[发明专利]基于深度学习的电动汽车快充站储能监测系统及其方法

权利要求书

1.一种基于深度学习的电动汽车快充站储能监测系统的工作方法，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，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；

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域，将所有储能系统服务能力高于上阈值的充电行为定义为显著性区域，其他区域的充电行为不作改变，以此调度区域内快充站电动汽车的有序充电；

根据学习训练模块训练结果分别按充电站位置、充电服务能力以及等待情况统一调度区域内充电车辆前往目标快充站充电，以达到最优的有序充电方案。

2.如权利要求1所述的工作方法，其特征是：还包括以下步骤，根据储能系统最佳储能时间进行学习，根据电网的用电负荷情况、储能系统的放电情况以及电动汽车充电情况综合判断，分析计算出快充站最佳的储能时间；

或，所述最大负荷预测方法的具体过程包括：

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、确定充电站日负荷需求历史数据构成的时间序列的规律性，充电站的负荷需求的自相关性；

四、对历史样本坏数据进行辨识修正；对于主平稳的序列用AR模型或者ARMA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。

3.如权利要求2所述的工作方法，其特征是：最佳的储能时间计算方法具体为：获得同期、上月以及最近若干天的电网负荷数据、储能放电数据以及车辆充电数据；

根据获得的这部分数据分析预算出当天内每个时间段的用电情况，按用电量的大小进行排序，选择出储能最优的时间段，该最优的时间段内充电用户最少、电网用电负荷最少。

4.如权利要求3所述的工作方法，其特征是：储能系统服务能力计算方法具体包括：

(1)获取得同期、上月以及最近几天的电网负荷数据、储能放电数据以及车辆充电数据；

(2)根据获得的这部分数据分析预算出一天内每个时间段的最大放电能力、最大充电车辆数以及考虑到的电网负荷承载能力；

(3)根据训练结果数据调度充电车辆合理选择快充站，根据电网的用电负荷情况进行削峰，当电网的负荷超过设定值时，储能快充站会将电能上网。

5.如权利要求1所述的工作方法，其特征是：

利用数据计算模块，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；

利用学习训练模块，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。

6.如权利要求5所述的工作方法，其特征是：

利用人机交互模块包括的显示器、输入设备以及报警装置，利用输入设备接收快充站工作人员的数据查询请求，利用报警装置具有报警功能，利用显示器显示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。

7.如权利要求5所述的工作方法，其特征是：

利用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。