一种基于机器学习的储充站控制方法及终端与流程

1.本发明涉及新能源技术领域，特别涉及一种基于机器学习的储充站控制方法及终端。


背景技术：

2.由于传统能源的不断减少以及传统能源对环境的污染，新能源的利用和开发被提到了新的高度。储能充电站中含有一组储能电池，可以在充电站有空闲的时候将一部分电能事先存储于储能电池中，留作之后电动汽车有用电需求的时候再放出，从而提高了充电站一段时间内的输出功率，并且通过削峰填谷的方式降低充电站的电费。
3.但是，因电动汽车充放电需求的不确定性、充电站业务量的变化、电费方案的变化、储能电池充放电的折旧成本、电站各用电器在不同工况下的能量转化效率以及运营安全等问题，不同设备在使用过程中的性能有可能发生变化，使得制定优秀的能量管理策略变得非常困难，并且人为制定的固定的能量管理策略很难一直保持最优化。


技术实现要素：

4.本发明所要解决的技术问题是：提供了一种基于机器学习的储充站控制方法及终端，能够提高储充站运营的经济效益。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.一种基于机器学习的储充站控制方法，包括步骤：
7.获取储充站的运行数据，调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络；
8.根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化；
9.判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数。
10.为了解决上述技术问题，本发明采用的另一种技术方案为：
11.一种基于机器学习的储充站控制终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
12.获取储充站的运行数据，调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络；
13.根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化；
14.判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数。
15.本发明的有益效果在于：基于获取到的储充站的运行数据，调用多个训练器训练
对应的子神经网络，再基于运行数据和训练器的子神经网络对能量管理模型进行参数优化，因此能够基于不同的训练器训练不同维度的子神经网络，从而保证能够从不同维度优化能量管理模型的参数；若储充站需要更新能量控制策略，需要根据储充站的历史运行数据和能量管理模型计算储充站的控制参数，因此能够智能地对能量管理策略进行调整，减少人工维护的成本，提高储充站运营的经济效益。
附图说明
16.图1为本发明实施例的一种基于机器学习的储充站控制方法的流程图；
17.图2为本发明实施例的一种基于机器学习的储充站控制终端的示意图；
18.图3为本发明实施例的一种基于机器学习的储充站控制方法的具体步骤流程图。
具体实施方式
19.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
20.请参照图1和图3，本发明实施例提供了一种基于机器学习的储充站控制方法，包括步骤：
21.获取储充站的运行数据，调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络；
22.根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化；
23.判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数。
24.从上述描述可知，本发明的有益效果在于：基于获取到的储充站的运行数据，调用多个训练器训练对应的子神经网络，再基于运行数据和训练器的子神经网络对能量管理模型进行参数优化，因此能够基于不同的训练器训练不同维度的子神经网络，从而保证能够从不同维度优化能量管理模型的参数；若储充站需要更新能量控制策略，需要根据储充站的历史运行数据和能量管理模型计算储充站的控制参数，因此能够智能地对能量管理策略进行调整，减少人工维护的成本，提高储充站运营的经济效益。
25.进一步地，所述调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络包括：
26.依次调用每一个所述训练器，通过将对应的所述运行数据输入所述训练器，训练所述训练器对应的子神经网络；
27.判断所述子神经网络是否训练成功，若是，则将所述子神经网络持久化保存。
28.由上述描述可知，逐个调用训练器，利用运行数据训练对应的子神经网络，如果训练成功则将子神经网络进行持久化保存，因此能够通过逐个训练子神经网络以便于后续基于各子神经网络进行参数优化。
29.进一步地，根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化包括：
30.将所述运行数据输入所述能量管理模型，通过每一所述训练器的子神经网络对能
量管理模型中的每一个参数进行优化；
31.判断所述参数是否优化成功，若是，则将所述参数进行持久性保存。
32.由上述描述可知，通过将运行数据输入能量管理模型，使每一训练器的子神经网络对能量管理模型中的每一个参数进行优化，能够准确根据储充站运行数据和各参数对应的神经网络进行参数优化，从而避免人工进行参数调整。
33.进一步地，判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数包括：
34.定时判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的一组控制参数；
35.将所述控制参数发送给所述储充站。
36.由上述描述可知，定时对需要更新能量控制策略的储充站进行策略更新，使用储充站的历史运行数据和能量管理模型输出控制参数，能够智能地对能量管理策略中的参数进行调整，从而提高储充站运营的经济效益。
37.进一步地，还包括：
38.所述储充站或者仿真站点或者与第三方服务通过接口主动请求更新能量控制策略。
39.由上述描述可知，除了通过定时按需更新能量控制策略，还能够通过储充站或者仿真站点或者与第三方服务通过接口主动请求更新能量控制策略，以便适用于各种更新能量控制策略的情况，扩大储充站控制的适用范围。
40.请参照图2，本发明另一实施例提供了一种基于机器学习的储充站控制终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
41.获取储充站的运行数据，调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络；
42.根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化；
43.判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数。
44.由上述描述可知，基于获取到的储充站的运行数据，调用多个训练器训练对应的子神经网络，再基于运行数据和训练器的子神经网络对能量管理模型进行参数优化，因此能够基于不同的训练器训练不同维度的子神经网络，从而保证能够从不同维度优化能量管理模型的参数；若储充站需要更新能量控制策略，需要根据储充站的历史运行数据和能量管理模型计算储充站的控制参数，因此能够智能地对能量管理策略进行调整，减少人工维护的成本，提高储充站运营的经济效益。
45.进一步地，所述调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络包括：
46.依次调用每一个所述训练器，通过将对应的所述运行数据输入所述训练器，训练所述训练器对应的子神经网络；
47.判断所述子神经网络是否训练成功，若是，则将所述子神经网络持久化保存。
48.由上述描述可知，逐个调用训练器，利用运行数据训练对应的子神经网络，如果训练成功则将子神经网络进行持久化保存，因此能够通过逐个训练子神经网络以便于后续基于各子神经网络进行参数优化。
49.进一步地，根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化包括：
50.将所述运行数据输入所述能量管理模型，通过每一所述训练器的子神经网络对能量管理模型中的每一个参数进行优化；
51.判断所述参数是否优化成功，若是，则将所述参数进行持久性保存。
52.由上述描述可知，通过将运行数据输入能量管理模型，使每一训练器的子神经网络对能量管理模型中的每一个参数进行优化，能够准确根据储充站运行数据和各参数对应的神经网络进行参数优化，从而避免人工进行参数调整。
53.进一步地，判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数包括：
54.定时判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的一组控制参数；
55.将所述控制参数发送给所述储充站。
56.由上述描述可知，定时对需要更新能量控制策略的储充站进行策略更新，使用储充站的历史运行数据和能量管理模型输出控制参数，能够智能地对能量管理策略中的参数进行调整，从而提高储充站运营的经济效益。
57.进一步地，还包括：
58.所述储充站或者仿真站点或者与第三方服务通过接口主动请求更新能量控制策略。
59.由上述描述可知，除了通过定时按需更新能量控制策略，还能够通过储充站或者仿真站点或者与第三方服务通过接口主动请求更新能量控制策略，以便适用于各种更新能量控制策略的情况，扩大储充站控制的适用范围。
60.本发明上述一种基于机器学习的储充站控制方法及终端，适用于智能更新各种储充站的能量管理策略，能够提高储充站运营的经济效益，以下通过具体实施方式进行说明：
61.实施例一
62.请参照图1和图3，一种基于机器学习的储充站控制方法，包括步骤：
63.s1、获取储充站的运行数据，调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络。
64.其中，所述调用多个训练器基于所述运行数据训练所述训练器对应的子神经网络包括：
65.依次调用每一个所述训练器，通过将对应的所述运行数据输入所述训练器，训练所述训练器对应的子神经网络；
66.具体的，子神经网络用于训练储充站的运行模型，包括但不限于：pcs转化率模型、dcdc转化率模型以及电池风险分析模型等；运行数据具体为各子神经网络所需要的训练数据，例如：电池风险分析模型对应的子神经网络，所需数据为单体电芯电压、单体电芯电流、单体电芯电压变化率、单体电芯电流变化率、单体电芯内阻、单体电芯电压与平均单体电压
的差值、电芯温度以及电芯温度变化率等。
67.判断所述子神经网络是否训练成功，若是，则将所述子神经网络持久化保存。
68.具体的，在本实施例中，光储充检站点将运行数据通过数据接收服务发送给智能控制系统，智能控制系统对运行数据进行冲洗并保存到数据库中；
69.当运行数据的数据量满足预设数量且获取运行数据的时间满足预设时间时，智能控制系统逐个调用n个训练器进行训练，利用数据库中的运行数据训练每一个训练器对应的子神经网络，若训练成功则将子神经网络持久化保存。
70.其中n个训练器与能量管理系统中的n个模型一一对应。
71.s2、根据所述运行数据和每一所述训练器的子神经网络，对能量管理模型进行参数优化。
72.其中，将所述运行数据输入所述能量管理模型，通过每一所述训练器的子神经网络对能量管理模型中的每一个参数进行优化，具体的，运行参数根据站点功能决定，包括但不限于：充放电时段开始时间、结束时间，时段内储能电池soc上限、储能电池soc下限，pcs功率上限等。
73.判断所述参数是否优化成功，若是，则将所述参数进行持久性保存。
74.具体的，在本实施例中，当运行数据的数据量满足预设数量且获取运行数据的时间满足预设时间时，智能控制系统调用ems(energy management system，能量管理系统)控制模型训练器进行训练；
75.ems控制模型训练器利用智能控制系统输入的数据，并调用各子神经网络，对ems控制模型进行参数优化，优化方式包括但不限于：通过站点过去一个月的真实运行数据进行仿真，计算站点的系统转化率和用电成本，其中转化率＝总充电量/总交流用电量，用电成本＝总电费 电池折旧折算，不断更新模型参数，找到转化率和用电成本最优的情况。若优化成功则将参数进行持久化保存。
76.s3、判断所述储充站是否需要更新能量控制策略，若是，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的控制参数。
77.其中，定时判断所述储充站是否需要更新能量控制策略，判断依据包括但不限于：依据1：若距离上次更新时间已超过3个月，则执行更新；依据2：若
78.人工下发更新命令，则执行更新；依据3：若当前控制策略连续5次导致站点出现储能电池欠压保护。若需要更新能量控制策略，则根据所述储充站的历史运行数据和所述能量管理模型计算所述储充站的一组控制参数；
79.将所述控制参数发送给所述储充站。
80.具体的，在本实施例中，对于所有的站点，智能控制系统定期判断每一个站点是否需要更新控制策略，若站点需要更新策略，则根据该站点的历史运行数据以及ems控制模型，计算出一组控制参数p
1～n
，并下发给站点。
81.因此，本实施例能够允许计算机程序自动更新更加优秀的能量管理策略并交给储充站执行，从而提高电站运营的经济效益，并减少人工维护的成本。
82.实施例二
83.请参照图3，本实施例与实施例一的区别在于，进一步限定了如何主动更新能量控制策略，具体的：
84.所述储充站或者仿真站点或者与第三方服务通过接口主动请求更新能量控制策略。
85.在本实施例中，储充检站点、仿真站点以及第三方系统均可以直接通过接口主动请求智能控制系统提供控制策略，前端控制台可以通过可视化的界面展示各站点控制策略、ems模型训练历史记录、各子神经网络训练历史记录等信息，以便于支持操作员手动发起训练或修改控制策略参数。
86.实施例三
87.请参照图2，一种基于机器学习的储充站控制终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一或二的基于机器学习的储充站控制方法的各个步骤。
88.综上所述，本发明提供的一种基于机器学习的储充站控制方法及终端，基于获取到的储充站的运行数据，对运行数据进行清洗和保存后，调用多个训练器训练对应的子神经网络，再基于运行数据和训练器的子神经网络对能量管理模型进行参数优化，因此能够基于不同的训练器训练不同维度的子神经网络，从而保证能够从不同维度优化能量管理模型的参数；定时判断储充站是否需要更新能量控制策略，若是则需要根据储充站的历史运行数据和能量管理模型计算储充站的控制参数；除了定时判断是否要更新能量控制策略，还可以主动地通过站点或第三方服务，采用调用接口的方式更新能量控制策略，以便于储充站的智能控制适用于更多的场景；因此能够智能地对能量管理策略进行调整，减少人工维护的成本，提高储充站运营的经济效益。
89.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。