基于SAE-ELM的电动汽车充电站负荷预测模型

电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。     

基于边缘计算的主动配电网信息物理系统

主动配电网支撑着分布式能源、储能设施和主动负荷的广泛接入,实现了能量流和信息流的高度融合控制,也是信息物理高度融合的智能化基础设施。CPS是主动配电网智能化的发展方向,该文结合主动配电网源—荷互联互通、泛在感知与智能控制的需求,分析了边缘计算技术与主动配电网和CPS的相似之处和融合方式;参考PTN网络的PE-P-CE结构,提出基于边缘计算的主动配电网的PTN物理架构模型;进一步构建了基于边缘计算的分层自治协同的主动配电网CPS管控模型。围绕边缘计算的敏捷联接、业务实时性、数据优化、应用智能、安全与隐私保护等的关键需求,提出了基于边缘计算CROSS指标管控模型评价体系。