基于深度学习的电动汽车快充站储能监测系统及其方法技术方案

技术编号:20682358 阅读:55 留言:0更新日期:2019-03-27 19:21
本发明专利技术公开了一种基于深度学习的电动汽车快充站储能监测系统及方法。本发明专利技术利用深度学习算法构建一套电动汽车快充站储能监测系统,提供一种基于深度学习的储能监测综合评判方法,对大数据进行特征学习,高效精确计算处理并得到计算结果,解决了快充站内数据监测点多、数据量大、人工处理和评判难度高且效率低的问题。

【技术实现步骤摘要】
基于深度学习的电动汽车快充站储能监测系统及其方法
本专利技术涉及一种基于深度学习的电动汽车快充站储能监测系统及其方法。
技术介绍
随着可再生能源发电快速发展,弃风、弃光等并网消纳困难的问题越发严重。储能系统在削峰填谷、节省电费开支、延缓输配电扩容升级等方面表现出了良好的经济收益,在可再生能源行业急需转型之际,储能成为至关重要的突破点。在“十三五”规划中,储能技术被编入《国家应对气候变化规划》中,在重点发展的低碳技术方面,太阳能、风能发电及大规模储能和并网技术也被列入其中。由此可见,储能政策的实施大大推动了储能市场的快速发展。先进大容量储能技术以示范应用为主,并由示范应用开始向商业化迈进,探索建立成熟商业模式。应用重点领域依次为分布式发电及微网、调频辅助服务、可再生能源并网,应用场景主要集中在配网和电源侧。预计2020年我国储能市场规模有望达到15GW,其中分布式发电及微电网、调频辅助服务、可再生能源并网分别占50%、20%、20%。电动汽车大规模应用带来许多问题,由于电动汽车的充电行为具有时间和空间上的不确定性,当电动汽车直流快充站大规模的接入,将会给电网负荷带来冲击,对电网的电能质量、网络损耗、设备利用率等产生不容忽视的影响,特别是大功率直流充电具有充电功率大、充电时间短的特点,为满足快速充电站的大功率充电需求,可在快速充电站中配置储能系统,避免储能系统出现过放、过充等影响电池寿命与性能的操作。同时还需全面监测储能系统,为分析充电站与配电网的交互影响提供可靠的数据。目前,电动汽车快充站储能监测储能系统研发成果的应用市场很广,从个人家庭储能系统到大容量储能电站实现,都是大容量储能系统的应用范围;而且无论在解决城市用电紧张、电网调峰压力巨大的问题,还是解决清洁能源发电的大规模并网问题,还是在电动汽车机充电设施快速发展的应用,储能的技术优势都使之具有不可代替的作用。因此,建立一个健全智能化的储能监测系统是十分必要的。
技术实现思路
本专利技术为了解决上述问题,提出了一种基于深度学习的电动汽车快充站储能监测系统及其方法,本专利技术对电动汽车快充站储能进行特征学习,高效精确计算处理并得到计算结果,解决了快充站内数据监测点多、数据量大、人工处理和评判难度高且效率低的问题。为了实现上述目的,本专利技术采用如下技术方案:一种电动汽车快充站储能监测系统,包括:数据采集模块,被配置为采集各个监测点的快充站储能装置的数据,所述数据包括储能装置运行状态、实时运行参数,以及电网的负荷信息;数据存储模块,包括关系数据库和实时数据库,所述关系数据库被配置为对关系数据的存储,所述实时数据库被配置为对数据采集模块采集的监测点数据的存储;数据计算模块,被配置为根据采集的监测点数据计算储能装置的当前容量和功率,当电动汽车充电时计算剩余容量,计算储能系统电池荷电状态以及在电网调峰调频服务能力;进一步的,所述服务能力的计算方法,利用快充站的储能资源制定快充站电网调峰调频服务管理策略。具体方法如下:1、首先以充电站实际储能电量和充电站实际负荷特性为基础,确定不同的储能能量管理策略优化目标,并对该目标所需的储能电量需求进行预估计算。2、根据快速充电站的实际负荷分布特点和目前较为常见的两种充电站能量管理策略优化目标,分别采用两种能够简单、快速进行电动汽车快速充电站储能电量需求预估计算的方法对充电站储能电量需求进行预估计算。3、依据电池储能电站的运行特性、功率与容量特性、以及综合经济效益量化评估模型,建立电池储能电站满足多辅助服务需求的多时间尺度经济效益目标函数。4、结合电网辅助服务调度需求,以经济效益最大化为目标,安排电池储能电站参与电网调频、电压支撑以及黑启动的运行秩序、介入时长与深度等,提出规模化电动汽车快充站储能系统满足多辅助服务需求的优化运行原则。学习训练模块,被配置为利用深度学习网络对采集的监测点数据中的训练样本数据进行零均值化处理,针对样本中的用电负荷、电网负荷以及储能容量预先分析出时间段内电网的最大负荷,并以此分析出快充站储能系统的最大放电负荷,以调度区域内快充站电动汽车的有序充电;通信模块,被配置为实现各模块之间数据交互通信。作为进一步限定,所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。作为进一步限定,还包括人机交互模块,所述人机交互模块包括显示器、输入设备以及报警装置,输入设备接收快充站工作人员的数据查询请求,报警装置,储能装置报警功能,所述显示器被配置为根据学习训练模块的结果,向电动汽车用户推送包含充电等待时间或可充电容量的资讯信息。所述报警装置包括声音警示、闪光灯警示模块,被配置为接收并处理报警请求,当储能系统的剩余容量低于报警阈值、快充站电网调峰调频服务低于报警阈值时,自动触发报警系统。所述报警阈值的限定,利用学习训练模块的历史样本数据,训练得出快充站储能系统容量所能支持最大服务限度值,最大电网调峰调频服务限度值。所述限度值即为能够服务的最大充电容量以及电网调峰的最大上网电能。作为更进一步的限定,所述远程云端平台包括事务处理服务模块和数据分析模块,所述事务处理服务模块被配置为接收并处理查询请求,并请查询请求传递给数据分析模块;所述数据分析模块负责分析的用户请求,并根据请求内容给数据处理模块索要相应的数据,并向学习训练模块提供样本数据。作为更进一步的限定,所述远程云端平台通过通信模块获取快充站的储能系统的状态,通过对训练模块输出参数的学习结果,进一步进行快充站储能系统充放电执行状态的分析与调度。基于上述系统的工作方法,包括以下步骤:获取储能系统各个监测点的数据以及接收电网的负荷数据,并保存;根据获取的数据,计算储能装置的当前容量、功率,当电动汽车充电时计算剩余容量,计算储能系统电池荷电状态、储能在电网调峰调频服务能力的计算,将剩余容量及服务能力的结果按照时间段进行记录;获取各采集点采集的实时数据以及历史数据,按时间段进行初步的分析预算,得到该时间段内不同时间节点相同时间段的用电负荷、电网负荷以及储能容量,并作为学习训练模块的样本数据;根据样本数据,深度学习算法首先对训练样本数据进行零均值化处理,并按是时间段进行归类,针对样本中的用电负荷、电网负荷以及储能容量数据预先分析预测出时间段内电网的最大负荷,得到出快充站储能系统的最大放电负荷;进一步的,所述最大负荷预测方法如下,一、获取多个时间点的用电负荷;二、对多个历史负荷按照时间点类型进行筛选获得历史样本;三、充电站日负荷需求历史数据构成的时间序列具有较强的规律性,充电站的负荷需求在短期(数天)内具有较强的自相关性。引起充电站负荷时间序列非平稳性的原因有突发的路况(临时道路封停等)、意外的运营情况(充电站暂时停止提供服务)等;四、对历史样本坏数据(负荷波动数据)辨识修正;对于主平稳的序列可以使用AR(Auto-RegressiveModel)模型或者ARMA(Auto-RegressiveandMovingAverageModel)模型进行预报;五、根据步骤四中计算所得当前负荷变化率,利用ARMA模型预测日当前时刻点的最大负荷。通过训练,通过单层决策树算法学习到各时间段储能系统服务能力均值的上阈值和下阈值,将所有储能系统服务能力低于下阈值的充电行为定义为非显著性区本文档来自技高网
...

【技术保护点】
1.一种基于深度学习的电动汽车快充站储能监测系统,其特征是:包括:数据计算模块,被配置为根据采集的监测点数据计算储能装置的当前容量和功率,当电动汽车充电时计算剩余容量,计算储能系统电池荷电状态以及在电网调峰调频服务能力;学习训练模块,被配置为对采集的监测点数据中的训练样本数据进行零均值化处理,针对样本中的用电负荷、电网负荷以及储能容量预先分析出时间段内电网的最大负荷,并以此分析出快充站储能系统的最大放电负荷,以调度区域内快充站电动汽车的有序充电。

【技术特征摘要】
1.一种基于深度学习的电动汽车快充站储能监测系统,其特征是:包括:数据计算模块,被配置为根据采集的监测点数据计算储能装置的当前容量和功率,当电动汽车充电时计算剩余容量,计算储能系统电池荷电状态以及在电网调峰调频服务能力;学习训练模块,被配置为对采集的监测点数据中的训练样本数据进行零均值化处理,针对样本中的用电负荷、电网负荷以及储能容量预先分析出时间段内电网的最大负荷,并以此分析出快充站储能系统的最大放电负荷,以调度区域内快充站电动汽车的有序充电。2.如权利要求1所述的一种基于深度学习的电动汽车快充站储能监测系统,其特征是:还包括人机交互模块,所述人机交互模块包括显示器、输入设备以及报警装置,输入设备接收快充站工作人员的数据查询请求,报警装置具有报警功能,所述显示器被配置为根据学习训练模块的结果,向电动汽车用户推送包含充电等待时间或可充电容量的资讯信息。3.如权利要求1所述的一种基于深度学习的电动汽车快充站储能监测系统,其特征是:所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。4.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统,其特征是:所述远程云端平台包括事务处理服务模块和数据分析模块,所述事务处理服务模块被配置为接收并处理查询请求,并请查询请求传递给数据分析模块;所述数据分析模块负责分析的用户请求,并根据请求内容给数据处理模块索要相应的数据,并向学习训练模块提供样本数据。5.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统,其特征是:所述数据计算模块将计算的剩余容量及服务能力的结果上送到远程云端平台。6.如权利要求3所述的一种基于深度学习的电动汽车快充站储能监测系统,其特征是:所述远程云端平台通过通信模块获取快充站的储能系统的状态,通过对训练模块输出参数的学习结果,进一步进行快充站储能系统充放电执行状态的分析与调度。7.基于如权利要求1-6中任一项所述的系统的工作方法,其特征是:包括以下步骤:获取储能系统各个监测点的数据以及接收电网的负荷数据,并保存;根据获取的数据,计算储能装置的当前容量、功率,当电动汽车充电时计算剩余容量,计算储能系统电池荷电状态、储能在电网调峰调频服务能力的计算,将剩余容量及服务能力的结果按照时间段进行记录;获取各采集点采集的实时数据以及历史数据,按时间段进行初步的分析预算,...

【专利技术属性】
技术研发人员:马勇李东王新库毕绍聪姜云马龙韩元凯李建祥许玮刘继东慕世友张华栋袁弘刘海波张洪利张健
申请(专利权)人:国网山东省电力公司德州供电公司山东鲁能智能技术有限公司国家电网有限公司
类型:发明
国别省市:山东,37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1