一种基于人工智能的业务均衡分配方法及远程服务设施与流程

1.本发明涉及电力系统领域，具体而言，涉及一种基于人工智能的业务均衡分配方法及远程服务设施。


背景技术：

2.随着科技的发展，电池在许多领域具有广泛的应用，例如新能源汽车即通过动力电池进行驱动，与传统汽车相比，新能源汽车在排放方面具有独特优势，但现有的新能源汽车在续航和充能方面具有一定短板，加之充电站普及程度较低，造成充电高峰期一桩难求的局面。
3.在此背景下，电池换电服务设施应运而生，通过服务设施提前为电池充电，在客户需要补充电能时直接在换电服务设施将电池替换即可达到续航的目的，但是，在此方案下，服务设施仍面临换电高峰的挑战，且不同的服务设施的用电高峰不尽相同，如何对服务设施的业务进行均衡分配，现有技术还没有很好的解决方案。


技术实现要素：

4.本发明解决的问题是如何对服务设施中的电池进行业务均衡分配。
5.为解决上述问题，本发明提供一种基于人工智能的业务均衡分配方法，包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述历史用电惯性模型建立储能业务预测模型；将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略。
6.相对于现有技术，本发明通过历史储能数据和历史位置信息获得电池的使用场景和位置流动情况，进而获得电池的历史使用特点和使用习惯，通过历史用电惯性模型中包含的使用惯性获得未来的储能业务情况，其中包括服务设施未来的负荷程度，当判定服务设施的业务量超负荷时，根据具有连续通信能力的通信规则型多智能体模型进行智能体之间的相互通信和学习，从而根据负荷、与超负荷的服务设施相近的服务设施的余量进行电池的分配和调度，实现对服务设施的业务均衡分配。
7.可选地，所述历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。
8.可选地，所述获得电池的历史储能数据和历史位置信息包括：将所述地图进行粗粒度分区和细粒度分区，其中，所述粗粒度分区包括将所述地图划分为第一预设数量的粗粒度矩形区域，每个所述粗粒度矩形区域包括至少一个所述服
务设施，所述细粒度分区包括将所述地图划分为预设长度和预设宽度的细粒度矩形区域，所述细粒度矩形区域的面积小于所述粗粒度矩形区域的面积；所述历史位置信息包括所述电池所在的粗粒度矩形区域、细粒度矩形区域、所述电池的第一流动频率和第二流动频率，其中，所述第一流动频率包括所述电池移动在各个粗粒度矩形区域之间的流动频率，所述第二流动频率包括所述电池移动在各个细粒度矩形区域之间的流动频率。
9.可选地，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型包括：根据所述电池容量、所述完全充电时间和所述放电速度获得用电依赖率；根据所述充电功率曲线、所述电池容量、所述完全充电时间获得充电设施特征；根据所述放电功率曲线、所述放电速度和所述放电类型获得用电喜好特征；根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征，可选地，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型还包括：根据所述第一流动频率判断跨区域需求程度，其中，当所述第一流动频率大于第一预设频率时，判定所述电池的使用者具有高跨区域需求；根据所述第二流动频率判断移动需求程度，其中，当所述第二流动频率大于第二预设频率时，判断所述电池的使用者具有高移动需求；根据所述跨区域需求和所述移动需求确定所述电池的位置变化特征；根据所述用电强度特征和所述位置变化特征建立所述历史用电惯性模型。
10.可选地，所述根据所述历史用电惯性模型建立储能业务预测模型包括：建立混合逻辑回归模型，根据所述历史用电惯性模型获得所述服务设施的预测储能业务，所述预测储能业务包括预测充放电频次和预测流通活跃度；获得当前储能数据和当前位置信息；根据所述当前储能数据和所述当前位置信息建立当前用电惯性模型；对所述当前用电惯性模型中的当前用电强度特征和当前位置变化特征进行插值处理，生成验证样本集；根据所述验证样本集验证所述预测储能业务，当所述预测储能业务和所述验证样本集中的实际储能业务之间的偏差小于预设偏差时，将所述混合逻辑回归模型作为所述储能业务预测模型。
11.可选地，所述将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型包括：将所述地图中的所有智能体构建为多智能体模型；对所述多智能体模型中的每个智能体设置与之对应的控制器，并通过深度前馈网络控制每个所述智能体，获得所述通信规则型多智能体模型，所述预设区域包括第二预设数量的所述粗粒度矩形区域，所述第二预设数量小于或等于所述第一预设数量。
12.可选地，所述根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略包括：
是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
20.需要注意，本发明中提及的“一个”“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
21.如图1所示，本发明一实施例提供的一种基于人工智能的业务均衡分配方法，包括：步骤s100，获得电池的历史储能数据和历史位置信息。
22.具体地，服务设施中包含多个电池，每个电池的型号规格、储能情况都不尽相同，每个电池的来源、位置也具有一定差异，对电池进行历史数据标记，用于掌握服务设施的基础情况，从而根据历史的数据获得未来的数据和信息。
23.可选地，历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。
24.在一实施例中，历史储能数据包括电池容量，用于确定电池类型，进而指导后续的电池分配倾向；完全充电时间和充电功率曲线用于衡量电池健康程度以及该电池在历史充电时对应的充电桩类型；放电功率曲线和放电速度用于衡量该电池的历史用户的用电倾向，从而指导确定该电池的使用寿命和健康程度；放电类型用于衡量该电池在历史放电时所在的用电器类型，从而指导后续的电池分配倾向。
25.在一实施例中，历史位置信息的获取途径为，在电池进入服务设施充电时，服务设施向电池的管理模块添加服务设施所在的位置标签，并在下一次进入服务设施时读取，以获得历史位置信息，电池不具备主动定位模块。
26.在另一实施例中，服务设施为综合业务终端，包括机柜、工控主板、智能锁、显示屏、电容屏和电源模块，其位于营业厅中，用于进行综合缴费、换电池、打印、获取信息等服务。还包括云服务模块、宣传播放模块和远程管理模块，云服务模块用于为服务设施进行跨时空的面对面音视频的远程指导和远程代办服务；在上屏，即显示屏在闲时和忙时不同时段具有不同的播放形式，一屏多用；通过远程管理模块记录终端的应用软件版本、更新情况、设备运行状态和故障情况，实现数字化管理。还包括计算模块，用于实现基于人工智能的业务均衡分配方法。
27.可选地，将一天时间划分为至少五个时间段，对所述储能数据和所述位置信息添加时间段标签，分别建立对应时段的历史用电惯性模型。
28.在一实施例中，因每个时间段的需求不同，数据特征不同，故将一天划分为早高峰、午高峰、晚高峰、夜间和其他时间，在获取储能数据和位置信息后，根据时间段建立对应的历史用电惯性模型，保证获得预测结果更准确的储能业务预测模型。
29.步骤s200，根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度。
30.通过历史储能数据确定该电池的历史使用情况，通过历史位置信息衡量该电池在区域中的历史位移情况，通过历史使用情况和历史位移情况可以推导出历史用户在该地区
的用电习惯，即建立历史用电惯性模型，通过历史用电惯性模型可推导出未来的用电习惯，从而求解区域性用电需求，进而通过不同区域的用电需求获得对应区域下的每个服务设施所需的电池数，最终获得电池均衡策略。
31.步骤s300，根据所述历史用电惯性模型建立储能业务预测模型。
32.具体地，历史用电惯性模型由历史充放电习惯以及历史区域流动情况建立，可以表征使用时间、使用空间两个维度的用电习惯，通过历史用电惯性即可推导出未来一段时间的用电情况，即根据历史用电惯性建立储能业务预测模型。
33.在一实施例中，以服务设施为单位，根据服务设施中的所有电池建立用电惯性模型，可获得以服务设施为中心，周边区域的用户的充放电习惯以及区域流动的特点，并作为样本集预测未来一段时间的充放电习惯以及区域流动的特点，以协助确定未来一段时间的业务负荷。
34.步骤s400，将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型。
35.可选地，如图6所示，所述将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型包括：步骤s410，将所述地图中的所有智能体构建为多智能体模型；步骤s420，对所述多智能体模型中的每个智能体设置与之对应的控制器，并通过深度前馈网络控制每个所述智能体，获得所述通信规则型多智能体模型，所述预设区域包括第二预设数量的所述粗粒度矩形区域，所述第二预设数量小于或等于所述第一预设数量。
36.在一实施例中，将预设区域中的服务设施中的电池作为对象，构建智能体，并逐步建立地图的多智能体模型，在模型中设置于智能体一一对应的控制器，并通过大型深度前馈网络控制每一个智能体，使智能体的输入映射到他们的动作，每个智能体占据一个子集的单元，并实现智能体之间的连续通信。
37.步骤s500，根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略。
38.由于服务设施中的电池具有多而流动性强的特点，通过多智能体模型可以解决为独立设施单独建立的模型难以解决的分配问题，因其具有较强的可扩展性，在地图范围不确定，且随时具有扩展需求时，多智能体模型也具有较强的锲合度。
39.具体地，通过通信规则型多智能体，实现智能体之间的连续交流通信，因每个智能体对应至少一个服务设施，通信规则型多智能体通过服务设施之间的远程通信交流，可以学习并获得应对负荷的均衡调节策略，在此模型下，学习和沟通是同时进行的，完成交流后，获得的通信规则型多智能体即具有在负荷需求较高时在多个服务设施之间进行业务均衡分配。
40.可选地，如图2所示，所述获得电池的历史储能数据和历史位置信息包括：步骤s110，将所述地图进行粗粒度分区和细粒度分区，其中，所述粗粒度分区包括将所述地图划分为第一预设数量的粗粒度矩形区域，每个所述粗粒度矩形区域包括至少一个所述服务设施，所述细粒度分区包括将所述地图划分为预设长度和预设宽度的细粒度矩形区域，所述细粒度矩形区域的面积小于所述粗粒度矩形区域的面积；
步骤s120，所述历史位置信息包括所述电池所在的粗粒度矩形区域、细粒度矩形区域、所述电池的第一流动频率和第二流动频率，其中，所述第一流动频率包括所述电池移动在各个粗粒度矩形区域之间的流动频率，所述第二流动频率包括所述电池移动在各个细粒度矩形区域之间的流动频率在一实施例中，由于服务设施与服务设施之间具有一定距离，且服务设施通常不是平均设置在地图中，对地图进行至少两个层次的划分，保证第一层次中具有至少一个服务设施，以满足业务均衡分配的基础；大部分用户的移动范围具有一定上限，第二个层次的细粒度矩形区域用于衡量用户的移动情况。细粒度矩形区域设置过大，会导致用户始终处于一个细粒度矩形区域内，无法表征流动情况；细粒度矩形区域设置过小，则会导致计算负担过重。粗粒度矩形区域过大，会导致地图中的粗粒度矩形区域数量过少，导致模型欠拟合；粗粒度矩形区域过小，会导致细粒度矩形区域与粗粒度矩形区域过于重合，降低模型的预测精度。
41.可选地，粗粒度矩形区域为边长5-10公里的矩形，细粒度矩形区域为边长1-3公里的矩形。
42.优选地，粗粒度矩形区域为边长为6公里的正方形区域，细粒度矩形区域为边长为1.5公里的正方形区域。
43.可选地，第一流动频率和第二流动频率包括在预设时间段内的区域变换次数。
44.在一实施例中，预设时间段为一个小时，粗粒度矩形区域和细粒度矩形区域为优选值，两个粗粒度矩形区域对应的服务设施均处于各自的区域中心，则当电池在该时间段内从第一粗粒度区域变换至相邻的第二粗粒度区域时，第一流动频率记为1/h；根据粗粒度矩形区域和细粒度矩形区域的长度比和位置关系确定第二流动频率为4/h。
45.可选地，如图3所示，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型包括：步骤s210，根据所述电池容量、所述完全充电时间和所述放电速度获得用电依赖率；步骤s220，根据所述充电功率曲线、所述电池容量、所述完全充电时间获得充电设施特征；步骤s230，根据所述放电功率曲线、所述放电速度和所述放电类型获得用电喜好特征；步骤s240，根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征。
46.在一实施例中，根据电池容量、完全充电时间和放电速度衡量用电的依赖程度，例如，某一用户在换电后，使用充电桩进行充电，则可以根据上述三个数据衡量电池的使用情况，如在电池容量不变的情况下，电池使用越快，完全充电时间越长，放电速度越快，即可推导出电池的使用频率，即用电依赖程度，通过计算服务设施中的所有电池的用电依赖程度，可以帮助推导该服务设施的用电高峰水平；另一方面，根据充电功率、电池容量和充电时间可以获得充电桩的类型，充电桩与服务设施的需求在某些使用环境中可以相互代替；根据放电功率曲线、放电功率和放电类型可以获得电池所在的用电器的类型，以及电池在使用时的消耗速度，从而获得服务设施所处的区域以及部分周边区域的用电器类型和耗电的特
点；根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征，从而全方位了解服务设施所处的区域以及部分周边区域的用户的用电喜好，以及基础设施水平，帮助衡量和预测高峰需求。
47.可选地，如图4所示，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型还包括：步骤s250，根据所述第一流动频率判断跨区域需求程度，其中，当所述第一流动频率大于第一预设频率时，判定所述电池的使用者具有高跨区域需求；步骤s260，根据所述第二流动频率判断移动需求程度，其中，当所述第二流动频率大于第二预设频率时，判断所述电池的使用者具有高移动需求；步骤s270，根据所述跨区域需求和所述移动需求确定所述电池的位置变化特征；步骤s280，根据所述用电强度特征和所述位置变化特征建立所述历史用电惯性模型。
48.在一实施例中，流动频率用于衡量跨区域需求，例如通勤需求、娱乐需求、长途需求等。通过第一流动频率和第二流动频率在两个层次立体衡量跨区域需求和移动需求。
49.在另一实施例中，当第一流动频率小于或等于第一预设频率时，判定电池的使用者具有低跨区域需求；当第二流动频率小于或等于第二预设频率时，判定电池的使用者具有低移动需求。
50.在获得位置变化特征后，将用电强度特征和位置变化特征结合，获得用电惯性模型，由于用电惯性模型具有使用时间、使用空间等多个方面的电池使用特征，且在固定区域内，使用者也较为固定，通过历史惯性数据即可对未来数据进行预测，从而对预测的高峰制定业务均衡策略。
51.可选地，如图5所示，所述根据所述历史用电惯性模型建立储能业务预测模型包括：步骤s310，建立混合逻辑回归模型，根据所述历史用电惯性模型获得所述服务设施的预测储能业务，所述预测储能业务包括预测充放电频次和预测流通活跃度；步骤s320，获得当前储能数据和当前位置信息；步骤s330，根据所述当前储能数据和所述当前位置信息建立当前用电惯性模型；步骤s340，对所述当前用电惯性模型中的当前用电强度特征和当前位置变化特征进行插值处理，生成验证样本集；步骤s350，根据所述验证样本集验证所述预测储能业务，当所述预测储能业务和所述验证样本集中的实际储能业务之间的偏差小于预设偏差时，将所述混合逻辑回归模型作为所述储能业务预测模型。
52.在一实施例中，将已划分好的粗粒度矩形区域作为混合逻辑回归模型的基本区域，通过逻辑回归模型对每个区域进行学习和预测，由于逻辑回归模型为线性模型，且具有较强的并行化能力，可以同时处理数量较多的训练样本，保证训练速度。在根据粗粒度矩形区域建立逻辑回归模型后，通过分片线性模式拟合高维空间的非线性模式，获得混合逻辑回归模型，保证在应对大规模的稀疏数据时，通过高维下的非线性模式实现较好的预测准确性。
53.在另一实施例中，根据粗粒度矩形区域建立逻辑回归模型后，根据历史用电惯性
模型预测储能业务，通过获得当前时段，或最近几天的相同时段的储能数据和位置信息建立当前用电惯性模型，由于数据量较少，故通过插值升采样处理，增加样本数量，生成验证样本集，增加验证样本集的验证准确率。根据验证样本集验证根据历史数据预测的预测储能业务，当偏差小于预设偏差时，表示当前的混合逻辑回归模型训练完毕，将当前的混合逻辑回归模型作为储能业务预测模型。
54.优选地，预设偏差为5%。
55.在另一实施例中，预测储能业务和实际储能业务偏差大于预设偏差时，重新训练混合逻辑回归模型，并通过验证样本集验证，直至到达预设迭代次数或小于预设偏差。
56.可选地，所述根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略包括：当所述服务设施的所述充放电频次高于预设的频次阈值且持续第一预设时长，和/或，所述服务设施的所述流通活跃度高于预设的活跃度阈值且持续第二预设时长时，判定所述服务设施的业务量超负荷；根据所述通信规则型多智能体模型制定所述电池分配策略，所述电池分配策略包括：根据相邻的服务设施的电池余量，将所述电池分配至超负荷的所述服务设施。
57.在一实施例中，服务设施满足充放电频次过高且持续一段时间时，表示需求量较大，且服务设施无法在短时间内满足负荷需求；或流通活跃度高于预设的活跃度阈值时，表示可能有大量需求在短时间内爆发，且持续一段时间后，需求仍无法降低，则可能会导致电池余量在未来短时间后告急，此时判定该服务设施的业务量超负荷，通过通信规则型多智能体模型中的智能体之间进行交流，并根据相邻智能体，即根据相邻或处于较近范围的服务设施的电池余量进行业务均衡分配，保证响应快速，且不会被快速振荡的需求干扰，规避无意义的均衡分配。
58.可选地，所述业务均衡分配方法还包括：基于所述储能业务预测模型调整所述服务设施的业务范围，包括：以所述服务设施所能承受的最大负荷为结果，通过所述储能业务预测模型反向求解，获得所述服务设施的常规业务范围；根据所述常规业务范围优化所述业务范围。
59.在一实施例中，服务设施的硬件条件固定，其所对应的业务负荷也固定，通过储能业务预测模型可以获得业务负荷所能覆盖的最大范围，即常规业务范围，并根据计算获得的常规业务范围反向调整业务范围，以减少超负荷的频率。
60.在另一实施例中，根据储能业务预测模型获得每个服务设施的常规业务范围，以指导服务设施的进一步建设。
61.本发明另一实施例提供的一种远程服务设施，包括通信模块和处理模块，所述通信模块用于进行远程通信；所述处理模块用于实现如上所述的基于人工智能的业务均衡分配方法。
62.在一实施例中，远程服务设施包括基础数据管理模块，用于提供全生命周期管理，拥有数字化维护能力；还包括业务数据管理、状态监控和运维管理模块，用于对网络安全监控，为运营管理增加数据分析与运控决策的能力，为治理提供数字化转型。
63.在远程服务设施中，还包括云服务模块，用于为终端和后台客服提供跨时空面对
面音视频远程指导和远程服务。
64.本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于人工智能的业务均衡分配方法。
65.现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其他适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其他类似的计算装置。本文所示的部件、它们的连接和关系，以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
66.电子设备包括计算单元，其可以根据存储在只读存储器（rom）中的计算机程序或者从存储单元加载到随机访问存储器（ram）中的计算机程序，来执行各种适当的动作和处理。在ram中，还可存储设备操作所需的各种程序和数据。计算单元、rom以及ram通过总线彼此相连。输入/输出（i/o）接口也连接至总线。
67.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。
68.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）或随机存储记忆体（random access memory，ram）等。在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
69.虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

技术特征：
1.一种基于人工智能的业务均衡分配方法，其特征在于，包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述历史用电惯性模型建立储能业务预测模型；将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略。2.根据权利要求1所述的基于人工智能的业务均衡分配方法，其特征在于，所述历史储能数据包括电池容量、完全充电时间、充电功率曲线、放电功率曲线、放电速度和放电类型。3.根据权利要求2所述的基于人工智能的业务均衡分配方法，其特征在于，所述获得电池的历史储能数据和历史位置信息包括：将所述地图进行粗粒度分区和细粒度分区，其中，所述粗粒度分区包括将所述地图划分为第一预设数量的粗粒度矩形区域，每个所述粗粒度矩形区域包括至少一个所述服务设施，所述细粒度分区包括将所述地图划分为预设长度和预设宽度的细粒度矩形区域，所述细粒度矩形区域的面积小于所述粗粒度矩形区域的面积；所述历史位置信息包括所述电池所在的粗粒度矩形区域、细粒度矩形区域、所述电池的第一流动频率和第二流动频率，其中，所述第一流动频率包括所述电池移动在各个粗粒度矩形区域之间的流动频率，所述第二流动频率包括所述电池移动在各个细粒度矩形区域之间的流动频率。4.根据权利要求3所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型包括：根据所述电池容量、所述完全充电时间和所述放电速度获得用电依赖率；根据所述充电功率曲线、所述电池容量、所述完全充电时间获得充电设施特征；根据所述放电功率曲线、所述放电速度和所述放电类型获得用电喜好特征；根据所述用电依赖率、所述充电设施特征和所述用电喜好特征获得用电强度特征。5.根据权利要求4所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型还包括：根据所述第一流动频率判断跨区域需求程度，其中，当所述第一流动频率大于第一预设频率时，判定所述电池的使用者具有高跨区域需求；根据所述第二流动频率判断移动需求程度，其中，当所述第二流动频率大于第二预设频率时，判断所述电池的使用者具有高移动需求；根据所述跨区域需求和所述移动需求确定所述电池的位置变化特征；根据所述用电强度特征和所述位置变化特征建立所述历史用电惯性模型。6.根据权利要求5所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述历史用电惯性模型建立储能业务预测模型包括：建立混合逻辑回归模型，根据所述历史用电惯性模型获得所述服务设施的预测储能业务，所述预测储能业务包括预测充放电频次和预测流通活跃度；
获得当前储能数据和当前位置信息；根据所述当前储能数据和所述当前位置信息建立当前用电惯性模型；对所述当前用电惯性模型中的当前用电强度特征和当前位置变化特征进行插值处理，生成验证样本集；根据所述验证样本集验证所述预测储能业务，当所述预测储能业务和所述验证样本集中的实际储能业务之间的偏差小于预设偏差时，将所述混合逻辑回归模型作为所述储能业务预测模型。7.根据权利要求6所述的基于人工智能的业务均衡分配方法，其特征在于，所述将预设区域中的服务设施中的所述电池作为构建对象，构建智能体，对地图中的所有电池构建通信规则型多智能体模型包括：将所述地图中的所有智能体构建为多智能体模型；对所述多智能体模型中的每个智能体设置与之对应的控制器，并通过深度前馈网络控制每个所述智能体，获得所述通信规则型多智能体模型，所述预设区域包括第二预设数量的所述粗粒度矩形区域，所述第二预设数量小于或等于所述第一预设数量。8.根据权利要求7所述的基于人工智能的业务均衡分配方法，其特征在于，所述根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略包括：当所述服务设施的所述充放电频次高于预设的频次阈值且持续第一预设时长，和/或，所述服务设施的所述流通活跃度高于预设的活跃度阈值且持续第二预设时长时，判定所述服务设施的业务量超负荷；根据所述通信规则型多智能体模型制定所述电池分配策略，所述电池分配策略包括：根据相邻的服务设施的电池余量，将所述电池分配至超负荷的所述服务设施。9.根据权利要求8所述的基于人工智能的业务均衡分配方法，其特征在于，所述业务均衡分配方法还包括：基于所述储能业务预测模型调整所述服务设施的业务范围，包括：以所述服务设施所能承受的最大负荷为结果，通过所述储能业务预测模型反向求解，获得所述服务设施的常规业务范围；根据所述常规业务范围优化所述业务范围。10.一种远程服务设施，其特征在于，包括通信模块和处理模块，所述通信模块用于进行远程通信；所述处理模块用于实现如权利要求1-9任一项所述的基于人工智能的业务均衡分配方法。

技术总结
本发明提供了一种基于人工智能的业务均衡分配方法及远程服务设施，涉及电力系统领域，所述基于人工智能的业务均衡分配方法包括：获得电池的历史储能数据和历史位置信息；根据所述历史储能数据和所述历史位置信息建立历史用电惯性模型；根据所述历史用电惯性模型建立储能业务预测模型，其中，所述历史用电惯性模型用于描述所述电池的充放电频次和所述电池的流通活跃度；根据所述储能业务预测模型获得未来的业务的负荷大小，当判断所述服务设施的业务量超负荷时，根据通信规则型多智能体模型获得电池分配策略，保证对服务设施中的电池进行业务均衡分配。电池进行业务均衡分配。电池进行业务均衡分配。


技术研发人员：俞沛宙 王妍 赵婉芳 赵宁远 张轩闻 史乔石 朱斌 沈华胄 卢劼 张力行 施志强 李军谋 蒋军 雷前 潘妍 王迎卜 章梦妮 顾豪达 葛凯梁
受保护的技术使用者：国网浙江省电力有限公司宁波供电公司
技术研发日：2023.06.01
技术公布日：2023/7/12