CN115860593A - 储能调度方法、装置、设备及存储介质 - Google Patents
储能调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115860593A CN115860593A CN202211279969.8A CN202211279969A CN115860593A CN 115860593 A CN115860593 A CN 115860593A CN 202211279969 A CN202211279969 A CN 202211279969A CN 115860593 A CN115860593 A CN 115860593A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- scheduling
- model
- charging
- vehicle charging
- 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
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于电动汽车技术领域,公开了一种储能调度方法、装置、设备及存储介质;该方法包括:将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量;根据车辆充电预测量建立储能调度模型;根据储能调度模型得到参考调度策略;根据参考调度策略对充电站进行储能调度;本发明通过车辆充电预测模型预测充电站每天不同时间的充电量,根据充电量建立储能调度模型,通过储能调度模型在每天的不同时间选择不同的储能状态,每个时间的储能状态的改变最终组成完整的储能调度策略,根据利润模型计算每个储能调度策略的利润,基于前一次储能调度策略的利润值生成新的储能调度策略,将利润最高的储能调度策略作为充电站的储能调度方法。
Description
技术领域
本发明涉及电动汽车技术领域,尤其涉及一种储能调度方法、装置、设备及存储介质。
背景技术
让有限的充电桩尽量服务更多的电动汽车。然而在充电高峰时期,电网负载过高,充电站的充电功率可能会不足,从而导致车辆的充电时间更长。这样一来,在同样的时间范围内,可以服务的车辆数就会更少。为每个充电桩配备一个储能系统,在充电低谷期时充电存储电量,在充电高峰期时,协助充电桩馈电给电动汽车。可一定程度上缓解电网的负担,提高电动汽车在高峰期充电的充电速度,也可以增加充电站的利润。
对于储能系统的充馈电调度,大多都是选择在用电的非高峰期将储能系统逐渐充满电,然后在高峰期馈电。然而若过早地为储能系统储备了大量电量,这些电量有可能会有损失。且这些方案没有考虑到电价的因素,或许在真正的电价最低点到来之前,已经将储能系统充满,这样并不能最大化充电的收益。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种储能调度方法,旨在解决现有技术储能系统的无法在合适时间进行充馈电严重影响充电站的收益的技术问题。
为实现上述目的,本发明提供了一种储能调度方法,所述方法包括以下步骤:
将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量;
根据所述车辆充电预测量建立储能调度模型;
根据所述储能调度模型得到参考调度策略;
根据所述参考调度策略对所述充电站进行储能调度。
可选地,所述将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量,包括:
将充电站的参考信息输入预先建立的车辆充电预测模型得到参考车辆充电预测量;
将所述参考车辆充电预测量对应的时间划分为预设个数的时间段得到阶段充电预测量;
根据所述阶段充电预测量得到车辆充电预测量。
可选地,所述根据所述车辆充电预测量建立储能调度模型,包括:
根据所述车辆充电预测量预设个数的时间段得到充电站储能变化次数;
获取电价参考信息以及充电站损耗信息;
根据所述电价参考信息以及所述充电站损耗信息建立利润模型;
根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定得到储能调度模型。
可选地,所述根据所述储能调度模型得到参考调度策略,包括:
根据储能调度模型得到每个时间段的储能状态;
根据所有所述储能状态生成储能调度策略。
可选地,所述根据储能调度模型得到每个时间段的储能状态,包括:
获取平均电价以及当前时间段电价;
根据所述平均电价以及所述当前时间段电价得到影响因子;
获取下一时间段储能状态的参考利润值;
根据所述影响因子以及所述参考利润值得到储能状态概率;
根据所述储能状态概率得到下个时间段的储能状态;
将所述储能状态集合得到每个时间段的储能状态。
可选地,所述根据所述参考调度策略对所述充电站进行储能调度,还包括:
根据利润模型计算所述参考调度策略的利润值;
比较所述参考调度策略的利润值得到利润值最大的参考调度策略;
将所述利润值最大的调度策略作为目标调度策略;
根据所述目标调度策略对所述充电站进行储能调度。
可选地,所述将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量之前,还包括:
获取历史车辆充电信息;
根据所述历史车辆充电信息对预设神经网络进行训练得到初始车辆充电量预测模型;
根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量预测模型。
此外,为实现上述目的,本发明还提出一种储能调度装置,所述储能调度装置包括:
此外,为实现上述目的,本发明还提出一种储能调度设备,所述储能调度设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的储能调度程序,所述储能调度程序配置为实现如上文所述的储能调度方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有储能调度程序,所述储能调度程序被处理器执行时实现如上文所述的储能调度方法的步骤。
本发明车辆充电预测模型预测充电站每天不同时间的充电量,根据充电量建立储能调度模型,通过储能调度模型在每天的不同时间选择不同的储能状态,每个时间的储能状态的改变最终组成完整的储能调度策略,根据利润模型计算每个储能调度策略的利润,基于前一次储能调度策略的利润值生成新的储能调度策略,将利润最高的储能调度策略作为充电站的储能调度方法。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的储能调度设备的结构示意图;
图2为本发明储能调度方法第一实施例的流程示意图;
图3为本发明储能调度方法一实施例的储能状态变化示意图
图4为本发明储能调度方法第二实施例的流程示意图;
图5为本发明储能调度装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的储能调度设备结构示意图。
如图1所示,该储能调度设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对储能调度设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及储能调度程序。
在图1所示的储能调度设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明储能调度设备中的处理器1001、存储器1005可以设置在储能调度设备中,所述储能调度设备通过处理器1001调用存储器1005中存储的储能调度程序,并执行本发明实施例提供的储能调度方法。
本发明实施例提供了一种储能调度方法,参照图2,图2为本发明一种储能调度方法第一实施例的流程示意图。
本实施例中,所述储能调度方法包括以下步骤:
步骤S10:将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量。
可理解的是,充电站可以是电动车充电站,也可以其他消耗电能交通工具补充电能的充电站;参考输入信息可以包括时间、日期、日类型、温度等;
应理解的是,预先建立的车辆充电预测模型可以是通过该充电站的历史信息中的时间、日期、日类型、温度以及当天的充电量建立的模型,通过该模型输入当天的时间、日期、日类型、温度可以得到当天的车辆充电预测量。
需说明的是,车辆充电预测模型是根据所述历史车辆充电信息对预设神经网络进行训练得到初始车辆充电量预测模型,其中预设神经网络可以是MLP神经网络,也可以是贝叶斯神经网络;根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量预测模型,验证数据集可以是采集的同地区的其他地方的充电站的历史充电信息也可以是通过其他方法的得到的类似充电站的历史信息,基于历史信息通过初始车辆充电量预测模型进行预测,在通过当天充电量的真实值对初始车辆充电量预测模型中的权重进行调整最终得到车辆充电量预测模型。
其中,车辆充电量预测模型可以是:
fO(x)=purelin(x)=x
进一步地,初始车辆充电量预测模型为:
其中,L(VI)表示实际用电量,fO表示输出层函数,fH表示隐藏层函数,IV表示参考信息,WO表示输出层权重,bO表示输出层偏差,WH表示隐藏层权重,bH表示隐藏层偏差。
需强调的是,将充电站的参考信息输入预先建立的车辆充电预测模型得到参考车辆充电预测量,参考车辆充电预测量可以是以统计表、折现表等方式表现的整体车辆充电预测量(当天全天的车辆充电预测量);将所述参考车辆充电预测量对应的时间划分为预设个数的时间段得到阶段充电预测量,预设个数可以是24个(以24个小时为标准进行划分)、3个(以“早上8个小时+下午8小时+晚上8小时”为标准进行划分),可根据实际情况进行调整,本发明对此不作限定,其中阶段充电预测量为每个时间段的充电预测量,例如,早上8小时的充电量为A,下午8小时的充电量为B等等;根据所述阶段充电预测量得到车辆充电预测量,将每个阶段充电预测量进行整合的到车辆充电预测量,车辆充电预测量可以是表格样式,可以是折线图样式。
步骤S20:根据所述车辆充电预测量建立储能调度模型。
可理解的是,储能调度模型可以是根据车辆充电预测量中的时间段数量以及充电站储能状态数量建立的模型。
需说明的是,储能调度模型还包括利润模型,基于时间段数量得到充电站储能状态变化的次数,其中,充电站储能状态有空闲、充电、馈电三种状态,通过利润模型可以计算充电站一天时间内储能状态变化对应的利润。
需强调的是,所述储能调度模型可以是通过蚁群算法建立。
步骤S30:根据所述储能调度模型得到参考调度策略。
可理解的是,参考调度策略是根据利润模型对生成的调度策略不断迭代后得到的利润最大的调度策略。
应理解的是,根据车辆充电预测量生成的储能调度模型可以生成预设个数的节点,在初始节点向下一个节点延伸至最后一个时间节点得到一种调度策略,第一次迭代根据实际需求可以生成预设个数的初始节点状态,从而得到预设个数的调度策略,预设个数可以是10个、20个,本发明对此不作限定,可根据节点数量进行调整,调度模型生成调度策略的过程可参考图3,图中在初始节点生成10个初始节点状态,经过预设个数的状态变化得到10中调度策略。
在具体实施中,车辆充电预测量将一天的充电预测量分为12个时间段,则生成12个时间节点,并且在初始节点生成20个初始状态,则第一次迭代可以生成20种调度策略,其中的调度策略可展示为:空闲-空闲-充电-充电-充电-充电-馈电-空闲-空闲-馈电-馈电-馈电。
需说明的是,根据利润模型计算最后一次迭代中调度策略产生的利润,将利润最大的调度策略作为参考策略。
步骤S40:根据所述参考调度策略对所述充电站进行储能调度。
可理解的是,参考调度策略是调度策略模型最后一次迭代中生成的利润值最大的调度策略,根据该调度策略控制充电站进行储能调度。
应理解的是,储能调度可以是指对安装在充电站内部的ESS储能设备的充放电控制,ESS储能设备可以从充电站内部为自己补充电量,也可以为充电站内的充电桩进行供电,充电桩也可以直接通过电网进行供电。
本实施例通过车辆充电预测模型预测充电站每天不同时间的充电量,根据充电量建立储能调度模型,通过储能调度模型在每天的不同时间选择不同的储能状态,每个时间的储能状态的改变最终组成完整的储能调度策略,根据利润模型计算每个储能调度策略的利润,基于前一次储能调度策略的利润值生成新的储能调度策略,将利润最高的储能调度策略作为充电站的储能调度方法。
参考图4,图4为本发明一种储能调度方法第二实施例的流程示意图。
基于上述第一实施例,本实施例储能调度方法在所述步骤S20,还包括:
步骤S21:根据所述车辆充电预测量预设个数的时间段得到充电站储能变化次数。
可理解的是,车辆充电预测量预设个数的时间段可以是将预测到的车辆充电预测量根据时间划分为多个时间段,例如车辆充电预测量是预测一个月的充电量,将一个月的充电量划分为30个时间段,每个时间段为一天,也可以是将一个月的充电量划分为3个时间段,每个时间段为10天。
应理解的是,充电站储能变化次数是对充电站储能设备变化次数的限定,将车辆充电预测量划分为多少个时间段,则充电站储能设备的储能状态可以对应改变多少次,例如,将车辆充电预测量根据时间顺序划分为12个时间段,则充电站储能设备的储能状态可以在每个时间段改变一次状态,总共可以改变12次。
步骤S22:获取电价参考信息以及充电站损耗信息。
可理解的是,电价参考信息可以是充电站当地的电价收费标准、收费阶梯;充电站损耗信息可以是充电站储能设备预测时间端内的维修费用,储能设备预测时间段内的损耗费用,预测时间段内是指车辆充电预测量对应的时间。
应理解的是,电价参考信息以及充电站损耗信息可以是通过后台预先设定,需要计算时直接使用。
步骤S23:根据所述电价参考信息以及所述充电站损耗信息建立利润模型。
可理解的是,利润模型是根据充电站利润计算方式建立,以充电站每天的利润为例,充电站的日利润值包括每天车辆充电量的收入、储能设备每天充电的支出、储能设备平均到每天的损耗、储能设备平均到每天的维修费。
应理解的是,储能设备每天充电的支出可以通过储能设备充电时的电价计算得到,则储能设备在什么时间选择充电是充电站利润的一个非常重要的因素。
需说明的是,以每天的利润建立利润模型可以表示为:
其中,psell,t表示在第t个时间段时车辆充电时的收费电价;pbuy,t表示在第t个时间段时充电站所在地的电价;powerd,t表示储能设备的放电功率;powerc,t表示储能设备充电功率;pess表示使用一个储能设备平均每天需要的费用;days表示储能设备的使用寿命(单位,天),pmaintain表示储能设备每天的维护费用。
需进一步说明的是,在计算上述利润模型的同时要满足下列限制条件:
0≤SOC(t)≤1 t∈[0,T]
θ(t)≥0 当SOC(t)=1
θ(t)≤0 当SOC(t)=0
其中SOC(t)表示在第t个时间段,储能设备的电量占容量的百分比,其计算公式为:
其中,SOC(0)表示最开始时储能设备电量;Θ(t)表示在第t个时间段时的储能状态(ESS状态,其中ESS可以表示储能设备),Θ(t)为-1表示充电状态,Θ(t)为0表示空闲状态,Θ(t)为1表示馈电状态。
步骤S24:根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定得到储能调度模型。
可理解的是,预设算法可以是蚁群算法,也可以是遗传算法、模拟退火算法,禁忌搜索算法等;本实施例以蚁群算法为例进行阐述。
应理解的是,根据利润模型计算在蚁群算法中蚂蚁个体线路的信息素浓度,根据预设个数的时间段设定蚁群中蚂蚁个体的路线节点个数,其中蚂蚁在每个路线节点有与储能状态相对应的三个方向选择;
需说明的是,蚁群算法在设定参数后生成一定数量的蚂蚁个体,第一批次的每个蚂蚁个体在起点位置有3个方向可以到达第1个节点;从第二个节点有3个方向到达第2个节点;最后计算到达终点时每个蚂蚁个体的信息素浓度;
其中,每个蚂蚁个体在节点位置选择方向的概率为:
其中,K为迭代次数,z为路线方向(储能状态),t为节点位置(时间段);为影响因子;∑v∈可选状态表示当前时间节点选择的路线方向,αθ(t),z(k)表示在第k次迭代时,在t节点位置时,选择的路线为θ(t)时,下一节点位置如果选择该方向时,该路线上的信息素浓度。信息素浓度计算公式为:
其中,β表示信息素挥发速率,且其中:
FBEST为上一次迭代的最佳路径的总利润。
进一步强调的是,需说明的是,以此时储能调度模型为蚁群算法构建的模型为例进行说明;每个时间段对应为蚂蚁个体的节点位置,储能状态为蚂蚁个体的路线方向;选择概率可以是蚂蚁个体选择路线方向的概率,其中根据影响因子以及参考利润值得到储能状态概率;其中影响因子可以通过平均电价以及当前时间段电价计算得到,计算公式可以是:
参考利润值是指蚂蚁个体选择的下一节点位置方向在上一次迭代中对应路线的利润值。
进一步需强调的是,根据利润模型计算所述参考调度策略的利润值;比较所述参考调度策略的利润值得到利润值最大的参考调度策略;将所述利润值最大的调度策略作为目标调度策略;根据所述目标调度策略对所述充电站进行储能调度。
蚁群中的蚂蚁个体在每个节点位置均可以通过信息素浓度得到下一节点的状态,则此次迭代为最后依次迭代。通过蚁群算法生成的蚂蚁个体最终得到的信息素浓度最高的路线对应为在实际过程中充电站利润最大的储能调度方法。
本实施例通过电价参考信息以及充电站损耗信息建立的利润模型,对预设算法进行参数设定,在通过车辆充电预测量对蚁群算法进一步限定得到储能调度模型,储能调度模型中的蚁群算法每次生成多个蚂蚁个体,每个蚂蚁个体根据状态选择概率和上次迭代的信息素浓度选择个体路线,最终得到利润值最大蚂蚁个体线路,通过该调度模型得到的蚂蚁个体线路即为参考调度策略,根据参考调度策略完成充电站储能调度是充电站利润值达到最大。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有储能调度程序,所述储能调度程序被处理器执行时实现如上文所述的储能调度方法的步骤。
参照图5,图5为本发明储能调度装置第一实施例的结构框图。
如图5所示,本发明实施例提出的储能调度装置包括:
模型建立模块10,用于将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量;
所述模型建立模块10,还用于根据所述车辆充电预测量建立储能调度模型;
储能调度模块20,用于根据所述储能调度模型得到参考调度策略;
所述储能调度模块20,还用于根据所述参考调度策略对所述充电站进行储能调度。
本实施例通过车辆充电预测模型预测充电站每天不同时间的充电量,根据充电量建立储能调度模型,通过储能调度模型在每天的不同时间选择不同的储能状态,每个时间的储能状态的改变最终组成完整的储能调度策略,根据利润模型计算每个储能调度策略的利润,基于前一次储能调度策略的利润值生成新的储能调度策略,将利润最高的储能调度策略作为充电站的储能调度方法。
在一实施例中,所述模型建立模块10,还用于将充电站的参考信息输入预先建立的车辆充电预测模型得到参考车辆充电预测量;
将所述参考车辆充电预测量对应的时间划分为预设个数的时间段得到阶段充电预测量;
根据所述阶段充电预测量得到车辆充电预测量。
在一实施例中,所述模型建立模块10,还用于根据所述车辆充电预测量预设个数的时间段得到充电站储能变化次数;
获取电价参考信息以及充电站损耗信息;
根据所述电价参考信息以及所述充电站损耗信息建立利润模型;
根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定得到储能调度模型。
在一实施例中,所述储能调度模块20,还用于根据储能调度模型得到每个时间段的储能状态;
根据所有所述储能状态生成储能调度策略。
在一实施例中,所述储能调度模块20,还用于获取平均电价以及当前时间段电价;
根据所述平均电价以及所述当前时间段电价得到影响因子;
获取下一时间段储能状态的参考利润值;
根据所述影响因子以及所述参考利润值得到储能状态概率;
根据所述储能状态概率得到下个时间段的储能状态;
将所述储能状态集合得到每个时间段的储能状态。
在一实施例中,所述储能调度模块20,还用于根据利润模型计算所述参考调度策略的利润值;
比较所述参考调度策略的利润值得到利润值最大的参考调度策略;
将所述利润值最大的调度策略作为目标调度策略;
根据所述目标调度策略对所述充电站进行储能调度。
获取历史车辆充电信息;
根据所述历史车辆充电信息对预设神经网络进行训练得到初始车辆充电量预测模型;
根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量预测模型。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种储能调度方法,其特征在于,所述调度方法包括:
将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量;
根据所述车辆充电预测量建立储能调度模型;
根据所述储能调度模型得到参考调度策略;
根据所述参考调度策略对所述充电站进行储能调度。
2.如权利要求1所述的储能调度方法,其特征在于,所述将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量,包括:
将充电站的参考信息输入预先建立的车辆充电预测模型得到参考车辆充电预测量;
将所述参考车辆充电预测量对应的时间划分为预设个数的时间段得到阶段充电预测量;
根据所述阶段充电预测量得到车辆充电预测量。
3.如权利要求1所述的储能调度方法,其特征在于,所述根据所述车辆充电预测量建立储能调度模型,包括:
根据所述车辆充电预测量预设个数的时间段得到充电站储能变化次数;
获取电价参考信息以及充电站损耗信息;
根据所述电价参考信息以及所述充电站损耗信息建立利润模型;
根据利润模型以及所述充电站储能变化次数对预设算法进行参数设定得到储能调度模型。
4.如权利要求1所述的储能调度方法,其特征在于,所述根据所述储能调度模型得到参考调度策略,包括:
根据储能调度模型得到每个时间段的储能状态;
根据所有所述储能状态生成储能调度策略。
5.如权利要求4所述的储能调度方法,其特征在于,所述根据储能调度模型得到每个时间段的储能状态,包括:
获取平均电价以及当前时间段电价;
根据所述平均电价以及所述当前时间段电价得到影响因子;
获取下一时间段储能状态的参考利润值;
根据所述影响因子以及所述参考利润值得到储能状态概率;
根据所述储能状态概率得到下个时间段的储能状态;
将所述储能状态集合得到每个时间段的储能状态。
6.如权利要求1所述的储能调度方法,其特征在于,所述根据所述参考调度策略对所述充电站进行储能调度,还包括:
根据利润模型计算所述参考调度策略的利润值;
比较所述参考调度策略的利润值得到利润值最大的参考调度策略;
将所述利润值最大的调度策略作为目标调度策略;
根据所述目标调度策略对所述充电站进行储能调度。
7.如权利要求1-6中任一项所述的储能调度方法,其特征在于,所述将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量之前,还包括:
获取历史车辆充电信息;
根据所述历史车辆充电信息对预设神经网络进行训练得到初始车辆充电量预测模型;
根据验证数据集对所述初始车辆充电量预测模型进行校正得到车辆充电量预测模型。
8.一种储能调度装置,其特征在于,所述储能调度装置包括:
模型建立模块,用于将充电站的参考信息输入预先建立的车辆充电预测模型得到车辆充电预测量;
所述模型建立模块,还用于根据所述车辆充电预测量建立储能调度模型;
储能调度模块,用于根据所述储能调度模型得到参考调度策略;
所述储能调度模块,还用于根据所述参考调度策略对所述充电站进行储能调度。
9.一种储能调度设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的储能调度程序,所述储能调度程序配置为实现如权利要求1至7中任一项所述的储能调度方法。
10.一种存储介质,其特征在于,所述存储介质上存储有储能调度程序,所述储能调度程序被处理器执行时实现如权利要求1至7任一项所述的储能调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279969.8A CN115860593A (zh) | 2022-10-19 | 2022-10-19 | 储能调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279969.8A CN115860593A (zh) | 2022-10-19 | 2022-10-19 | 储能调度方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860593A true CN115860593A (zh) | 2023-03-28 |
Family
ID=85661575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211279969.8A Pending CN115860593A (zh) | 2022-10-19 | 2022-10-19 | 储能调度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172390A (zh) * | 2023-11-02 | 2023-12-05 | 福建时代星云科技有限公司 | 一种基于场景划分的充电量预测方法与终端 |
-
2022
- 2022-10-19 CN CN202211279969.8A patent/CN115860593A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172390A (zh) * | 2023-11-02 | 2023-12-05 | 福建时代星云科技有限公司 | 一种基于场景划分的充电量预测方法与终端 |
CN117172390B (zh) * | 2023-11-02 | 2024-02-23 | 福建时代星云科技有限公司 | 一种基于场景划分的充电量预测方法与终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Infante et al. | Optimal recourse strategy for battery swapping stations considering electric vehicle uncertainty | |
Rahmani-Andebili et al. | Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control | |
JP4203602B2 (ja) | 電力供給設備の運用支援方法および装置 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
Dimitrov et al. | Reinforcement learning based algorithm for the maximization of EV charging station revenue | |
CN115860593A (zh) | 储能调度方法、装置、设备及存储介质 | |
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 | |
Bazmohammadi et al. | Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms | |
CN111799775B (zh) | 一种双层结构的pev能量调度算法 | |
CN115186916A (zh) | 负荷预测方法、装置、设备及计算机可读存储介质 | |
Vedullapalli et al. | Optimal demand response in a building by battery and HVAC scheduling using model predictive control | |
Fescioglu-Unver et al. | Feedback controlled resource management model for express service in electric vehicle charging stations | |
CN114914923A (zh) | 基于网格法的变时长两阶段电动汽车调度方法及系统 | |
CN110867852A (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
CN112550044B (zh) | 充电站负荷调整方法、系统、装置、设备和存储介质 | |
CN114202229A (zh) | 能量管理策略的确定方法、装置、计算机设备和存储介质 | |
CN116596252A (zh) | 一种电动汽车集群多目标充电调度方法 | |
Mokhtar et al. | A customer-centered smart charging strategy considering virtual charging system | |
CN115864526A (zh) | 电力调度方法、电子设备、车载微电网、存储介质 | |
CN115009065A (zh) | 充电处理方法、装置、电子设备及计算机可读存储介质 | |
Huang et al. | Two-Phase On-Line Joint Scheduling for Welfare Maximization of Charging Station | |
JP6997289B2 (ja) | 電力管理システム、およびプログラム | |
CN112101624A (zh) | 一种基于arima的电动汽车随机充电需求预测及调度方法 | |
Jiang et al. | Joint Optimization for Bidding and Pricing of Electric Vehicle Aggregators Considering Reserve Provision and EV Response | |
Trinh et al. | Optimal PEV Charging and Discharging Algorithms to Reduce Operational Cost of Microgrid Using Adaptive Rolling Horizon Framework |
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 |