技术新讯 > 发电变电,配电装置的制造技术 > 一种智能化换电站负荷调控系统的制作方法  >  正文

一种智能化换电站负荷调控系统的制作方法

  • 国知局
  • 2024-07-31 17:54:28

本发明涉及电力调控,特别是一种智能化换电站负荷调控系统。

背景技术:

1、随着电动汽车的快速发展,换电站的负荷管理变得越来越重要。换电站负荷调控系统可以根据负荷需求和供电能力,对换电站进行负荷平衡,确保充电设备的可靠运行,并避免负荷过载或供电不足的情况发生。此外,换电站的负荷对电力供应网络的稳定性有直接影响。大规模的电动汽车充电需求可能导致电力系统的压力增加,容易引发电力负荷不均衡、电压波动等问题。负荷调控系统可以对换电站的负荷进行监测和调节,确保电力系统的稳定运行。

2、但市场上的一些换电站负荷调控系统存在监测不完善、缺乏智能化和自适应能力等问题。例如,有些的换电站负荷调控系统采用静态调控方法,缺乏智能化和自适应能力,这导致系统无法根据实时负荷需求和电力供应情况进行动态调整,无法实现负荷的灵活管理和优化。为此,本发明构建智能化换电站负荷调控系统,并引入大数据和云计算技术以及自适应调度算法,实现对海量数据的快速处理和分析、动态调整负荷分配和调度策略,提高系统的适应性和灵活性。

技术实现思路

1、鉴于现有的智能化换电站负荷调控方法存在的问题,提出了本发明。因此,本发明所要解决的问题在于如何提供一种智能化换电站负荷调控方法及系统。提供换电站负荷预测和优化功能,为换电站运营商和能源管理部门提供决策支持和管理工具,其次是帮助换电站规划和调整充电设备的容量和布局。此外,本系统可直接实现换电站负荷的平衡和优化,避免负荷过载或供电不足的情况。间接支撑智能电网建设,实现电力系统的信息化和智能化。通过对换电站负荷的监测、分析和调控,实现对充电设备的负荷平衡和优化,提高能源利用效率,并确保电力系统的稳定运行。该系统未来还可与电力系统调度中心进行协调和互动,促进充电基础设施建设以及可持续能源的应用。

2、为解决上述技术问题,本发明提供如下技术方案:

3、第一方面,本发明提供了一种智能化换电站负荷调控系统,其包括:预测模块,用于根据接收到的负荷数据,预测区域换电站的负荷;构建优化及策略制定模块,用于对预测模块的负荷预测结果进行优化计算,基于负荷预测的智能优化,制定调度策略,支撑后续的负荷调度;调控模块,用于根据优化后的预测结果制定调控策略、执行调控策略、实时监测系统运行状态和负荷情况,并对异常情况进行预警。

4、第二方面,本发明提供了一种智能化换电站负荷调控方法,其包括,获取负荷信息平台中的负荷数据,根据历史和实时负荷数据使用负荷预测模型预测区域换电站的负荷,得到负荷预测结果;对负荷预测结果根据约束条件进行优化处理,基于负荷预测结果、优化计算结果、换电站电池组状态、电网运行状态以及电价信息,使用策略制定模型制定调控策略;实施调控策略,实时监测系统运行状态和负荷情况,并对异常情况进行预警。

5、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述负荷预测模型包括输入编码层、编码器层、解码器层和输出层,输入编码层,对输入用电负荷数据进行编码,对融合后的数据进行位置编码,得到多头自注意的输入,相关表达式如下:

6、xt,en=xt,value+xt,pe

7、其中,xt,value为stgcn特征聚合后的用电负荷序列输入信息,xt,pe为位置编码信息;编码器层,每个编码器的输入矩阵和输出矩阵在维数上相等,编码器中有两个子层,包括一个多头自注意层和一个前馈神经网络层,每个子层都有一个残差连接模块,相关表达式如下:

8、xt,att=norm(multihead(xt,en)+xt,en)

9、xt,ffn=norm(ffn(xt,att)+xt,att)

10、其中,norm是归一化过程,xt,ffn是编码器的输出;解码器层,每个解码器由三个子层组成,包括屏蔽层、多头自注意层和前馈神经网络层,掩码多头自注意层是在序列输入注意机制之前添加的掩码操作,在序列预测过程中,只考虑前一数据对当前的影响,使用训练中不涉及的函数将后续信息掩盖为未知数据,解码器的第二层多头自注意层将编码器的输出特征映射与屏蔽层获得的查询向量q,以及编码器输出的键向量k和值向量v结合在一起,掩码操作xt,de的输出为:

11、xt,de=concat(xt,de,his,xt,de,mask)

12、其中,xt,de,his是历史序列,xt,de,mask是预测序列,在预测过程中不泄漏后续信息,解码器对xt,de,mask进行屏蔽操作;输出层,解码器操作后,对解码器输出特征矩阵进行全连通层操作和sigmoid函数,得到净负荷的预测值,相关表达式如下:

13、

14、

15、其中,是最后一层解码器的输出,为预测输出,lp为电力净负荷预测长度。

16、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述负荷预测结果包括预测的时间段、负荷需求预测值、预测的可靠性、可视化图表以及预测结果与实际负荷数据之间的误差程度;约束条件包括电池容量、充电速率、负荷平衡、运营成本以及电力市场的需求响应。

17、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述进行优化处理包括使用优化算法基于负荷预测结果和约束条件得到最优的负荷调度方案;粒子具有位置和速度两个属性,位置表示潜在解的位置,速度表示粒子在搜索空间中的移动方向和速度,不断更新粒子在d维空间上的位置和速度来搜索最优解,粒子群的速度、位置矢量在d维空间上的分量表示如下:

18、

19、

20、其中,分别表示第i粒粒子速度、位置矢量在d维空间上的分量;t为迭代次数;c1和c2是加速度系数;r1和r2为0~1之间的随机数;w为惯性权重;对每次迭代的粒子速度和位置约束如下:

21、vmin≤vi≤vmax

22、xmin≤xi≤xmax

23、其中,vi为第i粒粒子速度,xi为第i粒粒子位置;对优化算法进行最优值求解,得到最优结果。

24、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述进行最优值求解包括以下步骤,参数初始化,随机生成n个粒子,对粒子vi、xi、c1、c2、vmin、vmax、xmin、xmax的参数进行初始化;计算粒子适应度函数f(x),对于每个粒子,根据当前的位置和速度,计算出对应的函数值,目标函数的值越小或越大,表示解的质量越好或越差;根据目标函数值的比较,确定每个粒子的个体最优解,即局部最优解和全局最优解,即整个粒子群中最优的解;找出个体最优解pbesti(t),由适应度函数得出相对应的个体最优值f(pbesti(t));群体最优解为gbest(t),由适应度函数得出相对应的最优值f(gbest(t));更新粒子速度与位置,在每次迭代更新粒子的位置和速度时,需要确保更新后的粒子仍然满足约束条件,若更新粒子的位置和速度时导致粒子位置或速度超出约束范围,则需要进行约束处理,将粒子位置或速度限制在约束范围内;进行边界处理,将边界外粒子的速度和位置重新处理,返回计算粒子适应度函数,进入下一轮迭代,重新计算适应度值,更新粒子位置和速度,若满足条件,输出群体极优值。

25、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述策略制定模型包括,使用深度学习技术构建深度q网络模型,预测在给定状态下采取每个动作的q值,接收状态作为输入,输出每个动作的q值;利用强化学习算法进行训练,逐步学习到最优的调控策略,训练过程中,系统根据当前状态选择一个动作并执行,观察环境的反馈,包括下一个状态和奖励,并更新模型参数;经过训练后的模型根据当前状态选择最优的调控动作实现负荷调控,利用模型进行动作选择,并执行相应的调控策略。

26、作为本发明所述智能化换电站负荷调控方法的一种优选方案,其中:所述深度q网络模型的建立步骤如下,定义状态函数、动作函数和奖励函数,根据换电站负荷调控的业务需求和场景,状态空间表示如下:

27、s={s1,s2,…,sn}

28、其中,s是状态空间,表示换电站的各种运行状态的集合;sn是状态,表示换电站的某一个具体的运行状态;动作空间表示如下:

29、a={a1,a2,…,am}

30、其中,a是动作空间,表示换电站的各种控制动作的集合;am是动作,表示换电站的某一个具体的控制动作;奖励函数的设计符合换电站的运行目标和约束条件,表示如下:

31、r:s×a→r

32、其中,r是奖励函数,表示换电站在每个状态下执行每个动作后所获得的即时回报;定义深度神经网络,深度神经网络的输入层是状态空间的特征向量,输出层是动作空间的q值向量,中间层根据问题的复杂度和数据的规模进行选择结构和参数,深度神经网络公式如下:

33、q(s,a;θ)≈q*(s,a)

34、其中,q为q值函数,表示换电站在每个状态下执行每个动作的长期回报的期望值,q(s,a)表示在状态s下执行动作a的q值;q*(s,a)表示最优的q值函数,即在状态s下执行最优动作的q值;q(s,a;θ)表示用深度神经网络近似的q值函数,θ为深度神经网络的参数;定义学习算法,使用损失函数用于衡量深度神经网络的输出与目标值的差距,并通过反向传播算法调整深度神经网络的参数,相关计算公式如下:

35、

36、l(θ)=e(s,a,r,s′)~d[(y-q(s,a;θ))2]

37、

38、其中,y为目标值,表示换电站在学习过程中用于更新深度神经网络参数的参考值,由当前奖励和下一个状态的最大q值组成,d是经验回放缓冲区,是一个固定大小的队列,每次从环境中获取一条新的转移数据时,就加入队尾,如果队列已满,则将队首的旧数据删除,表示换电站在学习过程中存储的历史状态、动作、奖励和下一个状态的数据集;(s,a,r,s′)表示一个经验元组,其中s是当前状态,a是当前动作,r是当前奖励,s′是下一个状态,γ是折扣因子,表示换电站对未来回报的重视程度,取值范围是[0,1],γ越大,表示换电站越关注长期回报,γ越小,表示换电站越关注即时回报;学习算法公式如下:

39、

40、其中,是损失函数对深度神经网络参数的梯度,表示深度神经网络参数的变化方向和幅度;定义探索策略,探索策略函数公式如下:

41、

42、其中,α为探索策略函数,∈是探索概率,表示换电站在学习过程中随机选择动作的概率,取值范围是[0,1],∈越大,表示换电站越倾向于探索新的动作,∈越小,表示换电站越倾向于利用已知的动作。

43、第三方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现智能化换电站负荷调控方法的步骤。

44、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现智能化换电站负荷调控方法的步骤。

45、本发明有益效果为可以有效地捕捉负荷数据中的时序关系和长期依赖。提高负荷预测的准确性,减少预测误差,更好地预测未来的负荷需求。具有较高的计算效率,可以快速地进行负荷预测并及时更新预测结果。使智能化换电站能够在实时情况下做出更准确的负荷调度决策,提高系统的响应能力和效率。可以在复杂的负荷调度问题中寻找最优解。优化换电站的负荷分配方案,提高系统的能源利用率和经济效益。灵活地考虑多个约束条件和目标函数,如电网负荷平衡、设备运行状态、用户需求等。通过综合考虑多个因素,生成符合实际情况的负荷调度方案,提高系统的稳定性和可靠性。通过学习和制定负荷调度策略,使换电站能够根据实时情况做出自适应的决策。动态调整负荷分配策略,支撑更高效、更灵活的负荷调度。从大量的历史数据中学习并制定负荷调度的最优策略,并根据实时反馈不断进行更新和调整,能够不断优化负荷调度策略,提高系统的性能和适应性。

本文地址:https://www.jishuxx.com/zhuanli/20240731/177236.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。