本发明涉及综合供能站功率分配,具体涉及综合供能站的光储功率分配方法。
背景技术:
1、在综合供能站中,光伏发电和储能系统的功率分配可以根据实际需求和能源供应情况进行灵活调整。当光伏发电系统的输出功率足够满足当前需求时,可以直接将光伏发电的电能输送到负载端,满足负载的供电需求,而不需要借助储能系统。当光伏发电系统的输出功率超过当前需求时,多余的电能可以用于充电储能系统。这样,储能系统可以将多余的能量储存起来,以备不足时使用。当光伏发电系统的输出功率不足以满足当前需求时,储能系统可以被调度以释放储存的电能,补充供电缺口。储能系统的功率输出可以根据负载需求进行动态调整,以实现平衡供能。
2、现有技术中,光储功率分配方法无法适应实时变化的能源供需情况,导致分配结果可能不够准确,无法充分利用可再生能源的优势;或者采用固定的分配策略,无法根据不同的能源供需情况进行灵活调整,导致光储系统的能量利用效率不高,无法最大程度地满足用户需求;或者只考虑了储能系统的状态和光伏发电的能源供应情况,而没有充分考虑其他因素,如用户充电需求、充电市场价格等,导致分配结果与用户需求和经济效益不完全匹配,同时,综合供能站通常包括多种能源形式,如光伏、风力发电、储能等,现有技术中的分配方法往往只针对单一能源进行功率分配,缺乏对多种能源之间的协同优化考虑,导致整个综合供能站的能源利用效率不高。
技术实现思路
1、针对现有技术中存在的上述问题,本发明提供综合供能站的光储功率分配方法,能够在满足充电桩电力负荷的基础上,确定综合供能站中光伏发电和储能供电的功率分配,使得综合供能站实现电力负荷的可靠供应和成本最优。
2、第一方面,本申请实施例提供了综合供能站的光储功率分配方法,包括步骤:
3、采集数据并建立光储数据集,光储数据集包括充电负荷数据集和光伏发电数据集;
4、搭建光储功率分配模型,所述光储功率分配模型包括依次连接的充电负荷预测模块和光伏发电预测模块;
5、基于采集的光储数据集对光储功率分配模型进行训练,并计算损失函数,直至损失函数收敛至预设值;
6、利用训练好的光储功率分配模型对综合供能站的充电负荷量和光伏发电量进行预测,以基于预测结果对综合供能站的光伏发电和储能供能的功率输出进行分配,并得到满足充电负荷的分配结果。
7、在第一方面的一种可选方案中,充电负荷预测模块包括依次连接的cnn层、多个lstm层以及多个全连接层,所述cnn层包括依次连接的多个卷积层和池化层,每层卷积层后均连接有激活函数层。
8、在第一方面的又一种可选方案中,光伏发电预测模块包括依次连接的正则化层、多个残差单元、双向lstm单元以及全连接单元,所述残差单元包括依次连接的两个卷积层。
9、在第一方面的又一种可选方案中,建立光储数据集之前,还对数据进行标准化预处理,以将数据尺度进行统一,所述充电负荷数据集和光伏发电数据集均按照预设比例划分为训练集和评估集,具体地,对输入数据进行分组,按照4:1随机划分训练集和评估集。
10、在第一方面的又一种可选方案中,基于采集的光储数据集对光储功率分配模型进行训练,并计算损失函数,具体为:
11、基于采集的充电负荷数据集对充电负荷预测模块进行训练,并计算第一损失函数,直至第一损失函数收敛至预设值;
12、基于采集的光伏发电数据集对光伏发电预测模块进行训练,并计算第二损失函数,所述第二损失函数为mse损失函数,直至第二损失函数收敛至预设值。
13、在第一方面的又一种可选方案中,第一损失函数为:
14、
15、其中,l1表示第一损失函数值,lrmse表示用来衡量预测值与实际值之间误差的均方根误差,lmape表示用来衡量预测值与实际值之间误差的平均相对百分比误差,表示用来衡量预测值和实际值之间相关程度的决定系数。
16、在第一方面的又一种可选方案中,第一损失函数具体为:
17、
18、
19、
20、其中,n表示样本数量,y′i表示充电负荷预测值,yi表示充电负荷实际值,y″i表示充电负荷实际值的平均值。
21、在第一方面的又一种可选方案中,所述充电负荷数据集包括充电桩的历史充电时长数据、历史充电电量数据以及历史充电桩车流量数据。
22、在第一方面的又一种可选方案中,所述光伏发电数据集包括预设间隔时间内采集的光伏发电的功率信息以及对应的天气信息,所述天气信息包括辐照度、温度、风向以及风速,本方案对光伏发电方的历史数据进行收集和筛选,按照半小时一次的频率收集光伏发电的功率信息。
23、第二方面,本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本申请实施例第一方面或第一方面的任意一种实现方式提供的综合供能站的光储功率分配方法。
24、本发明的有益技术效果包括:
25、1.提出了综合供能站的光储功率分配方法,基于电力负荷预测和光储功率预测方法,能够在满足充电桩电力负荷的基础上,确定综合供能站中光伏发电和储能供电的功率分配,将光伏发电和储能系统的功率输出进行调度,以满足电力负荷需求并尽量降低系统总成本。
26、2.基于深度学习神经网络搭建了充电负荷预测模块,cnn层可以有效地从输入数据中提取出局部特征,对于数据回归等任务非常有效,lstm层可以处理时序数据,并能够捕捉到长期依赖关系,在处理时间序列数据时具有较好的效果。cnn层+lstm层搭建的充电负荷预测模块,在充电负荷预测中的性能表现更好,有更高的鲁棒性,提高了充电桩充电负荷预测数据的准确性。
27、3.基于深度学习神经网络搭建了光伏发电预测模块,resnet中的残差结构可以有效地从输入数据中提取出局部特征,缓解由于复杂度过高带来的过拟合问题,同时双向lstm可以处理时序数据,并能够捕捉到长期依赖关系,提取上下文语意信息使得对光伏发电功率的预测精度更高。
1.综合供能站的光储功率分配方法,其特征在于,包括步骤:
2.根据权利要求1所述的综合供能站的光储功率分配方法,其特征在于,充电负荷预测模块包括依次连接的cnn层、多个lstm层以及多个全连接层,所述cnn层包括依次连接的多个卷积层和池化层,每层卷积层后均连接有激活函数层。
3.根据权利要求2所述的综合供能站的光储功率分配方法,其特征在于,光伏发电预测模块包括依次连接的正则化层、多个残差单元、双向lstm单元以及全连接单元,所述残差单元包括依次连接的两个卷积层。
4.根据权利要求2或3所述的综合供能站的光储功率分配方法,其特征在于,建立光储数据集之前,还对数据进行标准化预处理,以将数据尺度进行统一,所述充电负荷数据集和光伏发电数据集均按照预设比例划分为训练集和评估集。
5.根据权利要求4所述的综合供能站的光储功率分配方法,其特征在于,基于采集的光储数据集对光储功率分配模型进行训练,并计算损失函数,具体为:
6.根据权利要求5所述的综合供能站的光储功率分配方法,其特征在于,第一损失函数为:
7.根据权利要求6所述的综合供能站的光储功率分配方法,其特征在于,第一损失函数具体为:
8.根据权利要求1所述的综合供能站的光储功率分配方法,其特征在于,所述充电负荷数据集包括充电桩的历史充电时长数据、历史充电电量数据以及历史充电桩车流量数据。
9.根据权利要求1所述的综合供能站的光储功率分配方法,其特征在于,所述光伏发电数据集包括预设间隔时间内采集的光伏发电的功率信息以及对应的天气信息,所述天气信息包括辐照度、温度、风向以及风速。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1至9任一项所述的综合供能站的光储功率分配方法。