CN117353359B - 电池联合储能供电方法及系统 - Google Patents
电池联合储能供电方法及系统 Download PDFInfo
- Publication number
- CN117353359B CN117353359B CN202311650415.9A CN202311650415A CN117353359B CN 117353359 B CN117353359 B CN 117353359B CN 202311650415 A CN202311650415 A CN 202311650415A CN 117353359 B CN117353359 B CN 117353359B
- Authority
- CN
- China
- Prior art keywords
- target
- energy storage
- electricity consumption
- storage unit
- determining
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 101
- 238000007599 discharging Methods 0.000 claims abstract description 26
- 210000000349 chromosome Anatomy 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 36
- 238000009396 hybridization Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 11
- 238000007726 management method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H02J3/28—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
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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
- H02J7/0063—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with circuits adapted for supplying loads from the battery
-
- 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
- H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种电池联合储能供电方法及系统,涉及电网技术领域,包括获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;确定所述用电高峰区域的聚类中心,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值;基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
Description
技术领域
本发明涉及电网技术,尤其涉及一种电池联合储能供电方法及系统。
背景技术
现代社会对电力能源的依赖性日益增强,用电需求的迅猛增长,供电质量要求越来越高,特别是对于一级负荷中特别重要的负荷,一旦中断供电,将会造成重大的政治影响或经济损失;具体地,在电力施工、电力设备改造以及野外作业时通常需要对支路用电负荷或施工设备进行临时性供电。
作为电网应急供电设备的主要力量,储能系统的工作环境无外接电,现有技术中,储能系统内部的储能电池在给外部负荷供电的同时还要给其内部负载供电,在一定程度上减少了储能系统对负荷的供电时间。
发明内容
本发明实施例提供一种电池联合储能供电方法及系统,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种电池联合储能供电方法,包括:
获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,其中,所述负荷需求预测模型基于多个模型组合而成;
基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
在一种可选的实施方式中,
获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域,包括:
随机选择任一历史用电量信息作为染色体,并且重复选择多次,将由多条染色体组成的种群作为初始种群;
对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值;
将每次空间聚类所确定的染色体的适应度值最高的染色体进行保留,将剩余染色体根据其对应的适应度值进行轮盘赌选择操作,将选中的染色体进行杂交和变异操作,得到下一代种群;
将所述下一代种群中适应度值高于预设适应度阈值的染色体对应的空间网格作为用电高峰区域。
在一种可选的实施方式中,
结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值,包括:
;
其中,F(x)表示染色体x对应的适应度值,W H、W D、W E分别表示历史用电量信息对应的用电权重值、网格距离对应的距离权重值以及能量密度对应的能量权重值,H i表示第i个历史用电量信息,N表示历史用电量信息的数量,f(r)表示网格距离对适应度值的影响函数,为线性函数,D x表示染色体x对应的网格对其他网格之间的网格距离,E x表示染色体x对应的网格的网格密度。
在一种可选的实施方式中,
将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,包括:
所述负荷需求预测模型包括第一预测子模型和第二预测子模型,所述第一预测子模型基于图卷积神经网络构建,所述第二预测子模型基于双向长短期记忆网路构建;
通过所述第一预测子模型将所述时间序列作为第一图节点,不同时间序列对应的邻接矩阵的关联性作为第一连接边,根据所述第一图节点和所述第一连接边构建与所述时间序列对应的时间序列图;
通过所述第一预测子模型将所述用电行为特征作为第二图节点,不同用电行为特征的相似性作为第二连接边,根据所述第二图节点和所述第二连接边构建与用电行为特征对应的行为特征图;
基于所述时间序列图和所述行为特征图,结合所述第一预测子模型中网络层的隐藏特征以及激活函数,确定所述第一预测子模型的第一输出结果;
将所述第一输出结果输入所述第二预测子模型,通过所述第二预测子模型的遗忘门、更新门以及输出门,确定所述聚类中心对应的负荷需求预测值。
在一种可选的实施方式中,
所述方法还包括训练所述第二预测子模型:
基于预先获取的训练数据集,输入所述第二预测子模型的正向单元,确定所述第二预测子模型中遗忘门对应的第一遗忘特征和所述第二预测子模型中更新门对应的第一更新特征;
根据所述第一遗忘特征和所述第一更新特征更新所述训练数据集对应的正向隐藏特征,初始化所述第二预测子模型的反向单元,从最后一个时间步开始,依次向前处理,对所述正向隐藏特征进行反向处理,确定反向隐藏特征;
基于反向传播算法以及梯度下降优化算法,并引入学习因子,连续调整所述第二预测子模型的模型参数,直至所述第二预测子模型收敛或者所述第二预测子模型的输出结果符合预设条件。
在一种可选的实施方式中,
基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略包括:
基于所述第一目标构建第一目标函数并确定第一目标值,以及基于所述第二目标构建第二目标函数并确定第二目标值;根据所述第一目标值和所述第二目标值构建初始化种群;
确定所述初始化种群中每个个体的适应度值,并根据所述适应度值动态设置每个个体对应的交叉率和变异率,对所述初始化种群中每个个体进行交叉和变异操作,生成杂交种群,将所述杂交种群中适应度值最高的个体作为最优个体;
在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整,将进行多轮迭代更新后的最优个体的位置作为所述目标储能单元的充放电策略。
在一种可选的实施方式中,
在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整包括:
;
其中,表示t时刻的全局最优位置,pos(t)、pos(t+1)分别表示t时刻的所述最优个体的位置,以及t+1时刻的所述最优个体的位置,D表示所述最优个体的当前位置与预设的全局最优位置的空间距离,a表示所述贪心因子。
本发明实施例的第二方面,
提供一种电池联合储能供电系统,包括:
第一单元,用于获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
第二单元,用于确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,其中,所述负荷需求预测模型基于多个模型组合而成;
第三单元,用于基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明通过聚类分析确定用电高峰区域,可以更有效地在这些区域部署储能单元,以应对电力需求高峰,提高电网的负载管理能力和响应速度;通过精确的网格划分和空间聚类,电网运营商能够识别出用电模式,合理调配资源,减少能源浪费,从而提升整个电力系统的能源效率;在用电高峰区域部署的储能单元可以在需求低时存储电能,在需求高时释放电能,帮助平衡电网的负荷,减少需建设新的发电设施;适应度值较高的染色体对应的网格标记为用电高峰区域,有助于电网规划者优化电网设计,增加电网对高负载的容忍度,提升电网整体的可靠性;通过保留适应度高的染色体,并不断进行轮盘赌选择、杂交和变异操作,系统能动态适应用电模式的变化,进化出更加优化的电网管理策略;确定用电高峰区域后,通过精确调度储能单元的充放电行为,可以降低因电能不足或过剩所造成的经济损失,降低运营成本。
附图说明
图1为本发明实施例电池联合储能供电方法的流程示意图;
图2为本发明实施例电池联合储能供电系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例电池联合储能供电方法的流程示意图,如图1所示,所述方法包括:
S101. 获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
示例性地,本申请的目标储能单元可以是一个由多种不同类型的电池组成的存储能量的单元。这些电池可以包括锂离子电池、铅酸电池、镍镉电池等,每种电池具有不同的充放电特性和成本效益。历史用电量信息:这指的是目标区域过去一段时间内的电力消耗记录,这些数据可以通过智能电表或电网运营商获得,用于分析和预测电力需求模式。网格划分:这是指将目标区域分割成多个小区域或“网格”,以便更精确地分析和管理电力需求。每个网格可以代表一个街区、一个住宅小区或其他特定的地理单元。空间聚类:这是一种数据分析技术,用于识别在空间分布上具有相似特征的区域。
在一种可选的实施方式中,
获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域,包括:
随机选择任一历史用电量信息作为染色体,并且重复选择多次,将由多条染色体组成的种群作为初始种群;
对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值;
将每次空间聚类所确定的染色体的适应度值最高的染色体进行保留,将剩余染色体根据其对应的适应度值进行轮盘赌选择操作,将选中的染色体进行杂交和变异操作,得到下一代种群;
将所述下一代种群中适应度值高于预设适应度阈值的染色体对应的空间网格作为用电高峰区域。
示例性地,获取目标区域内不同网格的历史用电量数据,将每个网格的历史用电量信息定义为一个染色体,随机选择多条染色体,形成初始种群。将目标区域按照一定的标准划分为多个网格,将每个网格的历史用电量信息与对应的染色体关联。
可选地,确定需要进行电力管理的地理区域,基于地理、人口密度、用电特性等因素,制定网格划分的标准;将目标区域划分为若干个网格,每个网格作为一个独立的单元进行分析。获取每个网格的历史用电量数据,处理缺失值、异常值等,确保数据质量,将用电量数据标准化,使其适用于后续分析。将每个网格的历史用电量信息编码为一个染色体。例如,可以用一系列数字表示不同时间段的用电量;选择合适的编码方式(如二进制编码、实数编码等),将用电量数据转换为染色体。制定随机选择染色体的策略,如随机抽样方法,根据随机选择策略,从所有染色体中随机抽取一定数量的染色体,形成初始种群;确立每个网格与其对应染色体的映射关系;在系统中记录每个网格的地理位置、大小以及与其关联的染色体信息。
在一种可选的实施方式中,
结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值,包括:
;
其中,F(x)表示染色体x对应的适应度值,W H、W D、W E分别表示历史用电量信息对应的用电权重值、网格距离对应的距离权重值以及能量密度对应的能量权重值,H i表示第i个历史用电量信息,N表示历史用电量信息的数量,f(r)表示网格距离对适应度值的影响函数,为线性函数,D x表示染色体x对应的网格对其他网格之间的网格距离,E x表示染色体x对应的网格的网格密度。
示例性地,适应度函数结合了历史用电量、网格距离和能量密度三个不同的权重值,这使得算法能够在计算适应度时,考虑到这些不同的特性,从而实现一个综合的评价。通过权重和历史用电量信息的总和,能够考虑每个网格过去的用电记录,这可能有助于预测未来的用电模式和需求。网格间的距离会线性地影响它们的适应度值,反映了网格间相互作用对电网性能的影响。较高的能量密度可能意味着该区域电力消耗较大,或者可能是一个重要的能源供应点。
该公式作为空间聚类的一部分,可以帮助电力系统管理者识别电网中的关键区域,优化储能单元的布局,提高电网的运行效率,并为未来的负载管理提供数据支持。通过合理设置权重值,可以根据实际需要强调或降低某些因素的影响,从而实现更为精细的电网管理和规划。
示例性地,对每个网格的历史用电量信息进行空间聚类,使用提供的适应度函数计算每个网格(染色体)的适应度值。保留适应度值最高的染色体,这些代表了最佳的电网性能。根据空间聚类结果,形成初始的染色体种群,对种群中的每个染色体使用适应度函数评估其适应度值。
根据适应度值的比例进行选择,适应度高的染色体被选中的概率更大;确保适应度值最高的染色体直接保留到下一代。杂交操作:配对:按照选择的结果配对染色体。交叉:在配对的染色体中进行交叉操作,创建新的染色体(后代)。交叉点选择:随机或根据某种策略选择交叉点。变异操作:随机变异:以一定的小概率随机改变染色体中的一部分,增加遗传多样性。变异策略:确定何时以及如何进行变异操作。将通过杂交和变异得到的后代组成新的种群,对新种群的每个染色体再次进行适应度评估。确定是否达到了迭代次数、时间限制或适应度阈值,如果满足终止条件,则停止迭代。将所述下一代种群中适应度值高于预设适应度阈值的染色体对应的空间网格作为用电高峰区域。
本发明通过聚类分析确定用电高峰区域,可以更有效地在这些区域部署储能单元,以应对电力需求高峰,提高电网的负载管理能力和响应速度;通过精确的网格划分和空间聚类,电网运营商能够识别出用电模式,合理调配资源,减少能源浪费,从而提升整个电力系统的能源效率;在用电高峰区域部署的储能单元可以在需求低时存储电能,在需求高时释放电能,帮助平衡电网的负荷,减少需建设新的发电设施;适应度值较高的染色体对应的网格标记为用电高峰区域,有助于电网规划者优化电网设计,增加电网对高负载的容忍度,提升电网整体的可靠性;通过保留适应度高的染色体,并不断进行轮盘赌选择、杂交和变异操作,系统能动态适应用电模式的变化,进化出更加优化的电网管理策略;确定用电高峰区域后,通过精确调度储能单元的充放电行为,可以降低因电能不足或过剩所造成的经济损失,降低运营成本。
S102. 确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值;
在一种可选的实施方式中,
将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,包括:
所述负荷需求预测模型包括第一预测子模型和第二预测子模型,所述第一预测子模型基于图卷积神经网络构建,所述第二预测子模型基于双向长短期记忆网路构建;
通过所述第一预测子模型将所述时间序列作为第一图节点,不同时间序列对应的邻接矩阵的关联性作为第一连接边,根据所述第一图节点和所述第一连接边构建与所述时间序列对应的时间序列图;
通过所述第一预测子模型将所述用电行为特征作为第二图节点,不同用电行为特征的相似性作为第二连接边,根据所述第二图节点和所述第二连接边构建与用电行为特征对应的行为特征图;
基于所述时间序列图和所述行为特征图,结合所述第一预测子模型中网络层的隐藏特征以及激活函数,确定所述第一预测子模型的第一输出结果;
将所述第一输出结果输入所述第二预测子模型,通过所述第二预测子模型的遗忘门、更新门以及输出门,确定所述聚类中心对应的负荷需求预测值。
示例性地,首先,将历史用电量信息转换为时间序列数据,每个聚类中心对应一个时间序列。准备用电行为特征数据,并计算不同用电行为特征之间的相似性;创建一个图,其中每个节点表示一个时间序列。使用邻接矩阵表示时间序列之间的关联性,可以根据时间序列数据之间的相似性来构建邻接矩阵。使用图卷积神经网络(GCN)或其他图神经网络模型,将时间序列数据作为第一图节点,邻接矩阵作为第一连接边,构建时间序列图。
创建另一个图,其中每个节点表示一个用电行为特征。使用相似性度量计算不同用电行为特征之间的相似性,将相似性作为连接边的权重。将用电行为特征数据作为第二图节点,相似性作为第二连接边,构建行为特征图。
使用图卷积神经网络(GCN)或其他适合图数据的模型,结合时间序列图和行为特征图。在模型中的隐藏层中利用激活函数,整合时间序列信息和用电行为特征,生成第一预测子模型的第一输出结果。
可选地,将时间序列图和行为特征图与第一预测子模型的隐藏特征进行整合。这可以通过图卷积神经网络(GCN)或其他图神经网络的方式来实现;使用一个图卷积层(或多个GCN层),将时间序列图和行为特征图与第一预测子模型的隐藏特征整合在一起。图卷积层的输出表示了时间序列图和行为特征图中的信息与隐藏特征的关联性;在图卷积层之后,应用适当的激活函数来引入非线性关系。常见的激活函数包括ReLU、Sigmoid、Tanh等。激活函数的作用是将整合后的特征映射到一个非线性空间,以提高模型的表达能力。根据任务的需要,可以考虑对特征进行池化或聚合操作,以减少特征维度或提取关键信息。常见的池化方法包括平均池化和最大池化。在最后一层之后,添加一个输出层,以生成第一预测子模型的第一输出结果。输出层的结构和激活函数将取决具体的任务。例如,如果是回归任务,可以使用线性输出层;如果是分类任务,可以使用softmax函数。
将第一预测子模型的第一输出结果作为输入数据,使用双向长短期记忆网络(Bi-LSTM)或其他适合时间序列预测的模型。利用遗忘门、更新门和输出门等机制,对第一输出结果进行进一步处理,以获得聚类中心对应的负荷需求预测值。
本发明通过利用图卷积神经网络捕获时间序列的空间依赖性,以及双向长短期记忆网络捕捉时间序列的时间依赖性,可以大大提高负荷需求预测的准确性。将历史用电量信息转化为时间序列图,并结合用电行为特征的行为特征图,能够从多个维度分析数据,更全面地理解和预测负荷需求;第一预测子模型和第二预测子模型的结合能够识别和利用电力负荷数据中的复杂模式,包括周期性、趋势性以及随机性;模型能够动态地响应电力系统的实时变化,提供实时的负荷预测值,帮助电力系统运营商做出快速的调整;准确的负荷预测可以帮助电网更有效地分配能源资源,尤其是在可再生能源日益增加的情况下,确保供电稳定性和效率。
在一种可选的实施方式中,
所述方法还包括训练所述第二预测子模型:
基于预先获取的训练数据集,输入所述第二预测子模型的正向单元,确定所述第二预测子模型中遗忘门对应的第一遗忘特征和所述第二预测子模型中更新门对应的第一更新特征;
根据所述第一遗忘特征和所述第一更新特征更新所述训练数据集对应的正向隐藏特征,初始化所述第二预测子模型的反向单元,从最后一个时间步开始,依次向前处理,对所述正向隐藏特征进行反向处理,确定反向隐藏特征;
基于反向传播算法以及梯度下降优化算法,并引入学习因子,连续调整所述第二预测子模型的模型参数,直至所述第二预测子模型收敛或者所述第二预测子模型的输出结果符合预设条件。
准备预训练的第一预测子模型,该模型已经通过历史数据进行了训练。获取用于训练第二预测子模型的训练数据集,包括输入数据和目标数据。输入数据是第一预测子模型的输出结果,目标数据是实际的负荷需求值。
从最后一个时间步开始,将第一预测子模型的输出结果作为初始输入。初始化反向单元的状态,包括隐藏状态和细胞状态,通常初始化为零或随机值。从最后一个时间步开始,依次向前处理数据。使用反向单元对正向隐藏特征进行反向处理,同时根据遗忘门和更新门的权重来更新反向隐藏特征。在每个时间步,根据当前输入和反向隐藏特征,计算反向单元的输出。使用反向传播算法计算损失函数对于模型参数的梯度。使用梯度下降或其他优化算法来连续调整第二预测子模型的模型参数。引入学习因子(学习率)来控制参数更新的步长。反复迭代这些步骤,直到模型的损失函数收敛或输出满足预设条件。
可选地,初始化LSTM或RNN的正向单元,包括隐藏状态(hidden state)和细胞状态(cell state)。通常,这些状态可以初始化为零或其他适当的值。对于每个时间步,依次处理输入序列,计算隐藏状态和细胞状态的更新。对于LSTM,计算遗忘门、更新门和输出门的值,以及新的细胞状态,这些值的计算通常依赖于当前时间步的输入和前一时间步的隐藏状态。在每个时间步,记录遗忘门对应的值作为第一遗忘特征,以及更新门对应的值作为第一更新特征。
初始化第二预测子模型的反向单元,包括隐藏状态和细胞状态(如果使用LSTM或其他RNN)。可以将隐藏状态和细胞状态初始化为零或其他适当的值。从训练数据集中获取目标序列(负荷需求值)以及第一遗忘特征和第一更新特征;从最后一个时间步开始,依次向前处理目标序列;使用反向单元(可以是LSTM或其他RNN)进行反向传播,根据目标序列、第一遗忘特征和第一更新特征来计算反向隐藏特征。
S103. 基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
在一种可选的实施方式中,
基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略包括:
基于所述第一目标构建第一目标函数并确定第一目标值,以及基于所述第二目标构建第二目标函数并确定第二目标值;根据所述第一目标值和所述第二目标值构建初始化种群;
确定所述初始化种群中每个个体的适应度值,并根据所述适应度值动态设置每个个体对应的交叉率和变异率,对所述初始化种群中每个个体进行交叉和变异操作,生成杂交种群,将所述杂交种群中适应度值最高的个体作为最优个体;
在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整,将进行多轮迭代更新后的最优个体的位置作为所述目标储能单元的充放电策略。
示例性地,针对第一目标(电池状态平衡)和第二目标(总供电效率最大化),分别构建第一目标函数和第二目标函数。
可选地,确定用于衡量电池状态平衡的电池状态变量,通常,电池的状态可以用电荷状态(SOC)来表示,SOC 表示电池已经充电的百分比。根据电池的性能和约束,制定一个合理的 SOC 目标范围。这个范围可以根据电池的充放电特性和寿命考虑,第一目标函数可以是将当前电池 SOC 与目标范围之间的差异进行量化。
;
其中,f 1表示所述第一目标值,M表示电池的数量,w j表示第j个电池对应的电荷状态权重,SOC max、SOC min、SOC tar、SOC j分别表示电荷状态的最大值、电荷状态的最小值、电荷状态的目标值以及第j个电池对应的电荷状态。
可选地,确定电池在不同充放电速率下的效率特性,通常电池的效率与电流密度和温度等因素有关。第二目标函数可以是一个与总供电效率有关的函数。
;
其中,f 2表示所述第二目标值,T表示时间步长,表示t时刻的输出功率,/>表示t时刻的输入功率,I t、Tem t分别表示t时刻的电流和温度,Eff()表示电池在特定电流密度和温度条件下的效率函数,即在给定的电流密度和温度下,电池将输入的能量转化为输出能量的比率。
随机生成一组初始充放电策略,构成初始种群;对于种群中的每个个体(即充放电策略),计算其适应度值;根据个体的适应度值,动态地设置每个个体对应的交叉率和变异率。适应度值高的个体可以有更高的交叉率和较低的变异率,以保留其良好的特性。使用交叉操作对种群中的个体进行交叉,生成一组新的个体,构成杂交种群;从原始种群和杂交种群中选择一定数量的个体作为下一代种群。通常,选择操作可以基于适应度值,保留适应度较高的个体。
引入一个贪心因子,用于在后续迭代中调整充放电策略。贪心因子可以根据当前最优个体与全局最优位置之间的距离和方向来确定。根据贪心因子以及当前最优个体的位置,朝向预设的全局最优位置进行位置调整,生成新的充放电策略。这一步可以根据具体需求采用不同的调整策略,例如线性调整或随机扰动。
在一种可选的实施方式中,
在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整包括:
;
其中,pos best (t)表示t时刻的全局最优位置,pos(t)、pos(t+1)分别表示t时刻的所述最优个体的位置,以及t+1时刻的所述最优个体的位置,D表示所述最优个体的当前位置与预设的全局最优位置的空间距离,a表示所述贪心因子。
本发明通过第一目标函数的构建和优化,算法能够确保目标储能单元中的电池在充放电过程中保持在合理的电荷状态范围内,这有助于延长电池的寿命,减少不稳定性,并提高电池系统的可靠性。第二目标函数的构建和优化使算法能够在电池状态平衡的前提下,最大化总供电效率。这意味着在满足电池状态平衡的条件下,系统能够以最有效的方式将电能从储能单元提供给外部负荷,减少能量损失,降低能源成本,并提高系统性能。算法具有动态设置交叉率和变异率的机制,这使得算法可以根据每个个体的适应度值来自适应地调整操作。这有助于保留高适应度的个体,并增加种群的多样性,从而提高了搜索空间的探索能力。引入贪心因子和位置调整策略有助于算法在迭代过程中不断优化充放电策略。贪心因子可以帮助算法更快地收敛到全局最优解,同时保持在局部最优解附近进行搜索。
图2为本发明实施例电池联合储能供电系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
第二单元,用于确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,其中,所述负荷需求预测模型基于多个模型组合而成;
第三单元,用于基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种电池联合储能供电方法,其特征在于,包括:
获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,其中,所述负荷需求预测模型基于多个模型组合而成;
将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,包括:
所述负荷需求预测模型包括第一预测子模型和第二预测子模型,所述第一预测子模型基于图卷积神经网络构建,所述第二预测子模型基于双向长短期记忆网路构建;
通过所述第一预测子模型将所述时间序列作为第一图节点,不同时间序列对应的邻接矩阵的关联性作为第一连接边,根据所述第一图节点和所述第一连接边构建与所述时间序列对应的时间序列图;
通过所述第一预测子模型将所述用电行为特征作为第二图节点,不同用电行为特征的相似性作为第二连接边,根据所述第二图节点和所述第二连接边构建与用电行为特征对应的行为特征图;
基于所述时间序列图和所述行为特征图,结合所述第一预测子模型中网络层的隐藏特征以及激活函数,确定所述第一预测子模型的第一输出结果;
将所述第一输出结果输入所述第二预测子模型,通过所述第二预测子模型的遗忘门、更新门以及输出门,确定所述聚类中心对应的负荷需求预测值;
基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略;
基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略包括:
基于所述第一目标构建第一目标函数并确定第一目标值,以及基于所述第二目标构建第二目标函数并确定第二目标值;根据所述第一目标值和所述第二目标值构建初始化种群;
确定所述初始化种群中每个个体的适应度值,并根据所述适应度值动态设置每个个体对应的交叉率和变异率,对所述初始化种群中每个个体进行交叉和变异操作,生成杂交种群,将所述杂交种群中适应度值最高的个体作为最优个体;
在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整,将进行多轮迭代更新后的最优个体的位置作为所述目标储能单元的充放电策略。
2.根据权利要求1所述的方法,其特征在于,获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域,包括:
随机选择任一历史用电量信息作为染色体,并且重复选择多次,将由多条染色体组成的种群作为初始种群;
对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值;
将每次空间聚类所确定的染色体的适应度值最高的染色体进行保留,将剩余染色体根据其对应的适应度值进行轮盘赌选择操作,将选中的染色体进行杂交和变异操作,得到下一代种群;
将所述下一代种群中适应度值高于预设适应度阈值的染色体对应的空间网格作为用电高峰区域。
3.根据权利要求2所述的方法,其特征在于,结合每个网格对应的历史用电量信息进行空间聚类,通过空间聚类函数确定每条染色体的适应度值,包括:
;
其中,F(x)表示染色体x对应的适应度值,W H、W D、W E分别表示历史用电量信息对应的用电权重值、网格距离对应的距离权重值以及能量密度对应的能量权重值,H i表示第i个历史用电量信息,N表示历史用电量信息的数量,f(r)表示网格距离对适应度值的影响函数,为线性函数,D x表示染色体x对应的网格对其他网格之间的网格距离,E x表示染色体x对应的网格的网格密度。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括训练所述第二预测子模型:
基于预先获取的训练数据集,输入所述第二预测子模型的正向单元,确定所述第二预测子模型中遗忘门对应的第一遗忘特征和所述第二预测子模型中更新门对应的第一更新特征;
根据所述第一遗忘特征和所述第一更新特征更新所述训练数据集对应的正向隐藏特征,初始化所述第二预测子模型的反向单元,从最后一个时间步开始,依次向前处理,对所述正向隐藏特征进行反向处理,确定反向隐藏特征;
基于反向传播算法以及梯度下降优化算法,并引入学习因子,连续调整所述第二预测子模型的模型参数,直至所述第二预测子模型收敛或者所述第二预测子模型的输出结果符合预设条件。
5.根据权利要求1所述的方法,其特征在于,在所述杂交种群中引入贪心因子,并根据所述贪心因子以所述最优个体的当前位置为基准,朝向预设的全局最优位置进行位置调整包括:
;
其中,表示t时刻的全局最优位置,pos(t)、pos(t+1)分别表示t时刻的所述最优个体的位置,以及t+1时刻的所述最优个体的位置,D表示所述最优个体的当前位置与预设的全局最优位置的空间距离,a表示所述贪心因子。
6.一种电池联合储能供电系统,用于实现前述权利要求1-5中任一项所述的电池联合储能供电方法,其特征在于,包括:
第一单元,用于获取综合多种类型电池构成的目标储能单元所在目标区域的历史用电量信息,并对所述目标区域进行网格划分,结合每个网格对应的历史用电量信息进行空间聚类,确定所述目标区域的用电高峰区域;
第二单元,用于确定所述用电高峰区域的聚类中心,并将所述聚类中心对应的历史用电量信息转换为时间序列,结合所述聚类中心的用电行为特征,通过预设的负荷需求预测模型,确定所述聚类中心对应的负荷需求预测值,其中,所述负荷需求预测模型基于多个模型组合而成;
第三单元,用于基于所述负荷需求预测值,结合所述目标储能单元内部的电池信息,以保证所述目标储能单元的电池状态平衡为第一目标,以保证所述目标储能单元的总供电效率最大化为第二目标,通过充放电控制算法控制所述目标储能单元的充放电策略。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650415.9A CN117353359B (zh) | 2023-12-05 | 2023-12-05 | 电池联合储能供电方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650415.9A CN117353359B (zh) | 2023-12-05 | 2023-12-05 | 电池联合储能供电方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117353359A CN117353359A (zh) | 2024-01-05 |
CN117353359B true CN117353359B (zh) | 2024-04-12 |
Family
ID=89356081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311650415.9A Active CN117353359B (zh) | 2023-12-05 | 2023-12-05 | 电池联合储能供电方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117353359B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118017576A (zh) * | 2024-04-09 | 2024-05-10 | 江苏谷峰电力科技股份有限公司 | 一种构网型组串式储能变流器 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105024432A (zh) * | 2015-07-30 | 2015-11-04 | 浙江工业大学 | 一种基于虚拟电价的电动汽车充放电优化调度方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN111401604A (zh) * | 2020-02-17 | 2020-07-10 | 国网新疆电力有限公司经济技术研究院 | 电力系统负荷功率预测方法及储能电站功率分配方法 |
CN112217195A (zh) * | 2020-08-11 | 2021-01-12 | 广东电网有限责任公司广州供电局 | 一种基于gru多步预测技术的云储能充放电策略形成方法 |
CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
CN114219195A (zh) * | 2021-09-22 | 2022-03-22 | 上海电机学院 | 一种区域综合能源容量优化控制方法 |
CN114512999A (zh) * | 2022-02-17 | 2022-05-17 | 山东华全动力股份有限公司 | 一种储能电站的控制方法及系统 |
CN114801824A (zh) * | 2022-04-28 | 2022-07-29 | 度普(苏州)新能源科技有限公司 | 充电桩的储能电池组的电量的确定方法、确定装置和系统 |
CN115276177A (zh) * | 2022-08-18 | 2022-11-01 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN115733168A (zh) * | 2022-11-24 | 2023-03-03 | 佳源科技股份有限公司 | 储能充放电管理方法、系统、控制终端及存储介质 |
CN115796393A (zh) * | 2023-01-31 | 2023-03-14 | 深圳市三和电力科技有限公司 | 基于多能互动的能源网管理优化方法、系统及存储介质 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN116191511A (zh) * | 2023-02-14 | 2023-05-30 | 国网江苏省电力有限公司南京供电分公司 | 一种光储联合系统日运行规划的优化方法 |
CN116388245A (zh) * | 2023-03-20 | 2023-07-04 | 葛洲坝集团交通投资有限公司 | 光储充一体化电站储能容量配置方法及相关设备 |
CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及系统 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
CN117057523A (zh) * | 2023-06-19 | 2023-11-14 | 国网上海市电力公司 | 一种基于负荷预测的配电网储能双层规划方法 |
CN117060408A (zh) * | 2023-10-13 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 新能源发电预测方法及系统 |
CN117077960A (zh) * | 2023-08-24 | 2023-11-17 | 太原理工大学 | 一种区域综合能源系统日前调度优化方法 |
CN117113086A (zh) * | 2023-08-23 | 2023-11-24 | 国网新疆电力有限公司 | 一种储能机组负荷预测方法、系统、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9660450B2 (en) * | 2013-10-17 | 2017-05-23 | Zhangjiakou Wind And Solar Power Energy Demonstration | Monitoring system and method for megawatt level battery energy storage power plant |
US20230387684A1 (en) * | 2022-05-27 | 2023-11-30 | B2U Storage Solutions Inc. | Method and system for operation and usage of battery energy storage in a power grid |
-
2023
- 2023-12-05 CN CN202311650415.9A patent/CN117353359B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105024432A (zh) * | 2015-07-30 | 2015-11-04 | 浙江工业大学 | 一种基于虚拟电价的电动汽车充放电优化调度方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN111401604A (zh) * | 2020-02-17 | 2020-07-10 | 国网新疆电力有限公司经济技术研究院 | 电力系统负荷功率预测方法及储能电站功率分配方法 |
CN112217195A (zh) * | 2020-08-11 | 2021-01-12 | 广东电网有限责任公司广州供电局 | 一种基于gru多步预测技术的云储能充放电策略形成方法 |
CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
CN114219195A (zh) * | 2021-09-22 | 2022-03-22 | 上海电机学院 | 一种区域综合能源容量优化控制方法 |
CN114512999A (zh) * | 2022-02-17 | 2022-05-17 | 山东华全动力股份有限公司 | 一种储能电站的控制方法及系统 |
CN114801824A (zh) * | 2022-04-28 | 2022-07-29 | 度普(苏州)新能源科技有限公司 | 充电桩的储能电池组的电量的确定方法、确定装置和系统 |
CN115276177A (zh) * | 2022-08-18 | 2022-11-01 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制系统 |
CN115733168A (zh) * | 2022-11-24 | 2023-03-03 | 佳源科技股份有限公司 | 储能充放电管理方法、系统、控制终端及存储介质 |
CN115796393A (zh) * | 2023-01-31 | 2023-03-14 | 深圳市三和电力科技有限公司 | 基于多能互动的能源网管理优化方法、系统及存储介质 |
CN116191511A (zh) * | 2023-02-14 | 2023-05-30 | 国网江苏省电力有限公司南京供电分公司 | 一种光储联合系统日运行规划的优化方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN116388245A (zh) * | 2023-03-20 | 2023-07-04 | 葛洲坝集团交通投资有限公司 | 光储充一体化电站储能容量配置方法及相关设备 |
CN117057523A (zh) * | 2023-06-19 | 2023-11-14 | 国网上海市电力公司 | 一种基于负荷预测的配电网储能双层规划方法 |
CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及系统 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
CN117113086A (zh) * | 2023-08-23 | 2023-11-24 | 国网新疆电力有限公司 | 一种储能机组负荷预测方法、系统、电子设备及介质 |
CN117077960A (zh) * | 2023-08-24 | 2023-11-17 | 太原理工大学 | 一种区域综合能源系统日前调度优化方法 |
CN117060408A (zh) * | 2023-10-13 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 新能源发电预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
储能电站容量约束下的动态调峰控制策略;陈兵;徐春雷;丁瑾;蒋子维;樊海锋;王昊炜;王东;;供用电(第05期);全文 * |
基于SCM-ANFIS负荷预测的储能电站调峰控制策略;王晓东 等;太阳能学报(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117353359A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
Quan et al. | A computational framework for uncertainty integration in stochastic unit commitment with intermittent renewable energy sources | |
Majidpour et al. | Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications | |
CN117353359B (zh) | 电池联合储能供电方法及系统 | |
Zhou et al. | Deep learning-based rolling horizon unit commitment under hybrid uncertainties | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
Hu et al. | Probabilistic electric vehicle charging demand forecast based on deep learning and machine theory of mind | |
CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Poczeta et al. | Application of fuzzy cognitive maps to multi-step ahead prediction of electricity consumption | |
CN117060408B (zh) | 新能源发电预测方法及系统 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Leite et al. | Solving an energy resource management problem with a novel multi-objective evolutionary reinforcement learning method | |
Qi et al. | Optimal scheduling in IoT-driven smart isolated microgrids based on deep reinforcement learning | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Liu et al. | Short-term power load forecasting via recurrent neural network with similar day selection | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
Chinnadurrai et al. | Energy Management of a Microgrid based on LSTM Deep Learning Prediction Model | |
Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources | |
CN117937474B (zh) | 一种新能源场站储能管理方法及系统 | |
CN114742285B (zh) | 一种居民电力消费模式预测模型的构建方法及其应用 |
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 |