CN113887858A - 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 - Google Patents
一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 Download PDFInfo
- Publication number
- CN113887858A CN113887858A CN202110922657.3A CN202110922657A CN113887858A CN 113887858 A CN113887858 A CN 113887858A CN 202110922657 A CN202110922657 A CN 202110922657A CN 113887858 A CN113887858 A CN 113887858A
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric vehicle
- vehicle charging
- power
- formula
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004146 energy storage Methods 0.000 claims abstract description 51
- 238000013178 mathematical model Methods 0.000 claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 238000007599 discharging Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 79
- 239000002245 particle Substances 0.000 claims description 67
- 238000010248 power generation Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000012804 iterative process Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000000352 storage cell Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于CNN‑LSTM负荷预测的充电站微电网系统优化调度方法，构建电动汽车充电站微电网系统架构，建立电动汽车充电站微电网系统调度的数学模型，将系统运行成本最低和电网交互峰值功率最小作为目标，通过合理规划储能单元充放电功率和时机以及向电网售购电功率和时机进行充电站微电网系统优化调度，实现电网稳定性和系统经济性需求。
Description
技术领域
本发明涉及微电网系统优化调度技术领域，特别是指一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法。
背景技术
电动汽车具有节能环保的优点，在化石能源日益枯竭，环境日益恶化的背景下，电动汽车成为未来汽车产业的发展趋势。而大规模电动汽车充电站接入电网时，由于电动汽车的充电负荷具有较大的随机性和波动性，极易对电网造成冲击。通过构建含可再生能源的电动汽车充电站微电网系统，既能有效消纳风力和光伏可再生能源，提高微电网系统经济性，又能通过储能单元和风光发电为充电站负荷提供电能，缓解电网供电压力，有效减小电动汽车充电负荷对电网造成的冲击。由于微电网系统结构的复杂性、可再生能源发电和充电站负荷具有的双不确定性，使系统能量调度具有较大难度，使用不同的优化调度方法将会对系统调度结果产生较大差异。
例如，一种在中国专利文献上公开的“一种电动汽车大型停车充电站智能车辆调度方法及其装置”，其公告号CN111402621A，该方法包括以下步骤：判断各个停车位上是否停放有电动汽车；获取与占用车位对应的充电桩的设备信息、充电状态以及充电量；将空闲车位的信息、充电桩的设备信息显示在智能引导屏上，以向电动汽车提供至少一个空闲停车位；将停放在占用车位上的电动汽车的车辆信息以及充电桩的设备信息、充电状态、充电量同步显示在第一充电显示屏和第二充电显示屏上，使运维平台的运维人员在电动汽车充满电时对电动汽车进行拔枪，并使驾驶员进行挪车调度。本发明提高运维效率和及时性，挪车效率相应提高，提高停车场的整体充电效率，使电动汽车大型停车充电站的整体运行效率大幅提高。然而传统的使用监控设备与控制中心的方法并没有完全改变电动汽车充电调度问题中存在的调度难，且仍然没有解决微电网系统结构的复杂性、可再生能源发电和充电站负荷具有的双不确定性造成的系统能量调度困难的问题。
发明内容
为了克服充电站微电网系统调度困难的问题，本发明提供一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法。将系统运行成本最低和电网交互峰值功率最小作为目标，通过合理规划储能单元充放电功率和时机以及向电网售购电功率和时机进行充电站微电网系统优化调度，实现电网稳定性和系统经济性需求。
本发明解决其技术问题所采用的技术方案是：
一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，所述评价方法包括以下步骤：
1)电动汽车充电站微电网系统单元建模
构建电动汽车充电站微电网系统架构，并根据系统内各单元的运行特性建立各单元的数学模型；
2)电动汽车充电站数据集预处理和特征工程
根据卷积神经网络、长短期记忆神经网络和电动汽车充电站数据集特点，对电动汽车充电站数据集进行预处理和特征工程；
3)基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测
结合CNN特征提取能力和LSTM学习时间序列前后依赖关系能力，搭建CNN-LSTM混合神经网络模型结构，建立电动汽车充电站负荷预测的完整流程，对电动汽车充电站负荷进行预测；
4)电动汽车充电站微电网系统优化调度
建立电动汽车充电站微电网系统调度的数学模型，电动汽车充电站微电网系统调度的数学模型中目标函数为系统运行成本最低和电网交互峰值功率最小，并根据系统功率平衡和各单元的运行特性确立电动汽车充电站微电网系统调度数学模型的约束条件，对粒子群算法进行改进，从而对电动汽车充电站微电网系统调度的数学模型进行求解。
进一步，所述步骤1)中，电动汽车充电站微电网系统包括风力发电单元、光伏发电单元、储能单元、充电站负荷单元。
进一步，所述步骤2)中，电动汽车充电站数据集预处理步骤为：
2.1)对电动汽车充电站数据集中的负荷和气象数据使用箱形图进行异常值分析，数值超出箱形图的上下界则视为异常值，若存在异常值将其视为缺失值；
2.2)对步骤2.1)中经过异常值分析的负荷和气象数据进行缺失值处理，对于负荷数据中的缺失值运用随机森林回归方法进行填补，对于气象数据中的缺失值采用前一时刻对应数值进行替换；
2.3)对步骤2.2)中经过缺失值处理的电动汽车充电站数据集中除日类型和天气类型以外的所有数据进行归一化处理，方式如式(1)所示：
式中，x′i为经过归一化处理后的第i个样本点数值；xi为第i个样本点的原始数值；xmax为所有样本点中的最大值；xmin为所有样本点中的最小值；
2.4)将电动汽车充电站数据集中的日类型分为工作日和节假日，进行独热编码；
2.5)对电动汽车充电站数据集中的天气类型进行量化取值处理，取值范围为[0,1]；
进一步，所述步骤2)中，电动汽车充电站数据集特征工程步骤为：
2.6)对电动汽车充电站数据集中的气象因素进行特征选择，通过计算充电站负荷与各气象因素之间的皮尔逊相关系数筛选气象因素中与充电站负荷有强相关性的因素即|r|≥0.8作为电动汽车充电站负荷预测模型输入特征，方式如式(2)所示：
式中，xi、yi为第i个样本点中变量x，y的数值；
为所有样本点中变量x，y的平均值；n为样本点总数；r为皮尔逊相关系数，-1≤r≤1。
2.7)对电动汽车充电站数据集中的时间信息进行特征提取，从时间信息提取出的特征为月份属性，数值范围为1-12；小时属性，数值范围为0-23，对这两项提取出的特征进行归一化处理；
2.8)对步骤2.7)中特征提取的电动汽车充电站数据集通过时间滑动窗口构造电动汽车充电站负荷预测模型输入输出特征，电动汽车充电站负荷预测采用单步递归方模式，输入由前N个时刻点所有特征向量构成的特征矩阵，输出当前时刻点的充电站负荷预测值；
进一步，所述步骤3)中，基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测步骤为：
3.1)设置CNN卷积层，对电动汽车充电站负荷预测模型输入特征矩阵进行卷积处理并将结果投影到特征图上；
3.2)对步骤3.1)中CNN卷积层输出的数据，设置CNN激活函数层，使用ReLU激活函数进行非线性变换；
3.3)对步骤3.2)中CNN激活函数层输出的数据，设置CNN下采样层，使用最大池化方式来缩小特征图；
3.4)对步骤3.3)中CNN下采样层输出的数据，设置多层LSTM网络，除最后一层LSTM网络外，输出所有时间步结果，最后一层LSTM网络只输出最后一个时间步结果；
3.5)对步骤3.4)中多层LSTM网络输出的数据，设置全连接层，用来输出当前时刻点的归一化预测值；
3.6)对步骤3.5)中全连接层输出的数据，进行反归一化得到当前时刻点电动汽车充电站负荷预测值；
进一步，所述步骤4)中，建立电动汽车充电站微电网系统调度数学模型步骤为：
4.1)确立电动汽车充电站微电网系统调度数学模型的目标函数为系统运行成本最低和电网交互峰值功率最小，其中系统运行成本包括风力光伏发电成本、储能运行维护成本、电网交互成本，如式(3)所示：
式中，T为调度周期，时间尺度1小时，每小时间隔形成一个时间段t，每个时间段内储能功率等于充放电量；cwt、cpv为风力和光伏的发电成本系数，单位元/kW；Pwt(t)、Ppv(t)为t时段的风力和光伏发电功率，Pwt(t)≥0，Ppv(t)≥0，单位kW；kbat为储能单元的运行维护系数；Pbat(t)为t时段储能单元的充放电功率，放电为正，充电为负，单位kW；ρbuy(t)、ρsell(t)为t时段从电网购电和向电网售电电价，单位元/kWh；Gbuy(t)、Gsell(t)为t时段从电网购电和向电网售电电量，单位kWh；
电网交互峰值功率表达式如式(4)所示：
f2＝min[max{Pgrid(t)}] (4)
式中，Pgrid为t时段电网交互功率，购电为正，售电为负，单位kW；
4.2)对步骤4.1)中确立的电动汽车充电站微电网系统双目标函数采用线性加权法转化为综合最优单目标函数，如式(5)所示：
式中，w1、w2为目标函数f1、f2的权重系数，w1+w2＝1,w1≥0,w2≥0；
为目标函数f1、f2的最大值；
为目标函数f1、f2的最小值；
4.3)对电动汽车充电站微电网系统调度，各时段风力发电、光伏发电、电网交互、充电站负荷、储能单元保持功率平衡，确立系统功率平衡约束条件，如式(6)所示：
Pgrid(t)+Pwt(t)+Ppv(t)+Pbat(t)＝Pev(t) (6)
式中，Pev(t)为t时段的充电站负荷功率，Pev(t)≥0，单位kW；Pgrid(t)为t时段的电网交互功率，购电为正，售电为负，单位kW；
4.4)对电动汽车充电站微电网系统调度，根据系统各单元运行特性确立电动汽车充电站微电网系统调度模型中的其余约束条件，其中储能单元电池充放电互斥限制，同一时段储能单元电池最多只能进行充电和放电中的一个操作，如式(7)所示：
式中，Pcha(t)为t时段储能单元充电功率，Pcha(t)<0，单位kW；Pdis(t)为t时段储能单元放电功率，Pdis(t)>0，单位kW；
储能单元电池容量变化限制，电池充放电操作导致储能单元电池容量发生改变，如式(8)所示：
式中，Cbat(t)为t时段的储能单元电池容量，单位kWh；
进一步，所述步骤4)中，粒子群算法改进步骤为：
4.5)采用自适应函数来动态更新粒子群算法中的惯性权重，使粒子群算法先具有较高的全局搜索能力将搜索空间快速收敛于某一区域，再具有较高的局部搜索能力以提高收敛精度，自适应函数如式(9)所示：
式中，ωi(t)为粒子i在第t次迭代中的惯性权重；ωmax、ωmin为预设的最大惯性权重和最小惯性权重；f为粒子适应度函数；第t次迭代中所有粒子的平均适应度如式(10)所示：
第t次迭代中所有粒子中的最小适应度如式(11)所示：
fmin(t)＝min{f(X1(t)),f(X2(t)),L,f(XN(t))} (11)
4.6)在粒子群算法迭代过程中动态更新学习因子c1和c2，如式(12)和式(13)所示：
式中，c1(t)、c2(t)为第t次迭代中的个体和群体学习因子；
为迭代过程中个体学习因子c1的起始值和结束值；
为迭代过程中群体学习因子c2的起始值和结束值；
4.7)通过引进惩罚因子将系统调度数学模型的多个约束条件转化为惩罚函数，将原有目标函数加上惩罚函数得到的增广目标函数作为粒子群算法中粒子群个体适应度函数，如式(14)至式(17)所示：
Ffinal(x)＝F(x)+Q(x) (14)
式中，Ffinal(x)为粒子群最终适应度函数；Q(x)为惩罚函数，决策变量x至可行域的距离；F(x)为原先目标函数；
式中，gi(x)为需要转化的第i个约束条件；ri为第i个约束条件惩罚因子；k为转化的不等式约束条件个数；l为转化的约束条件总个数，l-k为转化的等式约束条件个数；Gi(x)为决策变量x至第i个约束条件的距离；εi为第i个等式约束条件容忍值，εi>0；
进一步，所述步骤4)中，运用改进粒子群算法对电动汽车充电站微电网系统调度的数学模型进行求解步骤为：
4.8)电动汽车充电站微电网系统参数配置，包括输入风力发电、光伏发电、充电站负荷预测值；系统设备参数如储能单元容量和最大充放电功率；构建调度模型目标函数、约束条件；融合系统调度数学模型的多个约束条件转化为惩罚函数；
4.9)粒子群算法初始化，确定群体规模；最大迭代次数；学习因子
惯性权重ωmin、ωmax；粒子适应度函数设置为Ffinal；以储能单元在各个时间段的充放电功率作为决策变量x，随机生成各个粒子的初始速度和位置，并计算初始适应度和寻找个体极值和全局极值；
4.10)更新惯性权重和学习因子，根据式(9)更新惯性权重ωi(t)；根据式(12)和式(13)更新学习因子c1(t)、c2(t)；
4.11)更新粒子的速度和位置，更新粒子的速度并判断处理粒子速度越界情况；更新粒子的位置并判断处理粒子位置越界情况，再重新计算各粒子适应度，更新个体极值和全局极值；
4.12)判断迭代是否达到最大次数，若达到最大迭代次数则停止迭代，输出系统优化调度的全局极值即为调度周期内各时段的储能单元充电电功率Pbat(t)，并根据系统功率平衡计算出调度周期内各时段对应的电网交互功率Pgrid(t)，输出全局极值对应的适应度值Ffinal，并重新计算原先目标函数；若未达到最大迭代次数则返回步骤4.10)。
与现有技术相比较，本发明的有益效果是：
结合了CNN良好的特征提取能力和LSTM优异的学习时间序列前后依赖关系能力，使电动汽车充电站负荷预测具有较高精度和较强的泛化能力，为电动汽车充电站微电网系统的优化调度提供有效数据。
通过采用自适应惯性权重、迭代动态更新学习因子、融合系统调度数学模型的多个约束条件转化为惩罚函数的方式改进粒子群算法。基于此改进算法进行充电站微电网系统优化调度能较好平衡电网稳定性和系统经济性需求。
附图说明
图1是本发明的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法流程图；
图2是本发明基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测流程图。
具体实施方式
结合附图对本发明的实施作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
参照附图1和附图2，一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，以浙江省某电动汽车充电站作为实施例，所述优化调度方法包括以下步骤：
1)电动汽车充电站微电网系统单元建模
构建电动汽车充电站微电网系统架构，并根据系统内各单元的运行特性建立各单元的数学模型；
2)电动汽车充电站数据集预处理和特征工程
根据卷积神经网络、长短期记忆神经网络和电动汽车充电站数据集特点，对电动汽车充电站数据集进行预处理和特征工程；
3)基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测
结合CNN特征提取能力和LSTM学习时间序列前后依赖关系能力，搭建CNN-LSTM混合神经网络模型结构，建立电动汽车充电站负荷预测的完整流程，对电动汽车充电站负荷进行预测；
4)电动汽车充电站微电网系统优化调度
建立电动汽车充电站微电网系统调度的数学模型，电动汽车充电站微电网系统调度的数学模型中目标函数为系统运行成本最低和电网交互峰值功率最小，并根据系统功率平衡和各单元的运行特性确立电动汽车充电站微电网系统调度数学模型的约束条件，对粒子群算法进行改进，从而对电动汽车充电站微电网系统调度的数学模型进行求解。
进一步，所述步骤1)中，电动汽车充电站微电网系统包括风力发电单元、光伏发电单元、储能单元、充电站负荷单元。
进一步，所述步骤2)中，电动汽车充电站数据集预处理步骤为：
2.1)对电动汽车充电站数据集中的负荷和气象数据使用箱形图进行异常值分析，数值超出箱形图的上下界则视为异常值，若存在异常值将其视为缺失值；
2.2)对步骤2.1)中经过异常值分析的负荷和气象数据进行缺失值处理，对于负荷数据中的缺失值运用随机森林回归方法进行填补，对于气象数据中的缺失值采用前一时刻对应数值进行替换；
2.3)对步骤2.2)中经过缺失值处理的电动汽车充电站数据集中除日类型和天气类型以外的所有数据进行归一化处理，方式如式(1)所示：
式中，xi'为经过归一化处理后的第i个样本点数值；xi为第i个样本点的原始数值；xmax为所有样本点中的最大值；xmin为所有样本点中的最小值；
2.4)将电动汽车充电站数据集中的日类型分为工作日和节假日，进行独热编码；
2.5)对电动汽车充电站数据集中的天气类型进行量化取值处理，取值范围为[0,1]；
进一步，所述步骤2)中，电动汽车充电站数据集特征工程步骤为：
2.6)对电动汽车充电站数据集中的气象因素进行特征选择，通过计算充电站负荷与各气象因素之间的皮尔逊相关系数筛选气象因素中与充电站负荷有强相关性的因素即|r|≥0.8作为电动汽车充电站负荷预测模型输入特征，方式如式(2)所示：
式中，xi、yi为第i个样本点中变量x，y的数值；
为所有样本点中变量x，y的平均值；n为样本点总数；r为皮尔逊相关系数，-1≤r≤1。
2.7)对电动汽车充电站数据集中的时间信息进行特征提取，从时间信息提取出的特征为月份属性，数值范围为1-12；小时属性，数值范围为0-23，对这两项提取出的特征进行归一化处理；
2.8)对步骤2.7)中特征提取的电动汽车充电站数据集通过时间滑动窗口构造电动汽车充电站负荷预测模型输入输出特征，电动汽车充电站负荷预测采用单步递归方模式，输入由前N个时刻点所有特征向量构成的特征矩阵，输出当前时刻点的充电站负荷预测值；
进一步，所述步骤3)中，基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测步骤为：
3.1)设置CNN卷积层，对电动汽车充电站负荷预测模型输入特征矩阵进行卷积处理并将结果投影到特征图上；
3.2)对步骤3.1)中CNN卷积层输出的数据，设置CNN激活函数层，使用ReLU激活函数进行非线性变换；
3.3)对步骤3.2)中CNN激活函数层输出的数据，设置CNN下采样层，使用最大池化方式来缩小特征图；
3.4)对步骤3.3)中CNN下采样层输出的数据，设置多层LSTM网络，除最后一层LSTM网络外，输出所有时间步结果，最后一层LSTM网络只输出最后一个时间步结果；
3.5)对步骤3.4)中多层LSTM网络输出的数据，设置全连接层，用来输出当前时刻点的归一化预测值；
3.6)对步骤3.5)中全连接层输出的数据，进行反归一化得到当前时刻点电动汽车充电站负荷预测值；
进一步，所述步骤4)中，建立电动汽车充电站微电网系统调度数学模型步骤为：
4.1)确立电动汽车充电站微电网系统调度数学模型的目标函数为系统运行成本最低和电网交互峰值功率最小，其中系统运行成本包括风力光伏发电成本、储能运行维护成本、电网交互成本，如式(3)所示：
式中，T为调度周期，时间尺度1小时，每小时间隔形成一个时间段t，每个时间段内储能功率等于充放电量；cwt、cpv为风力和光伏的发电成本系数，单位元/kW；Pwt(t)、Ppv(t)为t时段的风力和光伏发电功率，Pwt(t)≥0，Ppv(t)≥0，单位kW；kbat为储能单元的运行维护系数；Pbat(t)为t时段储能单元的充放电功率，放电为正，充电为负，单位kW；ρbuy(t)、ρsell(t)为t时段从电网购电和向电网售电电价，单位元/kWh；Gbuy(t)、Gsell(t)为t时段从电网购电和向电网售电电量，单位kWh；
电网交互峰值功率表达式如式(4)所示：
f2＝min[max{Pgrid(t)}] (4)
式中，Pgrid为t时段电网交互功率，购电为正，售电为负，单位kW；
4.2)对步骤4.1)中确立的电动汽车充电站微电网系统双目标函数采用线性加权法转化为综合最优单目标函数，如式(5)所示：
式中，w1、w2为目标函数f1、f2的权重系数，w1+w2＝1,w1≥0,w2≥0；
为目标函数f1、f2的最大值；
为目标函数f1、f2的最小值；
4.3)对电动汽车充电站微电网系统调度，各时段风力发电、光伏发电、电网交互、充电站负荷、储能单元保持功率平衡，确立系统功率平衡约束条件，如式(6)所示：
Pgrid(t)+Pwt(t)+Ppv(t)+Pbat(t)＝Pev(t) (6)
式中，Pev(t)为t时段的充电站负荷功率，Pev(t)≥0，单位kW；Pgrid(t)为t时段的电网交互功率，购电为正，售电为负，单位kW；
4.4)对电动汽车充电站微电网系统调度，根据系统各单元运行特性确立电动汽车充电站微电网系统调度模型中的其余约束条件，其中储能单元电池充放电互斥限制，同一时段储能单元电池最多只能进行充电和放电中的一个操作，如式(7)所示：
式中，Pcha(t)为t时段储能单元充电功率，Pcha(t)<0，单位kW；Pdis(t)为t时段储能单元放电功率，Pdis(t)>0，单位kW；
储能单元电池容量变化限制，电池充放电操作导致储能单元电池容量发生改变，如式(8)所示：
式中，Cbat(t)为t时段的储能单元电池容量，单位kWh；
进一步，所述步骤4)中，粒子群算法改进步骤为：
4.5)采用自适应函数来动态更新粒子群算法中的惯性权重，使粒子群算法先具有较高的全局搜索能力将搜索空间快速收敛于某一区域，再具有较高的局部搜索能力以提高收敛精度，自适应函数如式(9)所示：
式中，ωi(t)为粒子i在第t次迭代中的惯性权重；ωmax、ωmin为预设的最大惯性权重和最小惯性权重；f为粒子适应度函数；第t次迭代中所有粒子的平均适应度如式(10)所示：
第t次迭代中所有粒子中的最小适应度如式(11)所示：
fmin(t)＝min{f(X1(t)),f(X2(t)),L,f(XN(t))} (11)
4.6)在粒子群算法迭代过程中动态更新学习因子c1和c2，如式(12)和式(13)所示：
式中，c1(t)、c2(t)为第t次迭代中的个体和群体学习因子；
为迭代过程中个体学习因子c1的起始值和结束值；
为迭代过程中群体学习因子c2的起始值和结束值；
4.7)通过引进惩罚因子将系统调度数学模型的多个约束条件转化为惩罚函数，将原有目标函数加上惩罚函数得到的增广目标函数作为粒子群算法中粒子群个体适应度函数，如式(14)至式(17)所示：
Ffinal(x)＝F(x)+Q(x) (14)
式中，Ffinal(x)为粒子群最终适应度函数；Q(x)为惩罚函数，决策变量x至可行域的距离；F(x)为原先目标函数；
式中，gi(x)为需要转化的第i个约束条件；ri为第i个约束条件惩罚因子；k为转化的不等式约束条件个数；l为转化的约束条件总个数，l-k为转化的等式约束条件个数；Gi(x)为决策变量x至第i个约束条件的距离；εi为第i个等式约束条件容忍值，εi>0；
进一步，所述步骤4)中，运用改进粒子群算法对电动汽车充电站微电网系统调度的数学模型进行求解步骤为：
4.8)电动汽车充电站微电网系统参数配置，包括输入风力发电、光伏发电、充电站负荷预测值；系统设备参数如储能单元容量和最大充放电功率；构建调度模型目标函数、约束条件；融合系统调度数学模型的多个约束条件转化为惩罚函数；
4.9)粒子群算法初始化，确定群体规模；最大迭代次数；学习因子
惯性权重ωmin、ωmax；粒子适应度函数设置为Ffinal；以储能单元在各个时间段的充放电功率作为决策变量x，随机生成各个粒子的初始速度和位置，并计算初始适应度和寻找个体极值和全局极值；
4.10)更新惯性权重和学习因子，根据式(9)更新惯性权重ωi(t)；根据式(12)和式(13)更新学习因子c1(t)、c2(t)；
4.11)更新粒子的速度和位置，更新粒子的速度并判断处理粒子速度越界情况；更新粒子的位置并判断处理粒子位置越界情况，再重新计算各粒子适应度，更新个体极值和全局极值；
4.12)判断迭代是否达到最大次数，若达到最大迭代次数则停止迭代，输出系统优化调度的全局极值即为调度周期内各时段的储能单元充电电功率Pbat(t)，并根据系统功率平衡计算出调度周期内各时段对应的电网交互功率Pgrid(t)，输出全局极值对应的适应度值Ffinal，并重新计算原先目标函数；若未达到最大迭代次数则返回步骤4.10)。
最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (8)
1.一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述优化调度方法包括以下步骤：
1)电动汽车充电站微电网系统单元建模；
构建电动汽车充电站微电网系统架构，并根据系统内各单元的运行特性建立各单元的数学模型；
2)电动汽车充电站数据集预处理和特征工程；
根据卷积神经网络、长短期记忆神经网络和电动汽车充电站数据集特点，对电动汽车充电站数据集进行预处理和特征工程；
3)基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测；
结合CNN特征提取能力和LSTM学习时间序列前后依赖关系能力，搭建CNN-LSTM混合神经网络模型结构，建立电动汽车充电站负荷预测的完整流程，对电动汽车充电站负荷进行预测；
4)电动汽车充电站微电网系统优化调度；
建立电动汽车充电站微电网系统调度的数学模型，电动汽车充电站微电网系统调度的数学模型中，目标函数为系统运行成本最低和电网交互峰值功率最小，并根据系统功率平衡和各单元的运行特性确立电动汽车充电站微电网系统调度数学模型的约束条件，对粒子群算法进行改进，从而对电动汽车充电站微电网系统调度的数学模型进行求解。
2.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤1)中，电动汽车充电站微电网系统包括风力发电单元、光伏发电单元、储能单元、充电站负荷单元。
3.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤2)中，电动汽车充电站数据集预处理步骤为：
2.1)对电动汽车充电站数据集中的负荷和气象数据使用箱形图进行异常值分析，数值超出箱形图的上下界则视为异常值，若存在异常值将其视为缺失值；
2.2)对步骤2.1)中经过异常值分析的负荷和气象数据进行缺失值处理，对于负荷数据中的缺失值运用随机森林回归方法进行填补，对于气象数据中的缺失值采用前一时刻对应数值进行替换；
2.3)对步骤2.2)中经过缺失值处理的电动汽车充电站数据集中除日类型和天气类型以外的所有数据进行归一化处理，方式如式(1)所示：
式中，x′i为经过归一化处理后的第i个样本点数值；xi为第i个样本点的原始数值；xmax为所有样本点中的最大值；xmin为所有样本点中的最小值；
2.4)将电动汽车充电站数据集中的日类型分为工作日和节假日，进行独热编码；
2.5)对电动汽车充电站数据集中的天气类型进行量化取值处理，取值范围为[0,1]。
4.如权利要求1或3所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤2)中，电动汽车充电站数据集特征工程步骤为：
2.6)对电动汽车充电站数据集中的气象因素进行特征选择，通过计算充电站负荷与各气象因素之间的皮尔逊相关系数筛选气象因素中与充电站负荷有强相关性的因素作为电动汽车充电站负荷预测模型输入特征，方式如式(2)所示：
式中，xi、yi为第i个样本点中变量x，y的数值；
为所有样本点中变量x，y的平均值；n为样本点总数；r为皮尔逊相关系数，-1≤r≤1；
2.7)对电动汽车充电站数据集中的时间信息进行特征提取，从时间信息提取出的特征为月份属性，数值范围为1-12；小时属性，数值范围为0-23，对这两项提取出的特征进行归一化处理；
2.8)对步骤2.7)中特征提取的电动汽车充电站数据集通过时间滑动窗口构造电动汽车充电站负荷预测模型输入输出特征，电动汽车充电站负荷预测采用单步递归方模式，输入由前N个时刻点所有特征向量构成的特征矩阵，输出当前时刻点的充电站负荷预测值。
5.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤3)中，基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测步骤为：
3.1)设置CNN卷积层，对电动汽车充电站负荷预测模型输入特征矩阵进行卷积处理并将结果投影到特征图上；
3.2)对步骤3.1)中CNN卷积层输出的数据，设置CNN激活函数层，使用ReLU激活函数进行非线性变换；
3.3)对步骤3.2)中CNN激活函数层输出的数据，设置CNN下采样层，使用最大池化方式来缩小特征图；
3.4)对步骤3.3)中CNN下采样层输出的数据，设置多层LSTM网络，除最后一层LSTM网络外，输出所有时间步结果，最后一层LSTM网络只输出最后一个时间步结果；
3.5)对步骤3.4)中多层LSTM网络输出的数据，设置全连接层，用来输出当前时刻点的归一化预测值；
3.6)对步骤3.5)中全连接层输出的数据，进行反归一化得到当前时刻点电动汽车充电站负荷预测值。
6.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤4)中，建立电动汽车充电站微电网系统调度数学模型步骤为：
4.1)确立电动汽车充电站微电网系统调度数学模型的目标函数为系统运行成本最低和电网交互峰值功率最小，其中系统运行成本包括风力光伏发电成本、储能运行维护成本、电网交互成本，如式(3)所示：
式中，T为调度周期，时间尺度1小时，每小时间隔形成一个时间段t，每个时间段内储能功率等于充放电量；cwt、cpv为风力和光伏的发电成本系数，单位元/kW；Pwt(t)、Ppv(t)为t时段的风力和光伏发电功率，Pwt(t)≥0，Ppv(t)≥0，单位kW；kbat为储能单元的运行维护系数；Pbat(t)为t时段储能单元的充放电功率，放电为正，充电为负，单位kW；ρbuy(t)、ρsell(t)为t时段从电网购电和向电网售电电价，单位元/kWh；Gbuy(t)、Gsell(t)为t时段从电网购电和向电网售电电量，单位kWh；
电网交互峰值功率表达式如式(4)所示：
f2＝min[max{Pgrid(t)}] (4)
式中，Pgrid为t时段电网交互功率，购电为正，售电为负，单位kW；
4.2)对步骤4.1)中确立的电动汽车充电站微电网系统双目标函数采用线性加权法转化为综合最优单目标函数，如式(5)所示：
式中，w1、w2为目标函数f1、f2的权重系数，w1+w2＝1,w1≥0,w2≥0；f1 max、f2 max为目标函数f1、f2的最大值；f1 min、f2 min为目标函数f1、f2的最小值；
4.3)对电动汽车充电站微电网系统调度，各时段风力发电、光伏发电、电网交互、充电站负荷、储能单元保持功率平衡，确立系统功率平衡约束条件，如式(6)所示：
Pgrid(t)+Pwt(t)+Ppv(t)+Pbat(t)＝Pev(t) (6)
式中，Pev(t)为t时段的充电站负荷功率，Pev(t)≥0，单位kW；Pgrid(t)为t时段的电网交互功率，购电为正，售电为负，单位kW；
4.4)对电动汽车充电站微电网系统调度，根据系统各单元运行特性确立电动汽车充电站微电网系统调度模型中的其余约束条件，其中储能单元电池充放电互斥限制，同一时段储能单元电池最多只能进行充电和放电中的一个操作，如式(7)所示：
式中，Pcha(t)为t时段储能单元充电功率，Pcha(t)<0，单位kW；Pdis(t)为t时段储能单元放电功率，Pdis(t)>0，单位kW；
储能单元电池容量变化限制，电池充放电操作导致储能单元电池容量发生改变，如式(8)所示：
式中，Cbat(t)为t时段的储能单元电池容量，单位kWh。
7.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤4)中，粒子群算法改进步骤为：
4.5)采用自适应函数来动态更新粒子群算法中的惯性权重，使粒子群算法先具有较高的全局搜索能力将搜索空间快速收敛于某一区域，再具有较高的局部搜索能力以提高收敛精度，自适应函数如式(9)所示：
式中，ωi(t)为粒子i在第t次迭代中的惯性权重；ωmax、ωmin为预设的最大惯性权重和最小惯性权重；f为粒子适应度函数；第t次迭代中所有粒子的平均适应度如式(10)所示：
第t次迭代中所有粒子中的最小适应度如式(11)所示：
fmin(t)＝min{f(X1(t)),f(X2(t)),L,f(XN(t))} (11)
4.6)在粒子群算法迭代过程中动态更新学习因子c1和c2，如式(12)和式(13)所示：
式中，c1(t)、c2(t)为第t次迭代中的个体和群体学习因子；
为迭代过程中个体学习因子c1的起始值和结束值；
为迭代过程中群体学习因子c2的起始值和结束值；
4.7)通过引进惩罚因子将系统调度数学模型的多个约束条件转化为惩罚函数，将原有目标函数加上惩罚函数得到的增广目标函数作为粒子群算法中粒子群个体适应度函数，如式(14)至式(17)所示：
Ffinal(x)＝F(x)+Q(x) (14)
式中，Ffinal(x)为粒子群最终适应度函数；Q(x)为惩罚函数，决策变量x至可行域的距离；F(x)为原先目标函数；
式中，gi(x)为需要转化的第i个约束条件；ri为第i个约束条件惩罚因子；k为转化的不等式约束条件个数；l为转化的约束条件总个数，l-k为转化的等式约束条件个数；Gi(x)为决策变量x至第i个约束条件的距离；εi为第i个等式约束条件容忍值，εi>0。
8.如权利要求1所述的一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法，其特征在于，所述步骤4)中，运用改进粒子群算法对电动汽车充电站微电网系统调度的数学模型进行求解步骤为：
4.8)电动汽车充电站微电网系统参数配置，包括输入风力发电、光伏发电、充电站负荷预测值；系统设备参数如储能单元容量和最大充放电功率；构建调度模型目标函数、约束条件；融合系统调度数学模型的多个约束条件转化为惩罚函数；
4.9)粒子群算法初始化，确定群体规模；最大迭代次数；学习因子
惯性权重ωmin、ωmax；粒子适应度函数设置为Ffinal；以储能单元在各个时间段的充放电功率作为决策变量x，随机生成各个粒子的初始速度和位置，并计算初始适应度和寻找个体极值和全局极值；
4.10)更新惯性权重和学习因子，根据式(9)更新惯性权重ωi(t)；根据式(12)和式(13)更新学习因子c1(t)、c2(t)；
4.11)更新粒子的速度和位置，更新粒子的速度并判断处理粒子速度越界情况；更新粒子的位置并判断处理粒子位置越界情况，再重新计算各粒子适应度，更新个体极值和全局极值；
4.12)判断迭代是否达到最大次数，若达到最大迭代次数则停止迭代，输出系统优化调度的全局极值即为调度周期内各时段的储能单元充电电功率Pbat(t)，并根据系统功率平衡计算出调度周期内各时段对应的电网交互功率Pgrid(t)，输出全局极值对应的适应度值Ffinal，并重新计算原先目标函数；若未达到最大迭代次数则返回步骤4.10)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922657.3A CN113887858A (zh) | 2021-08-11 | 2021-08-11 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922657.3A CN113887858A (zh) | 2021-08-11 | 2021-08-11 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887858A true CN113887858A (zh) | 2022-01-04 |
Family
ID=79011016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110922657.3A Pending CN113887858A (zh) | 2021-08-11 | 2021-08-11 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887858A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549095A (zh) * | 2022-04-25 | 2022-05-27 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
| CN116885698A (zh) * | 2023-06-16 | 2023-10-13 | 西安理工大学 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
| CN117040028A (zh) * | 2023-09-28 | 2023-11-10 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及系统 |
| CN117060408A (zh) * | 2023-10-13 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 新能源发电预测方法及系统 |
| CN117254505A (zh) * | 2023-09-22 | 2023-12-19 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
| CN117977718A (zh) * | 2024-04-01 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 基于源网荷储的协调调度优化方法及系统 |
-
2021
- 2021-08-11 CN CN202110922657.3A patent/CN113887858A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549095A (zh) * | 2022-04-25 | 2022-05-27 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
| CN114549095B (zh) * | 2022-04-25 | 2022-08-09 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
| CN116885698A (zh) * | 2023-06-16 | 2023-10-13 | 西安理工大学 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
| CN117254505A (zh) * | 2023-09-22 | 2023-12-19 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
| CN117254505B (zh) * | 2023-09-22 | 2024-03-26 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
| CN117040028A (zh) * | 2023-09-28 | 2023-11-10 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及系统 |
| CN117040028B (zh) * | 2023-09-28 | 2024-01-09 | 泰豪科技(深圳)电力技术有限公司 | 一种工商业园区光储充微电网的控制策略优化方法及系统 |
| CN117060408A (zh) * | 2023-10-13 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 新能源发电预测方法及系统 |
| CN117060408B (zh) * | 2023-10-13 | 2024-05-28 | 国网浙江省电力有限公司宁波供电公司 | 新能源发电预测方法及系统 |
| CN117977718A (zh) * | 2024-04-01 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 基于源网荷储的协调调度优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113887858A (zh) | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 | |
| Berrueta et al. | Combined dynamic programming and region-elimination technique algorithm for optimal sizing and management of lithium-ion batteries for photovoltaic plants | |
| Machlev et al. | A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles | |
| JP5393602B2 (ja) | 電力制御方法、プログラムおよび電力制御装置 | |
| CN107039975B (zh) | 一种分布式能源系统能量管理方法 | |
| Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
| CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
| Naghibi et al. | Effects of V2H integration on optimal sizing of renewable resources in smart home based on Monte Carlo simulations | |
| CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN107590607A (zh) | 一种基于光伏预测的微电网优化调度系统和方法 | |
| CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
| CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
| CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
| CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
| Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
| Jiang et al. | On large action space in EV charging scheduling optimization | |
| Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics | |
| Ren et al. | Bayesian network based real-time charging scheduling of electric vehicles | |
| CN116596252A (zh) | 一种电动汽车集群多目标充电调度方法 | |
| CN113591224A (zh) | 一种城市电网连锁故障风险评估方法及系统 | |
| Liu et al. | Initiative control capability of electric vehicle and new energy consumptive control strategy | |
| Chang et al. | A coordinated charging strategy for PV-Assisted charging station of electric vehicles based on charging service price | |
| Mohammadi et al. | Ai-based optimal scheduling of renewable ac microgrids with bidirectional lstm-based wind power forecasting | |
| Kumar et al. | Conceptual Implementation of LSTM-Improved LA Based Smart Electric Vehicle Battery Management System |
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 |