CN109523087A - 基于深度学习的电动汽车快充站储能监测系统及其方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的电动汽车快充站储能监测系统及方法。本发明利用深度学习算法构建一套电动汽车快充站储能监测系统，提供一种基于深度学习的储能监测综合评判方法，对大数据进行特征学习，高效精确计算处理并得到计算结果，解决了快充站内数据监测点多、数据量大、人工处理和评判难度高且效率低的问题。

Description

基于深度学习的电动汽车快充站储能监测系统及其方法

技术领域

本发明涉及一种基于深度学习的电动汽车快充站储能监测系统及其方法。

背景技术

随着可再生能源发电快速发展，弃风、弃光等并网消纳困难的问题越发严重。储能系统在削峰填谷、节省电费开支、延缓输配电扩容升级等方面表现出了良好的经济收益，在可再生能源行业急需转型之际，储能成为至关重要的突破点。在“十三五”规划中，储能技术被编入《国家应对气候变化规划》中，在重点发展的低碳技术方面，太阳能、风能发电及大规模储能和并网技术也被列入其中。由此可见，储能政策的实施大大推动了储能市场的快速发展。

先进大容量储能技术以示范应用为主，并由示范应用开始向商业化迈进，探索建立成熟商业模式。应用重点领域依次为分布式发电及微网、调频辅助服务、可再生能源并网，应用场景主要集中在配网和电源侧。预计2020年我国储能市场规模有望达到15GW，其中分布式发电及微电网、调频辅助服务、可再生能源并网分别占50％、20％、20％。

电动汽车大规模应用带来许多问题，由于电动汽车的充电行为具有时间和空间上的不确定性，当电动汽车直流快充站大规模的接入，将会给电网负荷带来冲击，对电网的电能质量、网络损耗、设备利用率等产生不容忽视的影响，特别是大功率直流充电具有充电功率大、充电时间短的特点，为满足快速充电站的大功率充电需求，可在快速充电站中配置储能系统，避免储能系统出现过放、过充等影响电池寿命与性能的操作。同时还需全面监测储能系统，为分析充电站与配电网的交互影响提供可靠的数据。

目前，电动汽车快充站储能监测储能系统研发成果的应用市场很广，从个人家庭储能系统到大容量储能电站实现，都是大容量储能系统的应用范围；而且无论在解决城市用电紧张、电网调峰压力巨大的问题，还是解决清洁能源发电的大规模并网问题，还是在电动汽车机充电设施快速发展的应用，储能的技术优势都使之具有不可代替的作用。因此，建立一个健全智能化的储能监测系统是十分必要的。

发明内容

本发明为了解决上述问题，提出了一种基于深度学习的电动汽车快充站储能监测系统及其方法，本发明对电动汽车快充站储能进行特征学习，高效精确计算处理并得到计算结果，解决了快充站内数据监测点多、数据量大、人工处理和评判难度高且效率低的问题。

为了实现上述目的，本发明采用如下技术方案：

一种电动汽车快充站储能监测系统，包括：

数据采集模块，被配置为采集各个监测点的快充站储能装置的数据，所述数据包括储能装置运行状态、实时运行参数，以及电网的负荷信息；

数据存储模块，包括关系数据库和实时数据库，所述关系数据库被配置为对关系数据的存储，所述实时数据库被配置为对数据采集模块采集的监测点数据的存储；

数据计算模块，被配置为根据采集的监测点数据计算储能装置的当前容量和功率，当电动汽车充电时计算剩余容量，计算储能系统电池荷电状态以及在电网调峰调频服务能力；

进一步的，所述服务能力的计算方法，利用快充站的储能资源制定快充站电网调峰调频服务管理策略。具体方法如下：

1、首先以充电站实际储能电量和充电站实际负荷特性为基础，确定不同的储能能量管理策略优化目标，并对该目标所需的储能电量需求进行预估计算。

2、根据快速充电站的实际负荷分布特点和目前较为常见的两种充电站能量管理策略优化目标，分别采用两种能够简单、快速进行电动汽车快速充电站储能电量需求预估计算的方法对充电站储能电量需求进行预估计算。

3、依据电池储能电站的运行特性、功率与容量特性、以及综合经济效益量化评估模型，建立电池储能电站满足多辅助服务需求的多时间尺度经济效益目标函数。

4、结合电网辅助服务调度需求，以经济效益最大化为目标，安排电池储能电站参与电网调频、电压支撑以及黑启动的运行秩序、介入时长与深度等，提出规模化电动汽车快充站储能系统满足多辅助服务需求的优化运行原则。

学习训练模块，被配置为利用深度学习网络对采集的监测点数据中的训练样本数据进行零均值化处理，针对样本中的用电负荷、电网负荷以及储能容量预先分析出时间段内电网的最大负荷，并以此分析出快充站储能系统的最大放电负荷，以调度区域内快充站电动汽车的有序充电；

通信模块，被配置为实现各模块之间数据交互通信。

作为进一步限定，所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。

作为进一步限定，还包括人机交互模块，所述人机交互模块包括显示器、输入设备以及报警装置，输入设备接收快充站工作人员的数据查询请求，报警装置，储能装置报警功能，所述显示器被配置为根据学习训练模块的结果，向电动汽车用户推送包含充电等待时间或可充电容量的资讯信息。

所述报警装置包括声音警示、闪光灯警示模块，被配置为接收并处理报警请求，当储能系统的剩余容量低于报警阈值、快充站电网调峰调频服务低于报警阈值时，自动触发报警系统。

所述报警阈值的限定，利用学习训练模块的历史样本数据，训练得出快充站储能系统容量所能支持最大服务限度值，最大电网调峰调频服务限度值。所述限度值即为能够服务的最大充电容量以及电网调峰的最大上网电能。

作为更进一步的限定，所述远程云端平台包括事务处理服务模块和数据分析模块，所述事务处理服务模块被配置为接收并处理查询请求，并请查询请求传递给数据分析模块；所述数据分析模块负责分析的用户请求，并根据请求内容给数据处理模块索要相应的数据，并向学习训练模块提供样本数据。

作为更进一步的限定，所述远程云端平台通过通信模块获取快充站的储能系统的状态，通过对训练模块输出参数的学习结果，进一步进行快充站储能系统充放电执行状态的分析与调度。

基于上述系统的工作方法，包括以下步骤：

获取储能系统各个监测点的数据以及接收电网的负荷数据，并保存；

根据获取的数据，计算储能装置的当前容量、功率，当电动汽车充电时计算剩余容量，计算储能系统电池荷电状态、储能在电网调峰调频服务能力的计算，将剩余容量及服务能力的结果按照时间段进行记录；

获取各采集点采集的实时数据以及历史数据，按时间段进行初步的分析预算，得到该时间段内不同时间节点相同时间段的用电负荷、电网负荷以及储能容量，并作为学习训练模块的样本数据；

根据样本数据，深度学习算法首先对训练样本数据进行零均值化处理，并按是时间段进行归类，针对样本中的用电负荷、电网负荷以及储能容量数据预先分析预测出时间段内电网的最大负荷，得到出快充站储能系统的最大放电负荷；

进一步的，所述最大负荷预测方法如下，

一、获取多个时间点的用电负荷；

二、对多个历史负荷按照时间点类型进行筛选获得历史样本；

三、充电站日负荷需求历史数据构成的时间序列具有较强的规律性，充电站的负荷需求在短期(数天)内具有较强的自相关性。引起充电站负荷时间序列非平稳性的原因有突发的路况(临时道路封停等)、意外的运营情况(充电站暂时停止提供服务)等；

四、对历史样本坏数据(负荷波动数据)辨识修正；对于主平稳的序列可以使用AR(Auto-Regressive Model)模型或者ARMA(Auto-Regressive and Moving Average Model)模型进行预报；

五、根据步骤四中计算所得当前负荷变化率，利用ARMA模型预测日当前时刻点的最大负荷。

通过训练，通过单层决策树算法学习到各时间段储能系统服务能力均值的上阈值和下阈值，将所有储能系统服务能力低于下阈值的充电行为定义为非显著性区域，将所有储能系统服务能力高于上阈值的充电行为定义为显著性区域，其他区域的充电行为不作改变，以此调度区域内快充站电动汽车的有序充电；

根据学习训练模块训练结果分别按充电站位置、充电服务能力以及等待情况统一调度区域内充电车辆前往目标快充站充电，以达到最优的有序充电方案。

进一步的，所述最优有序充电方案计算方法采用专利“智能园区电动汽车有序充电系统及方法”，专利号：ZL2015 1 0734494.0，所叙述的最优有序充电计算方法。

作为进一步限定，还包括以下步骤，根据的储能系统最佳储能时间进行学习，根据电网的用电负荷情况、储能系统的放电情况以及电动汽车充电情况综合判断，分析计算出快充站最佳的储能时间。

作为进一步限定，最佳的储能时间计算方法具体为：

1、获得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电数据；

2、根据获得的这部分数据分析预算出当天内每个时间段的用电情况，按用电量的大小进行排序，选择出储能最优的时间段，该最优的时间段内充电用户最少、电网用电负荷最少。

作为进一步限定，储能系统服务能力计算方法具体包括：

(1)获取得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电数据；

(2)根据获得的这部分数据分析预算出一天内每个时间段的最大放电能力、最大充电车辆数以及考虑到的电网负荷承载能力；

(3)根据训练结果数据调度充电车辆合理选择快充站，根据电网的用电负荷情况进行削峰，当电网的负荷超过设定值时，储能快充站会将电能上网。

本发明所阐述的监测系统，是配置在快充站内的一套监控系统，所监控范围包括快充站原有的快充站储能系统、储能装置以及充电车辆。

所述快充站的充电服务能力是由储能系统根据监测系统所计算的服务能力确定的。本发明所阐述的服务能力计算依据深度学习算法分析计算得到的，具体方法如下：

1)获取本快充站的历史数据，包括历史负荷、历史充电车辆数量、历史充电电量和历史储能电量数据。

2)将这部分历史数据按时间段归类，作为学习训练模块的样本数据。

3)学习训练模块依据样本数据进行学习训练，最终训练预测出每天各时间段的服务能力。

4)所述时间段一般分为早高峰(7:00-9:00)、晚高峰(17:00-19:00)、夜间(20:00-7:00)以及白天其他时间段。

5)所述服务能力评价指标包括最大服务充电车辆数、最大充电负荷、同时充电车辆数以及储能系统所能达到的放电最大值。

6)同时深度学习通过样本训练还提供储能装置充电、放电调峰上网的最佳的时间段，所述充电时间段为储能系统充电时间，所述放电调峰上网时间段为电网负荷过大时储能系统向电网放电的时间。

7)所述最佳时间段为储能装置充电时该快充站既能满足现有的车辆充电又不对电网负荷造成影响，储能装置上网放电时该充快充站所在的电网区域电网负荷过大时的时间。

与现有技术相比，本发明的有益效果为：

1、实时性、准确性能好，本发明利用基于深度学习的储能监测系统对快充站的储能系统及其装置进行监测，大大降低了储能监测的硬件要求，保证了监测的实时性、准确性。

2、大大降低了储能装置的人力成本，降低了人为因素的不确定性。通过深度学习，不断增强储能快充站的服务能力。

3、引入储能后的电网不仅可以有效地实现需求侧管理，消除昼夜间峰谷差，平滑负荷，而且可以更有效地利用电力设备，降低供电成本，也可作为提高系统运行稳定性、调整频率、补偿负荷波动的一种手段。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本实施例的电动汽车快充站储能监测系统结构图；

图2为本实施例的的电动汽车快充站储能监测工作流程图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

如图1所示，一种基于深度学习的电动汽车快充站储能监测系统，包括数据采集模块、数据存储模块、数据计算模块、通信模块、学习训练模块、远程云端平台和人机交互模块。

所述数据采集模块，用于采集快充站储能装置的监测点的数据，并将数据存储到数据存储模块。所述监测点的数据包括储能装置运行状态、储能电池的SOC、容量、功率、电压等实时数据，并将实时数据通过通信模块上传到快充站储能监测系统，用于实时监控、优化计算、负荷预测等功能中；还用于接收电网的负荷信息，当前用电负荷过大时，监测系统将下发指令，此时储能系统就不能再充电，必要时进行放电。

所述数据存储模块，实现关系数据的存储和实时数据的存储，实时数据库用于保存监测系统采集到的监测点的实时数据，关系数据库用于保存待于学习训练的数据。

所述数据计算模块，用于计算储能装置的当前容量、功率，当电动汽车充电时计算剩余容量等数据。还用于计算储能系统电池荷电状态(SOC)、储能在电网调峰调频服务能力的计算。并将剩余容量及服务能力的结果上送到远程云端平台。

所述数据计算模块还用于计算储能系统同期的用电负荷、电网负荷以及储能容量，计算上一周各时间段的用电负荷、电网负荷以及储能容量，并将计算结果作为学习训练的样本数据保存到数据存储模块中。

所述通信模块，用于实现各模块之间数据交互通信，也用于与远程云端平台的数据通信；

所述学习训练模块，所有训练样本数据放入深度网络中进行训练，深度学习算法首先对训练样本数据进行零均值化处理，针对样本中的用电负荷、电网负荷以及储能容量等数据预先分析出时间段内电网的最大负荷，并以此分析出快充站储能系统的最大放电负荷。还用于分析电网在哪个时间段内用电负荷最小，储能系统在此时间段内进行充电。该模块还将学习训练结果上传到远程云端平台，用于调度区域内快充站电动汽车的有序充电。

所述远程云端平台包括事务处理服务模块和数据分析模块。所述事务处理服务模块负责处理用户的查询请求，并请查询请求传递给数据分析模块。所述数据分析模块负责分析的用户请求，并根据用户的请求内容给数据处理模块索要相应的数据，并向学习训练模块提供样本数据。

通过通信模块获取快充站的储能系统的状态。通过对训练模块输出参数的学习，进行快充站储能系统充放电执行状态的分析与调度。

所述人机交互模块包括显示器、输入终端设备以及报警装置，一方面用于快充站工作人员数据查询、储能装置报警等功能，还用于向电动汽车用户推送充电资讯信息。所述充电资讯信息，包括充电等待时间、可充电容量等信息。

如图2所示，基于上述系统的工作方法，包括以下步骤：

步骤一、数据采集模块获取储能系统监测点的数据以及接收电网的负荷数据，并保存到数据存储模块。

步骤二、数据存储模块实现关系型数据的读写和实时数据的读写，实时数据库用于保存监测系统采集到的监测点的实时数据，关系数据库用于保存待于学习训练的数据。

步骤三、数据计算模块计算储能装置的当前容量、功率，当电动汽车充电时计算剩余容量等数据。还用于计算储能系统电池荷电状态(SOC)、储能在电网调峰调频服务能力的计算。并将剩余容量及服务能力的结果上送到远程云端平台。

步骤四、数据计算模块从存储数据库中获取各采集点采集的实时数据以及历史数据。按时间段进行初步的分析预算，得到该时间段内上月同时间段、上年同期以及上周同时间段的用电负荷、电网负荷以及储能容量，并作为学习训练模块的样本数据。

步骤五、根据样本数据，深度学习算法首先对训练样本数据进行零均值化处理，并按是时间段进行归类。

步骤六、针对样本中的用电负荷、电网负荷以及储能容量等数据预先分析出时间段内电网的最大负荷，分析出快充站储能系统的最大放电负荷。并记录每个时间段的储能系统的容量以及服务于电网调峰调频能力。

步骤七、通过训练，通过单层决策树算法学习到各时间段储能系统服务能力均值的上阈值和下阈值，将所有储能系统服务能力低于下阈值的充电行为定义为非显著性区域，将所有储能系统服务能力高于上阈值的充电行为定义为显著性区域，其他的充电行为不作改变。并将训练结果上传到远程云端平台，用于调度区域内快充站电动汽车的有序充电。

步骤八、远程云端平台根据学习训练模块训练结果分别按充电站位置、充电服务能力以及等待情况统一调度区域内充电车辆前往目标快充站充电，以达到最优的有序充电方案。

步骤九、学习训练模块还针对储能系统最佳储能时间进行学习，根据电网的用电负荷情况、储能系统的放电情况以及电动汽车充电情况综合判断，分析计算出快充站最佳的储能时间。

进一步，所述步骤七中储能系统服务能力计算方法具体为：

(1)学习训练模块获取得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电等数据。

(2)训练模块根据获得的这部分数据分析预算出一天内每个时间段的最大放电能力、最大充电车辆数以及考虑到的电网负荷承载能力，并将这部分数据上传到远程云端平台。

(3)远程云端平台会根据训练结果数据调度充电车辆合理选择快充站。

(4)储能系统还会根据电网的用电负荷情况进行削峰，当电网的负荷过大时，储能快充站会将电能上网。

进一步地，所述步骤九中最佳的储能时间计算方法具体为：

1、学习训练模块获得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电等数据。

2、训练模块根据获得的这部分数据分析预算出当天内每个时间段的用电情况，按用电量的大小进行排序，选择出储能最优的时间段。该时间段内充电用户最少、电网用电负荷最少。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于深度学习的电动汽车快充站储能监测系统，其特征是：包括：

数据计算模块，被配置为根据采集的监测点数据计算储能装置的当前容量和功率，当电动汽车充电时计算剩余容量，计算储能系统电池荷电状态以及在电网调峰调频服务能力；

学习训练模块，被配置为对采集的监测点数据中的训练样本数据进行零均值化处理，针对样本中的用电负荷、电网负荷以及储能容量预先分析出时间段内电网的最大负荷，并以此分析出快充站储能系统的最大放电负荷，以调度区域内快充站电动汽车的有序充电。

2.如权利要求1所述的一种基于深度学习的电动汽车快充站储能监测系统，其特征是：还包括人机交互模块，所述人机交互模块包括显示器、输入设备以及报警装置，输入设备接收快充站工作人员的数据查询请求，报警装置具有报警功能，所述显示器被配置为根据学习训练模块的结果，向电动汽车用户推送包含充电等待时间或可充电容量的资讯信息。

3.如权利要求1所述的一种基于深度学习的电动汽车快充站储能监测系统，其特征是：所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。

4.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统，其特征是：所述远程云端平台包括事务处理服务模块和数据分析模块，所述事务处理服务模块被配置为接收并处理查询请求，并请查询请求传递给数据分析模块；所述数据分析模块负责分析的用户请求，并根据请求内容给数据处理模块索要相应的数据，并向学习训练模块提供样本数据。

5.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统，其特征是：所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。

6.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统，其特征是：所述远程云端平台通过通信模块获取快充站的储能系统的状态，通过对训练模块输出参数的学习结果，进一步进行快充站储能系统充放电执行状态的分析与调度。

7.基于如权利要求1-6中任一项所述的系统的工作方法，其特征是：包括以下步骤：

获取储能系统各个监测点的数据以及接收电网的负荷数据，并保存；

根据获取的数据，计算储能装置的当前容量、功率，当电动汽车充电时计算剩余容量，计算储能系统电池荷电状态、储能在电网调峰调频服务能力的计算，将剩余容量及服务能力的结果按照时间段进行记录；

获取各采集点采集的实时数据以及历史数据，按时间段进行初步的分析预算，得到该时间段内不同时间节点相同时间段的用电负荷、电网负荷以及储能容量，并作为学习训练模块的样本数据；

根据样本数据，深度学习算法首先对训练样本数据进行零均值化处理，并按是时间段进行归类，针对样本中的用电负荷、电网负荷以及储能容量数据预先分析出时间段内电网的最大负荷，得到出快充站储能系统的最大放电负荷；

通过训练，通过单层决策树算法学习到各时间段储能系统服务能力均值的上阈值和下阈值，将所有储能系统服务能力低于下阈值的充电行为定义为非显著性区域，将所有储能系统服务能力高于上阈值的充电行为定义为显著性区域，其他区域的充电行为不作改变，以此调度区域内快充站电动汽车的有序充电；

根据学习训练模块训练结果分别按充电站位置、充电服务能力以及等待情况统一调度区域内充电车辆前往目标快充站充电，以达到最优的有序充电方案。

8.如权利要求7所述的工作方法，其特征是：还包括以下步骤，根据的储能系统最佳储能时间进行学习，根据电网的用电负荷情况、储能系统的放电情况以及电动汽车充电情况综合判断，分析计算出快充站最佳的储能时间；

或，所述最大负荷预测方法的具体过程包括：

一、获取多个时间点的用电负荷；

二、对多个历史负荷按照时间点类型进行筛选获得历史样本；

三、确定充电站日负荷需求历史数据构成的时间序列的规律性，充电站的负荷需求的自相关性；

四、对历史样本坏数据进行辨识修正；对于主平稳的序列用AR模型或者ARMA模型进行预报；

五、根据步骤四中计算所得当前负荷变化率，利用ARMA模型预测日当前时刻点的最大负荷。

9.如权利要求8所述的工作方法，其特征是：最佳的储能时间计算方法具体为：获得同期、上月以及最近若干天的电网负荷数据、储能放电数据以及车辆充电数据；

根据获得的这部分数据分析预算出当天内每个时间段的用电情况，按用电量的大小进行排序，选择出储能最优的时间段，该最优的时间段内充电用户最少、电网用电负荷最少。

10.如权利要求9所述的工作方法，其特征是：储能系统服务能力计算方法具体包括：

(1)获取得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电数据；

(2)根据获得的这部分数据分析预算出一天内每个时间段的最大放电能力、最大充电车辆数以及考虑到的电网负荷承载能力；

(3)根据训练结果数据调度充电车辆合理选择快充站，根据电网的用电负荷情况进行削峰，当电网的负荷超过设定值时，储能快充站会将电能上网。