一种市电和柴储市电不间断切换系统的制作方法

1.本发明涉及供电技术领域，更具体地说，本发明涉及一种市电和柴储市电不间断切换系统。


背景技术：

2.单纯依靠同一中供电电源对负载进行供电，可能由于供电电源自身供电不稳定或是意外故障的情况导致负载无法得到电能供应，在较为重要的场所，类似医院、学校或金融机构，可能由于电力无法及时供应受到较大的影响或损失，因此较多场合均会采用多电源供电的方式，类似用户变压器容量不足且扩容困难的施工场所、市电限电(或不稳定)且变压器容量不满足施工场所、用户对用电质量要求高的应急、临时用电场所，且负载在周期性时间内可能由于时间的变化，用电设备的使用率变化出现较大波动，若是无法做到及时对负载的变化进行预测，直接进行发电供电的话，可能出现发电量大于负载所需电能，需要进行电能大量存储，甚至浪费的情况，因此需要一种市电和柴储市电不间断切换系统来解决上述问题。


技术实现要素：

3.为了克服现有技术的上述缺陷，本发明提供了一种市电和柴储市电不间断切换系统，本发明所要解决的技术问题是：负载在周期性时间内可能由于时间的变化，用电设备的使用率变化出现较大波动，若是无法做到及时对负载的变化进行预测，直接进行发电供电的话，可能出现发电量大于负载所需电能，需要进行电能大量存储，甚至浪费的情况的问题。
4.为实现上述目的，本发明提供如下技术方案：一种市电和柴储市电不间断切换系统，包括智能柴储电站，所述智能柴储电站包括能源管理系统、电池管理系统，所述能源管理系统包括数据存储单元，所述数据存储单元的输出端与数据预测单元的输入端电连接，所述数据预测单元的输出端与中央处理器的输入端电连接，所述中央处理器的输入端与方案定制单元的输出端电连接，所述方案定制单元的输入端与数据预测单元的输出端电连接。
5.所述方案制定单元的输入端与数据存储单元的输出端电连接，所述数据存储单元的输入端与负载信息获取单元的输出端电连接，所述数据存储单元的输入端与供电数据获取单元的输出端电连接，所述数据预测单元的输入端与负载信息获取单元的输出端电连接，所述数据预测单元的输入端与供电数据获取单元的输出端电连接，所述中央处理器的输出端与通信单元的输入端电连接，所述通信单元的输出端与电池管理系统的输入端电连接，所述电池管理系统与储能电池单元双向连接，所述储能电池单元与储能变流单元双向连接，所述储能变流单元的输入端与ats转换单元的输出端电连接。
6.所述ats转换单元的输出端与负载的输入端电连接，所述负载的输入端与储能变流单元的输出端电连接，所述储能变流单元的输入端与通信单元的输出端电连接，所述通
信单元的输出端与ats转换单元的输入端电连接，所述通信单元的输出端与柴油发电单元的输入端电连接，所述柴油发电单元的输出端与ats转换单元的输入端电连接，所述ats转换单元的输入端与市电单元的输出端电连接。
7.作为本发明的进一步方案：所述柴油发电单元用于柴油机组工作发电提供给负载使用；
8.所述ats转换单元用于切换柴油发电供电和市电供电两路电源；
9.储能变流单元用于对电源提供的电压、频率、相数和其他电量和特性进行调整；
10.所述储能电池单元用于在市电为低容量负载供电时多余电能的存储，对柴油发电单元为负载供电的同时进行电能存储。
11.作为本发明的进一步方案：所述通信单元用于将中央处理器得出的结果发送至柴油发电单元、电池管理系统、ats转换单元和储能变流单元；
12.所述负载信息获取单元用于对周期时间内负载数据进行获取；
13.所述供电数据获取单元用于对市电单元数据、柴油发电单元的参数和发电数据、储能电池单元数据进行获取；
14.所述数据存储单元用于对获取的数据进行存储；
15.所述数据预测单元用于对获取的数据进行分析处理，预测得出负载周期时间内的实时变化；
16.所述方案制定单元用于结合负载数据的变化对供电方案进行制定。
17.作为本发明的进一步方案：所述供电方案包括市电供电、柴油发电单元供电、储能电池供电、市电供电储能电池放电补充四种；
18.所述数据预测单元对数据的处理包括以下步骤：
19.获取历史数据，并对数据进行归一化处理；
20.神经网络模型的确立；
21.神经网络算法神经元之间连接权值计算。
22.作为本发明的进一步方案：所述神经网络算法神经元之间连接权值计算，包括以下步骤：
23.参数初始化；
24.计算粒子的适应度函数值预计适应度变化率；
25.对计算的粒子适应度函数值进行变异；
26.判断计算神经元最优连接权值；
27.所述数据归一化处理公式为：其中x为输入输出历史数据，为归一化处理后的数据，x
max
表示取样历史数据的最大值，x
min
表示取样历史数据的最小值。
28.作为本发明的进一步方案：
29.粒子群算法得出最优连接权值；
[0030][0031]
x
r,d
(k+1)＝x
r,d
(k)+v
r,d
(k+1)
[0032]
1≤r≤n,1≤d≤d,
[0033]
式中，k，n，d是给定的常数，分别为离子的迭代次数，粒子树、粒子运动空间的维数；v
r,d
，x
r,d
分别表示单个粒子的运动速度和运行的当前位置；p
r,d
和p
g,d
则分别表示单个粒子的个体最优解和粒子的全局最优解；c1，c2取常数，表示学习因子；r1，r2是随机常数，一般选取0-1之间的数值；w表示惯性权重，w的值应随着迭代次数的增加而越来越小，具体的w值的计算公式为：
[0034]
w＝w
max-k(w
max-w
min
)/k
max
，式中w
max
表示w取得的最大值，w
min
表示w取得的最小值，k
max
表示粒子训练过程中给定的最大迭代步数；
[0035]
避免粒子陷入局部最优，加入适应度函数值t(k)，其中，
[0036]
t(k)＝|nn
out
(k)-nn
ex
|，式中nn
out
(k)表示神经网络迭代到第k步时的输出值，nn
ex
表示神经网络的期望输出值，
[0037]
设定粒子的适应度变化率tb(k)，具体为：
[0038]
式中，t(k-1)表示粒子迭代到第k-1步时计算得到的适应度函数值；
[0039]
为了使粒子跳出局部最优，随机选取三分之一的粒子进行变异，变异公式为：表示第i个粒子变异后的位置，表示第i个粒子变异前的位置，b表示变异参数；
[0040]
其中b的取值随着越来越接近最优点取值越来越小，具体公式为：
[0041]
b＝b
max-k(b
max-b
min
)/k
max
，式中b
max
表示b取得的最大值，b
min
表示b取得的最小值。
[0042]
本发明的有益效果在于：
[0043]
1、本发明通过采用ats转换单元，负荷较低时市电为负载供电同时给储能电池充电，负荷较高或出现尖峰负载时储电池放电补充，实现削峰填谷，保证变压器安全运行，提高供电稳定性；市电停电或限电时，无缝切换储能电池为负载供电，容量不足时柴油发电机机组为负载供电且同时为储能电池充电，实现有效降低变压器扩容成本，缩短供电改造时间，可实现系统24小时不断电，实现不间断供电，储能和柴油双备份电源，安全供电；
[0044]
2、本发明通过采用神经网络对负载的变化进行预测计算，判断负载变化过程中所需容量，实现对负载的预测，根据负载预测的变化趋势，对供电方案进行制定，提前选择是否需要发电、具体的发电量，避免出现发电量远大于负载所需电能的情况出现，保证整体的供电更为安全的同时实现精准供电，降低能源浪费。
附图说明
[0045]
图1为本发明系统原理示意图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
如图所示，本发明提供了一种市电和柴储市电不间断切换系统，包括智能柴储电站，智能柴储电站包括能源管理系统、电池管理系统，能源管理系统包括数据存储单元，数据存储单元的输出端与数据预测单元的输入端电连接，数据预测单元的输出端与中央处理器的输入端电连接，中央处理器的输入端与方案定制单元的输出端电连接，方案定制单元的输入端与数据预测单元的输出端电连接。
[0048]
方案制定单元的输入端与数据存储单元的输出端电连接，数据存储单元的输入端与负载信息获取单元的输出端电连接，数据存储单元的输入端与供电数据获取单元的输出端电连接，数据预测单元的输入端与负载信息获取单元的输出端电连接，数据预测单元的输入端与供电数据获取单元的输出端电连接，中央处理器的输出端与通信单元的输入端电连接，通信单元的输出端与电池管理系统的输入端电连接，电池管理系统与储能电池单元双向连接，储能电池单元与储能变流单元双向连接，储能变流单元的输入端与ats转换单元的输出端电连接。
[0049]
ats转换单元的输出端与负载的输入端电连接，负载的输入端与储能变流单元的输出端电连接，储能变流单元的输入端与通信单元的输出端电连接，通信单元的输出端与ats转换单元的输入端电连接，通信单元的输出端与柴油发电单元的输入端电连接，柴油发电单元的输出端与ats转换单元的输入端电连接，ats转换单元的输入端与市电单元的输出端电连接。
[0050]
柴油发电单元用于柴油机组工作发电提供给负载使用；
[0051]
ats转换单元用于切换柴油发电供电和市电供电两路电源；
[0052]
储能变流单元用于对电源提供的电压、频率、相数和其他电量和特性进行调整；
[0053]
储能电池单元用于在市电为低容量负载供电时多余电能的存储，对柴油发电单元为负载供电的同时进行电能存储。
[0054]
通信单元用于将中央处理器得出的结果发送至柴油发电单元、电池管理系统、ats转换单元和储能变流单元；
[0055]
负载信息获取单元用于对周期时间内负载数据进行获取；
[0056]
供电数据获取单元用于对市电单元数据、柴油发电单元的参数和发电数据、储能电池单元数据进行获取；
[0057]
数据存储单元用于对获取的数据进行存储；
[0058]
数据预测单元用于对获取的数据进行分析处理，预测得出负载周期时间内的实时变化；
[0059]
方案制定单元用于结合负载数据的变化对供电方案进行制定。
[0060]
供电方案包括市电供电、柴油发电单元供电、储能电池供电、市电供电储能电池放电补充四种；
[0061]
数据预测单元对数据的处理包括以下步骤：
[0062]
获取历史数据，并对数据进行归一化处理；
[0063]
神经网络模型的确立；
[0064]
神经网络算法神经元之间连接权值计算。
[0065]
神经网络算法神经元之间连接权值计算，包括以下步骤：
[0066]
参数初始化；
[0067]
计算粒子的适应度函数值预计适应度变化率；
[0068]
对计算的粒子适应度函数值进行变异；
[0069]
判断计算神经元最优连接权值；
[0070]
数据归一化处理公式为：其中x为输入输出历史数据，为归一化处理后的数据，x
max
表示取样历史数据的最大值，x
min
表示取样历史数据的最小值；
[0071]
粒子群算法得出最优连接权值；
[0072][0073]
x
r,d
(k+1)＝x
r,d
(k)+v
r,d
(k+1)
[0074]
1≤r≤n,1≤d≤d,
[0075]
式中，k，n，d是给定的常数，分别为离子的迭代次数，粒子树、粒子运动空间的维数；v
r,d
，x
r,d
分别表示单个粒子的运动速度和运行的当前位置；p
r,d
和p
g,d
则分别表示单个粒子的个体最优解和粒子的全局最优解；c1，c2取常数，表示学习因子；r1，r2是随机常数，一般选取0-1之间的数值；w表示惯性权重，w的值应随着迭代次数的增加而越来越小，具体的w值的计算公式为：
[0076]
w＝w
max-k(w
max-w
min
)/k
max
，式中w
max
表示w取得的最大值，w
min
表示w取得的最小值，k
max
表示粒子训练过程中给定的最大迭代步数；
[0077]
避免粒子陷入局部最优，加入适应度函数值t(k)，其中，
[0078]
t(k)＝|nn
out
(k)-nn
ex
|，式中nn
out
(k)表示神经网络迭代到第k步时的输出值，nn
ex
表示神经网络的期望输出值，
[0079]
设定粒子的适应度变化率tb(k)，具体为：
[0080]
式中，t(k-1)表示粒子迭代到第k-1步时计算得到的适应度函数值；
[0081]
为了使粒子跳出局部最优，随机选取三分之一的粒子进行变异，变异公式为：表示第i个粒子变异后的位置，表示第i个粒子变异前的位置，b表示变异参数；
[0082]
其中b的取值随着越来越接近最优点取值越来越小，具体公式为：
[0083]
b＝b
max-k(b
max-b
min
)/k
max
，式中b
max
表示b取得的最大值，b
min
表示b取得的最小值。
[0084]
综上可得，本发明中：
[0085]
本发明通过采用ats转换单元，负荷较低时市电为负载供电同时给储能电池充电；负荷较高或出现尖峰负载时储电池放电补充；实现削峰填谷，保证变压器安全运行，提高供电稳定性；市电停电或限电时，无缝切换储能电池为负载供电，容量不足时柴油发电机机组为负载供电且同时为储能电池充电，实现有效降低变压器扩容成本，缩短供电改造时间，可实现系统24小时不断电，实现不间断供电，储能和柴油双备份电源，安全供电。
[0086]
本发明通过采用神经网络对负载的变化进行预测计算，判断负载变化过程中所需容量，实现对负载的预测，根据负载预测的变化趋势，对供电方案进行制定，提前选择是否需要发电、具体的发电量，避免出现发电量远大于负载所需电能的情况出现，保证整体的供
电更为安全的同时实现精准供电，降低能源浪费。
[0087]
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
[0088]
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。