CN116345500A - 一种基于边缘侧神经网络的储能预测系统和方法 - Google Patents
一种基于边缘侧神经网络的储能预测系统和方法 Download PDFInfo
- Publication number
- CN116345500A CN116345500A CN202310061267.0A CN202310061267A CN116345500A CN 116345500 A CN116345500 A CN 116345500A CN 202310061267 A CN202310061267 A CN 202310061267A CN 116345500 A CN116345500 A CN 116345500A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- equipment
- prediction
- neural network
- load
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 110
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000005693 optoelectronics Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于边缘侧神经网络的储能预测系统和方法,包括:负载数据单元、储能设备状态采集模块、边缘计算设备和输出设备;负载数据单元用于获取用户侧所有负载设备的负载功率时段数据;储能设备状态采集模块用于实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量;边缘计算设备内设置有综合预测模型,边缘计算设备基于负载功率时段数据和设备状态参数,通过综合预测模型,得到设备预测信息;输出设备用于显示设备预测信息。本发明在用户储能侧引入边缘计算,将深度神经网络算法与电池技术结合,能够对储能设备工作状态和经济性进行有效预测,达到安全与经济性并举的目的。
Description
技术领域
本发明属于储能系统技术领域,尤其涉及一种基于边缘侧神经网络的储能预测系统和方法。
背景技术
可再生资源,例如风能、太阳能等新能源种类,取之不尽、用之不竭,是化石能源的替代品。但是,这类能源输出非常不稳定,不仅会影响电网的运行稳定,也不利于电力用户侧的负载应用。
目前,对于这类新能源方式,通常的做法是在发电厂或电力用户侧设置大量的储能设备(通常是可充电电池),通过储能设备的充电和放电控制,稳定电网运行,满足电力用户负载波动。
但是,化学电池的安全性与经济性问题是制约储能发展的一个重要因素。首先在技术安全方面,用于储能的电池品种、技术水平、生产质量参差不齐,存在不安全性;其次,由于储能电站组成成分的特殊性,当发生火灾时,缺乏快速高效阻断火势的完善策略;最后,用户侧储能电站的防燃防爆监控系统仍不完善。锂电池的安全性在技术上是可以解决的,技术发展空间仍然存在,但问题在于技术和经济之间互相联系,技术高要求容易导致在经济性上失去竞争力。
用户侧储能优化研究的目的在于合理转移负荷、提高用户安装储能后的经济性,如针对储能配置优化进行研究;针对储能运行进行优化研究;用户加装储能后的削峰填谷收益研究等。也有通过预先确定调度策略进行储能容量配置及日前运行规划,这种方法不仅很难得到储能最佳配置容量,而且因为没有考虑电力负荷预测误差的影响,导致储能日内实际运行时表现不佳。现阶段的研究考虑了需量防守的经济性,没有同时针对配置与运行优化进行研究、也没有同时考虑两方面收益的储能优化研究,最重要一点,没有考虑安全性与经济性兼顾的研究策略。
综上,目前既缺少同时考虑电池组储存配置优化、电池寿命及经济性优化,又缺少在储能运行时考虑安全性运行与预判的优化研究。
发明内容
为解决上述技术问题,本发明提出了一种基于边缘侧神经网络的储能预测系统和方法,旨在通过在用户侧边缘端实现基于安全与经济双标准的嵌入式神经网络模型,利用边缘物联代理设备的强大边缘计算能力,实现对储能设备工作状态的预测。
为实现上述目的,本发明提供了一种基于边缘侧神经网络的储能预测系统,包括负载数据单元、储能设备状态采集模块、边缘计算设备和输出设备;
所述负载数据单元用于获取用户侧所有负载设备的负载功率时段数据;
所述储能设备状态采集模块用于实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量;
所述边缘计算设备内设置有综合预测模型,所述边缘计算设备基于所述负载功率时段数据和所述设备状态参数,通过所述综合预测模型,得到设备预测信息;
所述输出设备用于显示所述设备预测信息。
优选的,所述设备预测信息包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测。
优选的,所述负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率。
优选的,所述边缘计算设备包括电源、I/O接口和数据处理器;
所述电源用于为所述边缘计算设备供电;
所述I/O接口用于通过接收所述负载功率时段数据和所述设备状态参数,并输出所述设备预测信息;
所述数据处理器设置有所述综合预测模型。
优选的,所述综合预测模型包括数据预处理单元、检测单元和神经网络单元;
所述数据预处理单元用于将所述负载功率时段数据和所述设备状态参数处理为参数序列;
所述神经网络单元用于利用BP神经网络技术构建预测模型,并基于所述参数序列,并生成预测值;
所述检测单元用于基于GAN对抗生成网络技术,对所述预测值进行预测检测,当所述预测检测达到预定目标时,所述预测模型输出所述设备预测信息。
优选的,所述输出设备包括文字显示设备和声光提示设备;
所述文字显示设备用于通过文字方式实时显示所述设备预测信息;
所述声光提示设备用于通过声音和光信号实时显示所述设备预测信息,以及通过特定的声音和光信号显示带有警示作用的所述设备预测信息。
另一方面,为实现上述目的,本发明还提供了一种基于边缘侧神经网络的储能预测方法,包括如下步骤:
获取用户侧所有负载设备的负载功率时段数据,所述负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率;
实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量;
在边缘计算设备内设置综合预测模型,并基于所述负载功率时段数据和所述设备状态参数,得到设备预测信息;所述设备预测信息包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测;
以文字和/光电方式显示所述设备预测信息。
优选的,得到所述得到设备预测信息的方式包括:
对所述负载功率时段数据和所述设备状态参数进行预处理,得到参数序列;
用于利用BP神经网络技术构建预测模型,并基于所述参数序列,并生成预测值;
基于GAN对抗生成网络技术,对所述预测值进行预测检测,当所述预测检测达到预定目标时,所述预测模型输出所述设备预测信息。
与现有技术相比,本发明具有如下优点和技术效果:
本发明结合边缘计算的低延迟、低能耗、智能化与高容错特点,在用户储能侧引入边缘计算,将深度神经网络算法与电池技术结合,能够对储能设备工作状态和经济性进行有效预测,达到安全与经济性并举的目的。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的基于边缘侧神经网络的储能预测系统结构示意图;
图2为本发明实施例一的BP神经网络技术原理示意图;
图3为本发明实施例二的基于边缘侧神经网络的储能预测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:
如图1所示,为本发明实施例一的基于边缘侧神经网络的储能预测系统结构示意图,主要包括负载数据单元、储能设备状态采集模块、边缘计算设备和输出设备。
其中,负载数据单元用于获取用户侧所有负载设备的负载功率时段数据。储能设备状态采集模块用于实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量。边缘计算设备内设置有综合预测模型,边缘计算设备基于负载功率时段数据和设备状态参数,通过综合预测模型,得到设备预测信息。输出设备用于显示设备预测信息。
下面,结合具体实施方式对上述功能单元的结构和功能实现进行详细阐述。
在本实施例中,以西藏地区丰富的太阳能资源为例,对用户侧储能设备进行工作预测,其中的储能设备采用常规的锂电池组。
相关背景:西藏可再生资源丰富,但由于电网建设薄弱,目前西藏自治区光伏累计装机近800MW,但大部分的光伏电站长期处于限电状态,丰水期外送通道不足导致弃水弃光,而枯水期由于可调节水电减少,出于对电网稳定性的考虑也会导致弃光,目前西藏光伏电站的弃光率高达20%以上,对于储能有实际的需求。
针对上述具体问题,在用户侧装备储能设备,并设定预测内容包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测。
储能设备可用时长预测,指的是针对某一时段,及接下来的几个时段,电力用户处于正常工作状态的负载设备的预计工作情况,储能设备当前的电能储量、及充放电情况下,能够为用户侧的供电时长。
储能设备充能耗时预测,指的是针对某一时段,及接下来的几个时段,电力用户处于正常工作状态的负载设备的预计工作情况,储能设备当前的电能储量、及充放电情况下,是否依然能够将储能设备充满电,及充满电需要的时长。
储能设备安全监测,指的是针对某一时段,及接下来的几个时段,电力用户处于正常工作状态的负载设备的预计工作情况,储能设备当前的电能储量、及充放电情况下,储能设备工作状态的安全性监测和预测,基于锂电池热性能问题,本实施例主要是针对电池组温度的预测。
储能设备寿命-经济性预测,指的是因电池组自身储能性能的正常损耗,而带来的经济性影响预测。
如上所述,因此,在本实施例中,负载数据单元需要获取的负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率。这些数据可以通过人工操作录入的方式,将不同时间段内可能处于正常工作状态的设备,制作对应数据链,例如:白天某一时段,只有部分用电设备处于工作中,则将此时设备的额定功率对应该时段,又例如,晚上某一时段,会有其他用电设备进入工作状态,则将此时设备的额定功率对应该时段。进一步的,为了实时保证可以有足够的电能供使用,本发明特意加入了补充功率,以避免新增临时用电设备的情况。补充功率可根据不同的时段,人为设定。时段的设定,可以以半小时为单位。
储能设备状态采集模块主要是使用现有的传感器技术,采集储能电池组的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量,相关技术,在此不再赘述。
在本发明中,结合边缘计算的低延迟、低能耗、智能化与高容错特点,在用户储能侧引入边缘计算技术。在本实施例中,边缘计算设备主要由电源、I/O接口和数据处理器组成。其中,电源用于为边缘计算设备供电。I/O接口用于通过接收负载功率时段数据和设备状态参数,并输出设备预测信息。数据处理器设置有综合预测模型。设备内部各功能模块间通过高速串行口进行数据通信,并配备必要的上位机软件和设计网络训练环境。
在本实施例中,综合预测模型包括数据预处理单元、检测单元和神经网络单元。
数据预处理单元用于将负载功率时段数据和设备状态参数处理为参数序列。具体的,对各类设备状态参数和负载功率时段数据进行分析整理、计算和编辑,生成不同的参数序列,主要包括:用于储能设备可用时长预测的参数序列,用到的具体数据包括负载功率时段数据、输入电流、输入电压、当前电量和最大可充电量;用于储能设备充能耗时预测的参数序列,用到的具体数据包括负载功率时段数据、输入电流、输入电压、当前电量和最大可充电量;用于储能设备安全监测的参数序列,用到的具体数据包括负载功率时段数据和工作文档;用于储能设备寿命-经济性预测的参数序列,用到的具体数据包括负载功率时段数据、当前电量和最大可充电量。
神经网络单元用于利用BP神经网络技术构建预测模型,并基于参数序列,并生成预测值。检测单元用于基于GAN对抗生成网络技术,对预测值进行预测检测,当预测检测达到预定目标时,预测模型输出设备预测信息。本实施例以储能设备寿命-经济性预测为例,阐述神经网络单元和检测单元的运算过程。BP神经网络原理如图2所示。
将用于储能设备寿命-经济性预测的参数序列作为BP神经网络融合LM算法的输入训练集,得到期望误差的BP神经网络;
电池组的剩余寿命,可使用式(1)计算
其中,T为储能设备电池组的累计运行时间,满足用户需求的最小电池容量根据负载功率时段数据确定。剩余寿命与经济性之间的对应关系,可参考设备成本设定,主要反映设备投资与使用时长之间的对应关系。
神经网络融合LM算法函数为:
其中,t为用于储能设备寿命-经济性预测的参数序列,为拟合的测量值,α与β分别为比例参数和形状参数,/>是双参数威布尔分布的经济效益函数,参数K用于将拟合的测量值缩放到任何范围,参数Y用于指示形状参数在合理区间时的值。
将用于储能设备寿命-经济性预测的参数序列输入到训练好的BP神经网络融合LM算法中,生成有关储能设备寿命-经济性的预测值,然后再将该预测值输入至检测单元,检测单元基于GAN对抗生成网络技术,使用历史经验值对预测值进行预测检测,用于优化BP神经网络性能和准确度,当预测检测达到预定目标时,预测模型输出设备预测信息。
最后由输出设备以文字和声光方式显示上述设备预测信息。具体的,文字显示设备用于通过文字方式实时显示设备预测信息。声光提示设备用于通过声音和光信号实时显示设备预测信息,以及通过特定的声音和光信号显示带有警示作用的设备预测信息。
实施例二
如图3所示,为本发明实施例二的基于边缘侧神经网络的储能预测方法流程示意图,主要包括如下步骤:
S1.获取用户侧所有负载设备的负载功率时段数据,负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率。
S2.实时采集储能设备的设备状态参数,包括输出电流、输出电压、工作温度、当前电量和最大可充电量。
S3.在边缘计算设备内设置综合预测模型,并基于负载功率时段数据和设备状态参数,得到设备预测信息。设备预测信息包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测。具体的,首先,对负载功率时段数据和设备状态参数进行预处理,得到参数序列。然后,用于利用BP神经网络技术构建预测模型,并基于参数序列,并生成预测值。最后,基于GAN对抗生成网络技术,对预测值进行预测检测,当预测检测达到预定目标时,预测模型输出设备预测信息。
S4.以文字和/光电方式显示设备预测信息。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于边缘侧神经网络的储能预测系统,其特征在于,
包括负载数据单元、储能设备状态采集模块、边缘计算设备和输出设备;
所述负载数据单元用于获取用户侧所有负载设备的负载功率时段数据;
所述储能设备状态采集模块用于实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量;
所述边缘计算设备内设置有综合预测模型,所述边缘计算设备基于所述负载功率时段数据和所述设备状态参数,通过所述综合预测模型,得到设备预测信息;
所述输出设备用于显示所述设备预测信息。
2.根据权利要求1所述的基于边缘侧神经网络的储能预测系统,其特征在于,
所述设备预测信息包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测。
3.根据权利要求2所述的基于边缘侧神经网络的储能预测系统,其特征在于,
所述负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率。
4.根据权利要求2所述的基于边缘侧神经网络的储能预测系统,其特征在于,
所述边缘计算设备包括电源、I/O接口和数据处理器;
所述电源用于为所述边缘计算设备供电;
所述I/O接口用于通过接收所述负载功率时段数据和所述设备状态参数,并输出所述设备预测信息;
所述数据处理器设置有所述综合预测模型。
5.根据权利要求4所述的基于边缘侧神经网络的储能预测系统,其特征在于,
所述综合预测模型包括数据预处理单元、检测单元和神经网络单元;
所述数据预处理单元用于将所述负载功率时段数据和所述设备状态参数处理为参数序列;
所述神经网络单元用于利用BP神经网络技术构建预测模型,并基于所述参数序列,并生成预测值;
所述检测单元用于基于GAN对抗生成网络技术,对所述预测值进行预测检测,当所述预测检测达到预定目标时,所述预测模型输出所述设备预测信息。
6.根据权利要求5所述的基于边缘侧神经网络的储能预测系统,其特征在于,
所述输出设备包括文字显示设备和声光提示设备;
所述文字显示设备用于通过文字方式实时显示所述设备预测信息;
所述声光提示设备用于通过声音和光信号实时显示所述设备预测信息,以及通过特定的声音和光信号显示带有警示作用的所述设备预测信息。
7.一种基于边缘侧神经网络的储能预测方法,其特征在于,包括如下步骤:
获取用户侧所有负载设备的负载功率时段数据,所述负载功率时段数据包括时间段、与该时间段对应的处于正常工作状态的负载设备的总功率、以及与该总功率对应的补充功率;
实时采集储能设备的设备状态参数,包括输出电流、输出电压、输入电流、输入电压、工作温度、当前电量和最大可充电量;
在边缘计算设备内设置综合预测模型,并基于所述负载功率时段数据和所述设备状态参数,得到设备预测信息;所述设备预测信息包括储能设备可用时长预测、储能设备充能耗时预测、储能设备安全监测和储能设备寿命-经济性预测;
以文字和/光电方式显示所述设备预测信息。
8.根据权利要求7所述的基于边缘侧神经网络的储能预测方法,其特征在于,包括如下步骤:
得到所述得到设备预测信息的方式包括:
对所述负载功率时段数据和所述设备状态参数进行预处理,得到参数序列;
用于利用BP神经网络技术构建预测模型,并基于所述参数序列,并生成预测值;
基于GAN对抗生成网络技术,对所述预测值进行预测检测,当所述预测检测达到预定目标时,所述预测模型输出所述设备预测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061267.0A CN116345500A (zh) | 2023-01-16 | 2023-01-16 | 一种基于边缘侧神经网络的储能预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061267.0A CN116345500A (zh) | 2023-01-16 | 2023-01-16 | 一种基于边缘侧神经网络的储能预测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116345500A true CN116345500A (zh) | 2023-06-27 |
Family
ID=86886588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310061267.0A Pending CN116345500A (zh) | 2023-01-16 | 2023-01-16 | 一种基于边缘侧神经网络的储能预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116345500A (zh) |
-
2023
- 2023-01-16 CN CN202310061267.0A patent/CN116345500A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2506679C2 (ru) | Способ и система стабилизации мощности (варианты) | |
KR101478791B1 (ko) | 전력 관리 방법 및 시스템 | |
KR102088532B1 (ko) | 에너지 관리 시스템과 그의 에너지 관리 방법 및 에너지 운영 시스템 | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
US10431985B2 (en) | Power management method | |
Cano et al. | Power management system for off-grid hydrogen production based on uncertainty | |
JP2010259303A (ja) | 分散発電システム | |
CN109861292B (zh) | 一种基于多能源储能系统提高清洁能源消纳方法 | |
CN104467198A (zh) | 一种基于在线分布式的电能储能系统 | |
CN104281984A (zh) | 一种用于微电网经济运行的供电方法 | |
CN103532143A (zh) | 弥补功率预测精度的新能源发电系统 | |
CN115882483A (zh) | 一种利用容量弹性实现系统最优储能容量配置的方法 | |
Chen et al. | Economic dispatch of hydro-thermal power system with large-scale wind power penetration | |
CN116345500A (zh) | 一种基于边缘侧神经网络的储能预测系统和方法 | |
CN204271759U (zh) | 一种基于在线分布式的电能储能装置 | |
Xiao et al. | Structure and Capacity Configuration of Substation Microgrid with Hydrogen Energy Storage | |
CN108377001B (zh) | 一种用于用电量削峰填谷的光伏储能系统和方法 | |
CN112736969A (zh) | 基于新能源经济调度的分布式光伏数据处理方法及系统 | |
Gong et al. | Research on scheduling of wind solar energy storage microgrid considering new energy consumption | |
CN111404180A (zh) | 综合能源系统的优化调度方法和系统 | |
Sarmah et al. | Managed hybrid power supply system for telecom equipment | |
CN217362585U (zh) | 一种基于钛酸锂电池的光储能能量管理系统 | |
CN111695740B (zh) | 一种基于参数控制的主动储能运行方法及系统 | |
Arsalis et al. | Recent Research Progress in Hybrid Photovoltaic Regenerative Hydrogen Fuel Cell Microgrid Systems. Energies 2022, 15, 3512 | |
Zhang et al. | Research on optimal schedule strategy of distributed generation considering distribution network margin |
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 |