【技術實現步驟摘要】
本專利技術涉及光儲設備管理領域，具體是指一種光儲設備的智能管理系統。
技術介紹
1、隨著經濟的快速發展，能源需求不斷增長，太陽能作為一種清潔、可再生的能源，越來越受到重視。光儲設備作為太陽能發電系統的重要組成部分，其運行效率和管理水平直接影響到整個電網的性能。然而現有的光儲設備的智能管理系統，存在預測模型僅關注時間序列的依賴關系，難以全面提取數據的特征信息，導致預測結果不夠精準的問題；在使用優化算法對光儲系統的節點進行能量調度時，未能有效結合光伏發電和負荷需求的預測結果，導致調度方案無法適應實際的光伏發電波動和負荷變化的問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了一種光儲設備的智能管理系統，針對存在預測模型僅關注時間序列的依賴關系，難以全面提取數據的特征信息，導致預測結果不夠精準的問題，本專利技術設計了基于多數據的融合模型，結合天氣特征和周期性特征，通過多種深度學習算法對光伏發電、負荷用電和負荷需求進行預測。具體而言，基于多數據的融合模型通過lstm模型深入挖掘時間序列數據中的長期依賴關系，通過bi-lstm模型捕捉雙向上下文信息特征，并通過卷積模塊精細提取局部信息特征，通過將這三種特征有效融合并進一步進行深度學習與預測，實現了對光儲系統性能的高精度預測；針對在使用優化算法對光儲系統的節點進行能量調度時，未能有效結合光伏發電和負荷需求的預測結果，導致調度方案無法適應實際的光伏發電波動和負荷變化的問題，本專利技術通過改進的粒子群優化算法對光伏發電和儲
2、本專利技術采取的技術方案如下：一種光儲設備的智能管理系統，具體包括光伏設備、光伏逆變器、儲能系統、負荷、配電網、變壓器和光儲管理平臺，光儲管理平臺具體包括數據采集模塊、性能預測模塊、優化調度模塊和故障診斷模塊；
3、所述的數據采集模塊獲得每個光伏設備的輸出功率時序數據、負荷的輸入功率時序數據和當地的天氣時序數據；
4、所述的性能預測模塊構建兩個結構一致的基于多數據的融合模型，分別進行光伏發電預測和負荷用電預測，進而計算出負荷需求預測；
5、所述的優化調度模塊將光伏設備的發電輸出功率、儲能系統的放電輸出功率和儲能系統的充電輸出功率作為決策變量，結合光伏發電預測和負荷需求預測的結果，定義目標函數和約束條件，利用改進的粒子群算法對每個光伏設備的發電和儲能系統的充放電進行優化調度；
6、所述的故障診斷模塊實時監控系統的各項參數，設定正常工作范圍，在參數超出正常工作范圍時自動進行報警；
7、所述的性能預測模塊構建兩個結構一致的基于多數據的融合模型，分別進行光伏發電預測和負荷用電預測，進而計算出負荷需求預測的過程包括以下步驟：
8、步驟s1：將每個光伏設備的輸出功率時序數據轉換成嵌入向量，得到光伏發電嵌入，將負荷的輸入功率時序數據轉換成嵌入向量，得到負荷用電嵌入；
9、步驟s2：將天氣時序數據中的每種數據依次轉換為嵌入向量并進行拼接，對拼接的結果進行線性變換后得到天氣特征；
10、步驟s3：提取每個光伏設備的輸出功率時序數據的日期部分，保留日期的月份和天數，將日期轉換成嵌入向量，得到周期特征；
11、步驟s4：構建第一基于多數據的融合模型和第二基于多數據的融合模型，所述的第一基于多數據的融合模型和第二基于多數據的融合模型的結構一致，所述的第一基于多數據的融合模型具體包括輸入層、第一lstm層、第二lstm層、bi-lstm層、第一conv1d層、第二conv1d層、最大池化層、第一密集層和第二密集層；
12、步驟s5：將光伏發電嵌入、天氣特征和周期特征進行拼接并投入至第一基于多數據的融合模型中，得到每個光伏設備的光伏發電預測結果；
13、步驟s6：將負荷用電嵌入、天氣特征和周期特征進行拼接并投入至第二基于多數據的融合模型中，得到負荷用電預測結果；
14、步驟s7：將每個光伏設備的光伏發電預測結果進行相加，并減去負荷用電預測結果，得到負荷需求預測結果。
15、所述步驟s4中構建第一基于多數據的融合模型的具體步驟如下所述：
16、步驟s41：將輸入層的數據作為輸入序列；
17、步驟s42：將輸入序列投入至第一lstm層，并將第一lstm層的輸出結果投入至第二lstm層，得到lstm特征；所述的第一lstm層和第二lstm層都各包含依次單向連接的一個lstm模型和一個dropout層；
18、步驟s43：將輸入序列投入至bi-lstm層，得到bi-lstm特征，bi-lstm層包含依次單向連接的一個bi-lstm模型和一個dropout層；
19、步驟s44：將輸入序列投入至第一convld層，將第一convld層的輸出結果投入至第二convld層，將第二convld層的輸出結果投入至最大池化層，得到卷積特征，具體的公式如下所述：
20、conv1d層的卷積操作的具體公式如下所述：
21、
22、其中，yq，w表示(q，w)坐標的卷積操作的輸出，m和k分別表示橫縱坐標的最大值，xq+m，w+n表示輸入數據的(q+m，w+n)坐標的數據，fm，n表示濾波器在(m，n)坐標的值。
23、步驟s45：將lstm特征、bi-lstm特征和卷積特征進行拼接，得到融合特征；
24、步驟s46：將融合特征投入至第一密集層，將第一密集層的輸出結果投入至第二密集層，得到第一基于多數據的融合模型的輸出結果。
25、所述的優化調度模塊將光伏設備的發電輸出功率、儲能系統的放電輸出功率和儲能系統的充電輸出功率作為決策變量，結合光伏發電預測和負荷需求預測的結果，定義目標函數和約束條件，利用改進的粒子群算法對每個光伏設備的發電和儲能系統的充放電進行優化調度過程的具體步驟如下所述：
26、步驟dl：定義最小化經濟成本目標函數，具體公式如下所述：
27、
28、其中，min?c表示最小化經濟成本，t表示最大時段，n表示光伏設備的個數，pi，t表示在第t時刻的第i個光伏設備的發電輸出功率，表示pi，t的平方，ai、bi、ci都為偏差系數，ui，t為經濟成本系數。
29、步驟d2：定義約束條件，約束條件具體包括供需平衡約束條件、儲能系統充放電約束條件和光伏設備發電約束條件，具體公式如下所述：
30、供需平衡約束條件的具體公式如下所述：
31、
32、其中，表示在第t時刻的儲能系統的放電輸出功率，表示在第t時刻的儲能系統的充電輸出功率，表示在第t時刻負荷需求預測結果。
33、儲能本文檔來自技高網...
【技術保護點】
1.一種光儲設備的智能管理系統，其特征在于：一種光儲設備的智能管理系統包括光伏設備、光伏逆變器、儲能系統、負荷、配電網、變壓器和光儲管理平臺，光儲管理平臺具體包括數據采集模塊、性能預測模塊、優化調度模塊和故障診斷模塊；
2.根據權利要求1所述的一種光儲設備的智能管理系統，其特征在于：
3.根據權利要求2所述的一種光儲設備的智能管理系統，其特征在于：
4.根據權利要求1所述的一種光儲設備的智能管理系統，其特征在于：
5.根據權利要求2所述的一種光儲設備的智能管理系統，其特征在于：
【技術特征摘要】
1.一種光儲設備的智能管理系統，其特征在于：一種光儲設備的智能管理系統包括光伏設備、光伏逆變器、儲能系統、負荷、配電網、變壓器和光儲管理平臺，光儲管理平臺具體包括數據采集模塊、性能預測模塊、優化調度模塊和故障診斷模塊；
2.根據權利要求1所述的一種光儲設...
【專利技術屬性】
技術研發人員：王道耀，晏亞輝，李正芳，吳振宇，
申請(專利權)人：湖南盈旺智慧能源科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。