CN117559446B - 环境适应型电能存储与智能调配方法及系统 - Google Patents
环境适应型电能存储与智能调配方法及系统 Download PDFInfo
- Publication number
- CN117559446B CN117559446B CN202410032446.6A CN202410032446A CN117559446B CN 117559446 B CN117559446 B CN 117559446B CN 202410032446 A CN202410032446 A CN 202410032446A CN 117559446 B CN117559446 B CN 117559446B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- state
- charging
- storage capacity
- current
- 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 154
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000007599 discharging Methods 0.000 claims abstract description 18
- 238000003891 environmental analysis Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000013112 stability test Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- 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)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电能存储设备与智能调配方法技术领域,尤其涉及环境适应型电能存储与智能调配方法及系统,使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。本发明方法利用传感器收集的环境数据和基于卷积层的环境分析模型准确判断当前的环境状态,增强系统对环境变化的适应能力。系统能有效预测短期电能需求,优化能源分配和使用效率。系统能制定充电和放电策略,利用稳态智能算法确定最佳充电速率,实时监测储能状态调整充放电速率。
Description
技术领域
本发明涉及电能存储设备与智能调配方法技术领域,尤其涉及环境适应型电能存储与智能调配方法及系统。
背景技术
全球能源需求的快速增长以及对可持续发展的追求促使了对高效、可靠且环境友好的能源存储和管理系统的需求。特别是在可再生能源快速发展的背景下,如何有效地存储和调配电能成为了关键挑战。智能电网和分布式能源系统的发展要求电能存储设备不仅要能够存储电能,还需要能够智能调配,以适应网络的动态需求,并提高能源效率。同时,环境因素(如温度、湿度)对电能存储系统的性能有着直接影响,使得对环境适应型电能存储设备的需求日益增加。
此外,数据驱动的能源管理策略,借助大数据和机器学习技术,利用历史和实时数据来预测能源需求,并根据这些数据智能调整电能存储和释放策略,成为了当今能源管理系统的重要趋势。电能存储技术的进步,特别是电池技术的发展,提供了高效和灵活能源管理的基础。然而,这也带来了对更智能和环境适应型管理系统的需求,以确保电池的最优性能和长期稳定性。在全球气候变化和环境保护的大背景下,提高能源使用效率和减少碳排放成为了重要目标。
综上所述,环境适应型电能存储与智能调配方法的开发和实施是响应全球能源挑战、推动智能电网发展、利用先进技术提升能源管理效率、以及支持环境保护和可持续发展目标的关键。这种方法能够更好地适应环境变化,优化能源使用,增强电能存储系统的性能和可靠性,对现代能源系统构成了重要的补充和升级。
发明内容
鉴于上述现有技术中存在的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案,环境适应型电能存储与智能调配方法,包括:使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述环境分析模型表示为:
;
其中,X表示输入的环境数据,W是卷积层的权重,b是卷积层的偏置,是卷积操作,/>是环境数据的特征向量;
将环境数据的特征向量送入环境区间分类器中,将提取的特征向量映射到预定义的环境状态类别,若落在预定义的高温高湿区域时,则初步判断为环境状态A1;若落在预定义的低温区域时,则初步判断为环境状态A2;若/>落在预定义的温和天气区域时,则初步判断为环境状态A3;若/>落在预定义的极端天气区域时,则初步判断为环境状态A4。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述电能需求预测模型包括:
;
其中,S是环境状态,即环境状态A1,A2,A3,A4,T是时间特征,是历史电能需求,n是样本总数,/>是电能需求预测结果,/>是特征向量,LSTM()为使用LSTM网络处理输入的特征向量;
当大于历史平均结果时,若环境状态为Aa时,则短期电能需求存在增加趋势,结合环境状态划分当前电能需求预测状态为/>,a=(1,2,3,4);
当小于历史平均结果时,若环境状态为Aa时,则短期电能需求存在递减趋势,结合环境状态划分当前电能需求预测状态为/>;
当等于历史平均结果时,则电能需求保持正常,不划分电能需求预测状态。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述充电策略包括,当电能需求预测状态为且当前存储能力为A级时,制定充电策略,系统通过稳态智能算法识别稳定充电速率,以确保储能设备不受过度充电影响,在充电过程中,实时监测储能状态,若检测到温度异常或电压波动,系统自动调整充电速率,并进行二次检测,若二次检测确认储存能力保持为A级,系统根据当前策略正常作业并实时检测储能设备剩余容量;若二次检测确认储存能力为B级时,系统将根据充电速率和储能性能优化充电策略,调整充电周期或采用快速充电策略,以确保储能设备的稳定性和储能容量充分利用;
当电能需求预测状态为且当前存储能力为B级时,制定充电策略,系统通过智能算法识别充电时间,以确保储能设备能在规定时间内达到需求容量,系统制定充电策略,确定充电速率,以迅速提升储能容量,在充电过程中,系统持续监测设备状态,若发现电压异常或充电速率过快,则系统降低充电速度,确保安全充电,二次检测确认储存能力提升为A级时,系统调整充电周期或采用分阶段充电策略,以最大化储能容量;若二次检测当前存储能力为C级时,则系统根据电能需求预测状态,采用快速充电策略,在规定时间内达到电能需求预测状态的储能要求;此策略着眼于提高储能速率和优化充电效率,确保系统迅速满足高需求环境下的电能需求。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述充电策略还包括,当电能需求预测状态为且当前存储能力为A级时,经过检测系统二次检测确定存储能力等级判断无误后,则系统制定充电策略,系统通过稳态智能算法识别稳定充电速率,保持储能系统状态稳定,在充电过程中,系统实时监测储能状态,若出现异常温度或电压波动,系统将调整充电速率以避免过充,第三次检测确定储存能力保持为A级时,系统维持当前充电速率或调整为慢充策略,以保障系统安全并确保充电效率;该策略重点在于稳定充电并保持储能系统在递减需求环境下的持续稳定性;
当电能需求预测状态为且当前存储能力为B级时,经过检测系统二次检测确定存储能力等级判断无误后,则系统制定充电策略,系统根据需求预测状态确定充电速率,提升储能容量,充电过程中,系统实时监测储能状态,若发现充电速率异常或异常电压,系统将调整充电速率以确保安全充电,第三次检测确认储存能力为A级时,系统调整充电周期并采用分阶段充电策略,以最大程度提升储能容量;若第三次检测存储能力为B级或C级时,系统增加充电速率,并实时监测,在安全时间内存储能力提升为A级,则系统调整充电周期并采用分阶段充电策略,若安全时间内存储能力未提升,则通过上位机通知现场作业人员进行排查。该策略注重迅速提高储能速率,以满足递减需求环境下的电能需求。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述当前存储能力包括,若当前存储能力≥85.5%时,系统初步判断当前存储能力为A级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,以验证判断的准确性;
若85.5%>当前存储能力≥55%时,系统初步判断当前存储能力为B级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,以验证判断的准确性;
若当前存储能力<55%时,则判断为当前存储能力为C级;
所述稳定性测试包括,提高系统能源需求或加大能源输出,使系统处于高负荷状态,实时记录储能系统的关键参数,分析系统运行期间的数据变化和稳定性,评估系统在高负荷条件下的稳定性,若系统运行且关键参数在安全范围内时,则能源输出符合预期,若系统在高负荷条件下关键参数出现异常,表明系统在高负荷下不具备稳定性,进一步优化系统参数;
所述关键参数包括,温度、电压、能源输出。
作为本发明所述的环境适应型电能存储与智能调配方法的一种优选方案,其中:所述放电策略包括,当电能需求预测状态为且当前存储能力为A级时,则系统制定放电策略;系统根据当前需求预测状态和储存能力等级确定放电速率,以稳定释放能量并保持系统状态;在放电过程中,系统持续监测储能状态,若温度异常或电压波动,系统将调整释放速率,以避免过度放电或系统异常;二次检测确认稳定后,当前存储能力为B级时,系统调整释放周期或采用加速释放策略,以最大化能量释放量;
当电能需求预测状态为且当前存储能力为B级时,则系统制定放电策略;系统根据需求预测状态确定放电速率响应电能需求;在放电过程中,系统实时监测储能状态,若发现释放速率异常或电压异常,系统将调整释放速率以确保安全释放;二次检测确认当前存储能力为B级或C级,则保持当前释放速率或转向缓慢释放策略,以保障系统安全并最大化能量释放效率。
本发明的另外一个目的是提供环境适应型电能存储与智能调配系统,分析模块通过使用传感器收集环境数据并结合环境分析模型,有效地适应不同的环境条件,如高温、低温或极端天气。准确预测当前环境状态,并结合历史电能需求数据,预测模块通过电能需求预测模型精确预测短期电能需求,从而提高系统响应性和效率。策略模块根据预测的电能需求状态和当前存储能力,系统制定了智能充放电策略,确保了储能设备的最佳运行状态和避免过度充放电风险。通过多次校对和稳定性测试,准确评估存储能力等级,并在高负荷条件下评估系统稳定性,增强系统的适应能力和可靠性。通过智能调整存储和释放电能,实现了能源的最大化利用和效率优化,提高了整体的能源管理效果,使其在各种环境和需求条件下都能高效且安全地存储和使用电能。
作为本发明所述的环境适应型电能存储与智能调配系统的一种优选方案,其中:分析模块、预测模块、策略模块;
所述分析模块,使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;
所述预测模块,根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;
所述策略模块,根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现环境适应型电能存储与智能调配方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现环境适应型电能存储与智能调配方法的步骤。
本发明的有益效果:利用传感器收集的环境数据和基于卷积层的环境分析模型准确判断当前的环境状态,增强系统对环境变化的适应能力。通过电能需求预测模型结合环境状态和时间特征,以及历史电能需求数据,系统能有效预测短期电能需求,优化能源分配和使用效率。根据电能需求预测状态和当前存储能力,系统能制定灵活的充电和放电策略,利用稳态智能算法确定最佳充电速率,并实时监测储能状态以调整充放电速率。这些策略确保了在不同存储能力等级下的系统稳定性和安全性,通过多次检测和稳定性测试进一步提升了系统的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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它的附图。
图1为本发明一个实施例提供的环境适应型电能存储与智能调配方法流程示意图。
图2为本发明一个实施例提供的环境适应型电能存储与智能调配系统结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了环境适应型电能存储与智能调配方法,包括:
S1:使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态。
所述环境分析模型表示为:
;
其中,X表示输入的环境数据,W是卷积层的权重,b是卷积层的偏置,是卷积操作,/>是环境数据的特征向量;
将环境数据的特征向量送入环境区间分类器中,将提取的特征向量映射到预定义的环境状态类别,若落在预定义的高温高湿区域时,则初步判断为环境状态A1;若/>落在预定义的低温区域时,则初步判断为环境状态A2;若/>落在预定义的温和天气区域时,则初步判断为环境状态A3;若/>落在预定义的极端天气区域时,则初步判断为环境状态A4。
S2:根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态。
所述电能需求预测模型包括:
;
其中,S是环境状态,即环境状态A1,A2,A3,A4,T是时间特征,是历史电能需求,n是样本总数,/>是电能需求预测结果,/>是特征向量,LSTM()为使用LSTM网络处理输入的特征向量;
当大于历史平均结果时,若环境状态为Aa时,则短期电能需求存在增加趋势,结合环境状态划分当前电能需求预测状态为/>,a=(1,2,3,4);
当小于历史平均结果时,若环境状态为Aa时,则短期电能需求存在递减趋势,结合环境状态划分当前电能需求预测状态为/>;
当等于历史平均结果时,则电能需求保持正常,不划分电能需求预测状态。
S3:根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。
应说明的是,所述充电策略包括,当电能需求预测状态为且当前存储能力为A级时,制定充电策略,系统通过稳态智能算法识别稳定充电速率,以确保储能设备不受过度充电影响,在充电过程中,实时监测储能状态,若检测到温度异常或电压波动,系统自动调整充电速率,并进行二次检测,若二次检测确认储存能力保持为A级,系统根据当前策略正常作业并实时检测储能设备剩余容量;若二次检测确认储存能力为B级时,系统将根据充电速率和储能性能优化充电策略,调整充电周期或采用快速充电策略,以确保储能设备的稳定性和储能容量充分利用;
当电能需求预测状态为且当前存储能力为B级时,制定充电策略,系统通过智能算法识别充电时间,以确保储能设备能在规定时间内达到需求容量,系统制定充电策略,确定充电速率,以迅速提升储能容量,在充电过程中,系统持续监测设备状态,若发现电压异常或充电速率过快,则系统降低充电速度,确保安全充电,二次检测确认储存能力提升为A级时,系统调整充电周期或采用分阶段充电策略,以最大化储能容量;若二次检测当前存储能力为C级时,则系统根据电能需求预测状态,采用快速充电策略,在规定时间内达到电能需求预测状态的储能要求;此策略着眼于提高储能速率和优化充电效率,确保系统迅速满足高需求环境下的电能需求。
当电能需求预测状态为且当前存储能力为A级时,经过检测系统二次检测确定存储能力等级判断无误后,则系统制定充电策略,系统通过稳态智能算法识别稳定充电速率,保持储能系统状态稳定,在充电过程中,系统实时监测储能状态,若出现异常温度或电压波动,系统将调整充电速率以避免过充,第三次检测确定储存能力保持为A级时,系统维持当前充电速率或调整为慢充策略,以保障系统安全并确保充电效率;该策略重点在于稳定充电并保持储能系统在递减需求环境下的持续稳定性;
当电能需求预测状态为且当前存储能力为B级时,经过检测系统二次检测确定存储能力等级判断无误后,则系统制定充电策略,系统根据需求预测状态确定充电速率,提升储能容量,充电过程中,系统实时监测储能状态,若发现充电速率异常或异常电压,系统将调整充电速率以确保安全充电,第三次检测确认储存能力为A级时,系统调整充电周期并采用分阶段充电策略,以最大程度提升储能容量;若第三次检测存储能力为B级或C级时,系统增加充电速率,并实时监测,在安全时间内存储能力提升为A级,则系统调整充电周期并采用分阶段充电策略,若安全时间内存储能力未提升,则通过上位机通知现场作业人员进行排查。该策略注重迅速提高储能速率,以满足递减需求环境下的电能需求。
所述当前存储能力包括,若当前存储能力≥85.5%时,系统初步判断当前存储能力为A级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,若稳定性测试确认能源输出符合预期,则判断存储能力为A级,若稳定性测试结果显示系统在实际运行中不具备稳定性,则重新设定内部存储能力阈值。
若85.5%>当前存储能力≥55%时,系统初步判断当前存储能力为B级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,以验证判断的准确性;
若当前存储能力<55%时,则判断为当前存储能力为C级;
所述稳定性测试包括,提高系统能源需求或加大能源输出,使系统处于高负荷状态,实时记录储能系统的关键参数,分析系统运行期间的数据变化和稳定性,评估系统在高负荷条件下的稳定性,若系统运行且关键参数在安全范围内时,则能源输出符合预期,若系统在高负荷条件下关键参数出现异常,表明系统在高负荷下不具备稳定性,进一步优化系统参数;
所述关键参数包括,温度、电压、能源输出。
应说明的是,选择85.5%作为A级存储能力阈值的原因在于它能在高负荷条件下提供更高的效能和稳定性,确保在这种条件下的最优效能,最大化输出和效率。相比之下,小于85%大于80%作为A级的阈值虽然提供了较高的能效,但可能在极端负荷条件下无法维持同样的稳定性和效能。
B级存储能力阈值范围为中等负荷条件下提供最佳平衡的效能和成本效益,保证了在这一范围内的系统既不会过度消耗能源,也不会因储能不足而影响运行效率。相比于更保守的阈值(如60%-40%),这个范围更能平衡中等负荷下的性能和成本,同时充分利用存储能力。
C级存储能力阈值范围低于55%的存储能力表明系统处于低负荷状态,这个阈值旨在减少能量浪费,并指示可能的高维护需求。与更宽松的阈值(如<40%)相比,<55%的阈值能更好地适应低需求场景,提高能源使用效率,同时避免不必要的能源消耗。
实施例2
参考图2,为本发明的第二个实施例,该实施例提供了环境适应型电能存储与智能调配系统,其特征在于:包括,分析模块、预测模块、策略模块;
所述分析模块,使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;
所述预测模块,根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;
所述策略模块,根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
应说明的是,以上实施例仅用于说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.环境适应型电能存储与智能调配方法,其特征在于:包括,
使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;
根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;
根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略;
所述环境分析模型表示为,
f(X)=W*X+b
其中,X表示输入的环境数据,W是卷积层的权重,b是卷积层的偏置,*是卷积操作,f(X)是环境数据的特征向量;
将环境数据的特征向量送入环境区间分类器中,将提取的特征向量映射到预定义的环境状态类别,若f(X)落在预定义的高温高湿区域时,则初步判断为环境状态A1;若f(X)落在预定义的低温区域时,则初步判断为环境状态A2;若f(X)落在预定义的温和天气区域时,则初步判断为环境状态A3;若f(X)落在预定义的极端天气区域时,则初步判断为环境状态A4;
所述电能需求预测模型包括,
Xs=[S,T,Dt-n,…,Dt-1]
Ys=LSTM(Xs)
其中,S是环境状态,即环境状态A1,A2,A3,A4,T是时间特征,Dt-n,…,Dt-1是历史电能需求,n是样本总数,Ys是电能需求预测结果,Xs是特征向量;
当Ys大于历史平均结果时,若环境状态为Aa时,则短期电能需求存在增加趋势,结合环境状态划分当前电能需求预测状态为
当Ys小于历史平均结果时,若环境状态为Aa时,则短期电能需求存在递减趋势,结合环境状态划分当前电能需求预测状态为
当Ys等于历史平均结果时,则电能需求保持正常,不划分电能需求预测状态。
2.如权利要求1所述的环境适应型电能存储与智能调配方法,其特征在于:所述充电策略包括,当电能需求预测状态为且当前存储能力为A级时,制定充电策略,系统通过稳态智能算法识别稳定充电速率,以确保储能设备不受过度充电影响,在充电过程中,实时监测储能状态,若检测到温度异常或电压波动,系统自动调整充电速率,并进行二次检测,若二次检测确认储存能力保持为A级,系统根据当前策略正常作业并实时检测储能设备剩余容量;若二次检测确认储存能力为B级时,系统将根据充电速率和储能性能优化充电策略,调整充电周期或采用快速充电策略,以确保储能设备的稳定性和储能容量充分利用;
当电能需求预测状态为且当前存储能力为B级时,制定充电策略,系统通过智能算法识别充电时间,以确保储能设备能在规定时间内达到需求容量,系统制定充电策略,确定充电速率,以迅速提升储能容量,在充电过程中,系统持续监测设备状态,若发现电压异常或充电速率过快,则系统降低充电速度,确保安全充电,二次检测确认储存能力提升为A级时,系统调整充电周期或采用分阶段充电策略,以最大化储能容量;若二次检测当前存储能力为C级时,则系统根据电能需求预测状态,采用快速充电策略,在规定时间内达到电能需求预测状态的储能要求。
3.如权利要求2所述的环境适应型电能存储与智能调配方法,其特征在于:所述充电策略还包括,当电能需求预测状态为且当前存储能力为A级时,系统制定充电策略,系统通过稳态智能算法识别稳定充电速率,保持储能系统状态稳定,在充电过程中,系统实时监测储能状态,若出现异常温度或电压波动,系统将调整充电速率以避免过充,若二次检测确定储存能力保持为A级时,系统维持当前充电速率或调整为慢充策略,以保障达到预测的电能需求并确保充电效率;
当电能需求预测状态为且当前存储能力为B级时,系统制定充电策略,系统根据需求预测状态确定充电速率,提升储能容量,充电过程中,系统实时监测储能状态,若发现充电速率异常或异常电压,系统将调整充电速率以确保安全充电,若二次检测确认储存能力为A级时,系统调整充电周期并采用分阶段充电策略,以最大程度提升储能容量;若第三次检测存储能力为B级或C级时,系统增加充电速率,并实时监测,并在安全时间内将存储能力提升为A级,则系统调整充电周期并采用分阶段充电策略,若安全时间内存储能力未提升,则通过上位机通知现场作业人员进行排查。
4.如权利要求3所述的环境适应型电能存储与智能调配方法,其特征在于:所述当前存储能力包括,若当前存储容量≥85.5%时,系统初步判断当前存储能力为A级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,以验证判断的准确性;
若85.5%>当前存储能力≥55%时,系统初步判断当前存储能力为B级,并进行二次校对检测初步判断的可靠性,二次校对的操作包括检查系统数据的稳定性和储能性能的一致性,若二次校对结果支持初始判断,则进行第三次判断以最终确认储存能力划分,第三次判断时,系统执行稳定性测试,以验证判断的准确性;
若当前存储能力<55%时,则判断为当前存储能力为C级;
所述稳定性测试包括,提高系统能源需求或加大能源输出,使系统处于高负荷状态,实时记录储能系统的关键参数,分析系统运行期间的数据变化和稳定性,评估系统在高负荷条件下的稳定性,若系统运行正常且关键参数在安全范围内时,则能源输出符合预期,若系统在高负荷条件下关键参数出现异常,表明系统在高负荷下不具备稳定性,通过上位机通知现场作业人员对异常数据进行排查;
所述关键参数包括,温度、电压、能源输出。
5.如权利要求4所述的环境适应型电能存储与智能调配方法,其特征在于:所述放电策略包括,当电能需求预测状态为且当前存储能力为A级时,则系统制定放电策略;系统根据当前需求预测状态和储存能力等级确定放电速率,以稳定释放能量并保持系统状态;在放电过程中,系统持续监测储能状态,若温度异常或电压波动,系统将调整释放速率,以避免过度放电或系统异常;二次检测确认稳定后,当前存储能力为A级时,系统调整释放周期或采用加速释放策略,以最大化能量释放量;
当电能需求预测状态为且当前存储能力为B级时,则系统制定放电策略;系统根据需求预测状态确定放电速率响应电能需求;在放电过程中,系统实时监测储能状态,若发现释放速率异常或电压异常,系统将调整释放速率以确保安全释放;二次检测确认当前存储能力为B级或C级,则保持当前释放速率或转向缓慢释放策略,以保障系统安全并最大化能量释放效率。
6.一种基于权利要求1-5任一所述的环境适应型电能存储与智能调配方法的系统,其特征在于:包括,分析模块、预测模块、策略模块;
所述分析模块,使用传感器收集当前环境数据,并对环境数据进行预处理,通过环境分析模型判断当前环境状态;
所述预测模块,根据当前环境状态和历史数据,使用电能需求预测模型预测短期电能需求,并划分电能需求预测状态;
所述策略模块,根据电能需求预测状态和当前存储能力,制定存储设备的充电策略及放电策略。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032446.6A CN117559446B (zh) | 2024-01-10 | 2024-01-10 | 环境适应型电能存储与智能调配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032446.6A CN117559446B (zh) | 2024-01-10 | 2024-01-10 | 环境适应型电能存储与智能调配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117559446A CN117559446A (zh) | 2024-02-13 |
CN117559446B true CN117559446B (zh) | 2024-03-29 |
Family
ID=89813233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032446.6A Active CN117559446B (zh) | 2024-01-10 | 2024-01-10 | 环境适应型电能存储与智能调配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117559446B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115942563A (zh) * | 2023-02-28 | 2023-04-07 | 赛尔数维(北京)科技有限公司 | 一种智能运维云平台系统及其控制方法 |
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 |
CN116700296A (zh) * | 2023-07-26 | 2023-09-05 | 杜咏峻 | 基于深度学习的自主充电无人电动车智能规划方法及系统 |
DE202023105203U1 (de) * | 2023-09-09 | 2023-09-20 | Vrushali Bahurupi | Überwachungssystem für nachhaltige Umwelt |
CN117318111A (zh) * | 2023-11-29 | 2023-12-29 | 南通沃太新能源有限公司 | 一种基于天气预测的光储能源动态调节方法及系统 |
CN117314094A (zh) * | 2023-10-07 | 2023-12-29 | 上海益邦智能技术股份有限公司 | 基于ai智能园区的能源管控方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600572B2 (en) * | 2010-05-27 | 2013-12-03 | International Business Machines Corporation | Smarter-grid: method to forecast electric energy production and utilization subject to uncertain environmental variables |
-
2024
- 2024-01-10 CN CN202410032446.6A patent/CN117559446B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115942563A (zh) * | 2023-02-28 | 2023-04-07 | 赛尔数维(北京)科技有限公司 | 一种智能运维云平台系统及其控制方法 |
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 |
CN116700296A (zh) * | 2023-07-26 | 2023-09-05 | 杜咏峻 | 基于深度学习的自主充电无人电动车智能规划方法及系统 |
DE202023105203U1 (de) * | 2023-09-09 | 2023-09-20 | Vrushali Bahurupi | Überwachungssystem für nachhaltige Umwelt |
CN117314094A (zh) * | 2023-10-07 | 2023-12-29 | 上海益邦智能技术股份有限公司 | 基于ai智能园区的能源管控方法及系统 |
CN117318111A (zh) * | 2023-11-29 | 2023-12-29 | 南通沃太新能源有限公司 | 一种基于天气预测的光储能源动态调节方法及系统 |
Non-Patent Citations (2)
Title |
---|
Modeling and Evaluation of Dynamical Properties of Different Energy Storage Systems Using Machine Learning Methods;Imene Benrabia等;《2023 IEEE Vehicle Power and Propulsion Conference (VPPC)》;20231027;1-6 * |
基于CNN-Bi-LSTM功率预测的海岛综合能源系统优化调度;王润治 等;《全球能源互联网》;20230125;第6卷(第1期);88-100 * |
Also Published As
Publication number | Publication date |
---|---|
CN117559446A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
CN111509331B (zh) | 一种动力电池冷却的控制方法、装置及电动汽车 | |
CN111327070B (zh) | 风电场能量管理方法及系统 | |
US11152656B1 (en) | Method and apparatus for controlling temperature of battery pack, battery management system and storage medium | |
CN113309663B (zh) | 用于风力发电机组的控制方法及控制装置 | |
CN112782587A (zh) | 一种动力电池单体异常变化检测方法及系统 | |
CN115001149A (zh) | 一种储能控制方法、装置及微网 | |
CN117559446B (zh) | 环境适应型电能存储与智能调配方法及系统 | |
CN117394403B (zh) | 一种基于大数据分析的储能电源充放电智能管控系统 | |
CN111914000B (zh) | 一种基于功耗预测模型的服务器功率封顶方法、系统 | |
CN116780040A (zh) | 一种温度控制的方法、系统及存储介质 | |
CN111370786A (zh) | 一种动力电池许用功率的调节方法及装置、车辆、存储介质 | |
CN114268141B (zh) | 储能系统soc校正调节方法与系统 | |
CN112943557B (zh) | 风电场、风力发电机组及其运行状态的预测方法和设备 | |
CN117639225A (zh) | 一种低负荷辅机跳闸控制优化方法 | |
CN117691640B (zh) | 一种电网侧储能应急调峰备用能力的评估方法及装置 | |
CN117970009B (zh) | 填谷电路的电力采集终端及电能表 | |
CN118017508B (zh) | 基于电力分配的区域电力智能控制方法及系统 | |
CN117728421B (zh) | 微电网集群协调调度方法、系统、计算机设备和存储介质 | |
CN113765153B (zh) | 一种基于风险评估的新能源极限接入能力计算方法及系统 | |
CN116797048A (zh) | 一种基于机器学习的新能源爬坡事件预测方法 | |
CN118258115A (zh) | 一种水电站桥门机空调自动启停控制方法及系统 | |
CN117503192A (zh) | 基于掌上超声的智能电源管理低功耗传感器方法及系统 | |
CN117748019A (zh) | 一种蓄电池温度监控管理系统 | |
CN117833205A (zh) | 一种电力有功备用与系统充裕性关联分析方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |