CN116093934B - 储能设备电量信息的测算方法、计算机设备及存储介质 - Google Patents

储能设备电量信息的测算方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN116093934B
CN116093934B CN202310132963.6A CN202310132963A CN116093934B CN 116093934 B CN116093934 B CN 116093934B CN 202310132963 A CN202310132963 A CN 202310132963A CN 116093934 B CN116093934 B CN 116093934B
Authority
CN
China
Prior art keywords
month
information
energy storage
day
estimating
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.)
Active
Application number
CN202310132963.6A
Other languages
English (en)
Other versions
CN116093934A (zh
Inventor
田波
张传位
项炤赟
孙庭峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Yunkuaichong New Energy Technology Co ltd
Original Assignee
Jiangsu Yunkuaichong New Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Yunkuaichong New Energy Technology Co ltd filed Critical Jiangsu Yunkuaichong New Energy Technology Co ltd
Priority to CN202310132963.6A priority Critical patent/CN116093934B/zh
Publication of CN116093934A publication Critical patent/CN116093934A/zh
Application granted granted Critical
Publication of CN116093934B publication Critical patent/CN116093934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种储能设备电量信息的测算方法、装置、计算机设备及存储介质，涉及计算机应用技术。该方法包括：单日放电量估算模块，用于根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；日均放电量估算模块，用于根据部分月份的第一放电量估算全额月份尖峰时段的日均放电量；波动性估算模块，用于根据多个月份的所述第一放电量，估算全额月份波动性信息。实现在电站运营商无法提供全年订单数据和订单实时功率的情况下，通过人工智能算法准确的估算储能设备的全额月份日均放电量以及波动性信息。

Description

储能设备电量信息的测算方法、计算机设备及存储介质
技术领域
本发明实施例涉及新能源汽车充电站储能技术领域，尤其涉及一种储能设备电量信息的测算方法、装置、计算机设备及存储介质。
背景技术
新能源汽车充电站是否可使用储能设备的条件很多，尤其是使用储能设备能否带来收益的增长，就需要知道近一年充电站在每天电价尖峰时段的放电功率明细，测算出储能设备近一年在尖峰时段的日均放电量以及波动性。测算上述两个数据，需要电站近一年各个订单的实时充电功率数据。但在现实中，电站运营商往往只能提供电站的基本信息，以及少量几个月的订单基础数据，无法提供全年的订单以及订单的实时功率数据。如何根据少量几个月的数据准确得到全年日均放电量以及波动性成为亟待解决的问题。
发明内容
本发明提供一种储能设备电量信息的测算方法、装置、计算机设备及存储介质，以实现根据部分月份的数据准确估算全年的日均放电量以及波动性。
第一方面，本发明实施例提供了一种储能设备电量信息的测算方法，包括：
根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；
根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；
根据多个月份的第一放电量，估算全额月份波动性信息。
第二方面，本发明实施例还提供了一种储能设备电量信息的测算装置，包括：
单日放电量估算模块，用于根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；
日均放电量估算模块，用于根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；
波动性估算模块，用于根据多个月份的第一放电量，估算全额月份波动性信息。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如本发明实施例所示的储能设备电量信息的测算方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例所示的储能设备电量信息的测算方法。
本发明实施例提供的储能设备电量信息的测算方法，根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；根据多个月份的第一放电量，估算全额月份波动性信息。实现在电站运营商无法提供全年订单数据和订单实时功率的情况下，通过人工智能算法准确的估算储能设备的全额月份日均放电量以及波动性信息。
附图说明
图1是本发明实施例一中的储能设备电量信息的测算方法的流程图；
图2是本发明实施例二中的储能设备电量信息的测算方法的流程图；
图3是本发明实施例三中的储能设备电量信息的测算方法的流程图；
图4是本发明实施例四中的储能设备电量信息的测算方法的流程图；
图5是本发明实施例六中的储能设备电量信息的测算装置的结构示意图；
图6是本发明实施例七中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的储能设备电量信息的测算方法的流程图，本实施例可适用于电站运营商只能提供电站的基本信息，以及少量几个月的订单基础数据时，对全年的日均放电量和波动性信息进行估算的情况，估算得到的日均放电量和波动性信息可以用于帮助运营商判断使用储能设备是否能带来收益的增长，该方法可以由计算机设备来执行，具体包括如下步骤：
步骤110、根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量。
电站运营商无法提供全额月份的订单数据，只能提供部分月份的订单数据。本发明实施例根据电站历史的订单数据，订单充电实时数据，电站基础属性和储能设备的基本信息，构建第一模型。通过第一模型实现电站全额月份中任意一天的尖峰时段的第一放电量。
步骤120、根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量。
根据部分月份的第一放电量以及历史日均放电量和已知的历史全额月份日均放电量构建第二模型，通过第二模型可以在订单数据不完整的情况下，根据部分月份的订单数据估算全额月份尖峰时段的日均放电量。
步骤130、根据多个月份的第一放电量，估算全额月份波动性信息。
根据得到的第一放电量可确定放电曲线与均值直线围城的区域面积，根据区域面积的大小确定波动性信息。
本发明实施例提供的储能设备电量信息的测算方法，根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；根据多个月份的第一放电量，估算全额月份波动性信息。实现在电站运营商无法提供全年订单数据和订单实时功率的情况下，通过人工智能算法准确的估算储能设备的全额月份日均放电量以及波动性信息。
实施例二
图2为本发明实施例提供的储能设备电量信息的测算方法的流程图，作为对上述实施例的进一步说明，根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备全额月份中单日尖峰时段的第一放电量，包括：根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值；根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，第一模型用于估算单日尖峰时段的第一放电量。上述方法包括：
步骤210、根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值。
进一步的，在根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量之前，还包括：
获取平台自有的电站属性信息，储能设备属性信息、订单明细和订单实时充电数据；根据电站属性信息确定属性信息有效因子；根据订单明细确定订单明细有效因子；根据电站属性信息有效因子和订单明细有效因子确定单日输入特征值；根据订单实时充电数据和储能设备信息确定储能设备在尖峰时段单日放电量；根据单日输入特征值和单日放电量进行第一模型的训练。
使用人工智能领域的算法，根据平台自有电站的属性，订单信息挖掘出的有效特征因子，以及各订单的实时功率计算出的储能设备尖峰时段的放电量进行建模。
可选的，获取平台自有各电站的储能设备的属性信息，订单明细以及订单的实时充电数据作为基础的数据，根据数据大小可选取1～N个月的数据。其中，电站属性信息包括：城市、电站类型、建设场所、桩个数以及交直流个数等。订单明细包括：开始时间、结束时间、开始SOC、结束SOC以及充电量等。
提取的订单明细有效因子包括：充电量、充电开始时间、充电结束时间、充电开始SOC、充电结束SOC以及电桩功率等。提取的属性信息有效因子包含：城市、省份、电站类型、建设场所以及电桩数量等。
对储能设备中每天所有订单中有效因子取均值，并以此特征提取得到单日输入特征值。包括：尖峰时段充电时长/充电总时长，(尖峰开始时间-充电开始时间)/充电总时长，根据充电开始/结束SOC值估算出的电池充电开始剩余电量，电池总电量等。
根据订单的实时充电数据和储能设备信息，计算出储能设备每天能够放的电量，以此作为标签用于标记单日输出值。
根据第一模型的运算需求进行特征与处理后，进行第一模型的训练。第一模型可以为xgboost回归模型。训练得到的第一模型能够用于估算储能设备单日尖峰时段的第一放电量。
步骤220、根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，第一模型用于估算单日尖峰时段的第一放电量。
步骤230、根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量。
步骤240、根据多个月份的第一放电量，估算全额月份波动性信息。
本发明实施例提供的储能设备电量信息的测算方法，能够根据已知的部分月份的订单数据和储能设备的基本信息对第一模型进行训练，训练得到的第一模型能够准确预测单日尖峰时段的第一放电量，提高预测准确性。
实施例三
图3为本发明实施例提供的储能设备电量信息的测算方法的流程图，作为对上述实施例的进一步说明，根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量，包括：根据部分月份单日第一放电量数据确定部分月份每月的第一日均放电量；根据第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量。上述方法包括：
步骤310、根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量。
步骤320、根据部分月份单日第一放电量数据确定部分月份每月的第一日均放电量。
步骤330、根据第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量。
进一步的，在根据第一日均放电量和第二模型确定全额月份尖峰时段的日均放电量之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；根据订单实时充电数据确定储能设备历史每月尖峰时段日均放电量；根据不同月份组合以及每个月份的历史每日尖峰时段放电量确定第二日均放电量以及历史全额月份内的第三日均放电量；根据第二日均放电量和第三日均放电量进行第二模型训练。
可选的，获取平台自有各电站的储能设备历史近一年每天的订单实时充电数据，根据储能信息，计算出储能设备每天放的电量，并以此计算出近一年每个月的日均放电量和近一年的日均放电量。对近一年12个月进行排列组合。对每一种月份组合构建DNN深度神经网络模型，输入为该组合中每个月的日均放电量，输出为近一年的日均放电量，得到第二模型。
步骤340、根据多个月份的第一放电量，估算波动性信息。
本发明实施例提供的储能设备电量信息的测算方法，能够根据电站部分月份的订单数据确定储能设备的第一日均放电量，结合训练得到的第二模型估算全额月份的日均放电量，实现根据部分月份的订单数据训练第二模型，使用第二模型对全额月份的日均放电量进行预测，提高预测准确性。
实施例四
图4为本发明实施例提供的储能设备电量信息的测算方法的流程图，作为对上述实施例的进一步说明，根据多个月份的第一放电量，估算全额月份波动性信息，包括：根据多个月份的第一放电量确定多个月份的单月波动性信息；根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。上述方法包括：
步骤410、根据部分月份的订单数据和储能设备的基本信息，估算储能设备全额月份中单日尖峰时段的第一放电量。
步骤420、根据储能设备的订单数据估算全额月份尖峰时段的日均放电量。
步骤430、根据多个月份的第一放电量确定多个月份的单月波动性信息。
步骤440、根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
进一步的，在根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；根据每个月份的第一放电量绘制放电曲线；根据日均放电量绘制均值直线；根据放电曲线与均值直线确定闭合的波动面积；根据波动面积确定单月波形信息以及全额月份波动性信息；将多个单月波动性信息作为输入数据，全额月份波动性信息作为输出数据进行第三模型训练。
获取平台自有各电站储能设备近一年每天的订单实时充电数据，根据储能信息，计算出储能设备每天放的电量。进而得到的每个月的波动性和近一年的波动性。
波动性大小计算可以采用多线位置距离算法((Locality In-betweenPolylines，LIP)。将波动曲线与均值直线围城的闭合多边形的面积作为波动性信息。第三模型的输入为一个或多个单月波动性信息，输出为全额月份波动性信息，如全年的波动性信息。
本发明实施例提供的储能设备电量信息的测算方法，能够确定单月波动行信息，将多个单月波动性信息输入至第三模型后，得到全额月份波动性信息，实现根据部分月份的放电量确定单月波动性信息，进而预测全额月份的波动性信息，提高预测准确性。
实施例五
本发明实施例提供了一种储能设备电量信息的测算方法，作为对上述实施例的进一步说明，包括：
步骤501、根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值。
该步骤具体可通过下述方式实施：获取电站属性信息、储能设备的属性信息、订单明细和订单实时充电数据；
获取平台自有的电站属性信息，储能设备属性信息、订单明细和订单实时充电数据；根据电站属性信息确定属性信息有效因子；根据订单明细确定订单明细有效因子；根据电站属性信息有效因子和订单明细有效因子确定单日输入特征值；根据订单实时充电数据和储能设备信息确定储能设备在尖峰时段单日放电量；根据单日输入特征值和单日放电量进行第一模型的训练。
步骤502、根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，第一模型用于估算单日尖峰时段的第一放电量。
步骤503、根据部分月份单日第一放电量数据确定部分月份每月的第一日均放电量。
步骤504、根据第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量。
进一步的，在根据第一日均放电量和第二模型确定全额月份尖峰时段的日均放电量之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据订单实时充电数据确定储能设备历史每月尖峰时段日均放电量；
根据不同月份组合以及每个月份的历史每日尖峰时段放电量确定第二日均放电量以及历史全额月份内的第三日均放电量；
根据第二日均放电量和第三日均放电量进行第二模型训练。
步骤505、根据多个月份的第一放电量确定多个月份的单月波动性信息；
步骤506、根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
进一步的，在根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；根据每个月份的第一放电量绘制放电曲线；根据日均放电量绘制均值直线；根据放电曲线与均值直线确定闭合的波动面积；根据波动面积确定单月波形信息以及全额月份波动性信息；将多个单月波动性信息作为输入数据，全额月份波动性信息作为输出数据进行第三模型训练。
当外部电站(非平台自有电站)的运营商提供近一年中少量N个月的订单明细，电站属性数据和储能设备信息时，通过下述步骤进行响应：
调用第一模型预估储能设备每天在尖峰时段放的电量。
调用第二模型预估储能设备近一年在尖峰时段日均放电量。
调用第三模型得到的波动性信息预估储能设备近一年尖峰时段放电量的波动性。
通过上述的步骤，储能设备测算系统可以在运营商提供少量月份的订单数据的基础上，估算出储能设备近一年的指标数据(日均放电量和波动性)，近一年的指标数据才具泛性，更具有参考价值。
本发明实施例提供的储能设备电量信息的测算方法，根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；根据多个月份的第一放电量，估算全额月份波动性信息。实现在电站运营商无法提供全年订单数据和订单实时功率的情况下，通过人工智能算法准确的估算储能设备的日均放电量以及波动性信息。
实施例六
图5为本发明实施例五提供的储能设备电量信息的测算装置的结构示意图，本实施例可适用于对分布式跟踪系统的调用链进行压缩的情况，该装置可以由计算机设备来执行，具体包括：单日放电量估算模块61、日均放电量估算模块62和波动性估算模块63。
单日放电量估算模块61，用于根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；
日均放电量估算模块62，用于根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；
波动性估算模块63，用于根据多个月份的第一放电量，估算全额月份波动性信息。
在上述实施方式的基础上，单日放电量估算模块61用于：
根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值；
根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，第一模型用于估算单日尖峰时段的第一放电量。
在上述实施方式的基础上，还包括第一模型训练模块，第一模型训练模块用于：
获取平台自有的电站属性信息，储能设备属性信息、订单明细和订单实时充电数据；
根据电站属性信息确定属性信息有效因子；
根据订单明细确定订单明细有效因子；
根据电站属性信息有效因子和订单明细有效因子确定单日输入特征值；
根据订单实时充电数据和储能设备信息确定储能设备在尖峰时段单日放电量；
根据单日输入特征值和单日放电量进行第一模型的训练。
在上述实施方式的基础上，日均放电量估算模块62用于：
根据部分月份单日第一放电量数据确定部分月份每月的第一日均放电量；
根据第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量。
在上述实施方式的基础上，还包括第二模型训练模块，第二模型训练模块用于：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据订单实时充电数据确定储能设备历史每月尖峰时段日均放电量；
根据不同月份组合以及每个月份的历史每日尖峰时段放电量确定第二日均放电量以及历史全额月份内的第三日均放电量
根据第二日均放电量和第三日均放电量进行第二模型训练。
在上述实施方式的基础上，波动性估算模块63用于：
根据多个月份的第一放电量确定多个月份的单月波动性信息；
根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
在上述实施方式的基础上，还包括第三模型训练模块，第三模型训练模块用于：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据每个月份的第一放电量绘制放电曲线；
根据日均放电量绘制均值直线；
根据放电曲线与均值直线确定闭合的波动面积；
根据波动面积确定单月波形信息以及全额月份波动性信息；
将多个单月波动性信息作为输入数据，全额月份波动性信息作为输出数据进行第三模型训练。
本发明实施例提供的储能设备电量信息的测算装置，单日放电量估算模块61，用于根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；日均放电量估算模块62，用于根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；波动性估算模块63，用于根据多个月份的第一放电量，估算全额月份波动性信息。实现在电站运营商无法提供全年订单数据和订单实时功率的情况下，通过人工智能算法准确的估算储能设备的日均放电量以及波动性信息。
本发明实施例所提供的储能设备电量信息的测算装置可执行本发明任意实施例所提供的储能设备电量信息的测算方法，具备执行方法相应的功能模块和有益效果。
实施例七
图6为本发明实施例七提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括处理器70、存储器71、输入装置72和输出装置73；计算机设备中处理器70的数量可以是一个或多个，图6中以一个处理器70为例；计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的储能设备电量信息的测算方法对应的程序指令/模块(例如，储能设备电量信息的测算装置中的单日放电量估算模块61、日均放电量估算模块62和波动性估算模块63)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的储能设备电量信息的测算方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种储能设备电量信息的测算方法，该方法包括：
根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；
根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量；
根据多个月份的第一放电量，估算全额月份波动性信息。
在上述实施方式的基础上，根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量，包括：
根据已知的据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值；
根据单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，第一模型用于估算单日尖峰时段的第一放电量。
在上述实施方式的基础上，在根据单日输入特征值、电站的基础属性信息和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量之前，还包括：
获取平台自有的电站属性信息，储能设备属性信息、订单明细和订单实时充电数据；
根据电站属性信息确定属性信息有效因子；
根据订单明细确定订单明细有效因子；
根据电站属性信息有效因子和订单明细有效因子确定单日输入特征值；
根据订单实时充电数据和储能设备信息确定储能设备在尖峰时段单日放电量；
根据单日输入特征值和单日放电量进行第一模型的训练。
在上述实施方式的基础上，根据储能设备的部分月份的第一放电量估算全额月份尖峰时段的日均放电量，包括：
根据部分月份单日第一放电量数据确定部分月份每月的第一日均放电量；
根据第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量。
在上述实施方式的基础上，在根据第一日均放电量和第二模型确定全额月份尖峰时段的日均放电量之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据订单实时充电数据确定储能设备历史每月尖峰时段日均放电量；
根据不同月份组合以及每个月份的历史每日尖峰时段放电量确定第二日均放电量以及历史全额月份内的第三日均放电量；
根据第二日均放电量和第三日均放电量进行第二模型训练。
在上述实施方式的基础上，根据多个月份的第一放电量，估算全额月份波动性信息，包括：
根据多个月份的第一放电量确定多个月份的单月波动性信息；
根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
在上述实施方式的基础上，在根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据每个月份的第一放电量绘制放电曲线；
根据日均放电量绘制均值直线；
根据放电曲线与均值直线确定闭合的波动面积；
根据波动面积确定单月波形信息以及全额月份波动性信息；
将多个单月波动性信息作为输入数据，全额月份波动性信息作为输出数据进行第三模型训练。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的储能设备电量信息的测算方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。
值得注意的是，上述储能设备电量信息的测算装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种储能设备电量信息的测算方法，其特征在于，包括：
根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；根据储能设备的部分月份的所述第一放电量估算全额月份尖峰时段的日均放电量；根据多个月份的所述第一放电量，估算全额月份波动性信息；
其中，所述根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量，包括：
根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值；
根据所述单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，所述第一模型用于估算单日尖峰时段的第一放电量；
其中，所述根据储能设备的部分月份的所述第一放电量估算全额月份尖峰时段的日均放电量，包括：
根据所述部分月份单日第一放电量数据确定部分月份每月的第一日均放电量；
根据所述第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，所述第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量；
其中，所述根据多个月份的所述第一放电量，估算全额月份波动性信息，包括：
根据多个月份的所述第一放电量和所述日均放电量确定多个月份的单月波动性信息；
根据所述多个月份的单月波动性信息和第三模型确定全额月份波动性信息，所述第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
2.根据权利要求1所述的方法，其特征在于，在根据所述单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量之前，还包括：
获取平台自有的电站属性信息，储能设备属性信息、订单明细和订单实时充电数据；
根据电站属性信息确定属性信息有效因子；
根据订单明细确定订单明细有效因子；
根据电站属性信息有效因子和订单明细有效因子确定单日输入特征值；
根据所述订单实时充电数据和储能设备信息确定储能设备在尖峰时段单日放电量；
根据所述单日输入特征值和所述单日放电量进行第一模型的训练。
3.根据权利要求1所述的方法，其特征在于，在根据所述第一日均放电量和第二模型确定全额月份尖峰时段的日均放电量之前，还包括：
获取平台自由的电站近一年历史每日的订单实时充电数据；
根据所述订单实时充电数据确定储能设备历史每月尖峰时段日均放电量；
根据不同月份组合以及每个月份的历史每日尖峰时段放电量确定第二日均放电量以及历史全额月份内的第三日均放电量；
根据所述第二日均放电量和所述第三日均放电量进行第二模型训练。
4.根据权利要求1所述的方法，其特征在于，在根据所述多个月份的单月波动性信息和第三模型确定全额月份波动性信息之前，还包括：
获取平台自有的电站近一年历史每日的订单实时充电数据；
根据每个月份的第一放电量绘制放电曲线；
根据日均放电量绘制均值直线；
根据所述放电曲线与所述均值直线确定闭合的波动面积；
根据所述波动面积确定单月波形信息以及全额月份波动性信息；
将多个单月波动性信息作为输入数据，所述全额月份波动性信息作为输出数据进行第三模型训练。
5.一种储能设备电量信息的测算装置，其特征在于，包括：
单日放电量估算模块，用于根据部分月份的订单数据、电站的基础属性信息和储能设备的基本信息，估算储能设备部分月份中单日尖峰时段的第一放电量；
日均放电量估算模块，用于根据储能设备的部分月份的所述第一放电量估算全额月份尖峰时段的日均放电量；
波动性估算模块，用于根据多个月份的所述第一放电量，估算全额月份波动性信息；
其中，单日放电量估算模块用于：
根据已知的部分月份的订单数据、电站的基础属性信息和储能设备的基本信息确定单日输入特征值；
根据所述单日输入特征值和第一模型估算储能设备部分月份中单日尖峰时段的第一放电量，所述第一模型用于估算单日尖峰时段的第一放电量；
其中，日均放电量估算模块用于：
根据所述部分月份单日第一放电量数据确定部分月份每月的第一日均放电量；
根据所述第一日均放电量和第二模型估算全额月份尖峰时段的日均放电量，所述第二模型用于根据部分月份的每月尖峰时段日均放电量估算全额月份尖峰时段的日均放电量；
其中，波动性估算模块用于：
根据多个月份的第一放电量和所述日均放电量确定多个月份的单月波动性信息；
根据多个月份的单月波动性信息和第三模型确定全额月份波动性信息，第三模型用于根据多个单月波动性信息估算全额月份波动性信息。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。
7.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的方法。
CN202310132963.6A 2023-02-17 2023-02-17 储能设备电量信息的测算方法、计算机设备及存储介质 Active CN116093934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310132963.6A CN116093934B (zh) 2023-02-17 2023-02-17 储能设备电量信息的测算方法、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310132963.6A CN116093934B (zh) 2023-02-17 2023-02-17 储能设备电量信息的测算方法、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN116093934A CN116093934A (zh) 2023-05-09
CN116093934B true CN116093934B (zh) 2023-11-21

Family

ID=86213993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310132963.6A Active CN116093934B (zh) 2023-02-17 2023-02-17 储能设备电量信息的测算方法、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116093934B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292444A (zh) * 2017-06-28 2017-10-24 宁波三星医疗电气股份有限公司 一种预付费电能表系统以及电能表预付费方法
CN112485689A (zh) * 2020-10-26 2021-03-12 江苏慧智能源工程技术创新研究院有限公司 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法
CN112564152A (zh) * 2020-12-11 2021-03-26 国网重庆市电力公司营销服务中心 一种面向充电站运营商的储能优化配置方法
CN113642988A (zh) * 2021-08-09 2021-11-12 中国电力科学研究院有限公司 一种多工况多类型储能电站成本效益分析方法及定型系统
CN114240193A (zh) * 2021-12-21 2022-03-25 新奥数能科技有限公司 一种储能规划系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10634725B2 (en) * 2017-08-18 2020-04-28 Nec Corporation System and method for model predictive energy storage system control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292444A (zh) * 2017-06-28 2017-10-24 宁波三星医疗电气股份有限公司 一种预付费电能表系统以及电能表预付费方法
CN112485689A (zh) * 2020-10-26 2021-03-12 江苏慧智能源工程技术创新研究院有限公司 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法
CN112564152A (zh) * 2020-12-11 2021-03-26 国网重庆市电力公司营销服务中心 一种面向充电站运营商的储能优化配置方法
CN113642988A (zh) * 2021-08-09 2021-11-12 中国电力科学研究院有限公司 一种多工况多类型储能电站成本效益分析方法及定型系统
CN114240193A (zh) * 2021-12-21 2022-03-25 新奥数能科技有限公司 一种储能规划系统和方法

Also Published As

Publication number Publication date
CN116093934A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Fan et al. Short-term load forecasting based on a semi-parametric additive model
Bianchi et al. Prediction of telephone calls load using echo state network with exogenous variables
Taylor et al. Short-term load forecasting methods: An evaluation based on european data
CN102521674B (zh) 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法
CN105205297A (zh) 一种时间序列预测方法及系统
CN111539563A (zh) 一种用能安全状态预测方法、装置、服务器及存储介质
CN112256550A (zh) 存储容量预测模型生成方法、存储容量预测方法
CN103268526B (zh) 基于区间泰勒模型的电力系统短期负荷预测系统及方法
CN109118012A (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
CN113268403A (zh) 时间序列的分析预测方法、装置、设备及存储介质
CN115600840A (zh) 用户群体碳排放动态画像模型构建方法、装置及设备
CN111985695A (zh) 城市综合体用电量预测方法、装置、电子设备及存储介质
Mishra et al. Performance evaluation of prophet and STL-ETS methods for load forecasting
CN116093934B (zh) 储能设备电量信息的测算方法、计算机设备及存储介质
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN113052417A (zh) 一种资源配置方法以及装置
CN111190890A (zh) 用户日用电量数据清洗方法、装置、设备和介质
CN110956318A (zh) 一种基于预先构建的预测模型进行预测的方法及装置
CN110826196A (zh) 一种工业设备运行数据的处理方法及装置
CN111582600B (zh) 行为周期确定方法及装置
CN113723663A (zh) 电力工单数据的处理方法、装置、电子设备及存储介质
CN114298847A (zh) 职工医保基金结余的预测方法、装置、设备及存储介质
CN113011707B (zh) 一种面向流程阶段的指标异常的根因定位方法及系统
CN106886486A (zh) 用户终端使用属性的评估方法和装置
CN116883048B (zh) 基于人工智能的客户数据处理方法、装置及计算机设备

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