CN116581750A - 一种基于电网负荷水平的智能线路负载充电方法 - Google Patents
一种基于电网负荷水平的智能线路负载充电方法 Download PDFInfo
- Publication number
- CN116581750A CN116581750A CN202310591793.8A CN202310591793A CN116581750A CN 116581750 A CN116581750 A CN 116581750A CN 202310591793 A CN202310591793 A CN 202310591793A CN 116581750 A CN116581750 A CN 116581750A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- line load
- load
- model
- 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 31
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000000737 periodic effect Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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]
Abstract
本发明公开了一种基于电网负荷水平的智能线路负载充电方法,该方法包括以下:S1、制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型;S2、通过分析历史负荷数据和影响因素,预测未来电网负荷水平的变化趋势和峰值;S3、通过分析用户的用电行为数据,预测未来充电需求的变化趋势和峰值;S4、根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略;S5、构建优化算法,对实时数据的进行监控和分析。本发明通过周期性时间序列预测模型可以捕捉到时间序列数据中的周期性变化,在预测未来的充电需求和电网负荷水平方面具有很好的效果。
Description
技术领域
本发明涉及电力系统领域,具体来说,涉及一种基于电网负荷水平的智能线路负载充电方法。
背景技术
随着化石能源危机的日益加重,各国急欲寻求替代能源以满足庞大的消费量,对新能源的利用越来越加以重视,特别是在交通运输方面,能够少用甚至不用化石燃料的新能源汽车得以大力推广。而电力作为一种可再生的清洁能源,受到了各国政府的热烈欢迎,因而电动汽车则顺理成章的成为新能源汽车的主要发展方向。电动汽车近年发展日益迅猛,成为了新能源汽车发展的热点,在各大汽车厂商层出不穷的新产品开发潮流中,电动汽车逐渐进入了规模化、产业化的阶段。中国已经成为全球最大的汽车消费国,而中国自身能源产量并不能满足发展需求,能源进口量巨大。随着能源危机的加剧,政府开始大力引导、推广新能源汽车的研发与销售。
但是大规模的电动汽车使用后充电会伴随着时间上、空间上的波动、间断以及不确定性等特点,不确定数量的电动汽车同时充电造成的负荷也对接入的电网造成调度、规划以及运行带来巨大的压力,因此,将负载作为充电器使用的方法开始出现在人们的视野中。
而现有技术中,将负载作为充电器使用的方法会增加电网的负荷,若充电需求过于集中,会导致电网的负荷不平衡,进而影响电网稳定运行。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于电网负荷水平的智能线路负载充电方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于电网负荷水平的智能线路负载充电方法,该智能线路负载充电方法包括以下:
S1、制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型;
S2、通过分析历史负荷数据和影响因素,预测未来电网负荷水平的变化趋势和峰值;
S3、通过分析用户用电行为数据,预测未来充电需求的变化趋势和峰值;
S4、根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略;
S5、构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略。
进一步的,所述制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型包括以下步骤:
S11、收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理;
S12、对预处理的相关数据进行分析和挖掘,提取相关数据的特征和变量,并构建线路负载充电模型;
S13、将线路负载充电模型部署到云平台中,通过接口实现数据的交换,并对线路负载充电模型进行测试;
S14、根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型。
进一步的,所述收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理包括以下步骤:
S111、收集历史负荷数据、充电需求数据、天气数据、节假日数据的原始数据,并对数据进行归一化处理,将不同范围的数据映射到统一的区间内;
S112、构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系;
S113、探索不同特征之间的关系,了解区间内数据分布和异常情况。
进一步的,所述构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系包括以下步骤:
S1121、收集的统一区间的数据,使用数据中的特征计算相关系数矩阵;
S1122、将相关系数矩阵绘制成热力图,并使用颜色映射来表示不同相关系数值的不同颜色;
S1123、分析热力图并解释不同特征之间的相关性;
其中,分析热力图包括分析热力图中的数据在时间上的变化和数据在不同群体之间的差异。
进一步的,所述根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型包括以下步骤:
S141、将测试结果设置为参数值,对其中一个输入序列长度大小的时间序列进行分割,并获得若干时间序列单元;
S142、根据划分的时间序列单元,计算相邻时间单元之间的相似度;
S143、将相似度的数值除以平均值,得出时间序列单元的方差;
S145、将线路负载充电模型中设定初始阈值与时间序列单元的方差进行比对,获得比对误差,并优化比对结果,调整初始阈值;
S146、根据对比误差更改线路负载充电模型中设定初始阈值,并获得智能线路负载充电模型。
进一步的,所述相邻时间单元之间的相似度计算公式为:
Si=f(Xi,Xi+1)
式中,Si为时间序列Xi和Xi+1之间的相似度,f为快速动态规则算法;
其中,快速动态规则算法的公式为:
式中,f(x)为目标函数,X为可行域,x为可行域中的一个数值,minimize为最低限度,subject to为服从。
进一步的,所述根据划分的时间序列单元,计算相邻时间单元之间的相似度包括以下步骤:
S1421、对时间序列单元进行区域划分;
S1422、采用硬注意力机制提取每个区中与神经网络部分输出最相似的原始时间序列数据,加入到Q序列中;
S1423、采用软注意力机制提取Q序列的周期特征;
S1423、对根据周期特征计算相邻时间单元之间的相似度。
其中,Q序列为经过筛选、挑选出来的与模型输出最相关的原始时间序列数据的集合。
进一步的,所述硬注意力机制的计算公式为:
式中,t为时间,ht为t时间步循环和滑动循环层的隐藏层输出,kt-p为t-p时间步的原始时间序列数据,||为范数。
进一步的,所述根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略包括以下步骤:
S41、收集未来电网负荷预测和未来充电需求预测数据;
S42、利用智能线路负载充电模型分析数据,得出未来充电需求和电网负荷的预测结果;
S43、根据预测结果,生成充电计划,并确定每个充电站的充电需求及充电时间;
S44、根据充电计划,生成功率调度策略,并调整每个充电站的供电功率。
进一步的,所述构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略包括以下步骤:
S51、实时采集电网负荷和充电需求数据,并进行数据预清洗;
S52、对实时数据进行监控和分析,以获取当前的负荷水平和充电需求;
S53、根据实时数据和历史数据,进行充电计算和功率调度策略的优化;
S54、生成充电计划和功率调度策略,并将其反馈到智能线路负载充电模型中进行执行。
本发明的有益效果为:
1、本发明中采用了云计算技术,云计算技术可以提供高效、可扩展、安全的数据存储和处理服务,用于存储和处理智能线路负载充电系统中的历史数据、实时数据、充电需求预测、电网负荷预测等数据;云计算技术可以根据实际需求,动态分配计算资源和存储资源,实现充电功率的动态调度和优化,确保充电服务的高效性和稳定性;利用云计算技术的分布式架构和网络技术,可以实现对智能线路负载充电系统的实时监测和远程控制,包括充电桩、充电车辆、电力线路等设备的状态监测和控制,以及数据传输和交互。
2、云计算技术可以利用大数据分析和机器学习算法,对充电需求、电网负荷、充电功率等数据进行深度分析和挖掘,优化充电计划和功率调度策略,提高充电效率和服务质量;本发明中的智能线路负载充电是一种利用智能化技术,根据电网负荷水平和充电需求预测,对电动车进行智能化充电的系统,该系统能够自动监测电网负荷水平和电动车充电需求,并根据实时数据进行功率调度和充电计划制定,以保证充电过程高效、智能和可靠。
3、本发明基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,通过周期性时间序列预测模型可以捕捉到时间序列数据中的周期性变化,通过周期性时间序列预测模型可以根据历史数据中的趋势和周期性变化来预测未来的趋势,这使得它在预测未来的充电需求和电网负荷水平方面具有很好的效果;通过周期性时间序列预测模型可以处理不同的时间周期。
4、而现有技术中,将负载作为充电器使用的基础上需要额外消耗电力资源维持充电系统的运行,但同样会增加电网的负荷,若充电需求过于集中,会导致电网的负荷不平衡,进而影响电网稳定运行。而方案解决的通过周期性时间序列预测模型可以根据历史数据中的趋势和周期性变化来预测未来的趋势,减少额外的损耗电力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于电网负荷水平的智能线路负载充电方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于电网负荷水平的智能线路负载充电方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于电网负荷水平的智能线路负载充电方法,该智能线路负载充电方法包括以下:
S1、制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型;
在一个实施例中,所述制定线路负载充电模型的构架,并基于云计算技术构建智能线路负载充电模型包括以下步骤:
S11、收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理;
S12、对预处理的相关数据进行分析和挖掘,提取相关数据的特征和变量,并构建线路负载充电模型;
S13、将线路负载充电模型部署到云平台中,通过接口实现数据的交换,并对线路负载充电模型进行测试;
S14、根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型。
在一个实施例中,所述收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理包括以下步骤:
S111、收集历史负荷数据、充电需求数据、天气数据、节假日数据的原始数据,并对数据进行归一化处理,将不同范围的数据映射到统一的区间内;
S112、构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系;
S113、探索不同特征之间的关系,了解区间内数据分布和异常情况。
在一个实施例中,所述构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系包括以下步骤:
S1121、收集的统一区间的数据,使用数据中的特征计算相关系数矩阵;
S1122、将相关系数矩阵绘制成热力图,并使用颜色映射来表示不同相关系数值的不同颜色;
S1123、分析热力图并解释不同特征之间的相关性;
其中,分析热力图包括分析热力图中的数据在时间上的变化和数据在不同群体之间的差异。
在一个实施例中,所述根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型包括以下步骤:
S141、将测试结果设置为参数值,对其中一个输入序列长度大小的时间序列进行分割,并获得若干时间序列单元;
S142、根据划分的时间序列单元,计算相邻时间单元之间的相似度;
S143、将相似度的数值除以平均值,得出时间序列单元的方差;
S145、将线路负载充电模型中设定初始阈值与时间序列单元的方差进行比对,获得比对误差,并优化比对结果,调整初始阈值;
S146、根据对比误差更改线路负载充电模型中设定初始阈值,并获得智能线路负载充电模型。
在一个实施例中,所述相邻时间单元之间的相似度计算公式为:
Si=f(Xi,Xi+1)
式中,Si为时间序列Xi和Xi+1之间的相似度,f为快速动态规则算法;
其中,快速动态规则算法的公式为:
式中,f(x)为目标函数,X为可行域,x为可行域中的一个数值,minimize为最低限度,subject to为服从。
在一个实施例中,所述根据划分的时间序列单元,计算相邻时间单元之间的相似度包括以下步骤:
S1421、对时间序列单元进行区域划分;
S1422、采用硬注意力机制提取每个区中与神经网络部分输出最相似的原始时间序列数据,加入到Q序列中;
S1423、采用软注意力机制提取Q序列的周期特征;
S1423、对根据周期特征计算相邻时间单元之间的相似度。
其中,Q序列为经过筛选、挑选出来的与模型输出最相关的原始时间序列数据的集合。
在一个实施例中,所述硬注意力机制的计算公式为:
式中,t为时间,ht为t时间步循环和滑动循环层的隐藏层输出,kt-p为t-p时间步的原始时间序列数据,||为范数。
具体的,本发明的线路负载充电初始模型为设计一种初始的线路负载充电系统模型。具体而言,这个模型可能包括电网拓扑结构、对应的输电线路、负载点位置以及充电设施的分布,基于这个模型,可以进一步分析如何在不同情况下配置充电设备,满足电网负荷需求并最大程度地利用充电资源。
S2、通过分析历史负荷数据和影响因素,预测未来电网负荷水平的变化趋势和峰值。
具体的,为了预测未来电网负荷水平的变化趋势和峰值,需要对历史负荷数据和影响因素进行分析的具体步骤如下:1、收集历史电网负荷数据:从电力系统管理部门或电网运营商处获取历史电网负荷数据,包括日、周、月、季度等不同时间尺度的负荷数据。2、分析历史负荷数据:对历史负荷数据进行统计和分析,包括负荷的平均值、峰值、谷值等指标,以及不同时间尺度下负荷的变化趋势、周期性和季节性等规律。3、收集影响因素数据:收集与电网负荷相关的影响因素数据,例如天气、经济发展水平、节假日等信息,这些因素可能对负荷的变化产生重要影响。4、分析影响因素数据:对影响因素数据进行统计和分析,探索与电网负荷的关联关系,建立数学模型或算法,以便在预测时考虑这些因素的影响。5、预测未来负荷:根据历史数据和影响因素数据,采用时间序列分析、机器学习等方法,预测未来电网负荷的变化趋势和峰值。
S3、通过分析用户用电行为数据,预测未来充电需求的变化趋势和峰值。
具体的,通过分析用户的行为和用电习惯,预测未来充电需求的变化趋势和峰值包括以下步骤:1、收集历史用电数据:收集用户历史用电数据,包括每个时间点的用电量和用电时段等信息。这些数据可以从智能电表、用户应用程序、设备传感器等设备中获取。2、数据预处理:对收集到的历史用电数据进行预处理,包括数据清洗、去除异常值、缺失值处理、数据转换等步骤。预处理可以提高后续分析的准确性和效率。3、特征提取:根据用户行为和用电习惯,提取出影响充电需求的重要特征。这些特征可能包括时间、天气、季节、节假日等因素。4、预测未来充电需求:使用训练好的模型对未来的充电需求进行预测。预测可以基于现有的特征和假设条件进行,例如天气状况、季节等。
S4、根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略;
在一个实施例中,所述根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略包括以下步骤:
S41、收集未来电网负荷预测和未来充电需求预测数据;
S42、利用智能线路负载充电模型分析数据,得出未来充电需求和电网负荷的预测结果;
S43、根据预测结果,生成充电计划,并确定每个充电站的充电需求及充电时间;
S44、根据充电计划,生成功率调度策略,并调整每个充电站的供电功率。
具体的,根据历史数据、天气预报等信息,利用机器学习、时间序列分析等方法对未来一段时间内电网负荷进行预测,通过对用户用电行为、充电设施使用情况等数据进行分析,预测未来一段时间内的充电需求;根据电网负荷预测和充电需求预测,生成合理的充电计划,包括充电开始时间、充电持续时间等;在充电计划的基础上,根据充电设施的最大功率、电网负荷情况等因素,生成功率调度策略,确保充电设施的功率不会超过最大功率,同时避免对电网造成过大的负荷;将充电计划和功率调度策略实施到智能线路负载充电系统中,监控充电设施的运行状态,根据实时电网负荷情况进行功率调整,并通过系统反馈信息对充电计划进行动态调整S5、构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略。
在一个实施例中,所述构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略包括以下步骤:
S51、实时采集电网负荷和充电需求数据,并进行数据预清洗;
S52、对实时数据进行监控和分析,以获取当前的负荷水平和充电需求;
S53、根据实时数据和历史数据,进行充电计算和功率调度策略的优化;
S54、生成充电计划和功率调度策略,并将其反馈到智能线路负载充电模型中进行执行。
具体的,构建优化算法中的优化算法包括遗传算法、神经网络算法、粒子群算法等,在具体实现方面,需要根据实际情况选择合适的算法,并对其进行参数配置,在进行充电计算和功率调度策略的优化前,需要对未来的负荷和充电需求情况进行预测。充电计算和功率调度策略的优化方面:这可以通过历史数据分析、传感器监测等方式获得。在设备管理方面,针对不同的充电设备,需要根据其特性和实际使用情况进行管理和维护。在能源管理方面,在充电计算和功率调度策略优化过程中,需要合理配置可用的能源,并尽可能地利用可再生能源。以确保最终结果在实际应用中具有很好的性能和可靠。
综上所述,借助于本发明的上述技术方案,本发明中采用了云计算技术,云计算技术可以提供高效、可扩展、安全的数据存储和处理服务,用于存储和处理智能线路负载充电系统中的历史数据、实时数据、充电需求预测、电网负荷预测等数据;云计算技术可以根据实际需求,动态分配计算资源和存储资源,实现充电功率的动态调度和优化,确保充电服务的高效性和稳定性;利用云计算技术的分布式架构和网络技术,可以实现对智能线路负载充电系统的实时监测和远程控制,包括充电桩、充电车辆、电力线路等设备的状态监测和控制,以及数据传输和交互;云计算技术可以利用大数据分析和机器学习算法,对充电需求、电网负荷、充电功率等数据进行深度分析和挖掘,优化充电计划和功率调度策略,提高充电效率和服务质量;本发明中的智能线路负载充电是一种利用智能化技术,根据电网负荷水平和充电需求预测,对电动车进行智能化充电的系统,该系统能够自动监测电网负荷水平和电动车充电需求,并根据实时数据进行功率调度和充电计划制定,以保证充电过程高效、智能和可靠;本发明基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,通过周期性时间序列预测模型可以捕捉到时间序列数据中的周期性变化,例如每日、每周或每月的变化,这对于预测未来的充电需求非常重要,因为充电需求可能会因为时间的变化而发生周期性变化,通过周期性时间序列预测模型可以根据历史数据中的趋势和周期性变化来预测未来的趋势,这使得它在预测未来的充电需求和电网负荷水平方面具有很好的效果;通过周期性时间序列预测模型可以处理不同的时间周期,例如小时、日、周或月,这使得它在训练和优化线路负载充电模型时非常灵活;通过周期性时间序列预测模型可以考虑到时间序列数据中的季节性变化,例如春季、夏季、秋季和冬季,这对于预测未来的充电需求和电网负荷水平非常重要,因为季节性变化可能会影响充电需求和电网负荷水平。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于电网负荷水平的智能线路负载充电方法,其特征在于,该智能线路负载充电方法包括以下:
S1、制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型;
S2、通过分析历史负荷数据和影响因素,预测未来电网负荷水平的变化趋势和峰值;
S3、通过分析用户用电行为数据,预测未来充电需求的变化趋势和峰值;
S4、根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略;
S5、构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略。
2.根据权利要求1所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述制定线路负载充电初始模型,并基于云计算技术构建线路负载充电智能模型包括以下步骤:
S11、收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理;
S12、对预处理的相关数据进行分析和挖掘,提取相关数据的特征和变量,并构建线路负载充电模型;
S13、将线路负载充电模型部署到云平台中,通过接口实现数据的交换,并对线路负载充电模型进行测试;
S14、根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型。
3.根据权利要求1所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述收集历史负荷数据、充电需求数据、天气数据、节假日数据,并进行数据预处理包括以下步骤:
S111、收集历史负荷数据、充电需求数据、天气数据、节假日数据的原始数据,并对数据进行归一化处理,将不同范围的数据映射到统一的区间内;
S112、构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系;
S113、探索不同特征之间的关系,了解区间内数据分布和异常情况。
4.根据权利要求3所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述构建热力图,提取区间内数据的特征及相关参数,并利用热力图对数据进行分析,挖掘区间内数据之间的关系包括以下步骤:
S1121、收集的统一区间的数据,使用数据中的特征计算相关系数矩阵;
S1122、将相关系数矩阵绘制成热力图,并使用颜色映射来表示不同相关系数值的不同颜色;
S1123、分析热力图并解释不同特征之间的相关性;
其中,分析热力图包括分析热力图中的数据在时间上的变化和数据在不同群体之间的差异。
5.根据权利要求2所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述根据测试结果,基于周期性时间序列预测模型对线路负载充电模型进行训练和优化,并得到智能线路负载充电模型包括以下步骤:
S141、将测试结果设置为参数值,对其中一个输入序列长度大小的时间序列进行分割,并获得若干时间序列单元;
S142、根据划分的时间序列单元,计算相邻时间单元之间的相似度;
S143、将相似度的数值除以平均值,得出时间序列单元的方差;
S145、将线路负载充电模型中设定初始阈值与时间序列单元的方差进行比对,获得比对误差,并优化比对结果,调整初始阈值;
S146、根据对比误差更改线路负载充电模型中设定初始阈值,并获得智能线路负载充电模型。
6.根据权利要求5所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述相邻时间单元之间的相似度计算公式为:
Si=f(Xi,Xi+1)
式中,Si为时间序列Xi和Xi+1之间的相似度,f为快速动态规则算法;
其中,快速动态规则算法的公式为:
式中,f(x)为目标函数,X为可行域,x为可行域中的一个数值,minimize为最低限度,subject to为服从。
7.根据权利要求5所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述根据划分的时间序列单元,计算相邻时间单元之间的相似度包括以下步骤:
S1421、对时间序列单元进行区域划分;
S1422、采用硬注意力机制提取每个区中与神经网络部分输出最相似的原始时间序列数据,加入到Q序列中;
S1423、采用软注意力机制提取Q序列的周期特征;
S1423、对根据周期特征计算相邻时间单元之间的相似度。
其中,Q序列为经过筛选、挑选出来的与模型输出最相关的原始时间序列数据的集合。
8.根据权利要求7所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述硬注意力机制的计算公式为:
式中,t为时间,ht为t时间步循环和滑动循环层的隐藏层输出,kt-p为t-p时间步的原始时间序列数据,| |为范数。
9.根据权利要求1所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述根据未来电网负荷预测和未来充电需求预测,利用智能线路负载充电模型生成充电计划和功率调度策略包括以下步骤:
S41、收集未来电网负荷预测和未来充电需求预测数据;
S42、利用智能线路负载充电模型分析数据,得出未来充电需求和电网负荷的预测结果;
S43、根据预测结果,生成充电计划,并确定每个充电站的充电需求及充电时间;
S44、根据充电计划,生成功率调度策略,并调整每个充电站的供电功率。
10.根据权利要求1所述的一种基于电网负荷水平的智能线路负载充电方法,其特征在于,所述构建优化算法,对实时数据的进行监控和分析,并优化充电计算和功率调度策略包括以下步骤:
S51、实时采集电网负荷和充电需求数据,并进行数据预清洗;
S52、对实时数据进行监控和分析,以获取当前的负荷水平和充电需求;
S53、根据实时数据和历史数据,进行充电计算和功率调度策略的优化;
S54、生成充电计划和功率调度策略,并将其反馈到智能线路负载充电模型中进行执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310591793.8A CN116581750A (zh) | 2023-05-24 | 2023-05-24 | 一种基于电网负荷水平的智能线路负载充电方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310591793.8A CN116581750A (zh) | 2023-05-24 | 2023-05-24 | 一种基于电网负荷水平的智能线路负载充电方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116581750A true CN116581750A (zh) | 2023-08-11 |
Family
ID=87542901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310591793.8A Pending CN116581750A (zh) | 2023-05-24 | 2023-05-24 | 一种基于电网负荷水平的智能线路负载充电方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116581750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN117175666A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 一种分布式储能电源系统的负载调节方法及调节装置 |
CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
-
2023
- 2023-05-24 CN CN202310591793.8A patent/CN116581750A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN116914747B (zh) * | 2023-09-06 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
CN117175666A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 一种分布式储能电源系统的负载调节方法及调节装置 |
CN117175666B (zh) * | 2023-11-03 | 2024-01-26 | 深圳航天科创泛在电气有限公司 | 一种分布式储能电源系统的负载调节方法及调节装置 |
CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
CN117239740B (zh) * | 2023-11-14 | 2024-01-23 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
US10734811B2 (en) | System and method for optimal control of energy storage system | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN116683500A (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN117175694B (zh) | 一种基于新能源消纳的微电网优化调度方法及系统 | |
CN116070881B (zh) | 一种现代工业产区智能能耗调度方法及装置 | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN117410988B (zh) | 一种新能源充电站的充电控制方法及装置 | |
CN117150936B (zh) | 一种能源集线器收益优化方法及系统 | |
CN117498468B (zh) | 一种多区域虚拟电厂协同优化运行方法 | |
CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
CN117992758A (zh) | 分布式光伏虚拟数据采集及特性分析方法、系统及设备 | |
CN118014772A (zh) | 基于虚拟电厂的用户负荷调度方法、装置、设备及介质 | |
CN117595231A (zh) | 一种智能电网配网管理系统及其方法 | |
Remya et al. | A Comprehensive Review Of Load Demand Forecasting And Optimal Sizing In Stand Alone Hybrid Renewable Energy Systems | |
Hsu et al. | Short-term solar photovoltaic power forecasting using a multiple similar-day method based on weather type | |
CN117613993A (zh) | 一种公路微电网风光氢蓄储系统的日内优化调度方法 | |
CN117833319A (zh) | 基于物联网的电力调峰系统 | |
CN117543591A (zh) | 基于海量数据分析引导的电网负荷管理与分时充电系统 |
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 |