间序列切割处理，生成时间序列切割数据；步骤s32：利用季节性分解的时间序列方法对时间序列切割数据进行季节性趋势分解处理，生成时间序列分解数据；步骤s33：基于自回归移动平均模型对时间序列分解数据进行时间序列预测处理，生成充电枪功率预测数据；步骤s34：根据深度学习框架对充电枪功率预测数据进行数据标准化处理，生成标准充电枪功率预测数据；步骤s35：通过标准充电枪功率预测数据对基于长短期记忆网络的预设的序列模型进行模型训练处理，生成充电时间序列预测模型；将标准充电枪功率预测数据导入至充电时间序列预测模型中进行功率预测处理，生成充电枪实时功率预测数据。33.本发明通过滑动窗口法进行时间序列切割，然后应用季节性分解方法，可以帮助将时间序列数据分解为趋势、季节性和残差三个部分，这样的分解有助于理解时间序列数据的结构和模式，为后续的预测和建模提供基础，使用自回归移动平均模型（arima）或其他时间序列预测方法，可以利用时间序列分解数据来预测充电枪功率。这使得我们能够根据历史数据和趋势来推测未来的功率需求，有助于实现对充电设备的合理调度和资源管理，通过对充电枪功率预测数据进行标准化处理，可以使数据具有相似的尺度和范围，避免不同特征之间的差异引入偏差，标准化有助于提高模型的训练效果和性能，并使其更准确地进行充电功率预测，利用标准化的功率预测数据对预设的长短期记忆网络（lstm）模型进行训练，可以建立一个充电时间序列预测模型，有效地捕捉数据的长期依赖性，将标准化的功率预测数据输入到训练好的充电时间序列预测模型中，可以生成创新的充电枪功率预测数据，可以帮助决策者更好地了解未来充电需求的变化趋势，从而采取相应的措施，如调整充电设备的部署和优化能源调度。34.作为本发明的一个实例，参考图3所示，在本实例中所述步骤s3包括：步骤s31：通过滑动窗口法对充电枪功率需求编码数据进行时间序列切割处理，生成时间序列切割数据；本发明实施例中，通过准备好包含充电枪功率需求编码数据的时间序列数据集，确保数据按照时间顺序排列，选择一个适当的滑动窗口大小，该窗口将用于切割时间序列数据，窗口大小的选择取决于具体的应用场景和数据特征，从时间序列数据的起始点开始，以固定大小的窗口滑动，依次扫描整个时间序列数据集，每次滑动窗口移动一步，自数据集中提取一个窗口的子序列作为一个时间序列切割数据，这些子序列可以是连续的时间窗口，也可以是根据特定规则划分的窗口，重复滑动窗口移动，直到滑动窗口覆盖了整个时间序列数据集，生成所有的时间序列切割数据。35.步骤s32：利用季节性分解的时间序列方法对时间序列切割数据进行季节性趋势分解处理，生成时间序列分解数据；本发明实施例中，通过观察数据集，确定季节性的周期，周期可以是每天、每周、每月或其他特定的时间间隔，根据数据的特点进行选择，使用一种季节性分解方法，例如加法模型或乘法模型，对时间序列切割数据进行分解。常用的分解方法包括季节性分解、移动平均分解等，这些方法可以将时间序列分解为趋势、季节性和随机成分，从分解结果中提取趋势成分，该成分代表了数据的长期趋势变化，趋势成分反映了数据在较长时间尺度上的变化模式，从分解结果中提取季节性成分，该成分呈现了数据周期性的波动，季节性成分反映了数据在季节周期内的重复模式，从分解结果中提取随机成分，生成时间序列分解数据，该数据代表了数据中的随机噪声或不可预测的变动。36.步骤s33：基于自回归移动平均模型对时间序列分解数据进行时间序列预测处理，生成充电枪功率预测数据；本发明实施例中，通过根据数据的特性和预测目标，选择适合的arma模型（自回归移动平均模型），arma模型是一种广泛应用于时间序列预测的统计模型，它结合了自回归（ar）和移动平均（ma）的概念，通过最小二乘法、极大似然估计或其他统计方法使用历史时间序列数据来估计arma模型的参数，对估计的arma模型进行诊断检验，确保模型的拟合程度和可靠性，常见的诊断方法包括观察残差序列的自相关图、偏自相关图，以及进行统计检验，利用估计好的arma模型进行时间序列预测，根据预测的时间范围和频率，确定需要预测的时间点，使用历史数据和已有的模型参数进行预测，根据arma模型的预测结果，生成充电枪功率的预测数据。37.步骤s34：根据深度学习框架对充电枪功率预测数据进行数据标准化处理，生成标准充电枪功率预测数据；本发明实施例中，通过深度学习框架对充电枪功率预测数据进行数据标准化处理，将充电枪功率预测数据线性地映射到[0,1]的范围，标准化公式如下：x_std=(xꢀ‑ꢀx_min)/(x_maxꢀ‑ꢀx_min)；其中，x是原始的充电枪功率预测数据，x_std是标准化后的数据，x_min和x_max分别是充电枪功率预测数据的最小值和最大值，生成标准充电枪功率预测数据。[0038]步骤s35：通过标准充电枪功率预测数据对基于长短期记忆网络的预设的序列模型进行模型训练处理，生成充电时间序列预测模型；将标准充电枪功率预测数据导入至充电时间序列预测模型中进行功率预测处理，生成充电枪实时功率预测数据。[0039]本发明实施例中，通过选择适合的lstm模型作为充电时间序列预测模型，并准备模型训练所需的相关配置，包括模型的超参数和结构，将标准化的充电枪功率预测数据划分为训练集和测试集，通常，训练集占总数据量的大部分，用于模型的训练和参数调整，而测试集用于评估模型的性能，使用训练集对lstm模型进行训练，在训练过程中，通过最小化损失函数来优化模型的权重和偏置，使其能够更准确地预测充电枪功率时间序列，使用测试集评估已经训练好的模型的性能。可以使用各种指标（如均方根误差、平均绝对误差等）来衡量模型的预测精度，使用训练完成的充电时间序列预测模型，将标准化的充电枪功率预测数据输入模型中，进行功率预测处理。这将生成充电枪的创新功率预测数据，即根据历史信息预测未来一段时间内的功率变化趋势。[0040]优选地，步骤s4包括以下步骤：步骤s41：利用markov决策过程对汽车电源需求数据进行数据状态表达处理，生成汽车电源mdp表达数据；步骤s42：基于q-learning算法对汽车带能源mdp表达数据进行模型训练处理，生成汽车电源模型训练数据；步骤s43：对汽车电源模型训练数据进行仿真测试评估处理，生成汽车电源模型数据；将汽车电源模型数据与预设的预测结果数据范围进行对比处理，当汽车电源模型数据处于预测结果数据范围外时，则对汽车电源模型数据进行数据优化处理，生成自适应控制策略模型；步骤s44：将充电枪实时功率预测数据导入特征权重调整公式中进行特征权重计算处理，得到充电功率特征权重数据；步骤s45：根据充电功率特征权重数据对自适应充电控制策略模型进行动态调整处理，从而生成充电功率控制策略模型。[0041]本发明通过利用markov决策过程对汽车电源需求数据进行数据状态表达处理，生成汽车电源mdp表达数据，可以将原始数据进行转换和表示，使其适用于mdp模型的建模，可以更好地理解和描述汽车电源需求的动态和状态变化，有助于后续的模型训练和控制策略生成；基于q-learning算法对汽车带能源mdp表达数据进行模型训练处理，生成汽车电源模型训练数据，利用强化学习算法来训练模型，使其能够根据当前状态做出最优的决策并学习到适合汽车电源管理的策略，通过模型训练，可以获得能够捕捉系统动态特征并支持决策的数据，为后续的仿真测试和评估奠定基础；对汽车电源模型训练数据进行仿真测试评估处理，生成汽车电源模型数据，通过对已训练的模型进行仿真测试，可以模拟不同情境下的电源需求和控制策略，并评估模型在这些情境下的性能表现，有助于验证模型的有效性和可行性；将充电枪实时功率预测数据导入特征权重调整公式中进行特征权重计算处理，得到充电功率特征权重数据，通过计算充电功率特征的权重，可以了解各个特征对充电功率的重要程度，为充电功率控制策略的生成提供指导和依据；根据充电功率特征权重数据对自适应充电控制策略模型进行动态调整处理，从而生成充电功率控制策略模型，根据特征权重的信息，可以对控制策略模型进行调整和优化，以更合理地控制充电功率，并根据实时的需求和情境进行动态决策，有助于提高充电过程的效率、稳定性和适应性。[0042]作为本发明的一个实例，参考图4所示，在本实例中所述步骤s4包括：步骤s41：利用markov决策过程对汽车电源需求数据进行数据状态表达处理，生成汽车电源mdp表达数据；本发明实施例中，通过根据问题的需求和数据集的特征，确定合适的状态定义，状态是描述问题的特征变量，它应该能够反映相邻时间点的相关信息，对于电源需求问题，可能包括车辆电池剩余容量、当前充电状态、车辆剩余行驶里程等，根据汽车电源需求数据，分析相邻时间点的状态变化，计算状态转移概率，这些概率可以通过统计方法、机器学习方法或领域专家知识来得到，例如，可以根据历史数据分析车辆在不同电池容量下的充电行为，进而估计出从一个状态到另一个状态的转移概率，确定在每个状态下可执行的行动，对于电源管理问题，可能的行动包括开始充电、停止充电或保持当前状态等，定义奖励函数来评估每个状态和行动的好坏程度，奖励函数可以根据特定的目标和约束来设计，例如，可以根据电池使用寿命、充电效率或用户满意度等因素设定奖励函数，根据确定的状态定义、转移概率、行动和奖励函数，建立汽车电源的mdp模型，这个模型将状态、行动和奖励以及状态转移概率联系起来，形成一个动态规划问题，使用适当的算法来解决mdp模型，例如值迭代、策略迭代等，根据模型的目标和约束，选择合适的算法进行求解，并得到最优的决策数据，即汽车电源mdp表达数据。[0043]步骤s42：基于q-learning算法对汽车带能源mdp表达数据进行模型训练处理，生成汽车电源模型训练数据；本发明实施例中，通过基于q-learning算法对汽车带能源mdp表达数据进行模型训练处理，q-learning算法通过一个q-table来表示状态和行动的价值，首先，需要初始化一个空的q-table，其行表示状态，列表示行动，每个元素表示在特定状态下执行特定行动的价值，q-learning算法中有两个重要的学习参数：学习率（α）和折扣因子（γ）。学习率决定了每次更新q值时将学习多少新的信息，折扣因子决定了对未来回报的重视程度，根据问题的特点和需求，确定适合的学习率和折扣因子，q-learning算法使用ε-greedy策略来选择行动。在初期阶段，探索性策略被采用，即以一定的概率随机选择行动；而在后期阶段，利用q-table中计算出来的q值来进行决策。根据问题的要求，设置合适的探索概率，迭代更新q值：开始迭代更新q值，具体步骤如下：1.观察当前状态，并根据当前状态和动作策略选择要执行的行动；2.执行选定的行动，并观察下一个状态和收获的奖励；3.根据q-learning算法的更新规则，更新q-table中对应状态和行动的q值，更新公式为：q(s,a)=(1ꢀ‑ꢀα)*q(s,a)+α*(r+γ*max(q(s’,a’)))；其中，α是学习率，r是当前状态执行行动后收到的奖励，γ是折扣因子，max(q(s’,a’))代表下一个状态的最大q值；4.将当前状态更新为下一个状态，继续循环步骤a至c，直至达到停止条件；重复迭代更新，直到q值收敛或达到预设的训练轮数，在整个训练过程中，q-table中的q值逐渐收敛到最优值，表示最优的状态-行动对，在训练过程中，每次更新q值时可以将当前状态、行动、奖励以及下一个状态记录下来，这些数据可以作为模型的训练数据，即汽车电源模型训练数据。[0044]步骤s43：对汽车电源模型训练数据进行仿真测试评估处理，生成汽车电源模型数据；将汽车电源模型数据与预设的预测结果数据范围进行对比处理，当汽车电源模型数据处于预测结果数据范围外时，则对汽车电源模型数据进行数据优化处理，生成自适应控制策略模型；本发明实施例中，通过使用训练好的汽车电源模型数据在仿真环境中进行测试，根据数据集中的状态信息和选定的控制策略，模拟不同环境下的汽车电源行为，在每个仿真步骤中，根据当前状态和选定的控制策略，使用汽车电源模型给出的输出结果，这些输出结果可以是电源功率、能量消耗等相关信息，记录仿真过程中的模型输出数据，包括与电源行为相关的各项参数和指标，生成汽车电源模型数据，定义预设的预测结果数据范围，包括预期的电源输出范围、能量消耗范围等，将仿真测试得到的汽车电源模型数据与预测结果数据范围进行对比分析，如果有数据超出预测结果数据范围的情况，进入下一步的数据优化处理，分析超出预测结果数据范围的原因，可能包括模型误差、环境变化、输入数据噪声等，针对不符合要求的模型输出数据，采取适当的数据处理方法进行调整和优化，数据处理方法可以包括数据平滑、异常值处理、修正模型参数或调整控制策略等，根据优化后的数据生成自适应控制策略模型。[0045]步骤s44：将充电枪实时功率预测数据导入特征权重调整公式中进行特征权重计算处理，得到充电功率特征权重数据；本发明实施例中，通过确定用于计算特征权重的公式或算法，将充电枪实时功率预测数据导入特征权重调整公式中，根据定义的特征权重调整公式，计算充电功率的特征权重数据，权重值反映了充电枪实时功率预测数据在特征重要性方面的相对贡献程度，对得到的充电功率特征权重数据进行分析，了解各个特征对充电功率的影响程度，根据特征权重数据的结果，可以优化充电枪创新功率预测模型或制定相关的决策和策略。[0046]步骤s45：根据充电功率特征权重数据对自适应充电控制策略模型进行动态调整处理，从而生成充电功率控制策略模型。[0047]本发明实施例中，通过使用步骤s44中计算得到的充电功率特征权重数据，这些数据反映了不同特征对充电功率的相对重要性，确保特征权重数据的准确性和可靠性，以便在调整策略模型时得到可靠的结果，根据充电功率特征权重数据，将其应用于自适应充电控制策略模型中。具体的调整方式将根据模型的设计进行确定，可能的调整方式包括但不限于：根据权重值调整特征输入的权重、调整算法中的参数、修改决策规则或调整机器学习模型的权重，使用验证数据集或者在实际充电场景中测试调整后的充电控制策略模型，分析模型的性能和效果，比较调整前后的差异，确保调整后的模型具有更好的充电功率控制性能，生成充电功率控制策略模型。[0048]优选地，步骤s44中的特征权重调整公式具体如下：；式中，表示为充电功率特征权重，表示为充电枪充电时间，表示为充电枪充电时流动电流值，表示为充电枪的输电线路电压，表示为充电桩充电温度，表示为汽车电池容量，表示为汽车电池实际流动电流值，表示为充电功率因数，表示为充电枪充电时环境湿度，表示为充电功率特征权重异常调整值。[0049]本发明构建了一种特征权重调整公式，用于通过充电枪充电时流动电流值和充电枪充电时环境湿度对充电时间进行求导，以衡量充电时间变化对充电功率的影响，该特征权重调整公式可以根据充电枪充电时间和充电枪充电时流动电流值对充电时间和充电枪电流的总体变化对特征权重进行调整，实现最佳的充电功率特征权重计算，根据充电枪的输电线路电压和充电桩充电温度来评估输电线路电压和充电桩温度的指数关系对特征权重的影响，从而精确确定充电功率特征权重。在实际应用中，该公式可以根据输入的创新功率预测数据对充电功率特征进行权重计算和调整，以确定每个特征对充电功率的贡献程度。该公式充分考虑了充电枪充电时间，充电枪充电时流动电流值，充电枪的输电线路电压，充电桩充电温度，汽车电池容量，汽车电池实际流动电流值，充电功率因数，充电枪充电时环境湿度，充电功率特征权重异常调整值，根据充电枪充电时流动电流值与以上各参数之间的相互关系构成了一种函数关系：；通过汽车电池容量与汽车电池实际流动电流值的相互作用关系，可以了解电池容量和电池电流之间的极限关系对特征权重的调整，保证区域数据精确的情况下进行特征权重调整，利用充电功率因数，在保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过充电功率特征权重异常调整值对充电功率特征权重结果生成进行调整，更加准确的生成充电功率特征权重，提高了特征权重调整的准确性和可靠性。同时该公式中的充电功率因数、充电枪充电时环境湿度等参数可以根据实际情况进行调整，从而适应不同的特征权重调整场景，提高了算法的适用性和灵活性。[0050]优选地，步骤s5包括以下步骤：步骤s51：根据模型引擎驱动学习对充电功率控制策略模型进行元学习处理，生成充电功率元学习捕获环境；步骤s52：通过充电功率元学习捕获环境对充电枪功率预测数据进行自主捕获处理，当充电功率元学习捕获环境检测到充电枪功率预测数据小于预设的标准功率时，则对充电功率进行分配处理；当充电功率元学习捕获环境检测到充电枪功率预测数据小于预设的标准功率时，则对汽车电源需求数据进行优先级排序处理，生成高优先级汽车电源需求数据和低优先级汽车电源数据；步骤s53：当充电功率控制策略模型检测到高优先级汽车电源需求数据和低优先级汽车电源数据时，对高优先级汽车电源需求数据对应的汽车进行优先供电，从而生成充电功率控制策略优化模型；步骤s54：利用历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据。[0051]本发明通过根据模型引擎驱动学习对充电功率控制策略模型进行元学习处理，可以使模型能够从经验中学习，整合各个环境中的信息和特征，提高模型在新环境中的适应性和泛化能力；通过自主捕获和处理充电枪功率预测数据，系统可以根据实际情况对充电功率进行动态分配，确保充电过程的平衡性和效率性，优先级排序处理可以确保高优先级的汽车电源需求得到满足，增强用户体验和充电服务的可靠性；通过对高优先级汽车进行优先供电，系统可以满足重要用户或关键需求的充电需求，提高系统的可用性和用户满意度，充电功率控制策略优化模型可以通过动态调整来适应不同的需求和环境条件，实现灵活和智能的控制；通过利用历史性能指导优化公式，可以对充电功率控制策略进行有效的优化和改进，有助于提高充电过程的效率、稳定性和可靠性，减少充电时间和能源浪费。[0052]本发明实施例中，通过确定元学习算法和模型引擎，例如深度学习中的神经网络模型，准备训练数据集，包括充电功率数据和环境特征数据，使用训练数据集对模型进行元学习训练，调整模型的参数和权重，使其能够从数据中学习并捕获环境的特征和规律，验证和评估训练后的元学习模型的性能，确保其能够准确地捕获充电环境的特征，生成充电功率元学习捕获环境，配置充电系统中的传感器和监测设备，以获取充电枪功率预测数据，基于元学习模型捕获环境，对充电枪功率预测数据进行实时监测和收集，判断充电枪功率预测数据是否小于预设的标准功率，如果小于标准功率，则根据策略对充电功率进行动态分配和调整，确保充电过程的稳定性和效率，同时，对汽车电源需求数据进行优先级排序处理，将其划分为高优先级和低优先级的汽车电源需求数据，根据充电功率控制策略模型的输出结果，判断是否存在高优先级汽车电源需求数据和低优先级汽车电源数据，如果存在高优先级汽车电源需求数据，则将充电功率优先分配给这些汽车，确保它们的充电需求得到满足，基于这种优先供电的策略，生成充电功率控制策略优化模型，通过收集和记录充电过程中的历史性能数据，包括充电时间、能源消耗、充电效率等，基于历史性能数据，设计和定义优化公式，用于指导充电功率控制策略模型的优化处理，使用历史性能指导优化公式对充电功率控制策略优化模型进行策略优化，调整模型的参数和权重，通过该优化处理，生成充电功率元学习优化数据，用于改进和优化充电功率控制策略模型的训练和推断过程。[0053]优选地，步骤s54中的历史性能指导优化公式具体如下：；式中，表示为优化后的充电功率，表示为调整最终优化结果的参考常数，表示为保证分母的角度值，表示为历史性能数据的数量，表示为时间步数，表示为实际充电功率，表示为上一个时间步的充电功率，表示为历史性能数据中第个数据的均值，表示为历史性能数据中第个数据的标准差，表示为预测的充电功率，表示为历史性能指导优化异常修正量。[0054]本发明构建了一种历史性能指导优化公式，用于通过历史性能数据的数量和历史性能数据中第个数据的标准差对历史性能数据进行平滑处理，以衡量历史性能数据的平均值，该历史性能指导优化公式可以根据时间步数和上一个时间步的充电功率对对周期性加权平均项进行求导，表示实际充电功率在时间上的波动性，根据实际充电功率和历史性能数据中第个数据的均值来评估实际充电功率在时间上的平均偏离程度，从而精确确定优化后的充电功率。在实际应用中，该公式可以在历史性能数据的基础上，利用优化算法求解出最优的充电功率控制策略，其中，分母部分是历史性能数据的平均值，分子部分是预测充电功率的平均值，角度值用于保证分母的值不为零，避免除以零的情况出现。常数用于调整最终优化结果的大小。该公式充分考虑了调整最终优化结果的参考常数，保证分母的角度值，历史性能数据的数量，时间步数，实际充电功率，上一个时间步的充电功率，历史性能数据中第个数据的均值，历史性能数据中第个数据的标准差，预测的充电功率，历史性能指导优化异常修正量，根据历史性能数据的数量与以上各参数之间的相互关系构成了一种函数关系：；通过调整最终优化结果的参考常数与保证分母的角度值的相互作用关系，可以了解调整优化结果的大小，保证区域数据精确的情况下进行历史性能指导优化，利用预测的充电功率，在保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过历史性能指导优化异常修正量对优化后的充电功率结果生成进行调整，更加准确的生成优化后的充电功率，提高了历史性能指导优化的准确性和可靠性。同时该公式中的保证分母的角度值、充调整最终优化结果的参考常数等参数可以根据实际情况进行调整，从而适应不同的历史性能指导优化场景，提高了算法的适用性和灵活性。[0055]优选地，步骤s6包括以下步骤：步骤s61：基于自编码器将充电功率元学习优化数据导入至充电功率控制策略优化模型中进行无监督训练处理，生成充电功率控制策略监督模型；步骤s62：采用局部可解释模型对充电功率控制策略监督模型进行预测结果解释，生成充电功率控制解释结果；步骤s63：利用充电功率控制解释结果对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略。[0056]本发明通过自编码器将充电功率元学习优化数据导入到充电功率控制策略优化模型中进行无监督训练，这种训练方法可以从数据中学习到隐藏的特征和模式，而无需明确的标签或监督信号，结果是生成一个充电功率控制策略监督模型，该模型能够更好地理解和捕捉充电过程中的关键因素和规律；采用局部可解释模型对充电功率控制策略监督模型进行预测结果解释，这些解释模型可以帮助解释充电功率控制策略模型的预测结果，揭示模型做出特定预测的原因和依据，有助于增加对充电过程中决策的理解和可解释性，提高系统的可信度和可接受度；采用局部可解释模型对充电功率控制策略监督模型进行预测结果解释，这些解释模型可以帮助解释充电功率控制策略模型的预测结果，揭示模型做出特定预测的原因和依据，有助于增加对充电过程中决策的理解和可解释性，提高系统的可信度和可接受度。[0057]本发明实施例中，通过收集与充电过程相关的数据，包括充电电流、电压、温度等，选择适当的自编码器结构，并将收集到的数据用于训练自编码器模型，自编码器的目标是学习输入数据的潜在表示，并尽可能地重构原始数据，使用训练好的自编码器模型，将充电功率元学习优化数据经过编码器得到的潜在表示输入至充电功率控制策略优化模型中进行无监督训练，对充电功率控制策略监督模型进行调优和验证，确保其在充电过程中能够准确地学习和捕获有用的特征和规律，生成充电功率控制策略监督模型，选择局部可解释模型：例如，可以使用局部可解释性模型，如lime（局部解释模型）或shap（可测量的特征重要性），来解释充电功率控制策略监督模型的预测结果，将充电功率控制策略监督模型的预测结果输入到局部解释模型中，解释预测结果中每个输入特征对于预测结果的贡献程度，将生成充电功率控制解释结果，帮助理解预测结果的原因和依据，通过分析充电功率控制解释结果，确定哪些特征对于充电过程中的控制策略起着重要作用，根据解释结果，对充电功率控制策略监督模型进行调整，可以是调整模型的权重、参数或结构，以进一步优化模型的性能和适应性，根据经过调整的充电功率控制策略监督模型，生成最终的充电控制策略，该策略能够根据解释结果动态地调整充电功率，以满足充电过程中的要求和目标。[0058]优选地，步骤s7包括以下步骤：步骤s71：根据充电控制策略设置充电枪的功率分配参数，生成充电枪功率控制参数；步骤s72：将充电枪功率控制参数应用于实际的充电枪中进行功率控制操作，生成充电枪功率控制操作结果；步骤s73：利用实时数据流处理技术对充电枪功率控制操控结果进行采集处理，从而获取实时充电枪功率控制数据；步骤s74：对实时充电枪功率控制数据进行数据分析处理，生成充电枪控制实施结果数据；根据反馈控制理论对充电枪控制实施结果数据进行反馈控制处理，生成反馈控制指令；步骤s75：将反馈控制指令应用于充电枪，以实现充电枪功率的自动分配。[0059]本发明通过根据充电控制策略设置充电枪的功率分配参数，可以实现充电枪的合理利用和功率分配；将生成的充电枪功率控制参数应用于实际的充电枪设备中，通过相应的控制机制、调节器件或软件系统，实现对充电枪的功率控制操作，可以根据设定的功率分配参数，控制充电枪输出的电力功率；利用实时数据流处理技术，对充电枪功率控制操作进行监测和采集，可以通过传感器、监控系统或其他数据采集设备来实现，实时获取充电枪的功率控制数据，包括实际输出功率、电压、电流等参数；对实时获取的充电枪功率控制数据进行分析处理，可以应用数据分析、机器学习或其他相关技术，通过分析处理，生成充电枪控制实施结果数据，这些数据反映了实际充电枪的功率控制情况，基于反馈控制理论，将控制实施结果数据作为反馈信息，对充电枪的功率控制进行调节和优化，生成反馈控制指令；将生成的反馈控制指令应用于充电枪设备，通过控制机制、算法或软件系统，自动调节充电枪的功率分配，可以根据实际充电需求和电网条件，动态分配充电枪的功率，实现充电过程中的优化控制和效率提升，帮助实现充电枪功率控制的自动化和优化，提高充电效率、适应电网条件，并确保充电过程的合理分配和稳定运行。[0060]本发明实施例中，通过根据需求和电网条件，制定充电控制策略，例如根据车辆状态、电网负载等因素来分配充电枪的功率，根据充电控制策略，设置充电枪的功率分配参数，确定每个充电枪可以分配的最大功率或功率范围，根据设置的功率分配参数，将控制命令发送给充电枪设备，调整充电枪的功率输出，使用监测系统或传感器实时监测充电枪的电流、电压和功率等参数，并确保充电枪按照设定的功率控制参数进行工作，记录充电枪功率控制操作的结果，即生成充电枪功率控制操作结果，包括实际输出功率、时间戳等信息，使用实时数据流处理技术，对充电枪功率控制操作结果进行实时采集，获取包括功率、电流、电压等参数的实时数据，对采集到的实时数据进行处理和转换，以适应后续的分析和控制需求，对实时充电枪功率控制数据进行数据分析和处理，例如计算功率分配的偏差、充电负荷预测等，根据反馈控制理论，对充电枪控制实施结果数据进行反馈控制处理，生成相应的反馈控制指令，以调整充电枪的功率分配，将生成的反馈控制指令应用于充电枪设备，通过控制装置或软件系统，使充电枪自动调整功率输出，实现充电枪功率的自动分配，持续监测充电枪的功率输出和电网状态，根据实时情况对功率控制指令进行调整和优化。[0061]本发明的有益效果在于通过自动充电桩系统采集汽车电源数据，并对其进行预处理，以生成汽车电源噪声数据，有助于准确地预测电源需求和充电枪状态，从而提高充电功率控制的精度，使用自然语言技术对充电枪状态数据进行语义信息转换处理，从中提取出充电枪功率特征数据，有助于快速准确地确定充电需求，从而提高充电功率控制的精度，通过时间序列分析技术和深度学习处理对充电枪功率预测数据进行处理，从而生成充电枪实时功率预测数据，有助于预测未来的充电需求，从而提高充电功率控制的精度，使用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型，并将充电枪实时功率预测数据导入该模型中进行动态调整，生成充电功率控制策略模型，有助于动态调整充电功率，进一步提高充电效率和用户体验，使用元学习技术对充电功率控制策略模型进行优化处理，生成充电功率控制策略优化模型，并根据历史性能指导优化公式对其进行策略优化处理，生成充电功率元学习优化数据，有助于提高充电功率控制策略的准确性和效率，通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型，并利用模型解释技术对其进行结果调整处理，生成充电控制策略，有助于生成更精确的充电控制策略，进一步提高充电效率和用户体验，根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据，并基于实时数据流处理技术对其进行实施结果收集处理，得到充电枪控制实施结果数据，根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配，有助于自动调整充电枪功率输出，提高充电效率和用户体验。因此，本发明通过将噪声数据视为有价值的信息并进行语义化处理，利用噪声来增强电力控制数据的精度，以及使用自我适应的分类模型和元学习的方法，根据之前模型的控制结果进行动态优化，进一步提高模型的电力功率控制精度。[0062]因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。[0063]以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。当前第1页12当前第1页12
技术特征：
1.一种可自动分配控制功率的充电方法，其特征在于，包括以下步骤：步骤s1：通过自动充电桩系统采集汽车电源数据；对汽车电源数据进行数据预处理，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据；步骤s2：基于自然语言技术对充电枪状态数据进行语义信息转换处理，生成充电枪状态语义数据；对充电枪状态语义数据进行特征提取处理，生成充电枪功率特征数据；对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据；步骤s3：根据时间序列分析技术对充电枪功率需求编码数据进行功率需求预测处理，生成充电枪功率预测数据；基于长短期记忆网络对充电枪功率预测数据进行深度学习处理，从而生成充电枪实时功率预测数据；步骤s4：利用q-learning强化学习方法对汽车电源需求数据进行模型构建处理，生成自适应充电控制策略模型；通过动态特征权重调整公式将充电枪实时功率预测数据导入至自适应充电控制策略模型中进行动态调整，生成充电功率控制策略模型；步骤s5：基于元学习技术对充电功率控制策略模型进行模型优化处理，生成充电功率控制策略优化模型；根据历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据；步骤s6：通过无监督学习根据充电功率元学习优化数据对充电功率控制策略优化模型进行无监督训练处理，生成充电功率控制策略监督模型；利用模型解释技术对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略；步骤s7：根据充电控制策略对充电枪进行功率分配处理，生成充电枪功率控制数据；基于实时数据流处理技术对充电枪功率控制数据进行实施结果收集处理，得到充电枪控制实施结果数据；对充电枪控制实施结果数据根据反馈控制理论进行系统循环反馈控制处理，实现充电枪功率控制的自动分配。2.根据权利要求1所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s1包括以下步骤：步骤s11：通过设置的自动充电桩系统采集汽车电源数据；步骤s12：对汽车电源数据进行缺失值检测处理，若汽车电源数据存在缺失值，则对汽车电源数据进行缺失值填充处理，生成汽车电源缺失值数据；对汽车电源缺失值数据进行异常检测处理，若汽车电源缺失值数据存在异常值，则对汽车电源缺失值数据进行平滑处理，生成汽车电源异常处理数据；步骤s13：将汽车电源异常处理数据进行数据清洗处理，生成汽车电源清洗数据；步骤s14：基于数据湖对业务清洗数据进行数据集成处理，生成汽车电源集成数据；步骤s15：利用维度规约方法对汽车电源集成数据进行数据规约处理，从而生成汽车电源规约数据；步骤s16：通过噪声传感器对汽车电源规约数据进行数据噪声收集处理，从而得到汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据。3.根据权利要求2所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s2包括以下步骤：步骤s21：基于nlp语义解析技术对充电枪状态数据进行数据降维处理，生成充电枪状态降维数据；
步骤s22：根据词嵌入技术对充电枪状态降维数据进行语义转换处理，生成充电枪语义向量；将充电枪语义向量进行矩阵组合处理，生成充电枪状态语义数据；步骤s23：对充电枪状态语义数据进行特征提取处理，得到充电枪功率数据；步骤s24：根据方差统计分析方法对充电枪功率数据进行特征分析处理，生成充电枪功率特征数据；步骤s25：利用二进制编码技术对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据。4.根据权利要求3所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s3包括以下步骤：步骤s31：通过滑动窗口法对充电枪功率需求编码数据进行时间序列切割处理，生成时间序列切割数据；步骤s32：利用季节性分解的时间序列方法对时间序列切割数据进行季节性趋势分解处理，生成时间序列分解数据；步骤s33：基于自回归移动平均模型对时间序列分解数据进行时间序列预测处理，生成充电枪功率预测数据；步骤s34：根据深度学习框架对充电枪功率预测数据进行数据标准化处理，生成标准充电枪功率预测数据；步骤s35：通过标准充电枪功率预测数据对基于长短期记忆网络的预设的序列模型进行模型训练处理，生成充电时间序列预测模型；将标准充电枪功率预测数据导入至充电时间序列预测模型中进行功率预测处理，生成充电枪实时功率预测数据。5.根据权利要求4所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s4包括以下步骤：步骤s41：利用markov决策过程对汽车电源需求数据进行数据状态表达处理，生成汽车电源mdp表达数据；步骤s42：基于q-learning算法对汽车带能源mdp表达数据进行模型训练处理，生成汽车电源模型训练数据；步骤s43：对汽车电源模型训练数据进行仿真测试评估处理，生成汽车电源模型数据；将汽车电源模型数据与预设的预测结果数据范围进行对比处理，当汽车电源模型数据处于预测结果数据范围外时，则对汽车电源模型数据进行数据优化处理，生成自适应控制策略模型；步骤s44：将充电枪实时功率预测数据导入特征权重调整公式中进行特征权重计算处理，得到充电功率特征权重数据；步骤s45：根据充电功率特征权重数据对自适应充电控制策略模型进行动态调整处理，从而生成充电功率控制策略模型。6.根据权利要求5所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s44中的特征权重调整公式如下所示：；
式中，表示为充电功率特征权重，表示为充电枪充电时间，表示为充电枪充电时流动电流值，表示为充电枪的输电线路电压，表示为充电桩充电温度，表示为汽车电池容量，表示为汽车电池实际流动电流值，表示为充电功率因数，表示为充电枪充电时环境湿度，表示为充电功率特征权重异常调整值。7.根据权利要求5所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s5包括以下步骤：步骤s51：根据模型引擎驱动学习对充电功率控制策略模型进行元学习处理，生成充电功率元学习捕获环境；步骤s52：通过充电功率元学习捕获环境对充电枪功率预测数据进行自主捕获处理，当充电功率元学习捕获环境检测到充电枪功率预测数据小于预设的标准功率时，则对充电功率进行分配处理；当充电功率元学习捕获环境检测到充电枪功率预测数据小于预设的标准功率时，则对汽车电源需求数据进行优先级排序处理，生成高优先级汽车电源需求数据和低优先级汽车电源数据；步骤s53：当充电功率控制策略模型检测到高优先级汽车电源需求数据和低优先级汽车电源数据时，对高优先级汽车电源需求数据对应的汽车进行优先供电，从而生成充电功率控制策略优化模型；步骤s54：利用历史性能指导优化公式对充电功率控制策略优化模型进行策略优化处理，生成充电功率元学习优化数据。8.根据权利要求7所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s54中的历史性能指导优化公式如下所示：；式中，表示为优化后的充电功率，表示为调整最终优化结果的参考常数，表示为保证分母的角度值，表示为历史性能数据的数量，表示为时间步数，表示为实际充电功率，表示为上一个时间步的充电功率，表示为历史性能数据中第个数据的均值，表示为历史性能数据中第个数据的标准差，表示为预测的充电功率，表示为历史性能指导优化异常修正量。9.根据权利要求7所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s6包括以下步骤：步骤s61：基于自编码器将充电功率元学习优化数据导入至充电功率控制策略优化模型中进行无监督训练处理，生成充电功率控制策略监督模型；步骤s62：采用局部可解释模型对充电功率控制策略监督模型进行预测结果解释，生成充电功率控制解释结果；步骤s63：利用充电功率控制解释结果对充电功率控制策略监督模型进行结果调整处理，生成充电控制策略。10.根据权利要求9所述的一种可自动分配控制功率的充电方法，其特征在于，步骤s7
包括以下步骤：步骤s71：根据充电控制策略设置充电枪的功率分配参数，生成充电枪功率控制参数；步骤s72：将充电枪功率控制参数应用于实际的充电枪中进行功率控制操作，生成充电枪功率控制操作结果；步骤s73：利用实时数据流处理技术对充电枪功率控制操控结果进行采集处理，从而获取实时充电枪功率控制数据；步骤s74：对实时充电枪功率控制数据进行数据分析处理，生成充电枪控制实施结果数据；根据反馈控制理论对充电枪控制实施结果数据进行反馈控制处理，生成反馈控制指令；步骤s75：将反馈控制指令应用于充电枪，以实现充电枪功率的自动分配。

技术总结
本发明涉及智能电力分配技术领域，尤其涉及一种可自动分配控制功率的充电方法。所述方法包括以下步骤：通过自动充电桩系统采集汽车电源数据；对汽车电源数据进行数据预处理，生成汽车电源噪声数据，其中汽车电源噪声数据包括充电枪状态数据和汽车电源需求数据；基于自然语言技术对充电枪状态数据进行语义信息转换处理，生成充电枪状态语义数据；对充电枪状态语义数据进行特征提取处理，生成充电枪功率特征数据；对充电枪功率特征数据进行信息需求编码处理，生成充电枪功率需求编码数据；本发明通过对电源数据进行噪声收集以及语义化处理，建立功率控制模型，以实现可自动分配控制功率的充电方法。功率的充电方法。功率的充电方法。


技术研发人员：李剑锋 朱斌 张旭 周震霄 李加军 陈莉 赵锋 钱天翔
受保护的技术使用者：江苏充动科技有限公司
技术研发日：2023.08.08
技术公布日：2023/9/7