CN108183497A - 充电站容量确定方法和装置 - Google Patents
充电站容量确定方法和装置 Download PDFInfo
- Publication number
- CN108183497A CN108183497A CN201711480986.7A CN201711480986A CN108183497A CN 108183497 A CN108183497 A CN 108183497A CN 201711480986 A CN201711480986 A CN 201711480986A CN 108183497 A CN108183497 A CN 108183497A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- charging station
- power
- amplitude
- stored energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种充电站容量确定方法和装置。该方法包括:采集充电站的电能负荷数据;通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;根据时域信号对充电站容量进行储能容量配置。通过本发明,达到了减少充电站负荷峰谷差的效果。
Description
技术领域
本发明涉及电网领域,具体而言,涉及一种充电站容量确定方法和装置。
背景技术
直流充电机功率和电流很大,直接入网会对电网产生较大的冲击,充电站负荷波动较大会对电网造成电压偏移,严重影响配电系统的安全运行。充电站包含有多台充电机和充电桩,对电网的影响与每个充电站的配电容量的大小有关,配电容量越大,需补充电量越高,电池充电功率越大,单位时间对电网的影响越大。如何构建充电站,能够大幅度提高设备利用率、降低对电网冲击、降低投资成本是非常值得关注的问题。
针对相关技术中充电站负荷峰谷差大导致的不稳定的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种充电站容量确定方法和装置,以解决充电站负荷峰谷差大导致的不稳定的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种充电站容量确定方法,该方法包括:采集充电站的电能负荷数据;通过傅里叶变换将所述电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将所述有限频域分量的叠加信号转换成时域信号;根据所述时域信号对所述充电站容量进行储能容量配置。
进一步地,根据所述时域信号对所述充电站容量进行储能容量配置包括:基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;按照大小顺序对所述幅频分量进行排列,得到排列结果;从所述排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;将计算得到的第一储能出力作为储能最大输出功率;基于所述储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;计算目标周期内的储能最大值和最小值的差值,作为储能容量。
进一步地,根据所述时域信号对所述充电站容量进行储能容量配置包括:基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将所述功率作为第二储能出力;计算每个幅值分量每单位幅值的最大负荷减小量;在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;根据所述第二储能出力计算储能最大输出功率及储能容量。
进一步地,根据所述时域信号对所述充电站容量进行储能容量配置包括:遍历多个搜索空间,其中,每个搜索控件的数据量不同;计算所述多个搜索空间的储能容量;计算满足最大负荷减少预设值的储能容量;根据满足最大负荷减少预设值的储能容量进行储能容量配置。
为了实现上述目的,根据本发明的另一方面,还提供了一种充电站容量确定装置,该装置包括:采集单元,用于采集充电站的电能负荷数据;表示单元,用于通过傅里叶变换将所述电能负荷数据的时序信号表示为有限频域分量的叠加信号;叠加单元,用于通过傅里叶反变换将所述有限频域分量的叠加信号转换成时域信号;配置单元,用于根据所述时域信号对所述充电站容量进行储能容量配置。
进一步地,所述配置单元包括:分析模块,用于基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;排列模块,用于按照大小顺序对所述幅频分量进行排列,得到排列结果;第一计算模块,用于从所述排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;处理模块,用于将计算得到的第一储能出力作为储能最大输出功率;求和模块,用于基于所述储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;差值模块,用于计算目标周期内的储能最大值和最小值的差值,作为储能容量。
进一步地,所述配置单元包括:频谱分析模块,用于基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;反变换模块,用于将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将所述功率作为第二储能出力;第二计算模块,用于计算每个幅值分量每单位幅值的最大负荷减小量;叠加模块,用于在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;第三计算模块,用于根据所述第二储能出力计算储能最大输出功率及储能容量。
进一步地,所述配置单元包括:遍历模块,用于遍历多个搜索空间,其中,每个搜索控件的数据量不同;第四计算模块,用于计算所述多个搜索空间的储能容量;第五计算模块,用于计算满足最大负荷减少预设值的储能容量;配置模块,用于根据满足最大负荷减少预设值的储能容量进行储能容量配置。
为了实现上述目的,根据本发明的另一方面,还提供了一种存储介质,包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行本发明所述的充电站容量确定方法。
为了实现上述目的,根据本发明的另一方面,还提供了一种处理器,用于运行程序,其中,所述程序运行时执行本发明所述的充电站容量确定方法。
本发明通过采集充电站的电能负荷数据;通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;根据时域信号对充电站容量进行储能容量配置,解决了充电站负荷峰谷差大导致的不稳定的问题,进而达到了减少充电站负荷峰谷差的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的充电站容量确定方法的流程图;
图2是根据本发明实施例的储能充电站的示意图;
图3是根据本发明实施例的储能充电站的示意图;
图4是根据本发明实施例的频谱分析结果的示意图;
图5是根据本发明实施例的功率曲线的示意图;
图6是根据本发明实施例的储能能量波动状态曲线图;
图7是根据本发明实施例的功率曲线图;
图8是根据本发明实施例的储能能量波动状态曲线图;
图9是根据本发明实施例的功率曲线图;
图10是根据本发明实施例的储能能量波动状态曲线图;以及
图11是根据本发明实施例的充电站容量确定装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种充电站容量确定方法。
图1是根据本发明实施例的充电站容量确定方法的流程图,如图1所示,该方法包括以下步骤:
步骤S102:采集充电站的电能负荷数据;
步骤S104:通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;
步骤S106:通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;
步骤S108:根据时域信号对充电站容量进行储能容量配置。
本发明实施例通过采集充电站的电能负荷数据;通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;根据时域信号对充电站容量进行储能容量配置,解决了充电站负荷峰谷差大导致的不稳定的问题,进而达到了减少充电站负荷峰谷差的效果。
可选地,根据时域信号对充电站容量进行储能容量配置包括:基于傅里叶变换对充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;按照大小顺序对幅频分量进行排列,得到排列结果;从排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;将计算得到的第一储能出力作为储能最大输出功率;基于储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;计算目标周期内的储能最大值和最小值的差值,作为储能容量。
可选地,根据时域信号对充电站容量进行储能容量配置包括:基于傅里叶变换对充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将功率作为第二储能出力;计算每个幅值分量每单位幅值的最大负荷减小量;在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;根据第二储能出力计算储能最大输出功率及储能容量。
可选地,根据时域信号对充电站容量进行储能容量配置包括:遍历多个搜索空间,其中,每个搜索控件的数据量不同;计算多个搜索空间的储能容量;计算满足最大负荷减少预设值的储能容量;根据满足最大负荷减少预设值的储能容量进行储能容量配置。
下面结合一种具体实施方式对本发明实施例的技术方案进行说明。
初步分析快速充电站充电负荷特征及其对电网的影响,减小充电站配电容量与配置储能容量的关系、与综合造价的关系,分析在快速充电站设置电池储能系统的必要性和可行性。
怀柔电动公交场站位于北京市怀柔区怀柔新医院斜对面,场站采用组合式充电站共计充电设施8台直流450kW充电桩,设计能力为100辆电动公交车服务。至2015年6月份充电站共有58辆快速充电纯电动公交车,有8台直流充电机,6台是双充电枪充电,2台是单充电枪充电。
表.1充电机的主要技术参数
对怀柔快速充电站6天的负荷数据进行分析如表2所示。
表2快速充电站6天的负荷数据分析
充电站的运行时间为6:30~22:00,负荷高峰基本出现在9∶30~11∶30和18∶00~20∶00,负荷低谷出现在23∶00~07∶00,充电站的峰值负荷超过1000kW,而日平均负荷仅为250kW左右,峰值功率和平均功率差距很大,由表1-2可看出超过1000kW的总电量仅占一天总电量的很小一部分,充电站大部分时间的负荷都低于最大负荷。若为了满足短时间的负荷峰值需求选择大容量的变压器,不但变压器在运行时并没有充分发挥其作用,而且会增加充电站的初始投资费用。
直流充电机功率和电流很大,直接入网会对电网产生较大的冲击,充电站负荷波动较大会对电网造成电压偏移,严重影响配电系统的安全运行。充电站包含有多台充电机和充电桩,对电网的影响与每个充电站的配电容量的大小有关,配电容量越大,需补充电量越高,电池充电功率越大,单位时间对电网的影响越大。如何构建充电站,能够大幅度提高设备利用率、降低对电网冲击、降低投资成本是非常值得关注的问题。
图2是根据本发明实施例的储能充电站的示意图,如图2所示,加入储能系统后整个结构可以看作是一个小型微网,储能系统还有在用电高峰或者系统故障时作为应急后备电源的作用。充电站装有一定数目的直流充电机,在快速充电站的直流母线侧增加电池储能系统,以平滑快速充电引起的负荷剧烈波动,缩短电动汽车的充电时间。高峰时段的总电量占到一天总电量的一半以上,采用储能系统利用电网的峰谷电价差可以节省不少购电费用。
此系统能够实现电动汽车充电站能量优化管理,缓解大量电动汽车随机接入对电网所产生的冲击,可在一定程度上减缓配网设备的升级改造。同时,充电站储能系统的配置也为电动汽车动力电池的回收再次利用提供了良好的出处,可进一步降低电动汽车的综合成本。再者,快速充电站也可依据峰谷电价利用储能系统来调节充电站的交换功率,提高快充站的综合效益、促进充电站的经济运行。此外,储能系统的加入也可作为一种柔性调控手段,用以减小系统供电的峰谷差、促进分布式可再生能源消纳。
充电站设计阶段的电池储能容量优化配置方法及算例分析。
采用基于离散傅立叶变换法的储能配置方法、以减小负荷峰谷差为目标配置储能。离散傅立叶变换将采样得到的时序信号近似表示为有限频域分量的叠加,将原来难以处理的时域信号转换成易于计算分析的频域信号,达到对时域信号分析计算的目标。最后还可以通过傅立叶反变换将这些简单的频域分量在时域转换成时域信号。由傅立叶变换的性质可知,除去直流分量,在一个完整的分析周期内,任何频域分量都是完整的周波量。利用储能对频域分量对应的时域信号进行补偿,若不考虑储能充放电过程中的能量损失,一个分析周期里储能的充放电电量相当,储能净充(放)电电量为零。不考虑直流分量,忽略储能充放电过程中的能量损失,认为在一个分析周期结束后储能状态可以回到初值,可以不考虑储能的能量状态偏移。这也是离散傅立叶变换法进行储能容量配置最重要的优点。
数据计算:
分析快速充电站4月19日7:00-22:00的负荷功率,15分钟一个功率数据,共有60个样本数据。该日7:00-9:00的负荷功率曲线如图3所示,图3是根据本发明实施例的储能充电站的示意图。
基于离散傅里叶变化对负荷功率进行频谱分析,考虑傅里叶变化结果具有对称性,只需考虑0~1/2Ts的分析结果即可。频谱分析结果如图4所示,图4是根据本发明实施例的频谱分析结果的示意图。
下面分别采用试差法、贪婪算法、枚举算法三种方法进行储能容量配置。
1、试差法
用试差法计算所需的储能容量配置,具体计算过程如下:
①基于傅里叶变化对样本数据进行频谱分析,除去直流分量,可以得到30个不重复的幅频分量。
②对频谱分析结果从高频开始选择,逐渐向低频段延伸,对选中的功率分量求和作为储能出力,直到储能的补偿功率可以减小最大负荷功率到目标减小量。
③根据储能出力情况可以得到储能最大输出功率。
④基于确定的储能出力,对各点储能输出功率进行求和,以获得各个时刻储能相对初始状态的能量波动。储能在分析周期内能量波动的最大、最小值之差即为所需的储能容量。
用高频算法计算得到当最大负荷减小量为20.49%时,储能最大输出功率为410.80kW,储能容量为102.70kWh。功率曲线如图5所示,储能能量波动状态曲线如图6所示。
计算不同最大负荷减小量所需的储能容量及储能最大功率,可以得到储能容量配置结果如表3所示。
表3高频算法储能配置结果
2、贪婪算法
贪婪算法又叫登山法,它的根本思想是逐步到达山顶,即逐步获得最优解,是解决最优化问题时的一种简单但适用范围有限的策略。
贪婪算法采用逐步构造最优解的方法,即在每个阶段,都选择一个看上去最优的策略(在一定的标准下)。策略一旦选择就不可再更改,贪婪决策的依据称为贪婪准则,也就是从问题的某一个初始解出发并逐步逼近给定的目标,以尽可能快的要求得到更好的解。而且它在设计时没有固定的框架,关键在于贪婪策略的选择。但要注意的是选择的贪婪策略要具有无后向性,即某阶段状态一旦确定下来后,不受这个状态以后的决策的影响,也就是说某状态以后的过程不会影响以前的状态,只与当前状态有关。
贪婪算法用于本发明,就是既考虑幅频分量的幅值,又考虑该分量对减小最大负荷功率的贡献的算法,即考虑分量的单位幅值的最大减小量。从单位幅值减小最大负荷功率最大的分量开始,依次叠加作为储能出力,直到所需储能出力可以减小目标最大负荷功率减小量。
用贪婪算法计算不同最大负荷功率减小量所需的储能容量配置,具体计算过程如下:
①基于傅里叶变化对样本数据进行频谱分析,除去直流分量,可以得到29个不重复的幅频分量。设第i个幅频分量的频率为fi,幅值为Mi。
②将频率为fi幅值为Mi的幅频分量傅里叶反变化,得到该分量在时域各个时刻的功率Pi=[Pi1,Pi2…Pit…Pi60]。以这组功率数据作为储能出力,计算得到减小最大负荷的值wi。
③计算第i个幅频分量每单位幅值的最大负荷减小量vi,vi=wi/Mi。
④依次选择每单位幅值对减小最大负荷贡献最大的幅频分量,即vi值大的幅频分量,其在时域的功率Pi依次叠加作为储能出力P,直到最大负荷减小量满足要求。
⑤根据储能出力P计算储能最大输出功率及储能容量。
用贪婪算法计算得到当最大负荷减小量为23.22%时,储能最大输出功率为445.87kW,储能容量为198.05kWh。功率曲线如图7所示,储能能量波动状态曲线如图8所示。
计算不同最大负荷减小量所需的储能容量及储能最大功率,可以得到储能容量配置结果如表1-4所示。
表4贪婪思想法储能配置结果
3、枚举算法
枚举包含n个变量的SAT问题的搜索空间。产生长度为n的搜索空间<00....00><11...11>共有2^n个。串中的位值对应着各决策量的真值指派。产生0~2^n—1的非负整数,然后将这些整数转换成长度为n的二进制串,串中的位值对应着各决策变量的真值指派。计算保留最好的串,就可得到最优的结果。
枚举算法的优点就是可以得到全局的最优解。
枚举算法的缺点就是需要遍历整个搜索空间,计算量大,耗费时间。
本情境中,共有30个变量,所以搜索空间从<00....00>到<11...11>共有2^30个。应产生大小为0~2^30-1的非负整数,用非负整数对应的长度为30的二进制数中,二进制数各位的位值表示相应幅频分量的选取与否。具体为当位值为1表示对应分量作为储能出力,位值为0则表示对应分量不作为储能出力。计算目标为得到最大负荷功率减小量大于20%时所需的储能最小容量。
本情境有30个分量,遍历整个搜索空间的计算量很大,需要的计算时间很长。考虑本情境对配置的储能容量的精确度要求不是很高,希望用最小的计算量得到较小的可行的储能容量配置。故对搜索范围进行划分,计算不同搜索范围内得到的最优解,从而对比设计快速计算得到较小储能容量所需的合适的局部搜索空间。计算结果如表5所示。
表5枚举法在不同搜索空间内的最优储能容量配置结果
由计算结果可知,搜索空间3-7计算得到的储能容量大都在50kWh附近波动,容量计算结果趋于稳定。综合考虑计算量,认为只需将搜索范围设置2^20-2^24-1就可以得到相对优化的储能容量配置结果。
当最优解串值为4499456时,最大负荷减小量为20.17%,储能最大输出功率为152.87kW,储能容量为47.96kWh。功率曲线如图9所示,储能能量波动状态曲线图10所示。
结果对比
满足最大负荷减小20%时,三种不同方法计算得到的储能容量配置结果如表6所示。
表6不同方法储能容量配置结果
计算方法 | 储能容量/kWh | 储能最大功率/kW |
高频算法 | 102.70 | 410.80 |
贪婪算法 | 198.05 | 445.87 |
枚举法 | 47.96 | 152.87 |
由表6可知储能系统的充放电倍率大约为3C,长时间以此倍率放电会缩短储能电池的寿命,因此现将储能系统的充放电倍率限制为1C,储能容量配置结果如表7所示。
表7 1C倍率下的储能容量配置结果
计算方法 | 储能容量/kWh | 储能最大功率/kW |
试差法 | 410.80 | 410.80 |
贪婪算法 | 445.87 | 445.87 |
枚举法 | 152.87 | 152.87 |
可知三种方法的储能容量配置结果相差很大,其中枚举法的计算结果最好。
观察负荷功率的频谱分析结果,不同频率分量的幅值基本相差不大,并且没有出现明显的幅值大小随频率高低分布的特性。因此大多数幅频分量对储能容量和最大负荷功率减小量都有较大的影响,不同分量的组合方式结果会有较大的差别。难以通过按频率高低优先选择,或按单位幅值对最大负荷减小量的贡献量优先选择储能出力分量来快速计算得到很好的结果。
因此对计算快充站最大负荷功率减小20%所需的储能容量配置问题,推荐使用枚举法,在局部搜索空间中进行计算。但在上述方法中仅以降低负荷峰值为目标,未考虑提高系统经济性,因此接下来采用线性规划方法实现以降低负荷峰值和提高系统经济性的多目标储能容量配置。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种充电站容量确定装置,该装置可以用于执行本发明实施例的充电站容量确定方法。
图11是根据本发明实施例的充电站容量确定装置的示意图,如图11所示,该装置包括:
采集单元10,用于采集充电站的电能负荷数据;
表示单元20,用于通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;
叠加单元30,用于通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;
配置单元40,用于根据时域信号对充电站容量进行储能容量配置。
该实施例采用采集单元10采集充电站的电能负荷数据;表示单元20,用于通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;叠加单元30,用于通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;配置单元40,用于根据时域信号对充电站容量进行储能容量配置,解决了充电站负荷峰谷差大导致的不稳定的问题,进而达到了减少充电站负荷峰谷差的效果。
可选的,配置单元40包括:分析模块,用于基于傅里叶变换对充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;排列模块,用于按照大小顺序对幅频分量进行排列,得到排列结果;第一计算模块,用于从排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;处理模块,用于将计算得到的第一储能出力作为储能最大输出功率;求和模块,用于基于储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;差值模块,用于计算目标周期内的储能最大值和最小值的差值,作为储能容量。
可选的,配置单元40包括:频谱分析模块,用于基于傅里叶变换对充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;反变换模块,用于将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将功率作为第二储能出力;第二计算模块,用于计算每个幅值分量每单位幅值的最大负荷减小量;叠加模块,用于在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;第三计算模块,用于根据第二储能出力计算储能最大输出功率及储能容量。
可选的,配置单元40包括:遍历模块,用于遍历多个搜索空间,其中,每个搜索控件的数据量不同;第四计算模块,用于计算多个搜索空间的储能容量;第五计算模块,用于计算满足最大负荷减少预设值的储能容量;配置模块,用于根据满足最大负荷减少预设值的储能容量进行储能容量配置。
所述充电站容量确定装置包括处理器和存储器,上述采集单元、表示单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来减少充电站负荷峰谷差。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述充电站容量确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述充电站容量确定方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:采集充电站的电能负荷数据;通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;根据时域信号对充电站容量进行储能容量配置。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:采集充电站的电能负荷数据;通过傅里叶变换将电能负荷数据的时序信号表示为有限频域分量的叠加信号;通过傅里叶反变换将有限频域分量的叠加信号转换成时域信号;根据时域信号对充电站容量进行储能容量配置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种充电站容量确定方法,其特征在于,包括:
采集充电站的电能负荷数据;
通过傅里叶变换将所述电能负荷数据的时序信号表示为有限频域分量的叠加信号;
通过傅里叶反变换将所述有限频域分量的叠加信号转换成时域信号;
根据所述时域信号对所述充电站容量进行储能容量配置。
2.根据权利要求1所述的方法,其特征在于,根据所述时域信号对所述充电站容量进行储能容量配置包括:
基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;
按照大小顺序对所述幅频分量进行排列,得到排列结果;
从所述排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;
将计算得到的第一储能出力作为储能最大输出功率;
基于所述储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;
计算目标周期内的储能最大值和最小值的差值,作为储能容量。
3.根据权利要求1所述的方法,其特征在于,根据所述时域信号对所述充电站容量进行储能容量配置包括:
基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;
将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将所述功率作为第二储能出力;
计算每个幅值分量每单位幅值的最大负荷减小量;
在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;
根据所述第二储能出力计算储能最大输出功率及储能容量。
4.根据权利要求1所述的方法,其特征在于,根据所述时域信号对所述充电站容量进行储能容量配置包括:
遍历多个搜索空间,其中,每个搜索控件的数据量不同;
计算所述多个搜索空间的储能容量;
计算满足最大负荷减少预设值的储能容量;
根据满足最大负荷减少预设值的储能容量进行储能容量配置。
5.一种充电站容量确定装置,其特征在于,包括:
采集单元,用于采集充电站的电能负荷数据;
表示单元,用于通过傅里叶变换将所述电能负荷数据的时序信号表示为有限频域分量的叠加信号;
叠加单元,用于通过傅里叶反变换将所述有限频域分量的叠加信号转换成时域信号;
配置单元,用于根据所述时域信号对所述充电站容量进行储能容量配置。
6.根据权利要求5所述的装置,其特征在于,所述配置单元包括:
分析模块,用于基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;
排列模块,用于按照大小顺序对所述幅频分量进行排列,得到排列结果;
第一计算模块,用于从所述排列结果中选择高频的幅频分量求和计算第一储能出力,直至储能的步长功率将最大负荷功率减少目标减小量;
处理模块,用于将计算得到的第一储能出力作为储能最大输出功率;
求和模块,用于基于所述储能最大输出功率对各个储能输出功率进行求和,得到各个时刻储能相对初始状态的能量波动;
差值模块,用于计算目标周期内的储能最大值和最小值的差值,作为储能容量。
7.根据权利要求5所述的装置,其特征在于,所述配置单元包括:
频谱分析模块,用于基于傅里叶变换对所述充电站的电能负荷数据进行频谱分析,除去直流分量,得到不重复的幅频分量;
反变换模块,用于将得到的每个幅频分量进行傅里叶反变换,得到每个分量在时域各个时刻的功率,将所述功率作为第二储能出力;
第二计算模块,用于计算每个幅值分量每单位幅值的最大负荷减小量;
叠加模块,用于在时域的功率一次叠加作为第二储能出力,直到最大负荷减小量满足预设要求;
第三计算模块,用于根据所述第二储能出力计算储能最大输出功率及储能容量。
8.根据权利要求5所述的装置,其特征在于,所述配置单元包括:
遍历模块,用于遍历多个搜索空间,其中,每个搜索控件的数据量不同;
第四计算模块,用于计算所述多个搜索空间的储能容量;
第五计算模块,用于计算满足最大负荷减少预设值的储能容量;
配置模块,用于根据满足最大负荷减少预设值的储能容量进行储能容量配置。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的充电站容量确定方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4中任意一项所述的充电站容量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480986.7A CN108183497B (zh) | 2017-12-29 | 2017-12-29 | 充电站容量确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480986.7A CN108183497B (zh) | 2017-12-29 | 2017-12-29 | 充电站容量确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108183497A true CN108183497A (zh) | 2018-06-19 |
CN108183497B CN108183497B (zh) | 2021-07-20 |
Family
ID=62549145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711480986.7A Active CN108183497B (zh) | 2017-12-29 | 2017-12-29 | 充电站容量确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108183497B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325295A (zh) * | 2018-09-26 | 2019-02-12 | 云南电网有限责任公司电力科学研究院 | 一种基于小时间尺度经验模态分解的动态电荷建模方法 |
CN117150419A (zh) * | 2023-10-31 | 2023-12-01 | 东莞市茂腾电子科技有限公司 | 基于数据分析的储能电源运行环境检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4059747A (en) * | 1976-06-08 | 1977-11-22 | Brody Mitchell D | Demand controller |
CN102244390A (zh) * | 2011-07-11 | 2011-11-16 | 天津大学 | 平滑微网联络线功率波动的储能系统容量优化方法 |
CN105140940A (zh) * | 2015-08-18 | 2015-12-09 | 河海大学 | 一种确定独立新能源系统接入储能装置容量的方法 |
-
2017
- 2017-12-29 CN CN201711480986.7A patent/CN108183497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4059747A (en) * | 1976-06-08 | 1977-11-22 | Brody Mitchell D | Demand controller |
CN102244390A (zh) * | 2011-07-11 | 2011-11-16 | 天津大学 | 平滑微网联络线功率波动的储能系统容量优化方法 |
CN105140940A (zh) * | 2015-08-18 | 2015-12-09 | 河海大学 | 一种确定独立新能源系统接入储能装置容量的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325295A (zh) * | 2018-09-26 | 2019-02-12 | 云南电网有限责任公司电力科学研究院 | 一种基于小时间尺度经验模态分解的动态电荷建模方法 |
CN109325295B (zh) * | 2018-09-26 | 2023-05-05 | 云南电网有限责任公司电力科学研究院 | 一种基于小时间尺度经验模态分解的动态电荷建模方法 |
CN117150419A (zh) * | 2023-10-31 | 2023-12-01 | 东莞市茂腾电子科技有限公司 | 基于数据分析的储能电源运行环境检测系统 |
CN117150419B (zh) * | 2023-10-31 | 2024-02-02 | 东莞市茂腾电子科技有限公司 | 基于数据分析的储能电源运行环境检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108183497B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Home-Ortiz et al. | Optimal location-allocation of storage devices and renewable-based DG in distribution systems | |
Singh et al. | Distributed power generation planning for distribution networks using electric vehicles: Systematic attention to challenges and opportunities | |
Nick et al. | Optimal siting and sizing of distributed energy storage systems via alternating direction method of multipliers | |
Rahimzadeh et al. | Looking for optimal number and placement of FACTS devices to manage the transmission congestion | |
Carr et al. | Hydrogen storage and demand to increase wind power onto electricity distribution networks | |
Boloukat et al. | Stochastic-based resource expansion planning for a grid-connected microgrid using interval linear programming | |
Babu et al. | Multi-objective optimal allocation of electric vehicle charging stations in radial distribution system using teaching learning based optimization | |
Hossain et al. | Design a novel controller for stability analysis of microgrid by managing controllable load using load shaving and load shifting techniques; and optimizing cost analysis for energy storage system | |
Jannati et al. | A significant reduction in the costs of battery energy storage systems by use of smart parking lots in the power fluctuation smoothing process of the wind farms | |
Nousdilis et al. | Impact of policy incentives on the promotion of integrated PV and battery storage systems: a techno‐economic assessment | |
Emarati et al. | A two-level over-voltage control strategy in distribution networks with high PV penetration | |
Zeng et al. | The socially optimal energy storage incentives for microgrid: A real option game-theoretic approach | |
Wang et al. | Research on planning optimization of integrated energy system based on the differential features of hybrid energy storage system | |
CN110163445A (zh) | 一种电动汽车充电站选址方法、系统及相关装置 | |
Qiao et al. | Voltage/Var control for hybrid distribution networks using decomposition-based multiobjective evolutionary algorithm | |
CN108183497A (zh) | 充电站容量确定方法和装置 | |
CN106385039A (zh) | 用以平抑光伏功率波动的混合储能系统设计方法 | |
Panda et al. | A comprehensive review on demand side management and market design for renewable energy support and integration | |
CN105894108A (zh) | 微电网运行规划方法及系统 | |
Li et al. | Multi-stage expansion planning of energy storage integrated soft open points considering tie-line reconstruction | |
Terkes et al. | Optimal sizing and feasibility analysis of second-life battery energy storage systems for community microgrids considering carbon reduction | |
Chen et al. | Multi‐stage dynamic optimal allocation for battery energy storage system in distribution networks with photovoltaic system | |
Abid et al. | Techno-economic and environmental assessment of renewable energy sources, virtual synchronous generators, and electric vehicle charging stations in microgrids | |
Dolatabadi et al. | Assessing the scalability and privacy of energy communities by using a large-scale distributed and parallel real-time optimization | |
Xing et al. | [Retracted] Optimal Coordinated Energy Management in Active Distribution System with Battery Energy Storage and Price‐Responsive Demand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |