一种基于深度学习的换电柜电池调配方法

本发明公开了一种基于深度学习的换电柜电池调配方法，涉及电池调配技术领域，本发明，结合电池库存、用户行为和交通流量构建数据集，采用融合时空特征的深度学习LSTM‑GNN模型预测特定时间段的电池需求分布，该模型构建换电柜网络的拓扑结构，捕捉空间依赖关系，并结合历史换电记录实现时间动态建模，提高预测的精准性；通过分析换电柜内电池的实时健康状态，结合需求预测结果评估当前库存的可用性，计算满足需求的电池数量，并根据需求紧迫程度和健康状态确定电池调配的优先级；调配策略生成方面，将电池调配问题建模为马尔可夫决策过程，通过强化学习算法PPO构建优化模型，综合调配路径、数量和成本，生成全局最优调配策略。