CN117498522A - 光伏储能充电桩的供电控制方法及*** - Google Patents
光伏储能充电桩的供电控制方法及*** Download PDFInfo
- Publication number
- CN117498522A CN117498522A CN202410001949.7A CN202410001949A CN117498522A CN 117498522 A CN117498522 A CN 117498522A CN 202410001949 A CN202410001949 A CN 202410001949A CN 117498522 A CN117498522 A CN 117498522A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power supply
- supply control
- data
- state
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 226
- 238000010248 power generation Methods 0.000 claims abstract description 116
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013433 optimization analysis Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及供电控制技术领域,公开了一种光伏储能充电桩的供电控制方法及***。所述方法包括:获取光伏储能充电桩的目标光伏板发电性能数据和目标储能设备状态数据;计算多个第一性能评价指标和多个第一状态评价指标;进行组合赋权,得到多个第二性能评价指标和多个第二状态评价指标;通过目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;创建初始供电控制方案;基于自适应混合人工蜂群算法,对初始供电控制方案进行供电控制参数优化,得到目标供电控制方案,进而提高了光伏储能充电桩的供电控制的效率和精度。
Description
技术领域
本申请涉及供电控制技术领域,尤其涉及一种光伏储能充电桩的供电控制方法及***。
背景技术
光伏储能充电桩作为一种重要的可再生能源应用设备,面临着供电控制的挑战。当前,由于负载波动等因素,光伏储能充电桩的供电效率和稳定性有待提高,传统控制方法难以满足需求。
传统供电控制方法受到负载预测的限制,难以实时适应变化条件。同时,现有方法对充电桩中的多个性能参数难以进行有效整合,导致控制方案不够智能化。此外,光伏板和储能设备之间的协同性也需要更好的优化,以提高供电效率。
发明内容
本申请提供了一种光伏储能充电桩的供电控制方法及***,进而提高了光伏储能充电桩的供电控制的效率和精度。
本申请第一方面提供了一种光伏储能充电桩的供电控制方法,所述光伏储能充电桩的供电控制方法包括:
获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据;
计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标;
对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
本申请第二方面提供了一种光伏储能充电桩的供电控制***,所述光伏储能充电桩的供电控制***包括:
获取模块,用于获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据;
计算模块,用于计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标;
赋权模块,用于对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
预测模块,用于将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
创建模块,用于根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
优化模块,用于基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
本申请提供的技术方案中,通过采用多任务学习神经网络模型,能够智能地整合和分析多个性能参数,以实现对光伏储能充电桩的智能化供电控制。这有助于提高***对变化条件的适应能力,从而提高供电效率。基于MTLNN模型的性能预测能够更准确地估计光伏板的发电性能,使供电控制能够更好地匹配实际情况,最大程度地利用太阳能资源。这有助于提高能源利用效率。不仅可以预测光伏板的性能,还可以预测储能设备的充电和放电状态,使能源的储存和释放更加有效和可控。这有助于提高储能设备的寿命和性能。基于自适应混合人工蜂群算法的供电控制参数优化,使***具备了自适应性。充电桩可以根据实际情况调整控制参数,以确保供电的稳定性和可靠性。通过更准确的预测和自适应控制,能够减少不必要的能源浪费,提高能源的利用效率,有助于降低能源成本。结合MTLNN和SMABC算法,光伏储能充电桩的供电控制方法可以提高***的可靠性,减少停机时间,确保用户的充电需求得到满足,进而提高了光伏储能充电桩的供电控制的效率和精度。
附图说明
图1为本申请实施例中光伏储能充电桩的供电控制方法的一个实施例示意图;
图2为本申请实施例中光伏储能充电桩的供电控制***的一个实施例示意图。
具体实施方式
本申请实施例提供了一种光伏储能充电桩的供电控制方法及***,进而提高了光伏储能充电桩的供电控制的效率和精度。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中光伏储能充电桩的供电控制方法的一个实施例包括:
步骤101、获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取光伏储能充电桩中储能设备的目标储能设备状态数据;
可以理解的是,本申请的执行主体可以为光伏储能充电桩的供电控制***,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,首先,获取光伏板和储能设备的初始性能数据。这一过程涉及到对光伏板的发电效率、输出功率、光照条件等参数的监测,以及对储能设备如电池的电量、健康状态、充放电速率等参数的采集。然后,对初始光伏板发电性能数据和初始储能设备状态数据进行离群点去除,得到离群点去除后的光伏板发电性能数据。离群点去除的目的在于排除那些由于传感器故障、环境干扰或数据传输错误等原因产生的异常数据点,从而提高数据质量。这通常通过统计方法如标准差、四分位数间距等来实现。离群点去除之后,进行数据归一化处理,其目的是将不同量纲或量级的数据转换到同一标准下,便于后续的处理和分析。数据归一化通常使用的方法包括最大最小归一化、Z-score标准化等。随后,对归一化后的数据进行标准化处理,消除不同数据之间的偏差,使其分布更为均匀,更利于后续的分析和建模。标准化处理通常指的是将数据转换为均值为0、标准差为1的分布,这样做可以消除不同特征之间的量纲影响,使得模型的训练更加高效。最后,对标准化后的数据进行小波去噪处理,消除数据中的噪声成分,提高数据的信噪比。小波去噪是一种有效的时频域去噪方法,它通过小波变换将数据分解为不同频率的组件,然后根据每个频率组件的特性去除噪声,最后通过逆变换重构出去噪后的数据。通过这样的处理,最终获得的目标光伏板发电性能数据和目标储能设备状态数据将更为准确和可靠。
步骤102、计算目标光伏板发电性能数据的多个第一性能评价指标,并计算目标储能设备状态数据的多个第一状态评价指标;
具体的,首先,计算目标光伏板发电性能数据的均方根误差,评估光伏板发电性能数据与实际值之间的偏差大小。均方根误差的计算涉及到实测值与预测值之差的平方求和后再开平方根,这样得到的性能数据均方根误差是衡量预测模型准确性的重要指标,越小表示预测的准确性越高。接着,计算目标光伏板发电性能数据的平滑度,评估光伏板发电性能数据在时间序列上的稳定性和连续性。平滑度的计算通常涉及到数据的变化率,即连续数据点之间的差异程度,通过评估这些连续数据点的波动情况,可以得到性能数据的平滑度,这有助于确保光伏板发电性能的稳定输出。将性能数据均方根误差和性能数据平滑度结合起来,就构成了对目标光伏板发电性能数据的全面评估体系。在对储能设备状态数据的评估中,同样需要计算均方根误差和平滑度。均方根误差用于评价储能设备状态数据的预测准确性,比如电池的充放电状态预测与实际数据之间的偏差。同时,状态数据的平滑度评估的是储能设备在运行过程中状态变化的连续性和稳定性,例如电池充放电速率的波动情况。将状态数据均方根误差和平滑度结合使用,就可以全面评估储能设备的运行状态和性能,这有助于确保充电桩***整体的稳定运行和高效供电。
步骤103、对多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
需要说明的是,首先,对每个第一性能评价指标进行概率分布分析,理解每个指标在不同情况下的表现和波动程度。通过概率分布分析,可以获得每个评价指标在各种状态下出现的概率,这有助于揭示数据的内在特性。基于这些概率分布信息,计算每个指标的信息熵权重。信息熵是一种衡量信息量和不确定性的指标,用于评估每个性能评价指标在整体评价体系中的重要性和贡献度。接着,对每个第一性能评价指标进行标准差和均值运算。标准差和均值是描述数据分布和集中趋势的基本统计量,它们可以揭示评价指标的波动程度和平均水平。这些统计量的计算结果用于确定每个评价指标的变异系数权重,变异系数是衡量相对波动性的一个重要指标,可以反映出每个评价指标在不同条件下的稳定性和可靠性。随后,将每个第一性能评价指标的信息熵权重和变异系数权重进行线性组合,以此计算出每个指标的综合组合权重。通过权重的线性组合,综合考虑了指标的信息量和稳定性,从而得到更加全面和客观的评价指标权重。接着,根据计算得到的每个第一性能评价指标的组合权重对这些指标进行加权,得到每个指标的权值。然后,将这些权值与相应的第一性能评价指标进行线性组合,最终形成多个第二性能评价指标。同样的过程也应用于第一状态评价指标,对每个第一状态评价指标进行概率分布分析,以获得关于其分布特征的详细信息,从而了解各个状态指标在不同情况下的变化趋势和频率,比如储能设备的充放电速率、电量水平等。概率分布分析可以揭示这些指标的典型行为和异常情况。接下来,通过计算每个状态指标的信息熵权重来衡量其在储能设备状态评价中的重要性。信息熵是一个衡量数据不确定性和复杂性的指标,一个高信息熵的状态指标意味着它在储能设备的整体状态评价中承载着更丰富的信息。信息熵权重的计算有助于识别哪些状态指标在评价储能设备性能时更为关键。除了信息熵权重,还需要对每个状态指标进行标准差和均值的计算。标准差和均值能够提供关于指标波动性和平均水平的信息,这有助于理解状态指标的稳定性和变化范围。基于标准差和均值,计算出的变异系数权重可以进一步反映每个指标的相对波动性。这一步骤是在评价体系中引入对指标波动性的考量,保证评价体系不仅关注信息量,还关注稳定性。接着,将每个状态指标的信息熵权重和变异系数权重进行线性组合,可以得出更为全面的组合权重。将之前两个权重的计算结果综合起来,以得到一个更全面反映每个指标重要性的权重。然后,根据这个组合权重对第一状态评价指标进行加权,可以得出每个指标的具体权值。最后,将这些加权后的第一状态评价指标进行线性组合,就可以得到多个第二状态评价指标。这些第二状态评价指标综合考虑了储能设备不同状态方面的信息,从而能够更准确地反映储能设备的整体运行状况。
步骤104、将多个第二性能评价指标以及多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
具体的,首先,将多个第二性能评价指标以及多个第二状态评价指标输入预置的目标多任务学习模型,该模型具有输入层、共享层以及多任务层。多任务层进一步分为发电性能预测网络和充放电状态预测网络,这两个网络针对的是两个不同但相关的预测任务。然后,通过输入层对第二性能评价指标和第二状态评价指标进行编码和向量化。将这些评价指标转换为模型能够有效处理的数值向量形式。接着,对这些经过转换的性能评价指标向量和状态评价指标向量进行向量融合,以形成一个综合的目标评价指标向量。通过整合了不同评价指标中的信息,为后续的特征提取和预测提供一个统一的数据输入。接下来,利用共享层中的双向LSTM网络对目标评价指标向量进行深入的特征提取。双向LSTM网络适合于提取光伏板发电性能和储能设备充放电状态这类随时间变化的特征。这一特征提取过程产生的共享指标特征向量含有从原始指标中提炼出的关键信息。随后,对性能评价指标向量和共享指标特征向量进行加权融合,以形成一个专门针对发电性能预测的加权性能指标向量。这个加权融合过程考虑了不同指标的重要性和相关性,确保了预测模型能够关注到最关键的特征。通过多任务层中的发电性能预测网络,包括卷积层、池化层、全连接层以及归一化函数,对这个向量进行处理,从而得出光伏板发电性能的预测数据。这些网络层通过其各自的功能协同工作,提高了预测的准确性和效率。最后,对状态评价指标向量和共享指标特征向量进行加权融合,形成加权状态指标向量。通过充放电状态预测网络进行处理,这个网络包括双向GRU网络和两层全连接层,专门用于处理储能设备充放电状态的预测任务。双向GRU网络能够有效捕捉状态变化的动态特征,而全连接层则进一步加强了特征的提取和组合,从而得出储能设备充放电状态的预测数据。
步骤105、根据光伏板发电性能预测数据和储能设备充放电状态预测数据创建光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
具体的,首先,获取光伏板与储能设备之间的多个供电控制属性参数。这些参数定义了光伏板和储能设备之间能量转移的方式和效率。接下来,分别获取每个供电控制属性参数的供电控制参数范围。这个范围提供了每个参数的操作界限,确保供电控制方案在安全和有效的边界内进行。随后,基于光伏板发电性能的预测数据和供电控制参数范围,确定每个供电控制属性参数的第一供电控制参数值。将预测数据与供电控制***的实际操作相结合,以此来确定最适合当前预测条件下的供电控制参数。同样的方法也应用于储能设备充放电状态的预测数据,以确定每个供电控制属性参数的第二供电控制参数值。这个过程确保了供电控制方案既考虑了光伏板的发电能力,也考虑了储能设备的充放电需求和能力。之后,通过对第一和第二供电控制参数值进行均值运算,可以得到每个供电控制属性参数的平均供电控制参数值。目的是平衡光伏板和储能设备之间的能量需求和供应,以确保供电控制方案既高效又平衡。这种均值运算是一种简便而有效的方法,可以快速得出一个初步但合理的供电控制参数设定。最后,根据这些计算得出的平均供电控制参数值,创建光伏储能充电桩的初始供电控制方案。这个方案将作为***运行的基准,指导光伏板和储能设备之间的能量交换。这个初始方案是基于预测数据和参数分析结果制定的,因此它能够有效应对预期的操作条件。
步骤106、基于自适应混合人工蜂群算法,对初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
具体的,首先,对初始供电控制方案进行全局搜索,生成一系列潜在有效的供电控制方案。具体地说,通过全局搜索,可以生成M个第一供电控制方案,其中M是一个预先定义的正整数。这是为了在广泛的参数空间内寻找的优化方案,以便从中挑选出最优解。接着,这些第一供电控制方案会被随机分割成N个目标蜂群,每个目标蜂群包括S个第一供电控制方案,这里S等于M除以N,N也是一个预先定义的正整数。这种分割的目的是模拟自然界中蜂群的行为,通过分散搜索范围来增加找到最优解的性。随机蜂群分割有助于分散搜索的焦点,使得算法不会过早地聚焦在局部最优解上,从而提高找到全局最优解的机率。随后,对每个目标蜂群进行局部搜索优化。局部搜索的目的是在每个蜂群的搜索范围内精细调整供电控制方案,从而找到每个蜂群中的最佳方案。每个目标蜂群通过局部搜索优化后,将生成T个第二供电控制方案。这些局部优化的方案被认为是在各自的搜索范围内相对最优的解。进一步地,将每个目标蜂群对应的第二供电控制方案进行集合合并,形成一个较大的候选供电控制方案集合。这个集合包括N乘以T个第二供电控制方案,其中包含了来自所有蜂群的局部最优解。合并这些方案的目的是将各个蜂群的局部最优解汇总起来,为最终的最优化分析提供一个更全面的候选方案池。最后,对这个候选供电控制方案集合进行最优化分析,以确定最终的目标供电控制方案。通过对候选方案的综合评估和比较,以挑选出在所有评价标准下表现最佳的方案。最优化分析的过程考虑了各种因素,如供电效率、稳定性、成本和环境影响等。
本申请实施例中,通过采用多任务学习神经网络模型,能够智能地整合和分析多个性能参数,以实现对光伏储能充电桩的智能化供电控制。这有助于提高***对变化条件的适应能力,从而提高供电效率。基于MTLNN模型的性能预测能够更准确地估计光伏板的发电性能,使供电控制能够更好地匹配实际情况,最大程度地利用太阳能资源。这有助于提高能源利用效率。不仅可以预测光伏板的性能,还可以预测储能设备的充电和放电状态,使能源的储存和释放更加有效和可控。这有助于提高储能设备的寿命和性能。基于自适应混合人工蜂群算法的供电控制参数优化,使***具备了自适应性。充电桩可以根据实际情况调整控制参数,以确保供电的稳定性和可靠性。通过更准确的预测和自适应控制,能够减少不必要的能源浪费,提高能源的利用效率,有助于降低能源成本。结合MTLNN和SMABC算法,光伏储能充电桩的供电控制方法可以提高***的可靠性,减少停机时间,确保用户的充电需求得到满足,进而提高了光伏储能充电桩的供电控制的效率和精度。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)获取光伏储能充电桩中光伏板的初始光伏板发电性能数据,并获取光伏储能充电桩中储能设备的初始储能设备状态数据;
(2)对初始光伏板发电性能数据进行离群点去除,得到离群点去除后的光伏板发电性能数据,并对初始储能设备状态数据进行离群点去除,得到离群点去除后的储能设备状态数据;
(3)对离群点去除后的光伏板发电性能数据进行数据归一化处理,得到归一化光伏板发电性能数据,并对离群点去除后的储能设备状态数据进行数据归一化处理,得到归一化储能设备状态数据;
(4)对归一化光伏板发电性能数据进行标准化处理,得到标准光伏板发电性能数据,并对归一化储能设备状态数据进行标准化处理,得到标准储能设备状态数据;
(5)对标准光伏板发电性能数据进行小波去噪,得到目标光伏板发电性能数据,并对标准储能设备状态数据进行小波去噪,得到目标储能设备状态数据。
具体的,首先,获取光伏储能充电桩中光伏板的初始光伏板发电性能数据。通过各种传感器和监测***,比如太阳能电池板的功率输出传感器、储能设备的电量监测器等,收集关于光伏板发电效率和储能设备状态的实时信息。接着,对这些初始数据进行离群点去除。基于统计的方法,可以计算数据的均值和标准差,然后去除那些偏离均值多个标准差以上的数据点。例如,如果某个光伏板在大部分时间的功率输出是稳定的,但偶尔出现极端高或低的读数,这些极端值就是离群点。通过去除这些异常值,得到更加准确和可靠的光伏板发电性能数据和储能设备状态数据。接下来,对离群点去除后的数据进行归一化处理。数据归一化涉及到调整数据的尺度,使之落在一个特定的范围内,通常是0到1或者-1到1。这样做的目的是消除不同量纲数据在数值上的差异,使得数据在后续处理中更加容易比较和计算。例如,如果光伏板的功率输出是以瓦特为单位,而储能设备的电量是以安培小时为单位,通过归一化,***可以将这些不同单位的数据转换到相同的尺度上,便于后续处理。随后,对归一化后的数据进行标准化处理。数据标准化通常指将数据调整为均值为0,标准差为1的状态,这一步骤有助于进一步消除数据中的偏差和异常值,使其更适合用于机器学***滑和稳定的发电性能数据。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)计算目标光伏板发电性能数据的均方根误差,得到性能数据均方根误差,并计算目标光伏板发电性能数据的平滑度,得到性能数据平滑度;
(2)将性能数据均方根误差以及性能数据平滑度作为目标光伏板发电性能数据的多个第一性能评价指标;
(3)计算目标储能设备状态数据的均方根误差,得到状态数据均方根误差,并计算目标储能设备状态数据的平滑度,得到状态数据平滑度;
(4)将状态数据均方根误差以及状态数据平滑度作为目标储能设备状态数据的多个第二性能评价指标。
具体的,首先,计算目标光伏板发电性能数据的均方根误差,这一指标主要用于衡量预测值与实际值之间的差异。均方根误差是通过计算预测值与实际值之差的平方,然后对这些差值平方求均值,最后取平方根得到的。这个指标能够提供一个量化的误差大小,用于评估光伏板发电性能预测的准确性。接着,计算目标光伏板发电性能数据的平滑度。平滑度是一个衡量数据变化率的指标,它反映了数据在一段时间内的波动程度。平滑度的高低可以揭示光伏板发电性能的稳定性,例如,在连续的观测期间,光伏板输出的功率如果变化不大,其平滑度就会较高,反之则较低。这个指标有助于预测光伏板在不同天气条件下的发电性能。接着,将性能数据均方根误差以及性能数据平滑度作为目标光伏板发电性能数据的多个第一性能评价指标。接下来,计算目标储能设备状态数据的均方根误差。这个指标用于评估预测的储能设备状态与实际状态之间的差异。例如,如果预测的储能设备剩余电量与实际测量值相差较大,那么这个差异将导致较高的均方根误差,表明预测的准确性有待提高。随后,计算目标储能设备状态数据的平滑度。这个指标反映了储能设备状态变化的连续性和稳定性,有助于优化储能设备的充放电策略。例如,如果一个储能设备在连续运行中电量变化平缓,其平滑度就较高,表明其运行状态较为稳定。最后,将状态数据均方根误差以及状态数据平滑度作为目标储能设备状态数据的多个第二性能评价指标。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)分别对多个第一性能评价指标进行概率分布分析,得到每个第一性能评价指标的概率分布信息,并根据每个第一性能评价指标的概率分布信息分别计算每个第一性能评价指标的信息熵权重;
(2)分别对多个第一性能评价指标进行标准差和均值运算,得到每个第一性能评价指标的标准差和平均值,并根据每个第一性能评价指标的标准差和平均值分别计算每个第一性能评价指标的变异系数权重;
(3)对每个第一性能评价指标的信息熵权重和变异系数权重进行线性组合,得到每个第一性能评价指标的组合权重,并根据每个第一性能评价指标的组合权重对多个第一性能评价指标进行加权,得到每个第一性能评价指标的权值,以及对多个第一性能评价指标和每个第一性能评价指标的权值进行线性组合,得到多个第二性能评价指标;
(4)分别对多个第一状态评价指标进行概率分布分析,得到每个第一状态评价指标的概率分布信息,并根据每个第一状态评价指标的概率分布信息分别计算每个第一状态评价指标的信息熵权重;
(5)分别对多个第一状态评价指标进行标准差和均值运算,得到每个第一状态评价指标的标准差和平均值,并根据每个第一状态评价指标的标准差和平均值分别计算每个第一状态评价指标的变异系数权重;
(6)对每个第一状态评价指标的信息熵权重和变异系数权重进行线性组合,得到每个第一状态评价指标的组合权重,并根据每个第一状态评价指标的组合权重对多个第一状态评价指标进行加权,得到每个第一状态评价指标的权值,以及对多个第一状态评价指标和每个第一状态评价指标的权值进行线性组合,得到多个第二状态评价指标。
具体的,首先,分别对多个第一性能评价指标进行概率分布分析,揭示每个评价指标的分布特征。这种分布信息能够提供深入的洞察,如某些发电量值出现的频率更高,或某些值几乎不会出现。基于这些概率分布信息,计算每个第一性能评价指标的信息熵权重。信息熵是一个衡量随机变量不确定性的度量,高信息熵意味着指标的值有更大的不确定性,反映了该指标在整体评价中的信息含量和重要性。例如,如果光伏板发电量的分布非常广泛,那么其信息熵将会较高,表明在评价光伏板的性能时,这个指标的变化范围非常关键。然后,分别对多个第一性能评价指标进行标准差和均值运算。标准差和均值的计算提供了关于评价指标波动性和平均水平的关键信息。例如,光伏板发电性能的标准差如果较大,表明其日发电量在不同天气条件下有较大的波动。随后,基于标准差和均值计算每个指标的变异系数权重,这反映了指标的相对波动性,有助于评价和优化光伏板性能。接着,对每个第一性能评价指标的信息熵权重和变异系数权重进行线性组合。综合考虑指标的信息量和波动性,为每个评价指标赋予一个综合考虑了多方面因素的组合权重。例如,光伏板的某个指标如果既有高信息熵又有高变异系数,那么它在整体评价中的权重会更高。接下来,基于这些组合权重对多个第一性能评价指标进行加权,得出每个指标的具体权值,确保每个指标在总体评价中所占的比重与其实际重要性相符。最后,将这些加权后的第一性能评价指标进行线性组合,得到多个第二性能评价指标。这些第二性能评价指标提供了一个更全面和综合的光伏板性能评价视角。类似的步骤也适用于第一状态评价指标。首先进行概率分布分析,了解每个储能设备状态指标的分布特征。然后,计算信息熵权重和变异系数权重,综合考虑每个指标的信息含量和波动性。接着,通过线性组合得到每个状态指标的组合权重,并基于这些权重对状态指标进行加权,得到每个状态评价指标的权值。最后,通过线性组合得到多个第二状态评价指标,为储能设备的状态评价提供了一个全面的量化框架。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)将多个第二性能评价指标以及多个第二状态评价指标输入预置的目标多任务学习模型,目标多任务学习模型包括:输入层、共享层和多任务层,多任务层包括发电性能预测网络以及充放电状态预测网络;
(2)通过输入层对多个第二性能评价指标以及多个第二状态评价指标进行指标编码和向量转换,得到性能评价指标向量以及状态评价指标向量;
(3)对性能评价指标向量以及状态评价指标向量进行向量融合,得到目标评价指标向量,并通过共享层中的双向LSTM网络,对目标评价指标向量进行特征提取,得到共享指标特征向量;
(4)对性能评价指标向量和共享指标特征向量进行向量加权融合,得到加权性能指标向量,并通过多任务层中的发电性能预测网络对加权性能指标向量进行光伏板发电性能预测,得到光伏板发电性能预测数据,其中,发电性能预测网络包括:卷积层、池化层、全连接层以及归一化函数;
(5)对状态评价指标向量和共享指标特征向量进行向量加权融合,得到加权状态指标向量,并通过多任务层中的充放电状态预测网络对加权状态指标向量进行储能设备充放电状态预测,得到储能设备充放电状态预测数据,其中,充放电状态预测网络包括:双向GRU网络以及两层全连接层。
具体的,首先,将多个第二性能评价指标以及多个第二状态评价指标输入预置的目标多任务学习模型。这个多任务学习模型包括三个主要部分:输入层、共享层以及多任务层。在输入层中,将多个第二性能评价指标和第二状态评价指标进行指标编码和向量转换,将实际的评价指标转化为模型能够理解和处理的数值向量形式。接下来,在共享层中,性能评价指标向量和状态评价指标向量被进一步融合,形成一个综合的目标评价指标向量。这个融合过程整合了不同评价指标中的信息,为后续的特征提取和预测提供了一个统一的数据输入。共享层中使用的双向长短时记忆网络(LSTM)对这个融合后的目标评价指标向量进行深入的特征提取。双向LSTM以其在处理时间序列数据方面的优势,适合于提取光伏板发电性能和储能设备充放电状态这类随时间变化的特征。通过这一特征提取过程,生成的共享指标特征向量包含了从原始指标中提炼出的关键信息。然后,在多任务层,将性能评价指标向量和共享指标特征向量进行加权融合,形成针对发电性能预测的加权性能指标向量。通过发电性能预测网络对这个向量进行处理,实现对光伏板发电性能的预测。发电性能预测网络的设计包括卷积层、池化层、全连接层以及归一化函数,这些组件共同作用于提高预测的准确性和效率。例如,卷积层可以提取发电性能数据中的局部特征,池化层有助于减少计算量和防止过拟合,全连接层则负责学习特征之间的非线性组合,而归一化函数则用于调整网络输出,使其更加稳定。类似地,对状态评价指标向量和共享指标特征向量进行加权融合,形成针对储能设备充放电状态的加权状态指标向量。充放电状态预测网络对这个向量进行处理,实现对储能设备充放电状态的预测。这个网络包括双向的门控循环单元(GRU)和两层全连接层。双向GRU适合于处理时间序列数据,能够有效捕捉状态变化的动态特征,而全连接层进一步提取和组合这些特征,从而得出储能设备充放电状态的预测数据。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)获取光伏储能充电桩中光伏板与储能设备之间的多个供电控制属性参数;
(2)分别获取每个供电控制属性参数的供电控制参数范围;
(3)根据光伏板发电性能预测数据和供电控制参数范围,确定每个供电控制属性参数的第一供电控制参数值;
(4)根据储能设备充放电状态预测数据和供电控制参数范围,确定每个供电控制属性参数的第二供电控制参数值;
(5)对第一供电控制参数值和第二供电控制参数值进行均值运算,得到每个供电控制属性参数的平均供电控制参数值;
(6)根据每个供电控制属性参数的平均供电控制参数值,创建光伏储能充电桩的初始供电控制方案。
具体的,首先,获取光伏储能充电桩中光伏板与储能设备之间的多个供电控制属性参数。这些参数包括光伏板的最大输出功率、储能设备的最大充电和放电速率、***的能量转换效率等。这些参数的获取通常依赖于内置的监测***和传感器,这些设备能够实时监控和记录光伏板和储能设备的运行状态,提供必要的数据支撑。例如,一个智能监控***会持续追踪光伏板在不同天气条件下的功率输出以及储能设备在不同负载下的电量变化。接下来,分别获取每个供电控制属性参数的供电控制参数范围。这定义了每个参数的操作界限。例如,光伏板的最大输出功率会受到材料特性和设计规格的限制,而储能设备的充放电速率则受到电池技术和安全要求的约束。了解这些参数的范围有助于在后续步骤中确定合适的供电控制策略。接着,根据光伏板发电性能的预测数据和供电控制参数范围,确定每个供电控制属性参数的第一供电控制参数值。将预测数据与供电控制***的实际操作相结合,以此来确定最适合当前预测条件下的供电控制参数。同样,根据储能设备充放电状态的预测数据和供电控制参数范围,确定每个供电控制属性参数的第二供电控制参数值。这一步骤考虑了储能设备的运行状态和未来的需求,确保在不同的充放电阶段中,储能设备能够高效且安全地运行。例如,如果预测数据表明未来几个小时内光伏板的发电量将会下降,那么相应地,需要调整储能设备的放电速率,以保证充电桩的持续供电。接下来,对每个供电控制属性参数的第一供电控制参数值和第二供电控制参数值进行均值运算,得到每个供电控制属性参数的平均供电控制参数值。目的是平衡光伏板和储能设备之间的能量需求和供应,以确保供电控制方案既高效又平衡。这种均值运算是一种简便而有效的方法,可以快速得出一个初步但合理的供电控制参数设定。最后,根据这些计算得出的平均供电控制参数值,创建光伏储能充电桩的初始供电控制方案。这个方案将作为***运行的基准,指导光伏板和储能设备之间的能量交换。这个初始方案是基于预测数据和参数分析结果制定的,因此它能够有效应对预期的操作条件,同时为后续的优化和调整提供了基础。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)基于自适应混合人工蜂群算法,对初始供电控制方案进行全局搜索,生成M个第一供电控制方案,M为正整数;
(2)对M个第一供电控制方案进行随机蜂群分割,得到N个目标蜂群,每个目标蜂群包括S个第一供电控制方案,S=M/N,N为正整数,S为正整数;
(3)分别对N个目标蜂群进行局部搜索优化,得到每个目标蜂群对应的T个第二供电控制方案;
(4)对每个目标蜂群对应的T个第二供电控制方案进行集合合并,得到候选供电控制方案集合,候选供电控制方案集合包括N*T个第二供电控制方案;
(5)对候选供电控制方案集合进行供电控制方案最优化分析,得到目标供电控制方案。
具体的,首先,利用自适应混合人工蜂群算法对初始供电控制方案进行全局搜索。全局搜索的目标是在整个解空间内寻找的有效解,以此为基础生成M个第一供电控制方案,其中M是预先设定的正整数。例如,如果M设定为100,那么全局搜索将产生100个不同的供电控制方案,这些方案涵盖了光伏板的不同发电性能预测和储能设备的不同充放电状态预测情况。接下来,将这M个第一供电控制方案进行随机蜂群分割,形成N个目标蜂群,每个蜂群包含S个供电控制方案,其中S是M除以N的结果。通过模拟蜜蜂的搜索和采集行为来提高寻找最优解的效率。例如,如果将100个方案分成10个蜂群,那么每个蜂群将包含10个供电控制方案。然后,对这N个目标蜂群分别进行局部搜索优化,以改进每个蜂群内部的供电控制方案。局部搜索优化关注于蜂群内部的方案调整和优化,目的是在每个蜂群的搜索范围内找到更优的供电控制方案。每个蜂群通过局部搜索优化后,将生成T个改进的第二供电控制方案。例如,如果每个蜂群通过局部搜索产生了5个改进方案,那么每个蜂群将有5个更优的方案。之后,将每个目标蜂群对应的第二供电控制方案进行集合合并,形成一个更大的候选供电控制方案集合。这个集合包括了N乘以T个改进后的第二供电控制方案。合并这些方案的目的是将来自不同蜂群的局部最优解汇总起来,为最终的最优化分析提供一个更全面的候选方案池。最后,对这个候选供电控制方案集合进行最优化分析,以确定最终的目标供电控制方案。这一步骤涉及到对候选方案的综合评估和比较,以挑选出在所有评价标准下表现最佳的方案。最优化分析的过程考虑了各种因素,如供电效率、稳定性、成本和环境影响等,确保最终选择的方案不仅在技术上可行,而且在经济和环境层面上也是可持续的。
上面对本申请实施例中光伏储能充电桩的供电控制方法进行了描述,下面对本申请实施例中光伏储能充电桩的供电控制***进行描述,请参阅图2,本申请实施例中光伏储能充电桩的供电控制***一个实施例包括:
获取模块201,用于获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据;
计算模块202,用于计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标;
赋权模块203,用于对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
预测模块204,用于将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
创建模块205,用于根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
优化模块206,用于基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
通过上述各个组成部分的协同合作,通过采用多任务学习神经网络模型,能够智能地整合和分析多个性能参数,以实现对光伏储能充电桩的智能化供电控制。这有助于提高***对变化条件的适应能力,从而提高供电效率。基于MTLNN模型的性能预测能够更准确地估计光伏板的发电性能,使供电控制能够更好地匹配实际情况,最大程度地利用太阳能资源。这有助于提高能源利用效率。不仅可以预测光伏板的性能,还可以预测储能设备的充电和放电状态,使能源的储存和释放更加有效和可控。这有助于提高储能设备的寿命和性能。基于自适应混合人工蜂群算法的供电控制参数优化,使***具备了自适应性。充电桩可以根据实际情况调整控制参数,以确保供电的稳定性和可靠性。通过更准确的预测和自适应控制,能够减少不必要的能源浪费,提高能源的利用效率,有助于降低能源成本。结合MTLNN和SMABC算法,光伏储能充电桩的供电控制方法可以提高***的可靠性,减少停机时间,确保用户的充电需求得到满足,进而提高了光伏储能充电桩的供电控制的效率和精度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元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,本申请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全部或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)执行本申请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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种光伏储能充电桩的供电控制方法,其特征在于,所述光伏储能充电桩的供电控制方法包括:
获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据;
计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标;
对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
2.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据,包括:
获取光伏储能充电桩中光伏板的初始光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的初始储能设备状态数据;
对所述初始光伏板发电性能数据进行离群点去除,得到离群点去除后的光伏板发电性能数据,并对所述初始储能设备状态数据进行离群点去除,得到离群点去除后的储能设备状态数据;
对所述离群点去除后的光伏板发电性能数据进行数据归一化处理,得到归一化光伏板发电性能数据,并对所述离群点去除后的储能设备状态数据进行数据归一化处理,得到归一化储能设备状态数据;
对所述归一化光伏板发电性能数据进行标准化处理,得到标准光伏板发电性能数据,并对所述归一化储能设备状态数据进行标准化处理,得到标准储能设备状态数据;
对所述标准光伏板发电性能数据进行小波去噪,得到目标光伏板发电性能数据,并对所述标准储能设备状态数据进行小波去噪,得到目标储能设备状态数据。
3.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标,包括:
计算所述目标光伏板发电性能数据的均方根误差,得到性能数据均方根误差,并计算所述目标光伏板发电性能数据的平滑度,得到性能数据平滑度;
将所述性能数据均方根误差以及所述性能数据平滑度作为所述目标光伏板发电性能数据的多个第一性能评价指标;
计算所述目标储能设备状态数据的均方根误差,得到状态数据均方根误差,并计算所述目标储能设备状态数据的平滑度,得到状态数据平滑度;
将所述状态数据均方根误差以及所述状态数据平滑度作为所述目标储能设备状态数据的多个第二性能评价指标。
4.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标,包括:
分别对所述多个第一性能评价指标进行概率分布分析,得到每个第一性能评价指标的概率分布信息,并根据每个第一性能评价指标的概率分布信息分别计算每个第一性能评价指标的信息熵权重;
分别对所述多个第一性能评价指标进行标准差和均值运算,得到每个第一性能评价指标的标准差和平均值,并根据每个第一性能评价指标的标准差和平均值分别计算每个第一性能评价指标的变异系数权重;
对每个第一性能评价指标的信息熵权重和变异系数权重进行线性组合,得到每个第一性能评价指标的组合权重,并根据每个第一性能评价指标的组合权重对所述多个第一性能评价指标进行加权,得到每个第一性能评价指标的权值,以及对所述多个第一性能评价指标和每个第一性能评价指标的权值进行线性组合,得到多个第二性能评价指标;
分别对所述多个第一状态评价指标进行概率分布分析,得到每个第一状态评价指标的概率分布信息,并根据每个第一状态评价指标的概率分布信息分别计算每个第一状态评价指标的信息熵权重;
分别对所述多个第一状态评价指标进行标准差和均值运算,得到每个第一状态评价指标的标准差和平均值,并根据每个第一状态评价指标的标准差和平均值分别计算每个第一状态评价指标的变异系数权重;
对每个第一状态评价指标的信息熵权重和变异系数权重进行线性组合,得到每个第一状态评价指标的组合权重,并根据每个第一状态评价指标的组合权重对所述多个第一状态评价指标进行加权,得到每个第一状态评价指标的权值,以及对所述多个第一状态评价指标和每个第一状态评价指标的权值进行线性组合,得到多个第二状态评价指标。
5.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据,包括:
将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型,所述目标多任务学习模型包括:输入层、共享层和多任务层,所述多任务层包括发电性能预测网络以及充放电状态预测网络;
通过所述输入层对所述多个第二性能评价指标以及所述多个第二状态评价指标进行指标编码和向量转换,得到性能评价指标向量以及状态评价指标向量;
对所述性能评价指标向量以及所述状态评价指标向量进行向量融合,得到目标评价指标向量,并通过所述共享层中的双向LSTM网络,对所述目标评价指标向量进行特征提取,得到共享指标特征向量;
对所述性能评价指标向量和所述共享指标特征向量进行向量加权融合,得到加权性能指标向量,并通过所述多任务层中的发电性能预测网络对所述加权性能指标向量进行光伏板发电性能预测,得到光伏板发电性能预测数据,其中,所述发电性能预测网络包括:卷积层、池化层、全连接层以及归一化函数;
对所述状态评价指标向量和所述共享指标特征向量进行向量加权融合,得到加权状态指标向量,并通过所述多任务层中的充放电状态预测网络对所述加权状态指标向量进行储能设备充放电状态预测,得到储能设备充放电状态预测数据,其中,所述充放电状态预测网络包括:双向GRU网络以及两层全连接层。
6.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案,包括:
获取所述光伏储能充电桩中光伏板与储能设备之间的多个供电控制属性参数;
分别获取每个供电控制属性参数的供电控制参数范围;
根据所述光伏板发电性能预测数据和所述供电控制参数范围,确定每个供电控制属性参数的第一供电控制参数值;
根据所述储能设备充放电状态预测数据和所述供电控制参数范围,确定每个供电控制属性参数的第二供电控制参数值;
对所述第一供电控制参数值和所述第二供电控制参数值进行均值运算,得到每个供电控制属性参数的平均供电控制参数值;
根据每个供电控制属性参数的平均供电控制参数值,创建所述光伏储能充电桩的初始供电控制方案。
7.根据权利要求1所述的光伏储能充电桩的供电控制方法,其特征在于,所述基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案,包括:
基于自适应混合人工蜂群算法,对所述初始供电控制方案进行全局搜索,生成M个第一供电控制方案,M为正整数;
对所述M个第一供电控制方案进行随机蜂群分割,得到N个目标蜂群,每个目标蜂群包括S个第一供电控制方案,S=M/N,N为正整数,S为正整数;
分别对所述N个目标蜂群进行局部搜索优化,得到每个目标蜂群对应的T个第二供电控制方案;
对每个目标蜂群对应的T个第二供电控制方案进行集合合并,得到候选供电控制方案集合,所述候选供电控制方案集合包括N*T个第二供电控制方案;
对所述候选供电控制方案集合进行供电控制方案最优化分析,得到目标供电控制方案。
8.一种光伏储能充电桩的供电控制***,其特征在于,所述光伏储能充电桩的供电控制***包括:
获取模块,用于获取光伏储能充电桩中光伏板的目标光伏板发电性能数据,并获取所述光伏储能充电桩中储能设备的目标储能设备状态数据;
计算模块,用于计算所述目标光伏板发电性能数据的多个第一性能评价指标,并计算所述目标储能设备状态数据的多个第一状态评价指标;
赋权模块,用于对所述多个第一性能评价指标进行组合赋权,得到多个第二性能评价指标,并对所述多个第一状态评价指标进行组合赋权,得到多个第二状态评价指标;
预测模块,用于将所述多个第二性能评价指标以及所述多个第二状态评价指标输入预置的目标多任务学习模型进行光伏板发电性能预测和储能设备充放电状态预测,得到光伏板发电性能预测数据和储能设备充放电状态预测数据;
创建模块,用于根据所述光伏板发电性能预测数据和所述储能设备充放电状态预测数据创建所述光伏储能充电桩中光伏板与储能设备之间的初始供电控制方案;
优化模块,用于基于自适应混合人工蜂群算法,对所述初始供电控制方案进行供电控制参数优化,得到目标供电控制方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001949.7A CN117498522B (zh) | 2024-01-02 | 2024-01-02 | 光伏储能充电桩的供电控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001949.7A CN117498522B (zh) | 2024-01-02 | 2024-01-02 | 光伏储能充电桩的供电控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117498522A true CN117498522A (zh) | 2024-02-02 |
CN117498522B CN117498522B (zh) | 2024-04-19 |
Family
ID=89683360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001949.7A Active CN117498522B (zh) | 2024-01-02 | 2024-01-02 | 光伏储能充电桩的供电控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117498522B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323386A1 (en) * | 2011-06-14 | 2012-12-20 | Denso Corporation | Electric power supply system |
JP2015220862A (ja) * | 2014-05-16 | 2015-12-07 | トヨタ自動車株式会社 | 電力管理システム |
JP2018027016A (ja) * | 2016-11-29 | 2018-02-15 | 三菱重工業株式会社 | 充電電力制御回路及び充電設備管理装置 |
CN110323820A (zh) * | 2019-08-07 | 2019-10-11 | 惠州汇能精电科技有限公司 | 一种太阳能充电桩 |
CN110867881A (zh) * | 2019-11-29 | 2020-03-06 | 上海宝钢节能环保技术有限公司 | 一种用于光储充***的储能控制方法及*** |
CN114036451A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种并网式光储充装置的储能控制方法及*** |
CN116957262A (zh) * | 2023-07-24 | 2023-10-27 | 太原理工大学 | 一种基于三进程耦合的园区综合能源***的优化调度方法 |
-
2024
- 2024-01-02 CN CN202410001949.7A patent/CN117498522B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323386A1 (en) * | 2011-06-14 | 2012-12-20 | Denso Corporation | Electric power supply system |
JP2015220862A (ja) * | 2014-05-16 | 2015-12-07 | トヨタ自動車株式会社 | 電力管理システム |
JP2018027016A (ja) * | 2016-11-29 | 2018-02-15 | 三菱重工業株式会社 | 充電電力制御回路及び充電設備管理装置 |
CN110323820A (zh) * | 2019-08-07 | 2019-10-11 | 惠州汇能精电科技有限公司 | 一种太阳能充电桩 |
CN110867881A (zh) * | 2019-11-29 | 2020-03-06 | 上海宝钢节能环保技术有限公司 | 一种用于光储充***的储能控制方法及*** |
CN114036451A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种并网式光储充装置的储能控制方法及*** |
CN116957262A (zh) * | 2023-07-24 | 2023-10-27 | 太原理工大学 | 一种基于三进程耦合的园区综合能源***的优化调度方法 |
Non-Patent Citations (1)
Title |
---|
张迎峰: "动态规划算法在光伏储能协调运行***中的应用", 广东电力, vol. 26, no. 11, 25 November 2013 (2013-11-25), pages 72 - 78 * |
Also Published As
Publication number | Publication date |
---|---|
CN117498522B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN112884008B (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN114219216B (zh) | 一种电力***的运行调度方法、***、装置及介质 | |
Fan et al. | Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method | |
CN110457821A (zh) | 风功率曲线多目标综合评价方法、装置及服务器 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测*** | |
CN117669176A (zh) | 一种基于网络简化法的配电网可靠性评估方法及装置 | |
CN117498522B (zh) | 光伏储能充电桩的供电控制方法及*** | |
CN113158535A (zh) | 一种基于深度学习的风电机组主轴承温度预测方法 | |
Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及*** | |
Ye et al. | A morphological filter-based local prediction method with multi-variable inputs for short-term load forecast | |
Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
CN117439146B (zh) | 充电桩的数据分析控制方法及*** | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN118211190B (zh) | 一种基于工况网格的断面数据分析方法及*** | |
Wang et al. | Short-term wind speed prediction based on variational modal decomposition and improved BP neural networks | |
CN117498342A (zh) | 一种基于电网负荷的调节方法及*** | |
CN118330470A (zh) | 考虑寿命周期的超级电容耦合锂电池储能容量分配方法 | |
Zou et al. | Maintenance Evaluation of Power Grid Fault Equipment Based on Random Forest | |
Chen et al. | Research on energy big data cleaning based on multi-source data analysis |
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 |