★国网电动汽车服务湖北有限公司邱铁军,许莹,肖智旗
关键词:人工智能;换电站;模块化储能柜;容量配置
在现代电动汽车产业蓬勃发展的背景下,换电站成为电动汽车能源补给的重要基础设施。传统的换电站储能系统由于设计复杂、成本高昂、容量配置不灵活,难以适应不断增长的电动汽车充电需求。尤其是在电力需求波动和新能源接入比例逐步增加的情况下,传统技术显现出诸多弊端,如响应速度慢、资源利用率低等问题。为了克服这些挑战,基于人工智能的模块化储能柜容量配置技术应运而生。通过人工智能算法,可以实现对储能容量的动态优化配置,提升系统的灵活性和响应效率,不仅能有效降低运营成本,还能提高电网的稳定性和可靠性,从而推动电动汽车充电网络的可持续发展。
1 换电站电力负荷规律分析
换电站电力负荷的规律分析基于电力负荷预测模型。该模型可以对电力负荷数据进行多维度挖掘和分析,实现了对电动汽车换电需求的精准预测,优化了换电站储能系统的容量配置策略,确保了换电站在不同负荷时段均能高效运行。
首先,需要采集换电站的运行数据。这些数据包括但不限于电动汽车的换电时间、换电频率、电池的充放电状态、电力负荷、天气条件等,并对采集的数据进行预处理操作。
其次,基于长短期记忆(LSTM)网络算法建立电力负荷预测模型,将预处理后的数据集划分为训练集和测试集[1]。使用80%的数据进行训练,20%的数据进行测试。使用Keras深度学习框架,基于Python编程语言,设计LSTM网络架构,输入层接收预处理后的时间序列数据;添加两层LSTM层,每层包含50个单元,第一层设置return_sequences=True以传递序列输出至下一层;添加一层全连接层,用于生成最终的预测值;输出层输出电力负荷预测值。使用Adam优化器,学习率设置为0.001,损失函数选择均方误差,以最小化预测误差。
接下来,模型构建完成后,进行模型训练。将训练集输入LSTM模型,设置批量大小为64、训练轮数为100。采用早停法监控验证集的损失,当验证损失不再降低时提前停止训练,防止过拟合。
最后,模型训练完成后,进行模型评估。在测试集上评估模型性能,使用均方误差(MSE)、平均绝对误差(Mean Absolute Error,MAE)等指标评估模型的预测精度。评估结果显示,模型在测试集上的MSE为0.0025,MAE为0.04,表明模型具有较高的预测精度。
2 基于峰谷电价差的人工智能容量配置方法
2.1 模型建立
根据电力市场的峰谷电价差,建立储能系统的容量配置优化模型[2]。使用混合整数线性规划(MILP)方法,构建以最小化电力购置成本和最大化储能系统利用率为目标的优化模型。定义决策变量,包括储能系统的充电功率、放电功率和储能容量。目标函数由峰电价时段的电力购置成本和谷电价时段的电力购置成本组成,采用权重系数平衡两者关系。设定约束条件,确保储能系统在充放电过程中遵守容量限制、功率限制和效率限制等技术要求。使用Gurobi优化器进行模型求解,该优化器支持大规模线性和混合整数线性规划问题的高效求解。
2.2 算法实现
准备工作需要使用Gurobi优化器,并需要设置求解精度和最大迭代次数。具体参数包括求解精度设置为0.01,最大迭代次数设置为1000;GA参数种群大小设置为100,交叉概率设置为0.8,变异概率设置为0.1,最大代数设置为200;PSO参数粒子数量设置为50,惯性权重设置为0.5,学习因子分别设置为1.5(个人最佳)和1.5(全局最佳)。
如图1所示,算法开始初始化遗传算法和粒子群优化的种群和粒子群。种群和粒子群的初始解通过随机生成,确保覆盖整个搜索空间。在每个迭代过程中,首先使用遗传算法进行进化操作,包括选择、交叉和变异。选择操作采用轮盘赌选择法,交叉操作采用单点交叉,变异操作采用随机变异。经过若干代进化后,选择最优个体作为初始解,输入粒子群优化算法。粒子群优化算法通过更新粒子位置和速度,进一步优化解。在每次迭代中,粒子根据其个人最佳位置和全局最佳位置更新位置和速度,寻找更优解。每次迭代结束后,评估当前解的适应度,更新全局最佳解。
在遗传算法和粒子群优化算法初步优化后,使用Gurobi优化器对当前最优解进行精确求解[3]。Gurobi优化器通过混合整数线性规划模型的约束条件和目标函数,进一步提高解的精确性。
图1 混合优化算法
3 储能柜拓扑结构设计
3.1 外挂式共交流母线
外挂式共交流母线结构通过共享一个高压交流母线,实现多个储能柜并联连接,从而提高系统的容量和冗余度[4]。高压交流母线作为系统的核心部分,负责电能的集中传输和分配。使用铝合金或铜材质作为母线材料,以提高导电性能和机械强度。母线电压等级选择为35kV或110kV,根据具体应用需求确定。每个储能柜内部配置若干个电池模组,并通过逆变器与高压交流母线连接。逆变器采用三相全桥结构,以实现高效的交流电转换和稳定的电能输出。
通过逆变器将储能柜中的直流电转换为交流电,并通过高压交流母线进行集中传输。采用高效IGBT模块提高逆变器的转换效率,并减少电能损耗。
3.2 一体化共直流母线
如图2所示,一体化共直流母线的设计通过共享一个高压直流母线,实现多个储能柜的直接并联连接,优化了电能传输路径,减少了电能转换损耗,提高了系统的可靠性和灵活性。母线电压等级选择为750V或1500V,根据应用需求和系统规模确定。采用铜或铝材质的母线以提高导电性能和机械强度。每个储能柜内部配置若干个电池模组,通过DC/DC变换器与高压直流母线连接。DC/DC变换器采用全桥变换器结构,以实现高效的直流电转换和稳定的电能输出。
通过DC/DC变换器将储能柜中的低压直流电转换为高压直流电,并通过高压直流母线进行集中传输[5]。采用高效MOSFET提高DC/DC变换器的转换效率,减少电能损耗。
图2 一体化共直流母线
4 实验验证
4.1 电网需求高峰
在MATLAB/Simulink中建立储能系统的模型,包括储能柜、高压直流母线、DC/DC变换器和保护控制系统。设置电网需求高峰期的负荷模型,包括峰值负荷、负荷变化速率和持续时间。设计多个实验场景,模拟不同的高峰负荷条件包括场景一:常规高峰负荷,负荷增加至额定容量的80%;场景二:极端高峰负荷,负荷增加至额定容量的100%;场景三:突发高峰负荷,负荷瞬时增加至额定容量的120%。使用数据采集系统实时监测储能系统的运行参数,记录电压、电流和功率数据。对比不同实验场景下的实验数据,评估储能系统在高峰负荷条件下的性能。
表1 需求高峰测试结果
如表1所示,常规高峰负荷的响应时间为37.45ms,比极端高峰负荷多31.64ms,比突发高峰负荷少45.79ms;常规高峰负荷的电压波动为4.75V,比极端高峰负荷多0.42V,比突发高峰负荷多3.69V;常规高峰负荷的电流波动为2.20A,比极端高峰负荷多0.40A,比突发高峰负荷多1.65A;常规高峰负荷的功率输出效率为59.87%,比极端高峰负荷少10.94%,比突发高峰负荷多41.53%;常规高峰负荷的经济效益为7.80万元,比极端高峰负荷多6.77万元,比突发高峰负荷少7.41万元;常规高峰负荷的系统稳定性为15.60%,比极端高峰负荷少81.39个百分点,比突发高峰负荷少36.88个百分点。
总体来看,极端高峰负荷在响应时间和系统稳定性上表现最佳,但在经济效益和功率输出效率上较差;常规高峰负荷在经济效益和功率输出效率上表现相对平衡,但在响应时间和系统稳定性上逊色于极端高峰负荷;突发高峰负荷在功率输出效率和响应时间上表现较差,但在电流和电压波动方面表现出色。
4.2 电网需求低谷
在MATLAB/Simulink中建立储能系统的模型,包括储能柜、高压直流母线、DC/DC变换器和保护控制系统。设计多个实验场景,模拟不同的低谷负荷条件包括场景一:常规低谷负荷,负荷降低至额定容量的30%;场景二:极端低谷负荷,负荷降低至额定容量的20%;场景三:突发低谷负荷,负荷瞬时降低至额定容量的10%。对比不同实验场景下的实验数据,评估储能系统在低谷负荷条件下的性能。
表2 需求低谷测试结果
如表2所示,常规低谷负荷的充电时间为45.32分钟,比极端低谷负荷多15.11分钟,比突发低谷负荷多25.18分钟;常规低谷负荷的电压波动为2.45V,比极端低谷负荷多0.33V,比突发低谷负荷多0.70V;常规低谷负荷的电流波动为1.20A,比极端低谷负荷多0.25A,比突发低谷负荷多0.50A;常规低谷负荷的充电效率为85.87%,比极端低谷负荷少4.47%,比突发低谷负荷少9.55%;常规低谷负荷的经济效益为5.67万元,比极端低谷负荷少1.22万元,比突发低谷负荷少1.54万元;常规低谷负荷的系统稳定性为96.23%,比极端低谷负荷少2.22%,比突发低谷负荷少2.89%。
对比分析各项指标,可以看出:突发低谷负荷在充电效率和经济效益上表现最佳,但在电压和电流波动方面表现略有不足;常规低谷负荷在充电时间和系统稳定性上表现相对平衡,但在充电效率和经济效益上逊色于突发低谷负荷;极端低谷负荷在各项指标上表现均衡,且充电效率和经济效益较高。
5 结语
基于人工智能的模块化储能柜通过整合LSTM网络、混合优化算法和虚拟电厂架构,提高了电力负荷预测的准确性和储能系统容量配置的优化效率,确保了在峰谷电价差异下的经济效益和系统稳定性。应用这些先进技术,换电站能够实现更高效、更可靠的电力供应管理,从而提升整体运营效率,减少电网压力和电力成本。实验验证结果表明,储能系统在不同负荷条件下的响应速度、稳定性和经济效益都有显著提升。未来的研究可以进一步优化人工智能算法和储能系统架构,并结合先进的数据分析技术和动态调度策略,进一步提高储能系统的智能化水平和经济效益,为电动汽车换电站的广泛应用提供更坚实的技术支持。
作者简介:
邱铁军(1975-),男,湖北咸宁人,政工师,学士,现就职于国网电动汽车服务湖北有限公司,研究方向为企业管理、充换电设施建设。
许 莹(1980-),女,湖北咸宁人,高级政工师,学士,现就职于国网电动汽车服务湖北有限公司,研究方向为企业管理、充换电设施建设。
肖智旗(1997-),男,湖北武汉人,学士,现就职于国网电动汽车服务湖北有限公司,研究方向为财务、金融、企业管理。
参考文献:
[1]焦昊东,于艾清,王育飞.考虑换电站的综合能源系统低碳经济调度[J].储能科学与技术,2023,12(10):3254-3264.
[2]张梅梅,黄榆洁,周梦迪,等.换电生态下换电站电池配置及经济性研究[J].工业技术经济,2022,41(9):18-25.
[3]孙权,白洋,张茜,等.风火储电动汽车换电站联合优化调度[J].电气开关,2022,60(4):46-49.
[4]孟国情,邱晓燕,张明珂,等.计及柔性负荷和换电站的综合能源系统优化调度[J].电子测量技术,2023,46(14):138-145.
[5]蔡绍宽.新型电力系统下的储能解决方案探讨[J].南方能源建设,2022,9(S1):17-23.
摘自《自动化博览》2024年10月刊