CN116706963A - 基于区域电力负荷预测的大规模电动汽车v2g调度方法 - Google Patents

基于区域电力负荷预测的大规模电动汽车v2g调度方法 Download PDF

Info

Publication number
CN116706963A
CN116706963A CN202310506729.5A CN202310506729A CN116706963A CN 116706963 A CN116706963 A CN 116706963A CN 202310506729 A CN202310506729 A CN 202310506729A CN 116706963 A CN116706963 A CN 116706963A
Authority
CN
China
Prior art keywords
power load
electric automobile
power
priority
lstm
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.)
Granted
Application number
CN202310506729.5A
Other languages
English (en)
Other versions
CN116706963B (zh
Inventor
汪司珂
余炼崧
石洪
庞博
郑欣
马奔
葛晓虎
王信
郭雨
李志浩
曹棚
雷鸣
丁黎
罗维
宋天斌
朱小虎
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.)
Wuhan NARI Ltd
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan NARI Ltd
Metering Center of State Grid Hubei Electric Power 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 Wuhan NARI Ltd, Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan NARI Ltd
Priority to CN202310506729.5A priority Critical patent/CN116706963B/zh
Publication of CN116706963A publication Critical patent/CN116706963A/zh
Application granted granted Critical
Publication of CN116706963B publication Critical patent/CN116706963B/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
    • H02J3/28—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
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • 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]
    • 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
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请涉及一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，包括以下具体步骤：步骤一：对区域内电力负荷历史数据进行分析，获取其峰谷波动特征和季节性波动特征；步骤二：采用长短期记忆网络LSTM对未来短时间内的电力负荷曲线进行预测；步骤三：基于电动汽车剩余电量与使用需求，计算其调度优先级；步骤四：依据调度优先级和电动汽车充放电状态，计算每一台电动汽车的充放电功率，进而实现大规模电动汽车V2G调度。本申请通过合理决策各个充电汽车在V2G模式下的充放电功率来达到调节电网波动的目的。

Description

基于区域电力负荷预测的大规模电动汽车V2G调度方法
技术领域
本申请涉及基于区域电力负荷预测的大规模电动汽车V2G调度方法领域，具体涉及一种基于区域电力负荷预测的大规模电动汽车V2G调度方法。
背景技术
从用户成本角度，目前国内V2G充电桩均为大电流快速直流充电桩，已经有了不少试点，可对电网起到一定削峰填谷作用，但一般装在工业园区，因其价值较高，新能源汽车个人用户购买意向低，无法大面积推广，也导致无法解决今后电动汽车大规模购买后社区电源容量不足问题，亟需研究低成本有序交流充电桩V2G充电模式，突破车网互动的技术难题。
从新能源迫切需求的角度，目前光伏，风能等可再生新能源已经大量接入电网中，从社会的可持续发展的角度来看，可再生能源的有效利用是改革能源格局的重要方向。由于可再生能源的不确定性，可能会引起电网的波动，导致电网负荷过高，迫切需要大量能源存储***进行补偿来维持电网的稳定。此外，用电需求较低时会导致用电量小于电网输出的电量，这就意味着过剩的能量会被浪费掉。因此，本发明引入V2G技术，并提出一种基于区域电力负荷预测的大规模电动汽车V2G调度策略，通过合理决策各个充电汽车在V2G模式下的充放电功率来达到调节电网波动的目的。
发明内容
本申请实施例的目的在于提供一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，达到提高电网调峰调频、安全应急能力的目标。
为实现上述目的，本申请提供如下技术方案：
本申请实施例提供一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，包括以下具体步骤：
步骤一：对区域内电力负荷历史数据进行分析，获取其峰谷波动特征和季节性波动特征；
步骤二：采用长短期记忆网络LSTM对未来短时间内的电力负荷曲线进行预测；
步骤三：基于电动汽车剩余电量与使用需求，计算其调度优先级；
步骤四：依据调度优先级和电动汽车充放电状态，计算每一台电动汽车的充放电功率，进而实现大规模电动汽车V2G调度。
所述步骤一中，采用Pearson相关性分析方法，对电力负荷历史数据的自相关性进行分析。
所述步骤二中采用长短期记忆网络LSTM对未来短时间内的电力负荷曲线进行预测具体为，
以10min为二次采样周期对电力负荷历史数据进行处理进行二次采样，保持数据周期的一致性；
以LSTM的基本原理为基础，以当前时刻电力负荷为输入，以下一时刻电力负荷为输出，建立电力负荷预测模型，并计算LSTM的输入门、遗忘门和输出门，计算时，激活函数使用sigmoid函数；
计算LSTM候选记忆细胞的输出，激活函数采用tanh函数；
基于遗忘门、输入门、候选记忆细胞、上一时刻记忆细胞的输出，计算当前记忆细胞的输出；
基于输出门和当前记忆细胞的输出，计算隐藏状态；
基于下一时刻电力负荷与输出门之间的误差，采用梯度下降法计算更新权重，通过不断重复以上步骤，完成LSTM的训练，保存训练后的权重和LSTM的结构；
基于训练完成后的LSTM网络，利用当前和历史的电力负荷数据，通过滚动的方式，不断对下一时刻的电力负荷进行预测，获得未来多个时刻的电力负荷预测值。
所述步骤三中，调度优先级分为充电优先级和放电优先级，计算公式如下
其中，Q表示电动汽车电池的总容量，S表示电动汽车剩余电量的百分比，Pc表示电动汽车额定充电功率，Pd表示电动汽车额定放电功率，σc表示充电优先级，σd表示放电优先级。在进行调度时，会依据优先级来决策每个电动汽车的充放电功率。
所述步骤四具体为，
若期望的电力负荷高于LSTM预测的下一时刻电力负荷，则进入放电优先模式，否则进入充电优先模式，在充电优先模式下，按照充电优先级从高到低的顺序，将电动汽车的充电功率调整至最大值，直至当前电力负荷达到下一时刻的期望值，在放电优先模式下，按照放电优先级从高到低的顺序，调整电动汽车的实际功率，直至当前电力负荷达到下一时刻的期望值，具体计算公式如下，
其中，Sc和Sd分别为充电决策阈值和放电决策阈值，P为电动汽车实际功率，若P大于0，则表示电动汽车正在充电，若小于0，则表示电动汽车正在向电网放电。
与现有技术相比，本发明的有益效果是：
(1)本发明的一种基于区域电力负荷预测的大规模电动汽车V2G调度策略，采用Pearson相关性分析方法对电力负荷历史数据进行分析，获得了电力负荷的日周期性波动，季节周期性波动，以及逐年增长等特性。
(2)本发明的一种基于区域电力负荷预测的大规模电动汽车V2G调度策略，采用LSTM网络建立区域电力负荷预测模型，可以为V2G调度策略提供有效指导，进而达到提前调度的目的。
(3)本发明的一种基于区域电力负荷预测的大规模电动汽车V2G调度策略，通过对每一台电动汽车的调度优先级进行评价，在保证电动汽车日常使用需求的情况下，利用电动汽车的电池容量来平衡电网负荷的峰谷波动，通过合理调整电动汽车充放电功率的方式来达到调节电网波动的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1是本申请实施例的方法流程示意图；
图2是本申请实施例采用LSTM网络预测未来电力负荷变化的结果示意图；
图3是本申请实施例调度方法应用前后的某区域电网负荷变化仿真结果示意图；
图4是图3的局部放大示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示，一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，包括以下步骤：
步骤一：对一定区域内电力负荷历史数据进行分析，获取其峰谷波动特征和季节性波动特征；
步骤二：采用长短期记忆网络(LSTM)对未来短时间内的电力负荷曲线进行预测；
步骤三：基于电动汽车剩余电量与使用需求，计算其调度优先级；
步骤四：依据调度优先级和电动汽车充放电状态，计算每一台电动汽车的充放电功率，进而实现大规模电动汽车V2G调度。
步骤一：
采用Pearson相关性分析方法，对电力负荷历史数据的自相关性进行分析。通过结合电力负荷历史数据变化曲线进行分析发现，电力负荷变化具有很强的周期性，且主要以日和年为波动周期。从整体来看，电力负荷还具有逐年上升的特性。因此，对未来短时间内的电力负荷历史数据进行预测时，需要使用时间序列预测方法。
步骤二：
(3-1)以10min为二次采样周期对电力负荷历史数据进行处理进行二次采样，保持数据周期的一致性。由于数据的时间跨度较长，过长的采样周期会导致预测模型过于复杂，因此需要进行二次采样。
(3-2)以LSTM的基本原理为基础，以当前时刻电力负荷为输入，以下一时刻电力负荷为输出，建立电力负荷预测模型，并计算LSTM的输入门、遗忘门和输出门。计算时，激活函数使用sigmoid函数。
(3-3)计算LSTM候选记忆细胞的输出，激活函数采用tanh函数。
(3-4)基于遗忘门、输入门、候选记忆细胞、上一时刻记忆细胞的输出，计算当前记忆细胞的输出。
(3-5)基于输出门和当前记忆细胞的输出，计算隐藏状态。
(3-6)基于下一时刻电力负荷与输出门之间的误差，采用梯度下降法计算更新权重，通过不断重复(3-2)到(3-6)的步骤，完成LSTM的训练，保存训练后的权重和LSTM的结构。
(3-7)基于训练完成后的LSTM网络，利用当前和历史的电力负荷数据，通过滚动的方式，不断对下一时刻的电力负荷进行预测，获得未来多个时刻的电力负荷预测值。
基于上述步骤二，得到LSTM网络预测未来电力负荷变化的结果如图2所示。
步骤三：
依据电动汽车剩余电量、使用需求，计算每个调动汽车的调度优先级。调度优先级分为充电优先级和放电优先级，他们的计算公式如下
其中，Q表示电动汽车电池的总容量，S表示电动汽车剩余电量的百分比，Pc表示电动汽车额定充电功率，Pd表示电动汽车额定放电功率，σc表示充电优先级，σd表示放电优先级。在进行调度时，会依据优先级来决策每个电动汽车的充放电功率。
步骤四：
若期望的电力负荷高于LSTM预测的下一时刻电力负荷，则进入放电优先模式，否则进入充电优先模式。在充电优先模式下，按照充电优先级从高到低的顺序，将电动汽车的充电功率调整至最大值，直至当前电力负荷达到下一时刻的期望值。在放电优先模式下，按照放电优先级从高到低的顺序，调整电动汽车的实际功率，直至当前电力负荷达到下一时刻的期望值，具体计算公式如下。值得注意的是，即使在放电优先模式下，大部分的电动汽车也仍是处于充电状态。
其中，Sc和Sd分别为充电决策阈值和放电决策阈值，P为电动汽车实际功率。若P大于0，则表示电动汽车正在充电，若小于0，则表示电动汽车正在向电网放电。
如图3和图4所示，采用本申请的调度方法，区域内电网负荷变化仿真结果，由结果可以知道电网波动明显减小。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，其特征在于，包括以下具体步骤：
步骤一：对区域内电力负荷历史数据进行分析，获取其峰谷波动特征和季节性波动特征；
步骤二：采用长短期记忆网络LSTM对未来短时间内的电力负荷曲线进行预测；
步骤三：基于电动汽车剩余电量与使用需求，计算其调度优先级；
步骤四：依据调度优先级和电动汽车充放电状态，计算每一台电动汽车的充放电功率，进而实现大规模电动汽车V2G调度。
2.根据权利要求1所述的一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，其特征在于，所述步骤一中，采用Pearson相关性分析方法，对电力负荷历史数据的自相关性进行分析。
3.根据权利要求1所述的一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，其特征在于，所述步骤二中采用长短期记忆网络LSTM对未来短时间内的电力负荷曲线进行预测具体为，
以10min为二次采样周期对电力负荷历史数据进行处理进行二次采样，保持数据周期的一致性；
以LSTM的基本原理为基础，以当前时刻电力负荷为输入，以下一时刻电力负荷为输出，建立电力负荷预测模型，并计算LSTM的输入门、遗忘门和输出门，计算时，激活函数使用sigmoid函数；
计算LSTM候选记忆细胞的输出，激活函数采用tanh函数；
基于遗忘门、输入门、候选记忆细胞、上一时刻记忆细胞的输出，计算当前记忆细胞的输出；
基于输出门和当前记忆细胞的输出，计算隐藏状态；
基于下一时刻电力负荷与输出门之间的误差，采用梯度下降法计算更新权重，通过不断重复以上步骤，完成LSTM的训练，保存训练后的权重和LSTM的结构；
基于训练完成后的LSTM网络，利用当前和历史的电力负荷数据，通过滚动的方式，不断对下一时刻的电力负荷进行预测，获得未来多个时刻的电力负荷预测值。
4.根据权利要求1所述的一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，其特征在于，所述步骤三中，调度优先级分为充电优先级和放电优先级，计算公式如下
其中，Q表示电动汽车电池的总容量，S表示电动汽车剩余电量的百分比，Pc表示电动汽车额定充电功率，Pd表示电动汽车额定放电功率，σc表示充电优先级，σd表示放电优先级。在进行调度时，会依据优先级来决策每个电动汽车的充放电功率。
5.根据权利要求1所述的一种基于区域电力负荷预测的大规模电动汽车V2G调度方法，其特征在于，所述步骤四具体为，
若期望的电力负荷高于LSTM预测的下一时刻电力负荷，则进入放电优先模式，否则进入充电优先模式，在充电优先模式下，按照充电优先级从高到低的顺序，将电动汽车的充电功率调整至最大值，直至当前电力负荷达到下一时刻的期望值，在放电优先模式下，按照放电优先级从高到低的顺序，调整电动汽车的实际功率，直至当前电力负荷达到下一时刻的期望值，具体计算公式如下，
其中，Sc和Sd分别为充电决策阈值和放电决策阈值，P为电动汽车实际功率，若P大于0，则表示电动汽车正在充电，若小于0，则表示电动汽车正在向电网放电。
CN202310506729.5A 2023-05-07 2023-05-07 基于区域电力负荷预测的大规模电动汽车v2g调度方法 Active CN116706963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310506729.5A CN116706963B (zh) 2023-05-07 2023-05-07 基于区域电力负荷预测的大规模电动汽车v2g调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310506729.5A CN116706963B (zh) 2023-05-07 2023-05-07 基于区域电力负荷预测的大规模电动汽车v2g调度方法

Publications (2)

Publication Number Publication Date
CN116706963A true CN116706963A (zh) 2023-09-05
CN116706963B CN116706963B (zh) 2024-04-12

Family

ID=87838245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310506729.5A Active CN116706963B (zh) 2023-05-07 2023-05-07 基于区域电力负荷预测的大规模电动汽车v2g调度方法

Country Status (1)

Country Link
CN (1) CN116706963B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277515A (zh) * 2023-11-21 2023-12-22 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117621898A (zh) * 2023-12-08 2024-03-01 杭州育恩科技有限公司 考虑电网电价的智慧停车场充电桩充电控制方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107634532A (zh) * 2017-10-23 2018-01-26 上海电力学院 基于改进v2g和优先级调度的充放储一体站控制方法
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
CN111431198A (zh) * 2020-03-20 2020-07-17 东南大学 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
CN114638440A (zh) * 2022-05-17 2022-06-17 国网湖北省电力有限公司经济技术研究院 一种基于充电桩使用度的充电负荷超短期预测方法
KR20220099817A (ko) * 2021-01-07 2022-07-14 연세대학교 산학협력단 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법
CN115759415A (zh) * 2022-11-16 2023-03-07 国网河南省电力公司经济技术研究院 基于lstm-svr的用电需求预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107634532A (zh) * 2017-10-23 2018-01-26 上海电力学院 基于改进v2g和优先级调度的充放储一体站控制方法
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
CN111431198A (zh) * 2020-03-20 2020-07-17 东南大学 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
KR20220099817A (ko) * 2021-01-07 2022-07-14 연세대학교 산학협력단 인공지능 기반 수요 예측을 이용한 배터리 스케줄링 장치 및 방법
CN114638440A (zh) * 2022-05-17 2022-06-17 国网湖北省电力有限公司经济技术研究院 一种基于充电桩使用度的充电负荷超短期预测方法
CN115759415A (zh) * 2022-11-16 2023-03-07 国网河南省电力公司经济技术研究院 基于lstm-svr的用电需求预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277515A (zh) * 2023-11-21 2023-12-22 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117277515B (zh) * 2023-11-21 2024-03-08 广州奥鹏能源科技有限公司 一种户外储能电源的电量控制方法、装置、设备及介质
CN117621898A (zh) * 2023-12-08 2024-03-01 杭州育恩科技有限公司 考虑电网电价的智慧停车场充电桩充电控制方法及***
CN117621898B (zh) * 2023-12-08 2024-05-24 杭州育恩科技有限公司 考虑电网电价的智慧停车场充电桩充电控制方法及***

Also Published As

Publication number Publication date
CN116706963B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN116706963B (zh) 基于区域电力负荷预测的大规模电动汽车v2g调度方法
CN106410861B (zh) 一种基于可调度能力的微电网优化运行实时控制方法
Purvins et al. Application of battery-based storage systems in household-demand smoothening in electricity-distribution grids
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
Zhou et al. Battery behavior prediction and battery working states analysis of a hybrid solar–wind power generation system
CN110138006B (zh) 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN107565585B (zh) 储能装置调峰回报时间预测方法及其模型创建方法
CN114336599B (zh) 一种独立型微电网动态优化调度方法
CN106253315A (zh) 一种考虑电动汽车充电站可调度性的储能容量配置方法
CN107590607A (zh) 一种基于光伏预测的微电网优化调度***和方法
CN110556822B (zh) 一种含电动汽车消纳大规模风电机组的组合计算方法
CN110165715B (zh) 一种将电动汽车储能式充电站接入虚拟电厂的方法
Sun et al. Data enabled predictive energy management of a PV-battery smart home nanogrid
CN112418496B (zh) 一种基于深度学习的配电台区储能配置方法
Monteiro et al. Long-term sizing of lead–acid batteries in order to reduce technical losses on distribution networks: A distributed generation approach
CN108921331A (zh) 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN114865668A (zh) 一种储能调度支撑评估方法
Moghimi et al. Rule-based energy management system in an experimental microgrid with the presence of time of use tariffs
CN116031868A (zh) 考虑分布式光伏的提升工业园区电动汽车承载力的方法
Morin et al. Energy Management of isolated DC microgrids with hybrid batteries-hydrogen storage system using Model Predictive Control and Wavelet Neural Networks based forecasts
CN115378007B (zh) 一种智能化光伏储能一体化充电站的控制方法
Morea et al. Life cycle cost evaluation of off-grid PV-wind hybrid power systems
Jin et al. Short-term net feeder load forecasting of microgrid considering weather conditions
CN115939538A (zh) 电池储能***性能的综合评价方法、装置及计算机设备
CN109245143A (zh) 一种考虑锂离子电池寿命的储能调峰电站优化运行方法

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