CN117040028B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117040028B
CN117040028B CN202311266382.8A CN202311266382A CN117040028B CN 117040028 B CN117040028 B CN 117040028B CN 202311266382 A CN202311266382 A CN 202311266382A CN 117040028 B CN117040028 B CN 117040028B
Authority
CN
China
Prior art keywords
charging
acquiring
user
time
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.)
Active
Application number
CN202311266382.8A
Other languages
English (en)
Other versions
CN117040028A (zh
Inventor
袁申
张金山
向亮
杜来茂
陈洪威
关惠珊
熊卫强
林炳枝
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.)
Tellhow Shenzhen Electric Technologies Co ltd
Original Assignee
Tellhow Shenzhen Electric Technologies 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 Tellhow Shenzhen Electric Technologies Co ltd filed Critical Tellhow Shenzhen Electric Technologies Co ltd
Priority to CN202311266382.8A priority Critical patent/CN117040028B/zh
Publication of CN117040028A publication Critical patent/CN117040028A/zh
Application granted granted Critical
Publication of CN117040028B publication Critical patent/CN117040028B/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了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，包括，获取目标工商业园区的历史光伏发电输出，筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型；通过出力预测指标及出力预测模型预测目标工商业园区的光伏出力数据；获取预设时间内目标工商业园区中用户的多源充电数据，分析用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；根据光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据最优解对当前时段的充电进行调度。本发明提高了光伏系统及储能系统的利用率，提升预测精度并优化运营成本，有效降低了微电网的系统综合运行成本保证光储充微电网运行更加合理稳定。

Description

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
技术领域
本发明涉及微电网技术领域，更具体的，涉及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。
背景技术
电动汽车对于推动节能减排具有巨大作用，但大规模电动汽车接入电网后，其充电负荷会给电网带来短时负荷冲击，影响电网安全运行。目前面向环保、便捷和安全等目标的“光伏+储能+充电站”一体化系统（简称光储充一体化系统）逐渐受到了人们的青睐，光储充一体化电站可利用光伏和储能来平衡电动汽车充电负荷，有效降低大规模电动汽车充电对电网资源的占用。
光储充一体化系统通常是由供配电系统、充电系统、监控系统、光伏系统和储能系统组成的微电网系统。对于光储充一体化系统要想准确地求解充电站的最佳光伏装机容量和储能装机容量，需要对区域内的电动汽车充电需求及其分布进行模拟与预测，但是每个电动汽车的充电时间、充电时长、日均行驶里程数和用户习惯等数据都是相互孤立的，并且存在一定的无序性与不确定性，所以想要建立准确度较高的电动汽车充电负荷预测模型难度较大。因此，如何准确预测充电负荷，对光储充一体化充电系统进行协同配置优化是需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了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。
本发明第一方面提供了一种工商业园区光储充微电网的控制策略优化方法，包括：
获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对光储充微电网当前时段的充电进行调度；
根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送。
本方案中，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据，具体为：
通过数据检索获取历史光伏发电输出提取历史光伏出力数据，将所述历史光伏出力数据进行数据清洗及数据标准化，获取目标工商业园区所在地的气象数据，分析影响因素；
计算预处理后的历史光伏出力数据与各影响因素的皮尔逊相关系数，根据所述皮尔逊相关系数对影响因素进行初筛，获取影响因素初筛集合；
利用大数据方法获取光伏出力分析实例，统计影响因素初筛集合中各影响因素在所述光伏出力分析实例中的使用次数，通过所述使用次数为各影响因素设置初始权重；
根据预设时间步长将历史光伏出力数据进行分段，将分段后的历史光伏出力数据及影响因素作为节点进行图表示，获取无向图，利用图神经网络对无向图进行学习表示；
构建邻接矩阵，结合初始权重通过邻居聚合获取光伏出力节点及影响因素节点的向量表示，计算节点向量表示的内积，根据内积排序获取预设数量的影响因素；
根据所述影响因素获取出力预测指标，根据所述出力预测指标获取当前输入数据，通过时间卷积网络构建光伏出力预测模型，获取预设时间步长各个时刻的光伏出力数据。
本方案中，获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，具体为：
根据目标工商业园区内的充电设备读取用户的充电开始时间、充电时长、充电功率、充电需求量，获取用户的多源充电数据，根据所述多源充电数据提取充电特征；
将所述充电特征结合电动汽车基础信息设置用户标签，根据所述用户标签进行用户聚类，通过聚类过程中的聚类误差构建损失函数，训练至损失函数收敛，输出聚类中心对应的用户类簇；
在用户类簇中将充电特征中利用主成分分析获取累计贡献度高的充电特征作为主成分方向，将用户类簇中不同充电特征在所述主成分方向上进行投影，获取充电特征散点分布图；
通过所述充电特征散点分布图获取用户充电行为，根据各充电特征散点分布图结合时序生成不同时序的热力图，获取用户充电低谷期及用户充电高峰期。
本方案中，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷，具体为：
基于LSTM-CNN构建充电负荷预测模型，获取当前时刻电动汽车充电数量，根据用户充电低谷期或用户充电高峰期赋予不同的权重信息，通过所述当前时刻电动汽车充电数量结合权重信息获取电动汽车预测充电数量；
获取当前时刻电动汽车的电池容量状态，根据所述电池容量状态计算充电需求量，并通过用户充电行为分析用户平均充电时长，根据所述平均充电时长更新充电需求量；
将当前时间步长内各时刻的电动汽车预测充电数据及充电需求量导入所述充电负荷预测模型，通过LSTM网络学习时间依赖性，获取时间维度的非线性特征；
将所述非线性特征导入CNN网络获取目标工商业园区内不同位置充电设备的空间特征，利用全连接层获取预设时间步长各时间戳的充电总负荷，叠加后获取充电总负荷。
本方案中，根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对当前时段的充电进行调度，具体为：
根据目标工商业园区光储充微电网的充电负荷峰谷差及运行成本获取优化需求信息，并设置优化目标，并根据优化目标结合优化需求信息设定约束条件；
根据优化目标构建目标函数，根据所述光伏出力数据及各个时刻充电总负荷对约束信息及相关参数进行设置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置光伏系统及储能系统的功率进行电动汽车的充电调度。
本方案中，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，具体为：
获取历史时间步长内用户在目标工商业园区中的历史到达时间及充电开始时间，根据所述历史到达时间及充电开始时间统计用户能够接受的最大等待时间，根据用户充电行为及最大等待时间获取用户的充电偏好；
获取目标工商业园区光储充微电网中当前电动汽车各时刻的充电总负荷，判断各时刻的充电总负荷是否形成负荷尖峰，获取负荷尖峰时间戳，并根据充电调度策略获取调度时间戳；
将所述负荷尖峰时间戳及调度时间戳进行汇总获取时间戳总数，选取时间戳总数小于预设阈值的时间段进行标记，根据标记时间段基于用户的期望充电时间进行再次筛选；
将再次筛选的标记时间段与用户的充电偏好进行相似度计算，根据相似度获取推荐充电时段。
本发明第二方面还提供了一种工商业园区光储充微电网的控制策略优化系统，该系统包括：存储器、处理器，所述存储器中包括工商业园区光储充微电网的控制策略优化方法程序，所述工商业园区光储充微电网的控制策略优化方法程序被所述处理器执行时实现如下步骤：
获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对光储充微电网当前时段的充电进行调度；
根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送。
本发明公开了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，包括，获取目标工商业园区的历史光伏发电输出，筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型；通过出力预测指标及出力预测模型预测目标工商业园区的光伏出力数据；获取预设时间内目标工商业园区中用户的多源充电数据，分析用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；根据光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据最优解对当前时段的充电进行调度。本发明提高了光伏系统及储能系统的利用率，提升预测精度并优化运营成本，有效降低了微电网的系统综合运行成本保证光储充微电网运行更加合理稳定，实现对电动汽车的合理充电分配，提升充电站的充电效率及充电安全性。根据用户充电行为生成推荐充电时段，为用户提供科学的充电决策，提高了用户的充电体验。
附图说明
图1示出了本发明一种工商业园区光储充微电网的控制策略优化方法的流程图；
图2示出了本发明构建充电负荷预测模型模拟充电总负荷的流程图；
图3示出了本发明生成用户推荐充电时段的流程图；
图4示出了本发明一种工商业园区光储充微电网的控制策略优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种工商业园区光储充微电网的控制策略优化方法的流程图。
如图1所示，本发明第一方面提供了一种工商业园区光储充微电网的控制策略优化方法，包括：
S102，获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
S104，获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
S106，根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对光储充微电网当前时段的充电进行调度；
S108，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送。
需要说明的是，在光伏数据空间中通过数据检索获取历史光伏发电输出提取历史光伏出力数据，将所述历史光伏出力数据进行数据清洗及数据标准化，数据清理涉及剔除异常值并补充缺失值。数据标准化将数据进行归一化处理，加快梯度下降的收敛速度，获取目标工商业园区所在地的气象数据，分析光伏出力的影响因素，包括环境温度、风速、湿度及水平散射辐射度等；计算预处理后的历史光伏出力数据与各影响因素的皮尔逊相关系数，根据所述皮尔逊相关系数对影响因素进行初筛，获取影响因素初筛集合。
利用大数据方法获取光伏出力分析实例，统计影响因素初筛集合中各影响因素在所述光伏出力分析实例中的使用次数，通过所述使用次数为各影响因素设置初始权重；根据预设时间步长将历史光伏出力数据进行分段，将分段后的历史光伏出力数据及影响因素作为节点进行图表示，获取无向图，利用图神经网络对无向图进行学习表示；构建邻接矩阵，结合初始权重通过邻居聚合获取光伏出力节点及影响因素节点的向量表示，计算节点向量表示的内积，根据内积排序获取预设数量的影响因素；根据所述影响因素获取出力预测指标，根据所述出力预测指标获取当前输入数据，通过时间卷积网络构建光伏出力预测模型，获取预设时间步长各个时刻的光伏出力数据。
图2示出了本发明构建充电负荷预测模型模拟充电总负荷的流程图。
根据本发明实施例，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷，具体为：
S202，基于LSTM-CNN构建充电负荷预测模型，获取当前时刻电动汽车充电数量，根据用户充电低谷期或用户充电高峰期赋予不同的权重信息，通过所述当前时刻电动汽车充电数量结合权重信息获取电动汽车预测充电数量；
S204，获取当前时刻电动汽车的电池容量状态，根据所述电池容量状态计算充电需求量，并通过用户充电行为分析用户平均充电时长，根据所述平均充电时长更新充电需求量；
S206，将当前时间步长内各时刻的电动汽车预测充电数据及充电需求量导入所述充电负荷预测模型，通过LSTM网络学习时间依赖性，获取时间维度的非线性特征；
S208，将所述非线性特征导入CNN网络获取目标工商业园区内不同位置充电设备的空间特征，利用全连接层获取预设时间步长各时间戳的充电总负荷，叠加后获取充电总负荷。
需要说明的是，根据目标工商业园区内的充电设备读取用户的充电开始时间、充电时长、充电功率、充电需求量，获取用户的多源充电数据，根据所述多源充电数据提取充电特征；将所述充电特征结合电动汽车基础信息设置用户标签，基础信息包括电池容量、充电功率等，根据所述用户标签进行用户聚类，通过聚类过程中的聚类误差构建损失函数，训练至损失函数收敛，输出聚类中心对应的用户类簇；在用户类簇中将充电特征中利用主成分分析获取累计贡献度高的充电特征作为主成分方向，将用户类簇中不同充电特征在所述主成分方向上进行投影，获取充电特征散点分布图；通过所述充电特征散点分布图获取用户充电行为，根据各充电特征散点分布图结合时序生成不同时序的热力图，获取用户充电低谷期及用户充电高峰期。
需要说明的是，根据目标工商业园区光储充微电网的充电负荷峰谷差及运行成本获取优化需求信息，并设置优化目标，所述优化目标可以为最小化运行成本或者最小化充电负荷峰谷差，其中运行成本包括光伏发电成本、设备退化成本及配电网电价，充电负荷峰谷差通过调度前后的负荷峰谷值获取；也可以考虑两项优化，设置最小化运行成本及最小化充电负荷峰谷差，并根据优化目标结合优化需求信息设定约束条件包括，功率平衡约束、电动汽车充能约束及储能系统约束等；根据优化目标构建目标函数，根据所述光伏出力数据及各个时刻充电总负荷对约束信息及相关参数进行设置；初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置光伏系统及储能系统的功率进行电动汽车的充电调度。
通常优先采用光伏系统对电动汽车进行供电；在电价低谷时段时，优先使用光伏系统对电动汽车进行供电，光伏系统出力大于充电负荷时，则对储能系统进行充能并且向配电网进行售电，否则，从配电网进行购电对电动汽车及储能系统进行供能；在电价高峰时，优先使用储能系统进行供电，储能系统容量小于预设阈值时，则从配电网进行购电对电动汽车进行供电；在电价平峰时，优先使用光伏系统对电动汽车进行供电，光伏系统出力大于充电负荷时，则对储能系统进行充能并且向配电网进行售电，否则，从配电网进行购电对电动汽车进行供能。
图3示出了本发明生成用户推荐充电时段的流程图。
根据本发明实施例，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，具体为：
S302，获取历史时间步长内用户在目标工商业园区中的历史到达时间及充电开始时间，根据所述历史到达时间及充电开始时间统计用户能够接受的最大等待时间，根据用户充电行为及最大等待时间获取用户的充电偏好；
S304，获取目标工商业园区光储充微电网中当前电动汽车各时刻的充电总负荷，判断各时刻的充电总负荷是否形成负荷尖峰，获取负荷尖峰时间戳，并根据充电调度策略获取调度时间戳；
S306，将所述负荷尖峰时间戳及调度时间戳进行汇总获取时间戳总数，选取时间戳总数小于预设阈值的时间段进行标记，根据标记时间段基于用户的期望充电时间进行再次筛选；
S308，将再次筛选的标记时间段与用户的充电偏好进行相似度计算，根据相似度获取推荐充电时段。
需要说明的是，在用户充电行为中提取历史充电时段，获取历史充电时段的电价分析充电电价偏好，在再次筛选的标记时间段过程中整合充电电价偏好进行筛选标记。
根据本发明实施例，根据光储充微电网的接入情况生成用户充电推荐，包括：
在目标地区中，获取具备光储充微电网工商业园区的位置信息，基于所述位置信息设备目标工商业园区的邻接园区，根据目标工商业园区光储充微电网的接入情况及充电负荷进行充电桩位置及充电时段推荐；
根据目标工商业园区及邻接园区构建城市级微电网，通过所述城市级微电网查询邻近园区光储充微电网的接入情况，并且通过同一网络系统进行结算；
当目标工商业园区中无空闲充电桩时，则通过城市级微电网查询当前符合用户充电偏好的空闲充电桩位置，根据所述空闲充电桩位置生成路线导航信息及路线对应时长；
获取目标工商业园区光储充微电网中充电桩的最低等待时间，判断路线对应时长是否小于最低等待时间，若小于，则通过城市级微电网进行充电桩预约。
图4示出了本发明一种工商业园区光储充微电网的控制策略优化系统的框图。
本发明第二方面还提供了一种工商业园区光储充微电网的控制策略优化系统4，该系统包括：存储器41、处理器42，所述存储器中包括工商业园区光储充微电网的控制策略优化方法程序，所述工商业园区光储充微电网的控制策略优化方法程序被所述处理器执行时实现如下步骤：
获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对光储充微电网当前时段的充电进行调度；
根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送。
需要说明的是，在光伏数据空间中通过数据检索获取历史光伏发电输出提取历史光伏出力数据，将所述历史光伏出力数据进行数据清洗及数据标准化，数据清理涉及剔除异常值并补充缺失值。数据标准化将数据进行归一化处理，加快梯度下降的收敛速度，获取目标工商业园区所在地的气象数据，分析光伏出力的影响因素，包括环境温度、风速、湿度及水平散射辐射度等；计算预处理后的历史光伏出力数据与各影响因素的皮尔逊相关系数，根据所述皮尔逊相关系数对影响因素进行初筛，获取影响因素初筛集合。
利用大数据方法获取光伏出力分析实例，统计影响因素初筛集合中各影响因素在所述光伏出力分析实例中的使用次数，通过所述使用次数为各影响因素设置初始权重；根据预设时间步长将历史光伏出力数据进行分段，将分段后的历史光伏出力数据及影响因素作为节点进行图表示，获取无向图，利用图神经网络对无向图进行学习表示；构建邻接矩阵，结合初始权重通过邻居聚合获取光伏出力节点及影响因素节点的向量表示，计算节点向量表示的内积，根据内积排序获取预设数量的影响因素；根据所述影响因素获取出力预测指标，根据所述出力预测指标获取当前输入数据，通过时间卷积网络构建光伏出力预测模型，获取预设时间步长各个时刻的光伏出力数据。
根据本发明实施例，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷，具体为：
基于LSTM-CNN构建充电负荷预测模型，获取当前时刻电动汽车充电数量，根据用户充电低谷期或用户充电高峰期赋予不同的权重信息，通过所述当前时刻电动汽车充电数量结合权重信息获取电动汽车预测充电数量；
获取当前时刻电动汽车的电池容量状态，根据所述电池容量状态计算充电需求量，并通过用户充电行为分析用户平均充电时长，根据所述平均充电时长更新充电需求量；
将当前时间步长内各时刻的电动汽车预测充电数据及充电需求量导入所述充电负荷预测模型，通过LSTM网络学习时间依赖性，获取时间维度的非线性特征；
将所述非线性特征导入CNN网络获取目标工商业园区内不同位置充电设备的空间特征，利用全连接层获取预设时间步长各时间戳的充电总负荷，叠加后获取充电总负荷。
需要说明的是，根据目标工商业园区内的充电设备读取用户的充电开始时间、充电时长、充电功率、充电需求量，获取用户的多源充电数据，根据所述多源充电数据提取充电特征；将所述充电特征结合电动汽车基础信息设置用户标签，基础信息包括电池容量、充电功率等，根据所述用户标签进行用户聚类，通过聚类过程中的聚类误差构建损失函数，训练至损失函数收敛，输出聚类中心对应的用户类簇；在用户类簇中将充电特征中利用主成分分析获取累计贡献度高的充电特征作为主成分方向，将用户类簇中不同充电特征在所述主成分方向上进行投影，获取充电特征散点分布图；通过所述充电特征散点分布图获取用户充电行为，根据各充电特征散点分布图结合时序生成不同时序的热力图，获取用户充电低谷期及用户充电高峰期。
需要说明的是，根据目标工商业园区光储充微电网的充电负荷峰谷差及运行成本获取优化需求信息，并设置优化目标，所述优化目标可以为最小化运行成本或者最小化充电负荷峰谷差，其中运行成本包括光伏发电成本、设备退化成本及配电网电价，充电负荷峰谷差通过调度前后的负荷峰谷值获取；也可以考虑两项优化，设置最小化运行成本及最小化充电负荷峰谷差，并根据优化目标结合优化需求信息设定约束条件包括，功率平衡约束、电动汽车充能约束及储能系统约束等；根据优化目标构建目标函数，根据所述光伏出力数据及各个时刻充电总负荷对约束信息及相关参数进行设置；初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置光伏系统及储能系统的功率进行电动汽车的充电调度。
根据本发明实施例，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，具体为：
获取历史时间步长内用户在目标工商业园区中的历史到达时间及充电开始时间，根据所述历史到达时间及充电开始时间统计用户能够接受的最大等待时间，根据用户充电行为及最大等待时间获取用户的充电偏好；
获取目标工商业园区光储充微电网中当前电动汽车各时刻的充电总负荷，判断各时刻的充电总负荷是否形成负荷尖峰，获取负荷尖峰时间戳，并根据充电调度策略获取调度时间戳；
将所述负荷尖峰时间戳及调度时间戳进行汇总获取时间戳总数，选取时间戳总数小于预设阈值的时间段进行标记，根据标记时间段基于用户的期望充电时间进行再次筛选；
将再次筛选的标记时间段与用户的充电偏好进行相似度计算，根据相似度获取推荐充电时段。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括工商业园区光储充微电网的控制策略优化方法程序，所述工商业园区光储充微电网的控制策略优化方法程序被处理器执行时，实现如上述任一项所述的工商业园区光储充微电网的控制策略优化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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中，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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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以所述权利要求的保护范围为准。

Claims (8)

1.一种工商业园区光储充微电网的控制策略优化方法，其特征在于，包括以下步骤：
获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对光储充微电网当前时段的充电进行调度；
根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送；
根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷，具体为：
基于LSTM-CNN构建充电负荷预测模型，获取当前时刻电动汽车充电数量，根据用户充电低谷期或用户充电高峰期赋予不同的权重信息，通过所述当前时刻电动汽车充电数量结合权重信息获取电动汽车预测充电数量；
获取当前时刻电动汽车的电池容量状态，根据所述电池容量状态计算充电需求量，并通过用户充电行为分析用户平均充电时长，根据所述平均充电时长更新充电需求量；
将当前时间步长内各时刻的电动汽车预测充电数据及充电需求量导入所述充电负荷预测模型，通过LSTM网络学习时间依赖性，获取时间维度的非线性特征；
将所述非线性特征导入CNN网络获取目标工商业园区内不同位置充电设备的空间特征，利用全连接层获取预设时间步长各时间戳的充电总负荷，叠加后获取充电总负荷。
2.根据权利要求1所述的一种工商业园区光储充微电网的控制策略优化方法，其特征在于，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据，具体为：
通过数据检索获取历史光伏发电输出提取历史光伏出力数据，将所述历史光伏出力数据进行数据清洗及数据标准化，获取目标工商业园区所在地的气象数据，分析影响因素；
计算预处理后的历史光伏出力数据与各影响因素的皮尔逊相关系数，根据所述皮尔逊相关系数对影响因素进行初筛，获取影响因素初筛集合；
利用大数据方法获取光伏出力分析实例，统计影响因素初筛集合中各影响因素在所述光伏出力分析实例中的使用次数，通过所述使用次数为各影响因素设置初始权重；
根据预设时间步长将历史光伏出力数据进行分段，将分段后的历史光伏出力数据及影响因素作为节点进行图表示，获取无向图，利用图神经网络对无向图进行学习表示；
构建邻接矩阵，结合初始权重通过邻居聚合获取光伏出力节点及影响因素节点的向量表示，计算节点向量表示的内积，根据内积排序获取预设数量的影响因素；
根据所述影响因素获取出力预测指标，根据所述出力预测指标获取当前输入数据，通过时间卷积网络构建光伏出力预测模型，获取预设时间步长各个时刻的光伏出力数据。
3.根据权利要求1所述的一种工商业园区光储充微电网的控制策略优化方法，其特征在于，获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，具体为：
根据目标工商业园区内的充电设备读取用户的充电开始时间、充电时长、充电功率、充电需求量，获取用户的多源充电数据，根据所述多源充电数据提取充电特征；
将所述充电特征结合电动汽车基础信息设置用户标签，根据所述用户标签进行用户聚类，通过聚类过程中的聚类误差构建损失函数，训练至损失函数收敛，输出聚类中心对应的用户类簇；
在用户类簇中将充电特征中利用主成分分析获取累计贡献度高的充电特征作为主成分方向，将用户类簇中不同充电特征在所述主成分方向上进行投影，获取充电特征散点分布图；
通过所述充电特征散点分布图获取用户充电行为，根据各充电特征散点分布图结合时序生成不同时序的热力图，获取用户充电低谷期及用户充电高峰期。
4.根据权利要求1所述的一种工商业园区光储充微电网的控制策略优化方法，其特征在于，根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对当前时段的充电进行调度，具体为：
根据目标工商业园区光储充微电网的充电负荷峰谷差及运行成本获取优化需求信息，并设置优化目标，并根据优化目标结合优化需求信息设定约束条件；
根据优化目标构建目标函数，根据所述光伏出力数据及各个时刻充电总负荷对约束信息及相关参数进行设置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置光伏系统及储能系统的功率进行电动汽车的充电调度。
5.根据权利要求1所述的一种工商业园区光储充微电网的控制策略优化方法，其特征在于，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，具体为：
获取历史时间步长内用户在目标工商业园区中的历史到达时间及充电开始时间，根据所述历史到达时间及充电开始时间统计用户能够接受的最大等待时间，根据用户充电行为及最大等待时间获取用户的充电偏好；
获取目标工商业园区光储充微电网中当前电动汽车各时刻的充电总负荷，判断各时刻的充电总负荷是否形成负荷尖峰，获取负荷尖峰时间戳，并根据充电调度策略获取调度时间戳；
将所述负荷尖峰时间戳及调度时间戳进行汇总获取时间戳总数，选取时间戳总数小于预设阈值的时间段进行标记，根据所述标记时间段基于用户的期望充电时间进行再次筛选；
将再次筛选的标记时间段与用户的充电偏好进行相似度计算，根据相似度获取推荐充电时段。
6.一种工商业园区光储充微电网的控制策略优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括工商业园区光储充微电网的控制策略优化方法程序，所述工商业园区光储充微电网的控制策略优化方法程序被所述处理器执行时实现如下步骤：
获取目标工商业园区的历史光伏发电输出，根据所述历史光伏发电输出筛选光伏发电出力的影响因素确定出力预测指标，构建光伏出力预测模型，预测目标工商业园区的光伏出力数据；
获取预设时间内目标工商业园区中用户的多源充电数据，根据所述多源充电数据分析用户充电行为，根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷；
根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对当前时段的充电进行调度；
根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，将所述推荐充电时段按照预设方式进行发送；
根据所述用户充电行为构建充电负荷预测模型，模拟各个时刻充电总负荷，具体为：
基于LSTM-CNN构建充电负荷预测模型，获取当前时刻电动汽车充电数量，根据用户充电低谷期或用户充电高峰期赋予不同的权重信息，通过所述当前时刻电动汽车充电数量结合权重信息获取电动汽车预测充电数量；
获取当前时刻电动汽车的电池容量状态，根据所述电池容量状态计算充电需求量，并通过用户充电行为分析用户平均充电时长，根据所述平均充电时长更新充电需求量；
将当前时间步长内各时刻的电动汽车预测充电数据及充电需求量导入所述充电负荷预测模型，通过LSTM网络学习时间依赖性，获取时间维度的非线性特征；
将所述非线性特征导入CNN网络获取目标工商业园区内不同位置充电设备的空间特征，利用全连接层获取预设时间步长各时间戳的充电总负荷，叠加后获取充电总负荷。
7.根据权利要求6所述的一种工商业园区光储充微电网的控制策略优化系统，其特征在于，根据所述光伏出力数据及各个时刻充电总负荷基于粒子群算法获取最优解，根据所述最优解对当前时段的充电进行调度，具体为：
根据目标工商业园区光储充微电网的充电负荷峰谷差及运行成本获取优化需求信息，并设置优化目标，并根据优化目标结合优化需求信息设定约束条件；
根据优化目标构建目标函数，根据所述光伏出力数据及各个时刻充电总负荷对约束信息及相关参数进行设置；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置光伏系统及储能系统的功率进行电动汽车的充电调度。
8.根据权利要求6所述的一种工商业园区光储充微电网的控制策略优化系统，其特征在于，根据目标工商业园区的充电调度策略及用户充电行为生成推荐充电时段，具体为：
获取历史时间步长内用户在目标工商业园区中的历史到达时间及充电开始时间，根据所述历史到达时间及充电开始时间统计用户能够接受的最大等待时间，根据用户充电行为及最大等待时间获取用户的充电偏好；
获取目标工商业园区光储充微电网中当前电动汽车各时刻的充电总负荷，判断各时刻的充电总负荷是否形成负荷尖峰，获取负荷尖峰时间戳，并根据充电调度策略获取调度时间戳；
将所述负荷尖峰时间戳及调度时间戳进行汇总获取时间戳总数，选取时间戳总数小于预设阈值的时间段进行标记，根据所述标记时间段基于用户的期望充电时间进行再次筛选；
将再次筛选的标记时间段与用户的充电偏好进行相似度计算，根据相似度获取推荐充电时段。
CN202311266382.8A 2023-09-28 2023-09-28 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 Active CN117040028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311266382.8A CN117040028B (zh) 2023-09-28 2023-09-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311266382.8A CN117040028B (zh) 2023-09-28 2023-09-28 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

Publications (2)

Publication Number Publication Date
CN117040028A CN117040028A (zh) 2023-11-10
CN117040028B true CN117040028B (zh) 2024-01-09

Family

ID=88639867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311266382.8A Active CN117040028B (zh) 2023-09-28 2023-09-28 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

Country Status (1)

Country Link
CN (1) CN117040028B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117613919B (zh) * 2023-11-24 2024-05-24 浙江大学 一种工商业园区用电峰谷差智能控制方法
CN117713238B (zh) * 2023-12-14 2024-05-07 国网青海省电力公司清洁能源发展研究院 光伏发电和储能微电网结合的随机优化运行策略
CN117575370B (zh) * 2024-01-16 2024-04-12 浙江省发展规划研究院 基于园区物质流的项目推荐方法和装置
CN117638927A (zh) * 2024-01-26 2024-03-01 中建科技集团有限公司 电网互动微网系统柔性运行控制方法、系统和存储介质
CN117725841B (zh) * 2024-02-04 2024-04-30 宝鸡核力材料科技有限公司 一种用于提升tc4卷带成材率的方法及系统
CN117879118B (zh) * 2024-03-11 2024-05-14 珠海汇众能源科技有限公司 一种自适应光储充系统的运行策略方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710013A (zh) * 2012-05-23 2012-10-03 中国电力科学研究院 基于微电网的园区能源网能量优化管理系统及其实现方法
CN106022597A (zh) * 2016-05-17 2016-10-12 西南交通大学 含光伏智能小区电动汽车与可控负荷两阶段优化调度方法
CN109217290A (zh) * 2018-08-28 2019-01-15 南京理工大学 计及电动汽车充放电的微网能量优化管理方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110445159A (zh) * 2019-08-08 2019-11-12 国网天津市电力公司 提高大规模光伏消纳的电动汽车有序充电控制方法
CN110533225A (zh) * 2019-08-07 2019-12-03 华北电力大学 一种基于机会约束规划的商业园区综合能源系统优化调度方法
CN112200373A (zh) * 2020-10-15 2021-01-08 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN112865190A (zh) * 2020-12-31 2021-05-28 中国电力科学研究院有限公司 计及光伏和充电需求的光储充电站优化调度方法和系统
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 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
CN114498632A (zh) * 2022-01-27 2022-05-13 国网江苏省电力有限公司泰州供电分公司 基于新能源和充电设施的配电台区负荷预测方法及装置
CN114825463A (zh) * 2022-04-15 2022-07-29 广东电网有限责任公司 微电网日前优化调度方法
CN116061742A (zh) * 2022-10-25 2023-05-05 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN116388174A (zh) * 2023-04-12 2023-07-04 南京工程学院 一种适应层次化调度的分布式光伏集群短期出力预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710013A (zh) * 2012-05-23 2012-10-03 中国电力科学研究院 基于微电网的园区能源网能量优化管理系统及其实现方法
CN106022597A (zh) * 2016-05-17 2016-10-12 西南交通大学 含光伏智能小区电动汽车与可控负荷两阶段优化调度方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN109217290A (zh) * 2018-08-28 2019-01-15 南京理工大学 计及电动汽车充放电的微网能量优化管理方法
CN110533225A (zh) * 2019-08-07 2019-12-03 华北电力大学 一种基于机会约束规划的商业园区综合能源系统优化调度方法
CN110445159A (zh) * 2019-08-08 2019-11-12 国网天津市电力公司 提高大规模光伏消纳的电动汽车有序充电控制方法
CN112200373A (zh) * 2020-10-15 2021-01-08 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN112865190A (zh) * 2020-12-31 2021-05-28 中国电力科学研究院有限公司 计及光伏和充电需求的光储充电站优化调度方法和系统
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 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
CN114498632A (zh) * 2022-01-27 2022-05-13 国网江苏省电力有限公司泰州供电分公司 基于新能源和充电设施的配电台区负荷预测方法及装置
CN114825463A (zh) * 2022-04-15 2022-07-29 广东电网有限责任公司 微电网日前优化调度方法
CN116061742A (zh) * 2022-10-25 2023-05-05 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN116388174A (zh) * 2023-04-12 2023-07-04 南京工程学院 一种适应层次化调度的分布式光伏集群短期出力预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分时电价背景下光伏出力园区电动汽车的有序充电策略;黄柏强等;《综合能源系统耦合建模及分析技术专题》(第9期);第58-65页 *

Also Published As

Publication number Publication date
CN117040028A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN117040028B (zh) 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
Majidpour et al. Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications
Soares et al. Scenario generation for electric vehicles' uncertain behavior in a smart city environment
Panahi et al. Forecasting plug-in electric vehicles load profile using artificial neural networks
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN109800917A (zh) 一种电动汽车停车场的规划方法、装置和计算设备
CN116722571B (zh) 一种基于数字孪生的储能管理方法、系统及介质
CN115730790A (zh) 基于边缘计算的充电配置方法、装置、设备及存储介质
CN115954910B (zh) 一种基于能量优化的分布式储能控制方法及系统
CN112329997A (zh) 电力需求负荷预测方法及系统、电子设备和存储介质
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN112953007A (zh) 配电网调度方法、装置及系统、处理器、电子设备
CN115081743A (zh) 充电站系统配置方法、装置、设备及计算机可读存储介质
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
CN114924203A (zh) 一种电池soh预测分析方法及电动汽车
Shi et al. Load Forecasting of Electric Vehicle Charging Stations: Attention Based Spatiotemporal Multi-Graph Convolutional Networks
CN117094535A (zh) 基于人工智能的能源补给管理方法及系统
CN116142014A (zh) 一种电动汽车智能充电方法、装置、设备及介质
CN110929950A (zh) 一种电动汽车负荷预测方法及系统
CN114239388A (zh) 一种融合测试与车联网的电池剩余寿命预测方法及系统
Moaidi et al. Demand response application of battery swap station using a stochastic model
Li et al. Spatiotemporal charging demand models for electric vehicles considering user strategies
CN117172516B (zh) 充电桩动态调度决策方法、装置、设备及存储介质
CN118152862A (zh) 基于物联网的充换电柜智能管理方法、系统及介质
CN116542498B (zh) 基于深度强化学习的电池调度方法、系统、装置及介质

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