本發(fā)明屬于微電網(wǎng)控制，尤其涉及一種超充站直流微電網(wǎng)系統(tǒng)控制方法。

背景技術(shù)：

1、隨著電動(dòng)汽車的普及，對充電設(shè)施的需求日益增長，傳統(tǒng)的充電站多采用交流電進(jìn)行充電，但為了實(shí)現(xiàn)快速充電，需要高功率的直流充電設(shè)備，特別是對于能夠提供快速充電服務(wù)的超充站。超充站作為電動(dòng)汽車快速充電的重要基礎(chǔ)設(shè)施，其穩(wěn)定性和高效性對電動(dòng)汽車的充電體驗(yàn)至關(guān)重要?，F(xiàn)有的直流微電網(wǎng)系統(tǒng)在超充站應(yīng)用中主要存在以下缺陷：

2、功率波動(dòng)大：由于電動(dòng)汽車充電需求的不確定性，導(dǎo)致微電網(wǎng)功率波動(dòng)較大，影響系統(tǒng)穩(wěn)定性；電網(wǎng)負(fù)荷大，也容易造成充電高峰時(shí)段電網(wǎng)的不穩(wěn)定。

3、能量管理不精細(xì)：現(xiàn)有技術(shù)中的能量管理策略較為粗放，無法精確匹配充電需求與能源供應(yīng)，不能對儲能系統(tǒng)進(jìn)行能量的合理分配和調(diào)度，因此能源利用率低。

4、應(yīng)急響應(yīng)能力差：在電網(wǎng)故障或極端天氣條件下，現(xiàn)有系統(tǒng)缺乏有效的應(yīng)急響應(yīng)機(jī)制，影響充電站的連續(xù)運(yùn)行。

5、充電效率不高：由于缺乏智能化的充電調(diào)度策略，充電效率無法最大化，無法滿足快速充電的需求。影響用戶體驗(yàn)。

6、缺乏自適應(yīng)調(diào)節(jié)能力：在面對電網(wǎng)波動(dòng)或充電需求變化時(shí)，現(xiàn)有系統(tǒng)調(diào)節(jié)能力有限，難以快速響應(yīng)?？刂葡到y(tǒng)復(fù)雜，難以實(shí)現(xiàn)智能化管理。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供了一種超充站直流微電網(wǎng)系統(tǒng)控制方法，包括：

2、對超充站直流微電網(wǎng)系統(tǒng)進(jìn)行建模，獲得系統(tǒng)參數(shù)；

3、構(gòu)建初始深度學(xué)習(xí)網(wǎng)絡(luò)模型，基于所述系統(tǒng)參數(shù)對所述初始深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)模型；

4、基于所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)模型，根據(jù)實(shí)時(shí)的能源供應(yīng)情況和充電需求，動(dòng)態(tài)調(diào)整不同能源的輸入比例，并引入儲能裝置平衡供需差異；

5、通過無線通信技術(shù)，遠(yuǎn)程實(shí)時(shí)監(jiān)測管理超充站直流微電網(wǎng)系統(tǒng)的充電狀態(tài)、能源生產(chǎn)和消耗情況，優(yōu)化能源分配。

6、優(yōu)選地，對超充站直流微電網(wǎng)系統(tǒng)進(jìn)行建模，獲得系統(tǒng)參數(shù)的過程包括：

7、通過安裝在超充站直流微電網(wǎng)系統(tǒng)各個(gè)關(guān)鍵節(jié)點(diǎn)的傳感器和數(shù)據(jù)采集設(shè)備，對超充站的直流微電網(wǎng)進(jìn)行實(shí)時(shí)監(jiān)測，獲取所需參數(shù)數(shù)據(jù)；并將收集的所需參數(shù)數(shù)據(jù)通過無線或有線網(wǎng)絡(luò)傳輸至中央控制單元；其中，所述所需參數(shù)數(shù)據(jù)包括但不限于直流母線的電壓、電流、功率需求和供應(yīng)情況、儲能系統(tǒng)的充放電狀態(tài)、電池的剩余電量、充放電速率和溫度。

8、優(yōu)選地，構(gòu)建初始深度學(xué)習(xí)網(wǎng)絡(luò)模型的過程包括：

9、構(gòu)建長短期記憶網(wǎng)絡(luò)模型和卷積神經(jīng)網(wǎng)絡(luò)模型，并將所述長短期記憶網(wǎng)絡(luò)模型和卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型融合，獲得融合神經(jīng)網(wǎng)絡(luò)模型。

10、優(yōu)選地，將所述長短期記憶網(wǎng)絡(luò)模型和卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型融合的過程包括：

11、對所需參數(shù)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除不同特征間的量綱影響，獲得時(shí)間序列數(shù)據(jù)；

12、通過卷積神經(jīng)網(wǎng)絡(luò)模型對所述時(shí)間序列數(shù)據(jù)進(jìn)行特征提取，在卷積層之后添加池化層，利用卷積層和池化層自動(dòng)提取所述時(shí)間序列數(shù)據(jù)的空間特征，獲得特征圖；

13、通過池化層在空間維度上進(jìn)行降采樣，將池化后的特征圖轉(zhuǎn)換為一維向量，并輸入到lstm層中，利用lstm的門控機(jī)制捕捉時(shí)間序列中的動(dòng)態(tài)特性；

14、在lstm層之后添加一層或多層全連接層，用于輸出最終的預(yù)測結(jié)果；

15、根據(jù)任務(wù)需求選擇合適的激活函數(shù)和損失函數(shù)后，設(shè)計(jì)融合層，將cnn的局部特征和lstm的全局時(shí)間特征進(jìn)行整合，獲得融合神經(jīng)網(wǎng)絡(luò)模型；

16、采用反向傳播算法對所述融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過調(diào)整網(wǎng)絡(luò)參數(shù)最小化預(yù)測誤差。

17、優(yōu)選地，基于所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)模型，根據(jù)實(shí)時(shí)的能源供應(yīng)情況和充電需求，動(dòng)態(tài)調(diào)整不同能源的輸入比例的過程包括：

18、基于融合神經(jīng)網(wǎng)絡(luò)模型對充電站的充電功率需求進(jìn)行預(yù)測，并實(shí)時(shí)監(jiān)測充電站的功率需求；

19、將預(yù)測結(jié)果與實(shí)時(shí)監(jiān)測充電站的功率需求進(jìn)行對比，當(dāng)檢測到功率需求超過供應(yīng)時(shí)，自動(dòng)啟動(dòng)儲能系統(tǒng)進(jìn)行放電，補(bǔ)充功率缺口；反之，則進(jìn)行充電；根據(jù)實(shí)時(shí)監(jiān)測數(shù)據(jù)和功率需求預(yù)測，通過模糊邏輯控制動(dòng)態(tài)調(diào)整儲能系統(tǒng)的充放電狀態(tài)；

20、根據(jù)電動(dòng)汽車的充電需求預(yù)測和儲能系統(tǒng)的當(dāng)前狀態(tài)，通過粒子群優(yōu)化算法制定充電計(jì)劃進(jìn)行精細(xì)化能量管理，優(yōu)先使用低谷時(shí)段的電能進(jìn)行充電，減少高峰時(shí)段的充電負(fù)荷；

21、當(dāng)檢測到電網(wǎng)故障時(shí)自動(dòng)切換到備用電源或儲能系統(tǒng)進(jìn)行供電。

22、優(yōu)選地，基于融合神經(jīng)網(wǎng)絡(luò)模型對充電站的充電功率需求進(jìn)行預(yù)測，并實(shí)時(shí)監(jiān)測充電站的功率需求的過程包括：

23、利用歷史充電數(shù)據(jù)和機(jī)器學(xué)習(xí)算法，對電動(dòng)汽車的充電需求進(jìn)行預(yù)測，獲得預(yù)測結(jié)果；

24、基于所述預(yù)測結(jié)果指導(dǎo)儲能系統(tǒng)的充放電策略和充電站的運(yùn)行調(diào)度。

25、優(yōu)選地，通過模糊邏輯控制動(dòng)態(tài)調(diào)整儲能系統(tǒng)的充放電狀態(tài)的過程包括：

26、實(shí)時(shí)監(jiān)測儲能系統(tǒng)的狀態(tài)，包括但不限于電池的荷電狀態(tài)、充放電電流、電壓關(guān)鍵參數(shù)；

27、根據(jù)儲能系統(tǒng)的特性和充放電需求，設(shè)計(jì)模糊控制規(guī)則處理充放電過程中的不確定性和非線性問題；

28、將監(jiān)測到的系統(tǒng)狀態(tài)參數(shù)轉(zhuǎn)換為模糊值，根據(jù)所述模糊控制規(guī)則，對輸入的模糊值進(jìn)行邏輯推理，決定充放電的策略；

29、然后將模糊推理的結(jié)果轉(zhuǎn)換為具體數(shù)值，確定具體的充放電功率或電流設(shè)置，根據(jù)解模糊化后的控制指令，動(dòng)態(tài)調(diào)整儲能系統(tǒng)的充放電狀態(tài)；

30、將執(zhí)行后的系統(tǒng)狀態(tài)作為反饋，與預(yù)期目標(biāo)進(jìn)行比較，進(jìn)一步校正模糊控制規(guī)則，優(yōu)化充放電過程。

31、優(yōu)選地，根據(jù)電動(dòng)汽車的充電需求預(yù)測和儲能系統(tǒng)的當(dāng)前狀態(tài)，通過粒子群優(yōu)化算法制定充電計(jì)劃進(jìn)行精細(xì)化能量管理的過程包括：

32、構(gòu)建優(yōu)化模型，將電動(dòng)汽車的充電需求預(yù)測和儲能系統(tǒng)的當(dāng)前狀態(tài)作為輸入，以最小化總成本或最大化能源利用效率為目標(biāo)函數(shù)，并考慮功率平衡、充放電速率限制等約束條件，隨機(jī)初始化粒子群的位置和速度，每個(gè)粒子代表一個(gè)潛在的充放電計(jì)劃方案；

33、計(jì)算每個(gè)粒子的適應(yīng)度值，基于總成本或能源效率的目標(biāo)函數(shù)，根據(jù)適應(yīng)度值更新粒子的個(gè)體極值和全局極值，調(diào)整粒子的位置和速度，模擬鳥群覓食行為，尋找最優(yōu)解；

34、通過重復(fù)迭代更新粒子位置和速度，逐步逼近最優(yōu)充放電計(jì)劃，設(shè)置最大迭代次數(shù)或解的質(zhì)量滿足預(yù)設(shè)閾值的迭代停止條件，在滿足停止條件后，從粒子群中提取獲得最優(yōu)充放電計(jì)劃；

35、將所述最優(yōu)充放電計(jì)劃應(yīng)用于實(shí)際儲能系統(tǒng)中，評估性能后根據(jù)反饋進(jìn)行實(shí)時(shí)調(diào)整。

36、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

37、本發(fā)明通過動(dòng)態(tài)功率平衡控制，有效減少功率波動(dòng)，提高系統(tǒng)穩(wěn)定性。

38、本發(fā)明通過精細(xì)化的能量管理策略能夠提高儲能系統(tǒng)的利用率，優(yōu)化能源分配。

39、本發(fā)明通過智能化的充電調(diào)度策略能夠提高充電效率，縮短充電時(shí)間，提升用戶體驗(yàn)。

40、本發(fā)明的智能應(yīng)急響應(yīng)機(jī)制能夠在電網(wǎng)故障或極端條件下，快速切換到應(yīng)急模式，保障充電站的連續(xù)運(yùn)行。