【技术实现步骤摘要】
本专利技术涉及一种基于ipso-lstm的充电场站能量管理策略，属于智能算法。
技术介绍
1、随着电动汽车渗透率的不断增加，相应的基础充电设施也得到逐步完善，大规模电动汽车充电行为的无序性会对电网和电动汽车充电站造成巨大影响。电动汽车无序充电行为带来的影响包括以下几个方面：首先电动汽车充电负荷的急剧增大，而用户的充电行为具有不确定性，在极端情况下会出现“峰上加峰”的问题，极大加剧了电网的负荷峰谷差；其次，为了满足用户的充电需求，配电网不得不相应地扩大容量，这将增大设施建设的额外成本和空闲资源浪费；此外，电动汽车的无序充电还将会影响充电站的建设配置和运营定价。因此实现电动汽车充电需求的精准预测和调制是降低电动汽车入网影响、保证电网稳定运行的重要基础。
2、电动汽车的普及在带来挑战的同时，也提供了发展的机遇。为了降低大规模电动汽车并网引起的负荷剧变，可以通过配备储能系统辅助电网满足电动汽车充电需求，同时储能系统还能够存储可再生能源发电出力，降低新能源发电的不确定性带来的影响。
3、现有技术存在的问题：电动汽车充电需求受到用户充电行为直接影响，导致电动汽车充电站的功率需求存在显著的随机性和波动性；分布式发电资源，如光伏发电面板、风力发电机等出力同样存在不稳定性和波动性，难以实现精准预测，因此常规的通过预测未来发电、负荷需求的方法往往存在较大的偏差；储能的充放电能力受到剩余荷电状态(state ofcharging,soc)和储能变流器(power conversion system,pcs)共同制约，存在一定的
4、随着电动汽车渗透率的不断增加，相应的基础充电设施也得到逐步完善，大规模电动汽车充电行为的无序性会对电网和电动汽车充电站造成巨大影响。电动汽车无序充电行为带来的影响包括以下几个方面：首先电动汽车充电负荷的急剧增大，而用户的充电行为具有不确定性，在极端情况下会出现“峰上加峰”的问题，极大加剧了电网的负荷峰谷差；其次，为了满足用户的充电需求，配电网不得不相应地扩大容量，这将增大设施建设的额外成本和空闲资源浪费；此外，电动汽车的无序充电还将会影响充电站的建设配置和运营定价。因此实现电动汽车充电需求的精准预测和调制是降低电动汽车入网影响、保证电网稳定运行的重要基础。
5、电动汽车的普及在带来挑战的同时，也提供了发展的机遇。为了降低大规模电动汽车并网引起的负荷剧变，可以通过配备储能系统辅助电网满足电动汽车充电需求，同时储能系统还能够存储可再生能源发电出力，降低新能源发电的不确定性带来的影响。
6、现有技术存在的问题：电动汽车充电需求受到用户充电行为直接影响，导致电动汽车充电站的功率需求存在显著的随机性和波动性；分布式发电资源，如光伏发电面板、风力发电机等出力同样存在不稳定性和波动性，难以实现精准预测，因此常规的通过预测未来发电、负荷需求的方法往往存在较大的偏差；储能的充放电能力受到剩余荷电状态(state ofcharging,soc)和储能变流器(power conversion system,pcs)共同制约，存在一定的限度，并不能完全满足电动汽车充电站的用电需求。
技术实现思路
1、本专利技术为现有能量管理系统中模型粗糙、智能优化算法求解困难的技术问题，进而提出一种基于ipso-lstm的充电场站能量管理策略。
2、本专利技术为解决上述问题采取的技术方案是：本专利技术提出一种基于ipso-lstm的充电场站能量管理策略，包括：
3、步骤1：获取光伏发电功率历史数据、充电站充电负载历史功率数据和历史环境数据；
4、步骤2：构建基于贝叶斯优化的lstm能量流预测模型，并对基于贝叶斯优化的lstm能量流预测模型进行训练；
5、步骤3：将光伏发电功率历史数据和充电站充电负载历史功率数据输入训练后的基于贝叶斯优化的lstm能量预测模型中获取光伏发电功率预测数据和充电站充电负载功率预测数据；
6、步骤4：构建光储充一体站模型，将光伏发电功率预测数据、充电站充电负载功率预测数据和历史环境数据输入光储充一体站模型中获取筛选后的光伏发电功率预测数据和充电站充电负载功率预测数据；
7、步骤5：基于改进的粒子群算法对最优光伏发电功率预测数据和充电站充电负载功率预测数据进行计算得到最优充电站能量管理策略。
8、可选的，步骤1中历史环境数据包括：光照强度和气温，光伏发电功率历史数据、充电站充电负载历史功率数据分为训练数据集和验证数据集。
9、可选的，步骤2中lstm神经网络包括遗忘门、输入门和输出门；
10、遗忘门包括数据读取层和sigmoid函数层；
11、输入门包括sigmoid函数层；
12、输出门包括sigmoid函数层和tanh函数层；
13、优化后的lstm网络的输入数据为光伏发电功率历史数据和充电站充电负载历史功率数据、上一个神经元输出的结果和上一时刻的单元状态；
14、输出数据为光伏发电功率预测数据和充电站充电负载功率预测数据。
15、可选的，步骤2中贝叶斯优化的lstm神经网络模型和对基于贝叶斯优化的lstm能量流预测模型进行训练的步骤包括：
16、步骤2.1：基于贝叶斯优化确定lstm神经网络模型中需要调整的超参数范围，超参数范围包括学习率、lstm层的数量、大小和输入序列长度；
17、步骤2.2：建立目标函数，基于目标函数和lstm神经网络模型的超参数组合对lstm神经网络模型进行性能评估；
18、步骤2.3：构建贝叶斯优化器，使用贝叶斯优化算法搜索最优超参数组合，并对后续迭代训练中根据当前lstm神经网络模型的性能对下一组超参数组合进行评估；
19、步骤2.4：使用每个贝叶斯优化选择的超参数组合对lstm神经网络模型进行训练，并使用验证数据集对训练后的lstm神经网络模型进行性能评估；
20、步骤2.5：基于不同超参数组合的性能评估结果进行迭代优化，获取后续迭代过程中提升的lstm能量流预测模型模型性能的超参数组合。
21、可选的，步骤3中获取光伏发电功率预测数据和充电站充电负载功率预测数据的步骤包括：
22、步骤3.1：将当前时刻输入的光伏发电功率历史数据、充电站充电负载历史功率数据、上一个神经元输出的结果输入遗忘门，通过sigmoid层后，输出一个[0,1]区间的值ft，将ft和上一时刻的单元状态逐点相乘确定上一时刻的单元状态到当前时刻的单元状态的保留值；
23、步骤3.2：将当前时刻输入的光伏发电功率历史数据、充电站充电负载历史功率数据、上一个神经元输出的结果输入输入门中的sigmoid函数层，得到输出值，基于输出值对当前单元状态进行更新；
24、步骤3.3：将当前时刻输入的光伏发电功率历史数据、充电站充电负载历史功率数据、上一个神经元输出的结果本文档来自技高网...
【技术保护点】
1.一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，所述一种基于IPSO-LSTM的充电场站能量管理策略的步骤包括：
2.根据权利要求1所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤1中历史环境数据包括：光照强度和气温，光伏发电功率历史数据、充电站充电负载历史功率数据分为训练数据集和验证数据集。
3.根据权利要求1所述的基于改进PSO与改良LSTM组合算法的面向充电站能量管理策略，其特征在于，步骤2中LSTM神经网络包括遗忘门、输入门和输出门；
4.根据权利要求1所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤2中贝叶斯优化的LSTM神经网络模型和对基于贝叶斯优化的LSTM能量流预测模型进行训练的步骤包括：
5.根据权利要求1所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤3中获取光伏发电功率预测数据和充电站充电负载功率预测数据的步骤包括：
6.根据权利要求1所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤4中
7.根据权利要求1所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤5中获取最优充电站能量管理策略的步骤包括：
8.根据权利要求7所述的一种基于IPSO-LSTM的充电场站能量管理策略，其特征在于，步骤5.2中获取最优充电站能量管理策略的步骤包括：
...【技术特征摘要】
1.一种基于ipso-lstm的充电场站能量管理策略，其特征在于，所述一种基于ipso-lstm的充电场站能量管理策略的步骤包括：
2.根据权利要求1所述的一种基于ipso-lstm的充电场站能量管理策略，其特征在于，步骤1中历史环境数据包括：光照强度和气温，光伏发电功率历史数据、充电站充电负载历史功率数据分为训练数据集和验证数据集。
3.根据权利要求1所述的基于改进pso与改良lstm组合算法的面向充电站能量管理策略，其特征在于，步骤2中lstm神经网络包括遗忘门、输入门和输出门；
4.根据权利要求1所述的一种基于ipso-lstm的充电场站能量管理策略，其特征在于，步骤2中贝叶斯优化的lstm神经网络模型和对基于贝叶斯优化的lstm能量流预测模...
【专利技术属性】
技术研发人员：黄国柱，郑文斌，刘钦河，陈峻洋，
申请(专利权)人：深圳市灰山石能源管理有限公司，
类型：发明
国别省市：
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。