在变电站直流系统中优化电池充电和放电策略,使用双重自我注意网络-N-BEATS模型

科学领域:

• 电气工程 电气工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 城市化和工业化增加了对电力的需求,使电力管理系统面临压力.
• 变电站直流系统对于供电稳定至关重要,但目前的电池策略效率低下.
• 电池管理中的低效率会影响系统性能和可持续性.

研究的目的:

• 引入一种新的人工智能驱动的方法,以优化变电站直流系统中的电池管理.
• 为了提高电池状态预测的准确性和提高充电/放电效率.
• 为电力系统的可靠性和可持续性做出贡献.

主要方法:

• 开发了对时间序列的双重自我注意网络-神经基础扩展分析模型 (DSAN-N-BEATS).
• 集成的自我注意网络与N-BEATS用于准确的时间序列数据捕获.
• 应用该模型来优化电池充电和放电策略.

主要成果:

• 在电池状态预测中实现了95.84%的准确性.
• 与传统方法相比,充电和放电效率提高了20%.
• 在整体系统可靠性和可持续性方面取得了显著的改进.

结论:

• DSAN-N-BEATS模型为优化电力系统中的电池策略提供了一个创新的解决方案.
• 这些发现通过增强系统稳定性来支持电力行业的可持续发展.
• 这项研究为更可靠,更高效的电力管理提供了途径.