CN117901703B - 充电负荷调控方法、装置和电子设备 - Google Patents
充电负荷调控方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117901703B CN117901703B CN202410312191.9A CN202410312191A CN117901703B CN 117901703 B CN117901703 B CN 117901703B CN 202410312191 A CN202410312191 A CN 202410312191A CN 117901703 B CN117901703 B CN 117901703B
- Authority
- CN
- China
- Prior art keywords
- charging
- regulation
- charging pile
- power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 241000283153 Cetacea Species 0.000 claims description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000007726 management method Methods 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 abstract description 16
- 230000001105 regulatory effect Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005187 foaming Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种充电负荷调控方法、装置和电子设备，属于数据处理技术领域，方法包括：控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；控制台区智能融合终端基于供电容量阈值、台区负荷以及充电负荷预测数据，确定调控指标功率；控制调控平台在充电桩满载功率大于调控指标功率的情况下，发送功率调控指令至充电桩运营管理平台；控制充电桩运营管理平台基于功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至调控指标功率以内。本发明通过结合实际数据和预测数据来确定对充电桩调控的调控指标功率，在满足用户用电需求的同时，实现对充电桩的充电柔性负荷动态调控，实现引导电动汽车有序充电。
Description
技术领域
本发明涉及数据处理技术领域，具体地涉及一种充电负荷调控方法、一种充电负荷调控装置和一种电子设备。
背景技术
随着新能源汽车的爆发式增长，对电网的需求不断增加，给配网带来巨大的压力。从减小电网扩容投资、提高电网容量利用率、增强电网稳定性角度出发，如何引导新能源汽车集群有序充电从而实现充电负荷的自我调控成为当前车联网的重要方向之一。
目前对于电动汽车有序充电的研究普遍是通过各种方式建立机器学习模型进行充电负荷的调控。但是，目前现有方案无法实现在满足用户用电需求的同时，实现充电桩的充电负荷调控。
发明内容
本发明实施例的目的是提供一种充电负荷调控方法、装置和电子设备，用以解决现有方案无法实现在满足用户用电需求的同时，实现充电桩的充电负荷调控的缺陷。
为了实现上述目的，本发明实施例提供一种充电负荷调控方法，所述方法包括：
控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；
控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；
控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；
控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
可选的，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：
控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。
可选的，所述充电负荷预测数据通过以下步骤计算得到：
获取充电桩运行状态数据；
将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据；
其中，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的；所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的；所述改进鲸鱼优化算法用于在螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以将所述最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
初始化改进鲸鱼算法的种群规模、最大迭代次数；
重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置；
将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：
；
；
其中，l是随机数系数；是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
另一方面，本发明实施例还提供一种充电负荷调控装置，包括：
第一控制模块，用于控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；
第二控制模块，用于控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；
第三控制模块，用于控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；
第四控制模块，用于控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
可选的，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：
控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。
可选的，所述充电负荷预测数据通过以下步骤计算得到：
获取充电桩运行状态数据；
将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据；
其中，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的；所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的；所述改进鲸鱼优化算法用于在螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以将所述最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
初始化改进鲸鱼算法的种群规模、最大迭代次数；
重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置；
将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：
；
；
其中，l是随机数系数；是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述充电负荷调控方法。
另一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述充电负荷调控方法。
通过上述技术方案，本发明实施例通过控制台区智能融合终端基于供电容量阈值、表征用户用电需求的台区负荷以及表明充电桩未来充电负荷的充电负荷预测数据，确定调控指标功率，在充电桩满载功率大于所述调控指标功率的情况下，控制所述充电桩运营管理平台将充电桩的充电功率下降至所述调控指标功率以内，本发明实施例通过结合实际数据和预测数据来确定对充电桩调控的调控指标功率，在满足用户用电需求的同时，实现对充电桩的充电柔性负荷动态调控，实现引导电动汽车有序充电。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明提供的充电负荷调控方法的流程示意图之一；
图2是本发明提供的充电负荷调控方法的流程示意图之二；
图3是本发明提供的充电负荷调控装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
方法实施例
请参照图1，本发明实施例提供一种充电负荷调控方法，所述方法包括：
步骤100、控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据。
请参照图2，本发明实施例的充电负荷调控方法基于台区监控系统平台+台区智能融合终端（包括功率调控模块）+调控平台+充电桩运营管理平台的架构实现。其中，台区监控系统平台与台区智能融合终端通信连接，台区智能融合终端与调控平台通信连接，调控平台与充电桩运营管理平台通信连接。
其中，台区监控系统平台负责电网与各台区的平衡，实现全网负荷调度，为客户提供优质服务。台区监控系统平台具体负责发送台区用电信息，平台数据分析及展示，根据电网重过载指标设定供电容量阈值下发至台区智能融合终端。
台区智能融合终端内置功率调控模块并部署有序充电管理、调控模块交互等APP，采集台区多个单元的数据，自动实施安全策略，输出可调的调控指标功率。
调控平台实现柔性负荷调控功能，在充电桩集群接入配网时增强配网的安全性和稳定性。调控平台具体作用为输出智能调控策略（即下发功率调控指令），并实时监测调控响应结果。
充电桩运营管理平台接收充电桩功率的有序调控指令，并与车进行交互，实现充电功率有效调节。该平台可以建立充电负荷预测模型对充电桩的充电负荷进行估算及分析，以便制定调控策略。充电桩运营管理平台负责响应调控平台的智能调控策略，推送实时数据至调控平台并接受调控平台的超限响应。另外，用户可使用手机的APP发起充电请求，充电桩运营管理平台对充电请求进行响应。
其中，充电负荷预测数据是充电桩对未来的充电负荷进行预测得到的，该数据反应未来一段时间充电桩的用电负荷水平。在一个实施例中，充电桩运营管理平台可发送充电桩的充电负荷预测数据至调控平台，调控平台再将充电桩的充电负荷预测数据发送至台区智能融合终端，实现控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据。
步骤200、控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率。
其中，供电容量阈值可以是台区监控系统平台制定的。例如台区监控系统平台根据电网重过载指标设定供电容量阈值，比如可能是变压器容量的80%或者75%。台区监控系统平台的供电容量阈值制定方法有两种。一种是台区动态提供配网供电容量，由TCP/IP协议接口传输动态的限定额度；一种是固定时间段定义供电容量阈值的策略，采用手动定义时段内输出限额。可根据台区实际情况自由选择供电容量阈值的设定方法。台区负荷指的是变压器的供电范围或区域内的电功率负荷。台区负荷可以是变压器的供电范围或区域（例如多个生活小区）内的多个用电设备的功率累加值，该台区负荷反映了用户的用电需求。
通过控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，便于将表征可用功率的调控指标功率下发至调控平台。在一个实施例中，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。例如，供电容量阈值是200kW，某个时刻的台区负荷是60kW，充电桩运营管理平台预测的充电负荷预测数据是40kW，此时调控指标功率=200-60-40=100kW。即台区智能融合终端向调控平台下发的充电桩可用功率为100kW。
步骤300、控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台。
调控平台接收台区智能融合终端向调控平台下发的调控指标功率后，将调控指标功率与充电桩满载功率进行比较。充电桩满载功率未超过调控指标功率时则不做调控，此时可以控制充电桩满功率输出。充电桩满载功率超过调控指标功率时执行智能调控策略，将功率调控指令下发至充电运营管理平台。其中，功率调控指令用于指示将充电桩的充电功率下降至所述调控指标功率以内。
例如，比如说某个时刻调控指标功率为100kW，所有充电桩的充电桩满载功率为80kW，此时不用调节，可以控制充电桩满功率输出；比如某个时刻调控指标功率只有70kW了，如果充电桩80kW全部输出，就会导致小区的用电不够了，就得下发功率调控指令至充电运营管理平台，从而调节让某些充电桩的充电功率进行限额（比如只用50%），使得充电桩的充电功率不超过70kW，此时引导充电的电动汽车数量减少，在满足用户用电需求的同时，实现引导电动汽车有序充电。
步骤400、控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
充电桩运营管理平台收到功率调控指令后，控制充电运营管理平台对功率调控指令进行响应，对充电桩下发控制指令，将各自总功率降低到可用功率限值以内。例如当充电桩的充电桩满载功率为80kW，充电桩运营管理平台接收调控平台发送的功率调控指令，充电桩运营管理平台发送控制指令至充电桩，以将充电桩的充电功率下降至70kW以内，从而使得小区用电需求得到满足，本发明实施例的充电负荷调控方法在满足用户用电需求的同时，提升配网能源利用效率，节约能源，降低配网投资成本，实现供电台区柔性自治，实现配网与车友好协同。
本发明实施例通过控制台区智能融合终端基于供电容量阈值、表征用户用电需求的台区负荷以及表明充电桩未来充电负荷的充电负荷预测数据，确定调控指标功率，在充电桩满载功率大于所述调控指标功率的情况下，控制所述充电桩运营管理平台将充电桩的充电功率下降至所述调控指标功率以内，本发明实施例通过结合实际数据和预测数据来确定对充电桩调控的调控指标功率，在满足用户用电需求的同时，实现对充电桩的充电柔性负荷动态调控，实现引导电动汽车有序充电。
在本发明实施例的其他方面，所述充电负荷预测数据通过以下步骤计算得到：
步骤11、获取充电桩运行状态数据。
本发明实施例的充电桩运行状态数据可以包括峰谷时段电价和电动汽车用户响应等多个因素。在一个实施例中，充电桩运行状态数据可以包括峰谷时段电价和电动汽车用户的出行期望。其中峰谷时段电价可以指高峰期每天8:00-11:00和18:00-23:00，按1.6元/度电标准收费；低峰期每天23:00-7:00,按0.9元/kWh标准收费；正常时间段为每天7:00-8:00和11:00-18:00，按1.3元/度电标准收费。若在上午9点，峰谷时段电价则为1.6元/度电。电动汽车用户的出行期望（即电动汽车用户响应）可以通过数值进行量化。例如数值0-2表示电动汽车用户的出行期望低（例如在18:00-6:00），数值3-5表示电动汽车用户的出行期望高（例如在6:00-18:00）。
步骤12、将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据。
本发明实施例中充电负荷预测模型以减小充电负荷峰谷比、降低总充电成本为目标。将所述充电桩运行状态数据（例如峰谷时段电价：1.6元/度电，出行期望5）输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的对充电桩预测的充电负荷预测数据。
需要说明的是，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的。具体的，可采集一段时间（例如一年）内每天的峰谷时段电价、出行期望作为充电桩运行状态样本数据，采集与峰谷时段电价和出行期望对应时刻的充电负荷数据作为标签数据。基于充电桩运行状态样本数据和标签数据，通过有监督的方式进行训练，使得充电负荷预测模型能够对充电桩运行状态数据进行预测，得到充电桩的充电负荷预测数据。其中充电负荷预测模型可以使用各种有监督的回归模型。例如决策树模型、卷积神经网络、长短期记忆网络等。
电动汽车有序充电是一个以充电负荷分布为依据、以充电负荷峰谷比与充电费用之和最小化为目标的最优化问题，具体涉及负荷峰谷时段划分、峰谷时段电价及电动汽车出行期望等多个因素，且各因素相互关联，具有一定的耦合关系。因此要达到最优化目标，需进行多变量综合寻优。而在众多优化算法中，鲸鱼优化算法（Whale OptimizationAlgorithm，WOA）具有原理简单、参数设置少、寻优性能强等优点而被广泛应用，但由于容易陷入局部最优解且收敛精度低的问题。本发明实施例对现有的鲸鱼优化算法进行改进，通过在现有鲸鱼优化算法的螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以提高寻优能力，解决现有鲸鱼优化算法容易陷入局部最优、收敛精度低以及收敛速度慢的问题。本发明实施例最后将所述最优个体位置作为所述充电负荷预测模型的模型参数，即所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的。
本发明实施例通过改进鲸鱼算法得到最优解，将最优解对充电桩运营管理平台的充电负荷预测模型的模型参数进行替换，从而缓解模型参数对预测精度的影响，提高充电桩运营管理平台的充电负荷预测模型的模型预测精度，从而提高电动汽车集群充电负荷调控的准确度，提高对充电桩的充电柔性负荷动态调控的效果，实现功率调控充电桩集群内分布式资源的协调优化。
具体的，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
步骤21、初始化改进鲸鱼算法的种群规模、最大迭代次数。
例如初始化改进鲸鱼算法的种群规模设为200，迭代次数设为1000。需要说明的是，本发明实施例还包括初始化鲸鱼种群位置。
步骤22、重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置。
具体包括计算鲸鱼群体的适应度，并根据适应度选择初始鲸鱼种群个数；计算个体适应度，并基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置。
现有的鲸鱼优化算法（Whale Optimization Algorithm，WOA），其基本原理分为三个阶段：包围猎物、发泡网攻击、搜寻猎物。通过对座头鲸的捕食行为建立数学模型，最优个体的位置就代表当前问题的最优解，具体建模步骤如下：
1）包围猎物。假设在d维空间中，当前最佳鲸鱼个体为，鲸鱼个体/>，则鲸鱼个体x j在最佳鲸鱼个体x *影响下的下一个位置的计算公式为：
；/>；
；/>；
其中：x m,j+1表示空间坐标x j+1的第m个分量；x m,j表示空间坐标x j的第m个分量；x * m表示第m维的最佳鲸鱼个体；D m中的‘| |’表示求绝对值；a是随着迭代次数增加，从2至0线性递减；A 1取值在[-a，a]之间；r 1，r 2是[0,1]的随机数；D m 、c 1分别表示中间计算参数。
2）发泡网攻击。发泡网攻击是座头鲸特有的吐气泡捕食行为，在捕食途中采取的是螺旋收缩包围的方式，其螺旋位置更新公式如下：
；/>；
式中：b为对数螺旋形状常数，l为[-1,1]的随机数，D m1表示中间计算参数。
由于座头鲸收缩包围猎物和螺旋上升的行为是同时发生，在位置更新时，需引入随机概率p作为判断阈值，来判断以哪一种迭代方式进行。
；
式中：A 1∈[-1,1]；p是(0,1)的随机数；l是[-1,1]的随机数。
3）搜索捕食。在收缩包围捕食行为的数学模型中，A 1的取值范围限制为[-1,1]，但是，当A 1的取值不在该范围时，当前鲸鱼个体不会向最佳鲸鱼个体靠近，而是从当前鲸鱼群体中，随机选择一条鲸鱼个体靠近，从而使得自己的位置得到更新。假设当前鲸鱼群体中随机一个鲸鱼个体具体如下：
；/>；
；/>。
步骤23、将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
发泡网攻击阶段的螺旋位置更新方法与鲸鱼优化算法的性能有显著关联，与螺旋更新位置相关的随机数系数l确定了螺旋上每个位置的曲率半径。因此，对随机数系数l进行合理调整可以提高最佳命中精度。本发明实施例提出了一种非线性方法控制的随机数系数l来提高收敛精度。本发明通过非线性变化的随机数系数在算法初期设置随机数系数l值较大并且减小速率快，随着迭代次数的增加，设置l值在后期逐渐减小并且减小速度变缓，从而提高收敛精度。通过将改进鲸鱼优化算法计算的最优个体位置作为所述充电负荷预测模型的模型参数，有利于缓解模型参数对预测精度的影响，提高电动汽车集群日充电负荷控制策略的准确度，实现功率调控充电桩集群内分布式资源的协调优化。
在本发明实施例的其他方面，所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：；/>；其中，l是随机数系数；/>是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
当鲸鱼个体采用螺旋位置更新时，在算法初期，通过上述公式设置l值较大并且减小速率快，螺旋上每个位置的曲率半径较大且变化速度快。随着迭代次数的增加，算法当前最优个体越来越趋近于最终的最优个体，通过上述公式设置l值在后期逐渐减小并且减小速度变缓，此时螺旋上每个位置的曲率半径小且变化缓慢，使得算法在后期能够更加精确地靠近最优解，进而在一定程度上提高了算法的收敛精度。本发明实施例通过改进的鲸鱼优化算法解决了传统鲸鱼优化算法容易陷入局部最优、收敛精度低以及收敛速度慢的问题，实现提高充电负荷预测模型的预测精度，进一步提高电动汽车集群日充电负荷控制策略的准确度，实现功率调控充电桩集群内分布式资源的协调优化。
装置实施例
请参照图3，另一方面，本发明实施例还提供一种充电负荷调控装置，包括：
第一控制模块301，用于控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；
第二控制模块302，用于控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；
第三控制模块303，用于控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；
第四控制模块304，用于控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
本发明实施例的充电负荷调控装置，通过控制台区智能融合终端基于供电容量阈值、表征用户用电需求的台区负荷以及表明充电桩未来充电负荷的充电负荷预测数据，确定调控指标功率，在充电桩满载功率大于所述调控指标功率的情况下，控制所述充电桩运营管理平台将充电桩的充电功率下降至所述调控指标功率以内，本发明实施例通过结合实际数据和预测数据来确定对充电桩调控的调控指标功率，在满足用户用电需求的同时，实现对充电桩的充电柔性负荷动态调控，实现引导电动汽车有序充电。
可选的，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：
控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。
可选的，本发明实施例还提供一种充电负荷调控装置，所述充电负荷预测数据通过以下步骤计算得到：
获取充电桩运行状态数据；
将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据；
其中，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的；所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的；所述改进鲸鱼优化算法用于在螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以将所述最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
初始化改进鲸鱼算法的种群规模、最大迭代次数；
重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置；
将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
可选的，所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：
；/>；
其中，l是随机数系数；是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
所述充电负荷调控装置包括处理器和存储器，上述第一控制模块301、第二控制模块302、第三控制模块303和第四控制模块304等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行充电负荷调控方法，该方法包括：控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
此外，上述的存储器430中的逻辑指令可以通过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，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行充电负荷调控方法，该方法包括：控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (8)
1.一种充电负荷调控方法，其特征在于，所述方法包括：
控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；
控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；
控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；
控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内；
所述充电负荷预测数据通过以下步骤计算得到：
获取充电桩运行状态数据；
将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据；
其中，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的；所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的；所述改进鲸鱼优化算法用于在螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以将所述最优个体位置作为所述充电负荷预测模型的模型参数；
所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：
；/>；
其中，l是随机数系数；是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
2.根据权利要求1所述的充电负荷调控方法，其特征在于，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：
控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。
3.根据权利要求1所述的充电负荷调控方法，其特征在于，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
初始化改进鲸鱼算法的种群规模、最大迭代次数；
重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置；
将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
4.一种充电负荷调控装置，其特征在于，包括：
第一控制模块，用于控制台区智能融合终端接收充电桩运营管理平台发送的充电桩的充电负荷预测数据；
第二控制模块，用于控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率；
第三控制模块，用于控制调控平台在充电桩满载功率大于所述调控指标功率的情况下，发送功率调控指令至所述充电桩运营管理平台；
第四控制模块，用于控制所述充电桩运营管理平台基于所述功率调控指令发送控制指令至充电桩，以将充电桩的充电功率下降至所述调控指标功率以内；
所述充电负荷预测数据通过以下步骤计算得到：
获取充电桩运行状态数据；
将所述充电桩运行状态数据输入至充电桩的充电负荷预测模型，得到所述充电负荷预测数据模型输出的充电负荷预测数据；
其中，所述充电负荷预测模型是基于充电桩运行状态样本数据和所述充电桩运行状态样本数据对应的标签数据训练得到的；所述充电负荷预测模型的模型参数是通过改进鲸鱼优化算法计算得到的；所述改进鲸鱼优化算法用于在螺旋位置更新时控制随机数系数非线性变化来计算最优个体位置，以将所述最优个体位置作为所述充电负荷预测模型的模型参数；
所述改进鲸鱼优化算法非线性变化的随机数系数通过以下公式计算：
；/>；
其中，l是随机数系数；是[0,1]的随机数；t是当前迭代次数；t max为最大迭代次数；ω是中间计算参数。
5.根据权利要求4所述的充电负荷调控装置，其特征在于，所述控制台区智能融合终端基于供电容量阈值、台区负荷以及所述充电负荷预测数据，确定调控指标功率，包括：
控制台区智能融合终端基于所述供电容量阈值，与所述台区负荷和所述充电负荷预测数据之和的差值，确定调控指标功率。
6.根据权利要求4所述的充电负荷调控装置，其特征在于，所述充电负荷预测模型的模型参数通过以下步骤计算得到：
初始化改进鲸鱼算法的种群规模、最大迭代次数；
重复执行以下步骤直至达到所述最大迭代次数：计算所述种群规模中的每个个体的个体适应度；基于所述每个个体的个体适应度和所述改进鲸鱼优化算法非线性变化的随机数系数，更新最优个体位置；
将迭代结束后得到的最优个体位置作为所述充电负荷预测模型的模型参数。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至3中任一项所述的充电负荷调控方法。
8.一种机器可读存储介质，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3中任一项所述的充电负荷调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312191.9A CN117901703B (zh) | 2024-03-19 | 2024-03-19 | 充电负荷调控方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312191.9A CN117901703B (zh) | 2024-03-19 | 2024-03-19 | 充电负荷调控方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117901703A CN117901703A (zh) | 2024-04-19 |
| CN117901703B true CN117901703B (zh) | 2024-05-28 |
Family
ID=90696319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410312191.9A Active CN117901703B (zh) | 2024-03-19 | 2024-03-19 | 充电负荷调控方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117901703B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
| CN113392587A (zh) * | 2021-06-16 | 2021-09-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种大区域滑坡危险性评价的并行支持向量机分类方法 |
| KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
| CN114056161A (zh) * | 2021-10-26 | 2022-02-18 | 许继电源有限公司 | 一种充电桩有序充电系统及控制方法 |
| CN114194062A (zh) * | 2021-12-10 | 2022-03-18 | 北京世纪云安新能源有限公司 | 充电桩充电保护方法、装置、计算机设备和存储介质 |
| CN114254912A (zh) * | 2021-12-17 | 2022-03-29 | 深圳供电局有限公司 | 一种用于电动车充电站的负荷控制系统及方法 |
| CN117067978A (zh) * | 2023-07-11 | 2023-11-17 | 国网湖南省电力有限公司 | 基于台区智能融合终端的电动汽车充电控制方法及系统 |
-
2024
- 2024-03-19 CN CN202410312191.9A patent/CN117901703B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
| CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
| CN113392587A (zh) * | 2021-06-16 | 2021-09-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种大区域滑坡危险性评价的并行支持向量机分类方法 |
| CN114056161A (zh) * | 2021-10-26 | 2022-02-18 | 许继电源有限公司 | 一种充电桩有序充电系统及控制方法 |
| CN114194062A (zh) * | 2021-12-10 | 2022-03-18 | 北京世纪云安新能源有限公司 | 充电桩充电保护方法、装置、计算机设备和存储介质 |
| CN114254912A (zh) * | 2021-12-17 | 2022-03-29 | 深圳供电局有限公司 | 一种用于电动车充电站的负荷控制系统及方法 |
| CN117067978A (zh) * | 2023-07-11 | 2023-11-17 | 国网湖南省电力有限公司 | 基于台区智能融合终端的电动汽车充电控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117901703A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
| CN113515884A (zh) | 分散式电动汽车实时优化调度方法、系统、终端及介质 | |
| CN114004450A (zh) | 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型 | |
| CN108471139B (zh) | 一种含新能源和温控负荷的区域电网动态需求响应方法 | |
| CN112636396B (zh) | 光伏配电网控制方法及终端 | |
| CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
| CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
| CN105356491A (zh) | 一种基于储能和虚拟储能最优控制的功率波动平抑方法 | |
| CN115759317A (zh) | 一种电力负荷调控方法、装置、电子设备及存储介质 | |
| CN113344273B (zh) | 基于建筑用能的区域配电网峰谷差调节优化方法及系统 | |
| CN107967528B (zh) | 充电价格显示方法及装置 | |
| CN117901703B (zh) | 充电负荷调控方法、装置和电子设备 | |
| CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
| CN116645089A (zh) | 一种考虑退役电池容量退化的储能系统双层优化配置方法 | |
| CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
| CN112564151B (zh) | 一种计及隐私意识的多微网云储能优化调度方法及系统 | |
| CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
| CN113867905A (zh) | 一种应用服务器集群实时能耗优化方法 | |
| CN113076696A (zh) | 基于ipso-混沌bp网络的负荷短期预测方法及预测系统 | |
| CN116910637B (zh) | 基于改进的iga-rbf神经网络短期负荷预测方法 | |
| CN115528712B (zh) | 一种源网荷储备不同区储能容量平衡方法及系统 | |
| CN117374995B (zh) | 一种电力调度优化方法、装置、设备和存储介质 | |
| CN117691615A (zh) | 微电网客户侧柔性负荷资源互动运营优化方法及设备 | |
| CN117691713A (zh) | 电池充放电的控制方法、装置、设备及存储介质 | |
| CN117239793A (zh) | 储能规划方法、装置、计算机设备和存储介质 |
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 |