CN113839423A - 控制管理方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例提供了一种控制管理方法、装置、设备及存储介质，其中，该方法包括：通过第一网络模型预测次日各个设定时刻的光伏发电效率；通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率；绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。本申请实施例提供的技术方案，可以实现太阳能高效利用，减少市电的使用，降低电费开支、保护环境以及能源的供需压力。

Description

控制管理方法、装置、设备及存储介质

技术领域

本申请实施例涉及基站新能源利用技术领域，尤其涉及一种控制管理方法、装置、设备及存储介质。

背景技术

2018年，中国三大电信运营商的电费支出高达500亿元，而电费占据运营开支的15％-30％。2019年6月，工信部向运营商颁发了第五代移动通信网络(5th generationmobile networks，5G)牌照，标志着我国进入5G商用元年；伴随着5G万物智联的数据海啸正滚滚袭来，而海量数据引发的电力消耗也必将成倍增长。预计到2025年，通信行业将消耗全球20％的电力。

5G通信网络的功耗是4G网络的2到3倍。通信网络中，基站是耗电大户，约80％的能耗来自广泛分布的基站。如何降低基站的能耗、减少电费开支，保障5G网络的顺利部署和应用，是所有的电信运营商、设备供应商都在全力攻克的重大技术难关。一方面，运营商要求各大设备商尽量降低主设备的功耗，实现“节流”；另一方面，运营商也在努力寻找“开源”途径，比如在日照和风力等自然资源充足的地区优先利用太阳能和风能，减少市电的使用，降低电费开支。

目前，在亚洲、非洲、南美等地区，大量基站都已经配置了太阳能板和光伏模块，但实际太阳能资源应用效果并不理想。由于太阳能有较大的随机性和不确定性，不像常规能源一样稳定、可调可控；而基站供电系统又有很高的稳定性、安全性和可靠性要求，因此，对太阳能的利用是比较被动、保守和低效的。

发明内容

本申请实施例提供了一种控制管理方法、装置、设备及存储介质，可以实现太能样高效利用，减少市电的使用，降低电费开支、保护环境以及能源的供需压力。

第一方面，本申请实施例提供了一种控制管理方法，包括：

通过第一网络模型预测次日各个设定时刻的光伏发电效率；

通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率；

绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

第二方面，本申请实施例提供了一种控制管理装置，包括：

光伏发电功率确定模块，被设置为通过第一网络模型预测次日各个设定时刻的光伏发电效率；

负荷功率确定模块，被设置为通过第二网络模型预测次日各个设定时刻的负荷功率；

绘制模块，被设置为绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

盈余区和欠缺区确定模块，被设置为基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

策略确定模块，被设置为确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

第三方面，本申请实施例提供了一种基站的太阳能利用系统，包括控制管理装置，被设置为执行权本申请提供的方法，还包括光伏模块、整流模块、基站设备负载、机动设备和电池。

第四方面，本申请实施例提供了一种控制管理设备，所述设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现本申请实施例提供的方法。

第五方面，本申请实施例提供了一种存储介质，用于计算机可读存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本申请实施例提供的方法。

本申请实施例提供的技术方案，通过第一网络模型和第二网络模型分别预测次日各个设定时刻的光伏发电功率以及基站设备负载的负荷功率，并绘制光伏发电功率随时间变化的第一曲线和负荷功率随时间变化的第二曲线，通过第一曲线和第二曲线的相交情况确定太阳能盈余区和太阳能欠缺区，并确定太阳能盈余区的能量利用策略和太阳能欠缺区的供电策略，可以实现太能样高效利用，减少市电的使用，降低电费开支、保护环境以及能源的供需压力。

附图说明

图1a是本申请实施例提供的一种控制管理方法流程图；

图1b是本申请实施例提供的第一曲线F1和第二曲线F2形成的单峰模型示意图；

图1c是本申请实施例提供的第一曲线F1和第二曲线F2形成的多峰模型示意图；

图2a是本申请实施例提供的一种控制管理方法流程图；

图2b是本申请实施例提供的第一NN模型示意图；

图2c是本申请实施例提供的第二NN模型示意图；

图2d是本申请实施例提供的单峰模型下的太阳能欠缺区的电池放电策略示意图；

图2e是本申请实施例提供的单峰模型下的电池充放电策略示意图；

图2f是本申请实施例提供的单峰模型下盈余电量的利用策略流程图；

图2g是本申请实施例提供的太阳能欠缺区的供电策略流程图；

图3a是本申请实施例提供的多峰模型下的电池充放电策略示意图；

图3b是本申请实施例提供的多峰模型下波动峰区的电池充放电流程示意图；

图4是本申请实施例提供的一种控制管理装置结构框图；

图5是本申请实施例提供的一种基站的太阳能利用系统的结构示意图；

图6是本申请实施例提供的一种控制管理设备的结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1a是本申请实施例提供的一种控制管理方法流程图，所述方法可以由一种控制管理装置来执行，所述装置可以由软件和/或硬件来实现，所述装置可以配置在电子设备中，所述方法可以应用于对基站的太阳能进行利用的场景中。

如图1a所示，本申请实施例提供的方法包括如下步骤：

S110：通过第一网络模型预测次日各个设定时刻的光伏发电效率。

在本实施例中，第一网络模型可以是神经网络(Neural Networks，NN)模型。

在本申请一个示例性的实施方式中，在通过第一网络模型预测次日各个设定时刻的光伏发电效率之前还可以包括：对第一NN模型进行训练。具体可以是：采集大量的每日的太阳能电池方阵的光照强度值、室外温度值、光伏发电效率等样本数据。构建外部特征数据和标签的大数据集，将每个样本数据进行归一化处理，使得每个数据处于(0,1)之间。其中，归一化的公式是：

其中，X_real为样本数据的真实值，X^*为归一化处理后的数据，X_max为对应类型样本数据中的最大值或上限值，X_min为对应类型样本数据中的最小值或下限值。

在将光照强度值、室外温度值、光伏发电效率等样本数据进行归一化后，设立训练集、验证集和测试集。通过训练集的样本数据对第一NN模型进行训练，通过验证集的样本数据对第一NN模型的参数进行调整，通过测试集的数据对第一NN模型进行测试。其中，对第一NN模型进行训练可以具体是，将与每日历史同期的光伏发电功率、光照强度值和室外温度值为第一NN模型的输入参数，以每日的光伏光电功率为输出参数训练第一NN模型，得到训练好的第一NN模型(太阳能产能预测模型)。

在一个示例性的实施方式中，可选的，所述通过第一网络模型预测次日各个设定时刻的光伏发电效率，包括：每间隔设定时间包括获取历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数；将所述光伏发电功率、所述光照强度值和所述室外温度值输入到第一网络模型中，预测次日对应时刻的光伏光电效率；返回每间隔设定时间获取历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数的操作，直至预测到次日各个设定时刻的光伏光电效率。

其中，历史同期的光伏发电功率可以是历史同期光伏发电功率的平均值，次日对应时刻的光照强度值可以是对应时刻天气预报的光照强度值和最近预设时间段内(或者历史同期)类似天气状况下光照传感器采集的数据的加权值；次日对应时刻的室外温度值可以是对应时刻的天气预报的室外温度值和最近预设时间段内温度传感器实际采集温度值的加权值。其中，预设时间段可以是最近一周，或者最近一个月内。其中，设定时间可以是10分钟，或者也可以根据需要设定其他时间间隔，由此，通过第一NN模型可以预测次日不同时刻的光伏发电功率，在设定时间是10分钟的情况下，可以得到次日光伏发电功率的预测值的数量是144个。

S120：通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率。

在本申请实施例中，可选的，第二网络模型可以是神经网络(NN)模型。

在一个示例性的实施方式中，在通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率之前还可以包括对第二NN模型进行训练，得到训练好的第二NN模型。具体可以是将采集的每日的基站设备负载的负荷功率按照上述的归一化公式进行处理化处理，将每日的节假日影响因子、潮汐影响因子、区域事件影响因子和归一化后的基站设备负载的负荷功率等样本数据设定训练集、验证集合测试集。通过训练集的样本数据对第二NN模型进行训练，通过验证集的样本数据对第二NN模型的参数进行调整，通过测试集的数据对第二NN模型进行测试。其中，对第二NN模型进行训练可以是以与每日历史同期的基站设备负载的负荷功率、节假日影响因子、潮汐影响因子、区域事件影响因子作为第二NN模型的输入参数，以每日基站设备负载的负荷功率作为第二NN模型的输出参数，对第二NN模型进行训练，得到训练好的第二NN模型。

在一个示例性的实施方式中，通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率，包括：每间隔设定时间获取包括历史同期的基站设备负载的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数；将所述负荷功率、所述节假日影响因子、潮汐影响因子和区域事件影响因子输入到第二网络模型中，得到次日对应时刻的负荷功率；返回每间隔设定时间获取包括历史同期的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数的操作，直至预测到次日各个设定时刻的基站设备负载的负荷功率。

其中，历史同期的基站设备负载的负荷功率可以是历史同期基站设备负载的正常负荷功率的平均值；节假日影响因子、潮汐影响因子以及区域事件影响因子可以分别转化为(0,1)的特征参数，可以根据实际情况和人工经验确定。其中，设定时间可以是10分钟，或者也可以根据需要设定其他时间间隔，由此，通过第二NN模型可以预测次日不同时刻的基站设备负载的负荷功率。在设定时间是10分钟的情况下，可以得到次日基站设备负载的负荷功率的预测值数量是144个。

S130：绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线。

在本申请实施例中，可以将次日各个设定时刻的光伏发电效率按照时间顺序依次进行连接，得到次日的光伏发电效率时间变化的曲线，作为第一曲线。其中，可以将次日各个设定时刻的基站设备负载的负荷功率按照时间顺序依次进行连接，得到次日的基站设备负载的负荷功率随时间变化的曲线，并作为第二曲线。

S140：基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区。

在本申请实施例中，在第一曲线和第二曲线存在交点的情况下，将第一曲线中的光伏发电功率大于第二曲线中基站设备负载的负荷功率的时间区间作为太阳能盈余区，将第一曲线中的光伏发电功率小于第二曲线中基站设备负载的负荷功率的时间区间作为太阳能欠缺区。

在第一曲线和第二曲线存在两个交点的情况下，如图1b所示，第一曲线F1和第二曲线F2，第一曲线和第二曲线在t1时刻和t2时刻相交，即从t1时刻开始，光伏发电功率大于基站设备负载的负荷功率，经过一段时间，从t2时刻开始，光伏发电功率小于基站设备的负荷结束时间。在t1-t2的时间区间内，为太阳能盈余区，也可以称为峰区，在tx-t1，以及t2-ty的时间区间内，为太阳能欠缺区，可以称为谷区。功率。其中，tx是次日的开始时间，ty是当日的终止时间。

在第一曲线和第二曲线的交点数量大于两个的情况下，如图1c所示，第一曲线F1和第二曲线F2存在6个交点，其中，存在3个太阳能盈余区(峰区)和4个太阳能欠缺区(谷区)。

S150：确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

在一个示例性的实施方式中，所述确定所述太阳能盈余区的能量利用策略，包括：

在所述太阳能盈余区的开始时刻到达的情况下，控制光伏模块为电池充电；

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电。

其中，电池可以是锂电池。在太阳能盈余区的开始时刻达到的情况下，控制光伏模块为电池供电，例如，如图1b所示，从t1时刻开始，控制光伏模块为电池充电。又如，如图1c所示，从t1时刻开始，或者从t3时刻，或者从t5时刻开始，控制光伏模块为电池充电。

在一个示例性的实施方式中，所述在所述太阳能的盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电，包括：

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，在所述太阳能盈余区的开始时刻到结束时刻之间，确定所述光伏光电功率与，所述负荷功率和电池的充电功率之和在各个时刻的功率差；

在第一目标时刻的所述功率差大于机动设备的消耗功率的情况下，控制所述机动设备在所述第一目标时刻启动，并控制所述光伏模块为所述机动设备进行供电；

在所述机动设备运行，且第二目标时刻的所述功率差小于所述机动设备的消耗功率的情况下，控制所述机动设备停止运行。

在一个示例性的实施方式中，所述确定太阳能欠缺区的供电策略，包括：

在所述太阳能欠缺区对应的时间区间内，将电价按照设定时间区间进行划分，得到各个时间区间的电价；

确定所述太阳能欠缺区中各个时间区间的欠缺电量；

基于各个时间区间的欠缺电量，将电池的放电量按照各个时间区间的电价从高到低的顺序依次进行时间区间分配，直至分配完毕。

在一个实施例的实施方式中，在所述太阳能盈余区的数量大于1个的情况下，针对第一个太阳能欠缺区和最后一个太阳能欠缺区，以及在所述太阳能盈余区的数量为1个的情况下，针对所有太阳能欠缺区；

所述确定太阳能欠缺区的供电策略，还包括：

在所述电池的放电量小于所述太阳能欠缺区的电量的情况下，对没有分配所述电池的放电量的时间区间采用市电进行供电。

在一个示例性的实施方式中，在所述太阳能盈余区的数量大于1个情况的下，将第一个太阳能盈余区的开始时刻到最后一个太阳能盈余区的结束时刻之间的区域作为波动峰区；

所述波动峰区的电池放电策略包括：

采用离散法确定所述第一曲线和所述第二曲线在所述波动峰区相交的所有时刻的多组有效电池荷电状态值；

从所述多组有效电池荷电状态值中选择太阳能总利用量最大的一组有效电池荷电状态值，并基于太阳能总利用量最大的一组有效电池荷电状态值确定电池在波动峰区的充放电策略。

在一个示例性的实施方式中，图2a是本申请实施例提供的一种控制管理方法流程图，如图2a所示，本申请实施例提供的方法包括如下步骤：

S1：采集或获取历史运行数据中的每日太阳能电池方阵的光照强度值、室外温度值、光伏发电功率、基站设备负载的负荷功率等样本数据。参照这些数据变化的缓急程度，本实施例中设置数据采集周期为10分钟，即每种类型的数据，每天可以采集144个。

S2：数据处理。对步骤S1得到的样本数据，按照归一化的公式进行归一化处理，使得所有数据处于(0，1)之间。其中，归一化公式为：

X_real为样本数据的真实值，X^*为归一化处理后的数据，X_max为对应类型样本数据中的最大值或上限值，X_min为对应类型样本数据中的最小值或下限值。

1)在夏季阳光直接照射的情况下，光照强度值可达6～10万lx(勒克斯)，在没有太阳的情况下，光照强度值可以是0.1～1万lx，在夜间满月的情况下，光照强度值可以为0.2lx。对于光伏模块的光照强度值，上限值10万lx，下限值为0，因此，各真实光照强度值X_real归一化的值X^*为X_real/100000。

2)对于室外温度值，设定X_max为100℃，X_min为-100℃，因此X_real归一化值X^*＝(X_real+100)/200。

3)对于光伏发电功率，设定X_max为系统光伏模块的满配置值，X_min为0，因此，X_real归一化值X^*＝X_real/X_max；

4)对于基站设备负载的负荷功率LR，设定X_max为系统满负荷值，X_min为0，因此X_real归一化值X^*＝X_real/X_max。

S3：设立训练集、验证集和测试集。按照常规的6:2:2样本比例设立。

S4：构建和训练第一NN模型。以与每日历史同期的光伏发电功率、及每日光照强度值和室外温度值为输入参数，以每日光伏发电功率为输出参数，构建第一NN模型(太阳能产能预测模型)，并训练该模型。

其中，与每日历史同期的光伏发电功率，取值为历史同期正常光伏发电功率的平均值；每日光照强度值，可以取值为当日实际光照传感器的采集值；其中，每日室外温度值，可以取值为当日实际温度传感器采集的温度值。

S5：构建和训练第二NN模型。以与每日历史同期的基站设备负载的负荷功率、以及影响因素(如节假日影响因子、潮汐影响因子、区域事件影响因子等)为输入参数，以每日基站设备负载的负荷功率为输出参数，构建第二NN预测模型，并训练该模型。

其中，与每日历史同期的基站设备的负荷功率，取值为大数据中历史同期基站设备负载的正常符合功率的平均值；节假日影响因子F_holiday，该因子转化成(0，1)间的特征参数，根据人工经验设定。如某居民小区，正常工作日为0、双休日为0.1、春节长假为0.25等。

其中，潮汐影响因子F_tide，该因子转化成(0，1)间的特征参数，根据人工经验设定。如某工业园，工作时间段0.5、加班时间段0.7、深夜段0.3等。

其中，区域事件影响因子F_event，该因子转化成(0，1)间的特征参数，根据人工经验设定。如某区域，正常为0，有商业营销活动0.1、集会0.2、演唱会0.3等。

S6：在控制管理装置上部署第一、第二NN模型。

模型经过训练和优化后，根据实际运行环境进行部署。控制管理软件可以运行在UME网络管理装置上，充分利用了云端的强大算力资源，并支持实时或在线的训练；也可以通过增加计算棒等方式，把模型部署在边缘侧，如现场控制器FSU上。

S7：控制管理装置中运行各模型和算法，确定太阳能盈余区的能量利用策略和太阳能欠缺区的供电策略。具体包括运行两个NN模型预测次日光伏发电功率和负荷功率后，制定太阳能盈余区的能量利用策略、制定太阳能欠缺区的电池放电策略，按照策略实施电池充放电、市电供电和机动设备用电等控制动作。其中，次日光伏发电功率和次日基站设备负载的负荷功率的预测可以分别参考图2b和图2c，即通过将历史同期的光伏发电功率、次日光照强度值、次日室外温度值输入到第一NN模型中，得到对应时刻次日光伏发电功率；通过将历史同期的基站设备负载的负荷功率，次日的节假日影响因子、潮汐影响因子和事件影响因子输入到第二NN模型中，预测得到次日对应时刻的基站设备负载的负荷功率。

下面，就对本步骤进行详细说明。

设定一个应用场景。由于实际场景下天气阴晴不定、基站设备负载波动等非常复杂难以分析，因此，我们先考虑一个典型化的简单场景。假设某日全天24时天气晴朗，太阳能发电量稳定，可以看成一个正态分布曲线，两端低点为早晚时刻，中间高点为午时；基站设备负载用电量也是一个类似正态分布，两端低点为业务低谷期，中间高点为业务高峰期。据此，我们建立了一个简单的基础模型，并通过分析和推导，找到最大化利用太阳能的算法：

如图1b所示，定义了一个发电量和用电量稳定的基本模型，即典型光伏模块的光伏发电功率和基站设备负载的负荷功率的单峰模型。也就是光伏发电功率随之间变化的曲线与基站设备负载的负荷功率随时间变化的曲线的交点是两个。

其中，该单峰模型起始时刻为tx、终止时刻为ty。光伏发电功率随时间变化的第一曲线F1和基站设备负载的负荷功率随时间变化的第二曲线F2，在t1和t2两时刻点相交。tx-t1和t2-ty两个时间区间，基站设备负载的负荷功率f2大于光伏发电功率f1，太阳能供给不足(夜晚或阴天)，称为太阳能欠缺区，也可以称为谷区；而t1-t2的时间区间，基站设备负载的负荷功率f2小于光伏发电功率f1，太阳能供给盈余(光照充足)，称为太阳能盈余区，也可以称为峰区。

其中，tx-t1及t2-ty两谷区太阳能供给不足，太阳能欠缺电量分别为SL0和SL1；峰区t1-t2的时间区间太阳能盈余电量为SH。三者通过各时间区间可以基于F1和F2差值积分可得：

其中，S为太阳能欠缺电量或者太阳能盈余电量，tt0和tt1分别表示该时间区间的起始时刻和终止时刻。如计算SH，则tt0＝t1、tt1＝t2。

在运行第一、第二NN模型的情况下，预测次日光伏发电功率f1、次日基站设备负载的负荷功率f2。其中，第一NN模型中的光照强度值，取值为天气预报的光照强度度和历史同期类似天气状况下(或者最近预设时间段内)光照传感器采集的数据加权值。比如，天气预报的次日某时刻光照强度p1为5.2万lx；从大数据中，找到历史同期相近时刻的天气状况下的光照传感器的实际采集量p2为4.5万lx；因此，最终该输入参数为p1×0.9+p2×0.1，取值为5.13万lx。预测的f1和f2的值每日144个(预测周期10分钟)。

参照图1b，在笛卡尔坐标系中绘制f1、f2全天随时间变化曲线，分别是F1和F2，起始时间tx为0时、终止时刻ty为24时。显然，谷区1和2的欠缺电量SL0和SL1需要市电或电池补充，而峰区的盈余电量SH待最大化利用。

参照图2d，规划峰区中盈余电量SH的能量利用策略。定义了三个电量：电池存贮电量S1、机动设备的用电量S2、舍弃电量S3；三者之和等于SH；显然，S1≤SH；

参照图2e，规划谷区中供电策略，即欠缺电量的补足计划。由于当日ty和次日tx时刻重叠，因此，我们对当日t2到次日t1连续时间统一部署补足计划。该时间区间总欠缺电量SL＝欠缺电量SL1(当日)+欠缺电量SL0(次日)；而电池总放电量为S4；显然，S4≤SL；由于电池实现了满充电，同时考虑充电效率η，因此有：

S4＝S1×η；

在本实施例中，先规划峰区中的能量利用策略，即盈余电量的利用计划，如图2d和图2f所示，分析电池存贮电量S1影响因素，S1即给电池充电储入的化学能量，须尽量提高S1，最大化实现储能，取决于如下因素：

电池额定容量Crated，电池完全充满后将具有最大可释放容量Cmax＝SOH×Crated×100％，因此，在电池健康状态值(State Of Health，SOH)一定时，建议对配置电池扩容以提高Crated，其中，电池健康状态值，即为实际容量/标称容量。

电池放电深度(Depth Of Discharge，DOD)。在峰区起始时刻t1，电池SOC(t1)＝SOH(t1)－DOD(t1)；其中，SOC(State Of Charge)为电池荷电状态值，即可用容量/实际容量，显然SOC越小，可充入的电量越多。但DOD过大会影响电池循环寿命，实际中会设置一个相对安全的最大值Kd。如不考虑SOH，则SOCmin＝1-Kd。

电池充电效率η。充电效率受到充电速率和环境温度的影响，充电电流必须在一定范围内，电流太小或太大充电效率都很低；另外，可释放电荷总是少于充放电周期中储存的电荷；并且充电时长可能较短，因此，电池管理算法中，须使用更快的充电技术(比如提高电池的充电电流或电压)，尽可能早的充入电量。

在本实施例中，计算电池本峰区的存贮电量S1，电池充电时刻起始SOC(t1)，以及电池前一个谷区的放电量S4。

在本实施例中，计算电池最大存储电量，设定电池SOC(t1)为最小值SOCmin时，按照t1-t2充电时间区间内的典型充电曲线，通过电池充电的电流积分，计算出电池最大充电存贮电量S1；计算电池实际存储电量和充电起始SOC(t1)。通过设定电池SOC(t1)为最小值SOCmin，以保证光伏发电的盈余电量最大化的为电池充电，提高盈余电量的利用率。

由于充电结束后电池满容量状态，即SOC(t2)＝1.0，因此，可以得到如下方程组：

SOC(t1)＝1.0-S1/Vrated/Crated

SOC(t1)≥1.0-Kd；

其中，S1≤SH，S4≤SL，S4＝S1×η

求解上述方程组，可得，

SOC(t1)＝max(1.0-Kd，1.0-SH×Crated/Vrated，1.0-SL×Crated/Vrated/η)；

其中，SOC(t1)是指在t1时刻的SOC值，Vrated是指电池的额定电压。

显然，求解SOC(t1)值后，实际的峰区电池存贮电量S1、谷区电池放电量S4也都迎刃而解：

S1＝[1-SOC(t1)]×Crated×Vrated

S4＝S1×η；

通过设定峰区的充电计划(S1)，进而推导出上一个放电谷区的放电深度计划(S4)，保证了电池最大化充电，以实现对太阳能转换电量的充分利用。

在本实施例中，遍历机动设备，灵活利用电量S2。盈余电量SH除了提供电池存贮S1外，多余还可用于机动设备利用的电量S2，可以具体是：

机房或机柜的制冷设备，比如空调、热交换器、新风系统等。在满足功耗要求的情况下，优先启动这些制冷设备，降低室内温度，减少额外制冷耗能，相当于蓄冷。

其他的辅助设备，比如某些处于休眠或低功耗状态下的传感器、控制单元或者用电设备，在此时间段内启动运行，消费多余电量，减少其他时段的运行耗能。

在一个示例性的实施方式中，遍历机房或机柜中所有的机动设备，如空调、热交换器、新风系统等制冷设备，以及其他辅助设备的运行功耗，选择一个或多个合适的机动设备消费多余的电量，具体的：

计算各时刻的多余功率Δp，具体是计算t1-t2时间区间内，各个时刻的多余功率Δp＝光伏发电功率f1-基站设备负载的负荷功率f2-电池的充电功率；

如图2d所示的tp1-tp2时间，Δp超过某用电设备功耗，即在此时间区间启动该机动设备(比如热管设备)。电池充电储能和机动设备用电可能同时运行；

当功率差Δp无法满足该用电设备的功耗时，如图所示的tp2时刻，此时停止该机动设备的运行。如须继续运行，将消耗市电或电池的能量。

在一个示例性的实施方式中，规划谷区时段，欠缺电量补足(电池放电)计划。如图2e和图2g所示：

根据当地电价情况，定义该时间区间电价的m个阶梯区间，分别为T1、T2、T3......，直到Tm时间区间。电价最高时间区间为T1、电价次高的时间区间分别为T2、T3，依此类推；各时间区间内欠缺电量分别为S_T1、S_T2、S_T3......，直到S_Tm。

按照从高到低的电价区间顺序，把S4分配到各个时间区间，S4＝S_4-1+S_4-2+S_4-3+......+S_4-m，其中S_4-1为T1时间区间内分配到的放电量，S_4-2为T2时间区间内分配到的放电量，依次类推，直到分配完为止。

其中，多余电量ΔS4小于等于S4，其中，多余电量ΔS4在开始没有分配之前等于S4；

在ΔS4小于S_T1的情况下，表示ΔS4可全部分配到T1时间区间，即S_4-1＝ΔS4。因此，只需执行一次放电策略：在T1时间区间起始时刻开始放电，放出电量S_4-1后停止放电。

在ΔS4大于S_T1的情况下，则表示ΔS4分配到T1时间区间后还有多余，即S_4-1＝S_T1，多余电量ΔS4＝S4－S_T1，将继续朝T2及以下时间区间分配。

在ΔS4小于S_T2的情况下，ΔS4将全部被分配到T2时间区间。即下一次放电计划为：T2时间区间起始时刻开始放电，放出电量S_4-2＝ΔS4后停止放电；

如果ΔS4大于S_T2，ΔS4分配到T2时间区间还有多余，即S_4-2＝S_T2，多余电量ΔS4＝S4－S_T1－S_T2，继续朝次低电价的时间区间T3顺序分配。以此类推，直至全部分配完。

实际的时间顺序执行放电策略。电价从高到低排序的时间区间T1、T2、T3......Tm，并不是时间的先后次序，因而，最终要按照时间顺序，执行各时间区间内的电池放电策略。图2e示例中有5个阶梯时间区间，时间先后次序分别是T2、T3、T5、T4、T1。因此，实际电池放电的执行过程如下：

T2时间区间：按照分配计划，T2的起始时刻电池开始放电，放出电量达到预定值S_4-2后停止放电。本例中S_4-2<S_T2，表明T2前半时段电池放电补足，后半时段需要市电补足；

T3时间区间：没有电池放电计划；全部时段市电补足；

T5时间区间：没有电池放电计划；全部时段市电补足；

T4时间区间：没有电池放电计划；全部时段市电补足；

T1时间区间：按照分配计划，T1的起始时刻电池开始放电，放出电量达到预定值S_4-1后，停止放电。本实施例中S_4-1＝S_T1，T1整个时段都放电。

在一个示例性的实施方式中，主要针对实际复杂场景下的补充实现说明。

如上述实施例所述，我们建立了一个图1b所示的典型基础模型，实现了太阳能盈余区(峰区)内盈余电量的最大化利用策略(采用算法实现)、以及太阳能欠缺区(谷区)内在市电电价高时段调用电池储存电能的策略(采用算法实现)。该模型峰区只有一个、谷区两个，因此称为单峰模型。

由于天气变化、负载波动等影响，实际场景可能更为复杂；光伏发电功率随时间变化的第一曲线F1和基站设备负载的负荷功率随时间变化的第二曲线F2会存在多个相交点，也就是出现多个谷区、多个峰区的情况。如图1c所示的是一个有6个相交点(相交点时刻为t1/t2/t3/t4/t5/t6)、且存在3个峰区、4个谷区的多峰模型。

针对多峰模型，可以抽象成一个单峰模型，单峰区时间区间为从第一个相交点时刻到最后一个相交点时刻，即图1c中的t1-t6时间区间，只不过在峰区有波动而已。因此，多峰模型下的所有步骤和方法，可以大大得以简化，都和单峰模型相似，并可直接借用；唯一的差异点，就在于如何寻找到各个相交时刻点最合适的电池荷电状态SOC值，来保障整个波动峰区中电池存贮的电能最大，即太阳能得到最大化利用率：

如上述实施例，电池充电效率为η，电池允许的最大放电深度DOD和可放出的最大电池容量Sdmax为Kd；可充入的最大电池容量Scmax＝Kd/η，而电池SOC值的最小值SOCmin＝1-Kd；

如图1c所示，对F1和F2的所有相交点(图中为t1-t6)进行分析：

确定各峰区和各谷区的充入/放出的电池容量范围。峰区1、2、3的太阳能盈余电量分别为SH1、SH2和SH3，因此，电池可充入容量分别是TC1＝Min(Scmax，SH1/Crated/Vrated，ΔC1)、TC2＝Min(Scmax，SH2/Crated/Vrated，ΔC2)、TC3＝Min(Scmax，SH3/Crated/Vrated，ΔC3)；其中ΔC1、ΔC2、ΔC3分别是各峰区时间区间电池电流积分计算的最大容量增量。谷区1、2的太阳能欠缺电量分别为SL1和SL2，电池可放出电池容量分别是SD1＝Min(Sdmax，SL1/Crated/Vrated)、SD2＝Min(Sdmax，SL2/Crated/Vrated)；

在本实施例中，定义各峰区和各谷区的充入/放出的电池电量，如图3a中的标识部分中的充入能量SCn(n取值1/2/3)和放出能量SDn(n取值1/2)，显然，SCn≤TCn<1.0，SDn≤TDn<1.0。而太阳能的总利用量为：

根据各时间区间电量的变化，列出各时刻点电池容量方程组：

SOC(t1)+SC1＝SOC(t2)

SOC(t2)－SD1＝SOC(t3)

SOC(t3)+SC2＝SOC(t4)

SOC(t4)－SD2＝SOC(t5)

SOC(t5)+SC3＝SOC(t6)

以及约束条件组：

SC1≤TC1

SC2≤TC2

SC3≤TC3

SD1≤TD1

SD2≤TD2

和，

SOCmin≤SOC(t1)≤1.0

SOCmin≤SOC(t2)≤1.0

SOCmin≤SOC(t3)≤1.0

SOCmin≤SOC(t4)≤1.0

SOCmin≤SOC(t5)≤1.0

SOCmin≤SOC(t6)≤1.0

通过对上述方程组求解，得到SOC(t1)、SOC(t2)、SOC(t3)、SOC(t4)、SOC(t5)、SOC(t6)各值，即可得到各峰区和谷区的电池充放电策略。

根据上述方程组和约束条件组，联合求解所有时刻点的SOC(tn)，n取值为1-6。在众多SOC(tn)求解中，找到太阳能总利用量SC最大的那一组求解值，作为最优解：

本实施例采用了离散值法求解法，具体思路如下：设定SOC精度为0.01，所有SOC取值范围就成了一个有限的离散值集合。假设SOCmin为0.20，那么SOC(tn)取值范围就是{0.20，0.21，0.22,......，0.98，0.99，1.00}集合，共81个离散值。再结合方程组和约束条件组，使用遍历、折半等算法，就很容易找到所有SOC(tn)有效值中、SC最大的那一组值。

在本实施例中，依次以各充电结束时刻点(图3a中t6、t4、t2时刻)电池满容量为前提条件，遍历求解：

第1个时刻为t6，SOC(t6)＝1.0，遍历求解所有SOC(tn)值，计算对应SC；取出SC最大的一组解K1；

第2个时刻为t4，SOC(t4)＝1.0，遍历求解所有SOC(tn)值，计算对应SC；取出SC最大的一组解K2；

第3个时刻为t2，SOC(t2)＝1.0，遍历求解所有SOC(tn)值，计算对应SC；取出SC最大的一组解K3；

其中，比较K1、K2、K3三组解中的SC值，选择其中最大值的那组解SOC(tn)，作为最优解。根据最优解SOC(tn)，完成t1-t6时间内的电池充放电计划。仍以图3a示例说明。

按照上述得到SOC(t1)、SOC(t2)、SOC(t3)等值；

在峰区1起始时刻t1，对电池进行充电，容量到达SOC(t2)值后停止；

在谷区1起始时刻t2，对电池进行放电，容量到达SOC(t3)值后停止；

在峰区2起始时刻t3，对电池进行充电，容量到达SOC(t4)值后停止；

在谷区2起始时刻t4，对电池进行放电，容量到达SOC(t5)值后停止；

在峰区3起始时刻t5，对电池进行充电，容量到达SOC(t6)值后停止。

另外，可参考单峰模型中的峰区能量利用策略，在3个峰区内，启动制冷设备等机动用电，以尽量利用多余的太阳能。其中，多峰模型下波动峰区的电池充放电流程示意图可以参考图3b。

相关技术中，对于太阳能利用是一个顺序执行的、无计划的正向思维和控制过程。光照充足时，太阳能先给基站设备负载供电，多余再给电池充电，电池利用量由当时电池SOC值确定，多余的太阳能只能舍弃；太阳能供给不足时调用电池储存电能，调用深度根据经验保守估计。

本申请实施例提供的方法，采用的是逆向思维和主动规划，先通过人工智能(AI)技术来预测次日太阳能光伏发电功率、基站设备负载的负载功率，提前规划好下一个太阳能供给盈余时间区间的能量利用策略(包括电池充电和机动负载用电)；再来制定前一个太阳能供给不足时间区间内供电策略(调用电池储存电能的计划)，保障了电池充放电的平衡和太阳能的最大化利用，也保障了电池储能的调用时机处于市电电价的最高区间，降低了电费开支；

本申请实施例提供的方法，克服了现有的太阳能利用被动、浪费严重、算法难改进的缺陷，通过实时采集的光照强度值和负荷功率，结合天气预报、历史同期数据等，通过神经网络的计算，实现太阳能产能和负载用能的预测，并以高循环性能电池作为缓存，调节和平衡供需缺口，实现太阳能、电池、电网和负载之间的协同工作，达到主动的、有计划的最大化地利用太阳能，减少市电的使用、降低电费开支，以及保护环境、减轻国家能源的供需压力的目的。

具体的，通过对太阳能产能、负载用能的预测，提前制定太阳能供给盈余和欠缺时间区间内的电池充放电策略，达到最大化的利用太阳能、最大化的利用电池储能，减少太阳能的浪费、降低了市电电费开支；太阳能供给不足时，调用电池储存的电能，电池的放电深度控制在预先计划的设定点，避免过放电；太阳能供给不足时，调用电池储存的电能，电池的放电时间点控制在市电电价最高点，最大化降低电费开支；太阳能供给充足时，优先给电池充电，并保证及时充满，这对于电池管理裨益良多：电池充满，方便常规SOC/SOH库伦积分计算的校正；电池电量的及时补足，以及电池放电深度的可控，都将延长循环寿命；太阳能供给充足时，通过开启机动设备尽量使用多余电量。比如启动空调、热交换器等制冷设备，可以实现一定程度的蓄冷，进一步降低制冷电费开支；经济和社会效益显著，实现了太阳能的最大化利用，精确控制的电池充放电策略，延长了电池寿命，并降低了电费开支，达到降低用户运维和运营成本目的。仅以市电费用减少估算，单机房电费开支平均减少约20％，如在全国移动通信网络中推广(按照太阳能机房占全部基站的1％比例计算)，每年将减少电费5千万元、以及1.35万吨碳排放。

图4是本申请实施例提供的一种控制管理装置的结构框图，如图4所示，所述装置包括：光伏发电功率确定模块410、负荷功率确定模块420、绘制模块430、盈余区和欠缺区确定模块440和策略确定模块450。

光伏发电功率确定模块410，被设置为通过第一网络模型预测次日各个设定时刻的光伏发电效率；

负荷功率确定模块420，被设置为通过第二网络模型预测次日各个设定时刻的负荷功率；

绘制模块430，被设置为绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

盈余区和欠缺区确定模块440，被设置为基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

策略确定模块450，被设置为确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

在一个示例性的实施方式中，所述确定所述太阳能盈余区的能量利用策略，包括：

在所述太阳能盈余区的开始时刻到达的情况下，控制光伏模块为电池充电；

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电。

在一个示例性的实施方式中，所述在所述太阳能的盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电，包括：

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，在所述太阳能盈余区的开始时刻到结束时刻之间，确定所述光伏光电功率与，所述负荷功率和电池的充电功率之和在各个时刻的功率差；

在第一目标时刻的所述功率差大于机动设备的消耗功率的情况下，控制所述机动设备在所述第一目标时刻启动，并控制所述光伏模块为所述机动设备进行供电；

在所述机动设备运行，且第二目标时刻的所述功率差小于所述机动设备的消耗功率的情况下，控制所述机动设备停止运行。

在一个示例性的实施方式中，所述确定太阳能欠缺区的供电策略，包括：

在所述太阳能欠缺区对应的时间区间内，按照电价进行时间区间的划分，得到各个时间区间的电价；

确定所述太阳能欠缺区中各个时间区间的欠缺电量；

基于各个时间区间的欠缺电量，将电池的放电量按照各个时间区间的电价从高到低的顺序依次进行时间区间分配，直至分配完毕。

在一个示例性的实施方式中，在所述太阳能盈余区的数量大于1个的情况下，针对第一个太阳能欠缺区和最后一个太阳能欠缺区，以及在所述太阳能盈余区的数量为1个的情况下，针对所有太阳能欠缺区；

所述确定太阳能欠缺区的供电策略，还包括：

在所述电池的放电量小于所述太阳能欠缺区的电量的情况下，对没有分配所述电池的放电量的时间区间采用市电进行供电。

在一个示例性的实施方式中，光伏发电功率确定模块410，被设置为每间隔设定时间获取包括历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数；

将所述光伏发电功率、所述光照强度值和所述室外温度值输入到第一网络模型中，预测次日对应时刻的光伏光电效率；

返回每间隔设定时间获取包括历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数的操作，直至预测到次日各个设定时刻的光伏光电效率。

在一个示例性的实施方式中，负荷功率确定模块420，被设置为：

每间隔设定时间获取包括历史同期的基站设备负载的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数；

将所述负荷功率、所述节假日影响因子、潮汐影响因子和区域事件影响因子输入到第二网络模型中，得到次日对应时刻的负荷功率；

返回每间隔设定时间获取包括历史同期的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数的操作，直至预测到次日各个设定时刻的基站设备负载的负荷功率。

在一个示例性的实施方式中，在所述太阳能盈余区的数量大于1个的情况下，将第一个太阳能盈余区的开始时刻到最后一个太阳能盈余区的结束时刻之间的区域作为波动峰区；

所述波动峰区的电池放电策略包括：

采用离散法确定所述第一曲线和所述第二曲线在所述波动峰区相交的所有时刻的多组有效电池荷电状态值；

从所述多组有效电池荷电状态值中选择太阳能总利用量最大的一组有效电池荷电状态值，并基于太阳能总利用量最大的一组有效电池荷电状态值确定电池在波动峰区的充放电策略。

上述装置用于执行上述实施例提供的方法，具有相应的功能模块和对应的技术效果。

图5是本申请实施例提供的一种基站的太阳能利用系统结构示意图，包括控制管理装置，被设置为执行本申请提供的方法，还包括光伏模块、整流模块、基站设备负载、机动设备和电池。其中，整流模块，被设置为在太阳能欠缺区将市电转换为直流，并为基站设备负载供电；光伏模块，被设置为在太阳能盈余区为基站设备负载供电，并为电池充电，以及在太阳能盈余区的电量大于电池的存贮电量的情况下，为机动设备供电；电池，被设置为在太阳能欠缺区为基站设备负载供电。

其中光伏模块全称为太阳能光伏充电模块，实现从太阳能电池方阵60V-150VDC到-48VDC的转换；整流模块则实现交流市电到-48VDC的转换；基站设备负载为基站内的传输BBU、射频RF、功放PA等主业务设备；机动设备为机房内的空调、新风系统等辅助用电设备；电池为锂电池，为高循环性能锂电池，作为太阳能供给和基站设备负载需求间的缓冲和平衡；而控制管理装置为系统的核心，设置有太阳能预测和控制算法、设备负载预测算法、机动负载控制算法、市电阶梯利用算法和电池充放电管理算法等五个算法模块，分别实现对前五个组成部分的控制和管理，实现在太阳能盈余区的能量利用策略和在太阳能欠缺区的供电策略。

其中，控制管理装置中的太阳能预测和控制算法，一方面调节光伏模块的输出电压和电流，保障设备和电池的稳定供电，另一方面通过第一NN模型预测次日光伏发电功率。具体可以参考上述实施例的介绍。

其中，基站设备负载预测算法通过第二NN模块预测次日的基站设备负载的负荷功率。具体可以参考上述实施例的介绍。

其中，电池充放电管理算法除了完成正常的电池充放电控制外，更实现了供需双方的缓冲和平衡：光照充足时(太阳能盈余时间区间)，太阳能给基站设备负载供电，多余能量给电池充电；夜晚或阴天时(太阳能欠缺时间区间)优先调用电池储存的电能，即进行电池放电。电池放电是按照预先设定的策略、在市电电价最高区间进行；同时，放电量也预先做好了策略，由电池允许的放电深度、及下次锂电池充入的太阳能多少来联合确定。具体可以参考上述实施例的介绍。

其中，市电阶梯利用算法，对市电电价的时间区间阶梯排序；高电价时间区间，由电池放电供电，低电价区间，由市电和整流模块给设备供电，具体可以参考上述实施例。

机动设备控制算法，进一步实现太阳能的高效利用：光照充足时，太阳能除了给基站设备负载供电、给电池充电外还可能有富足，则可以启动运行如空调、热交换器等机动设备，实现一定程度蓄冷，以减少太阳能的浪费。具体可以参考上述实施例。

本申请实施例还提供了一种控制管理设备，图6是本申请实施例提供的一种控制管理设备结构示意图，如图6所示，本申请提供的设备，包括一个或多个处理器121和存储器122；该设备中的处理器121可以是一个或多个，图6中以一个处理器121为例；存储器122用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器121执行，使得所述一个或多个处理器121实现如本申请实施例中所述的方法。

设备还包括：通信装置123、输入装置124和输出装置125。

设备中的处理器121、存储器122、通信装置123、输入装置124和输出装置125可以通过总线或其他方式连接，图6中以通过总线连接为例。

输入装置124可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的按键信号输入。输出装置125可包括显示屏等显示设备。

通信装置123可以包括接收器和发送器。通信装置123设置为根据处理器121的控制进行信息收发通信。

存储器122作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本申请实施例所述定时参量确定方法对应的程序指令/模块(例如，定时参量确定装置中的确定模块)。存储器122可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器122可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器122可进一步包括相对于处理器121远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提出一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行如下步骤：

通过第一网络模型预测次日各个设定时刻的光伏发电效率；

通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率；

绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

显然，本申请的上述实施例仅仅是为清楚地说明本申请所作的举例，而并非是对本申请的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请权利要求的保护范围之内。

Claims (12)

1.一种控制管理方法，其特征在于，包括：

通过第一网络模型预测次日各个设定时刻的光伏发电效率；

通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率；

绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

2.根据权利要求1所述的方法，其特征在于，所述确定所述太阳能盈余区的能量利用策略，包括：

在所述太阳能盈余区的开始时刻到达的情况下，控制光伏模块为电池充电；

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电。

3.根据权利要求2所述的方法，其特征在于，所述在所述太阳能盈余区的电量大于电池的存贮电量的情况下，启动机动设备，并控制所述光伏模块为所述机动设备进行供电，包括：

在所述太阳能盈余区的电量大于电池的存贮电量的情况下，在所述太阳能盈余区的开始时刻到结束时刻之间，确定所述光伏光电功率与，所述负荷功率和电池的充电功率之和在各个时刻的功率差；

在第一目标时刻的所述功率差大于机动设备的消耗功率的情况下，控制所述机动设备在所述第一目标时刻启动，并控制所述光伏模块为所述机动设备进行供电；

在所述机动设备运行，且第二目标时刻的所述功率差小于所述机动设备的消耗功率的情况下，控制所述机动设备停止运行。

4.根据权利要求1所述的方法，其特征在于，所述确定太阳能欠缺区的供电策略，包括：

在所述太阳能欠缺区对应的时间区间内，按照电价进行时间区间的划分，得到各个时间区间的电价；

确定所述太阳能欠缺区中各个时间区间的欠缺电量；

基于各个时间区间的欠缺电量，将电池的放电量按照各个时间区间的电价从高到低的顺序依次进行时间区间分配，直至分配完毕。

5.根据权利要求4所述的方法，其特征在于，

在所述太阳能盈余区的数量大于1个的情况下，针对第一个太阳能欠缺区和最后一个太阳能欠缺区，以及在所述太阳能盈余区的数量为1个的情况下，针对所有太阳能欠缺区；

所述确定太阳能欠缺区的供电策略，还包括：

在所述电池的放电量小于所述太阳能欠缺区的电量的情况下，对没有分配所述电池的放电量的时间区间采用市电进行供电。

6.根据权利要求1所述的方法，其特征在于，所述通过第一网络模型预测次日各个设定时刻的光伏发电效率，包括：

每间隔设定时间获取包括历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数；

将所述光伏发电功率、所述光照强度值和所述室外温度值输入到第一网络模型中，预测次日对应时刻的光伏光电效率；

返回每间隔设定时间获取包括历史同期的光伏发电功率、次日对应时刻的光照强度值和室外温度值的输入参数的操作，直至预测到次日各个设定时刻的光伏光电效率。

7.根据权利要求1所述的方法，其特征在于，所述通过第二网络模型预测次日各个设定时刻基站设备负载的负荷功率，包括：

每间隔设定时间获取包括历史同期的基站设备负载的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数；

将所述负荷功率、所述节假日影响因子、潮汐影响因子和区域事件影响因子输入到第二网络模型中，得到次日对应时刻的负荷功率；

返回每间隔设定时间包括获取历史同期的负荷功率，以及次日对应时刻的节假日影响因子、潮汐影响因子和区域事件影响因子的输入参数的操作，直至预测到次日各个设定时刻的基站设备负载的负荷功率。

8.根据权利要求1所述的方法，其特征在于，在所述太阳能盈余区的数量大于1个的情况下，将第一个太阳能盈余区的开始时刻到最后一个太阳能盈余区的结束时刻之间的区域作为波动峰区；

所述波动峰区的电池放电策略包括：

采用离散法确定所述第一曲线和所述第二曲线在所述波动峰区相交的所有时刻的多组有效电池荷电状态值；

从所述多组有效电池荷电状态值中选择太阳能总利用量最大的一组有效电池荷电状态值，并基于太阳能总利用量最大的一组有效电池荷电状态值确定电池在波动峰区的充放电策略。

9.一种控制管理装置，其特征在于，包括：

光伏发电功率确定模块，被设置为通过第一网络模型预测次日各个设定时刻的光伏发电效率；

负荷功率确定模块，被设置为通过第二网络模型预测次日各个设定时刻的负荷功率；

绘制模块，被设置为绘制所述光伏发电效率随时间变化的第一曲线以及绘制所述负荷功率随时间变化的第二曲线；

盈余区和欠缺区确定模块，被设置为基于所述第一曲线和所述第二曲线的相交情况确定太阳能盈余区和和太阳能欠缺区；

策略确定模块，被设置为确定所述太阳盈余区的能量利用策略，以及确定太阳能欠缺区的供电策略。

10.一种基站的太阳能利用系统，包括控制管理装置，被设置为执行权利要求1-8任一项所述的方法，还包括光伏模块、整流模块、基站设备负载、机动设备和电池；

所述整流模块，被设置为在太阳能欠缺区将市电转换为直流，并为所述基站设备负载供电；

所述光伏模块，被设置为在太阳能盈余区为基站设备负载供电，并为所述电池充电，以及在太阳能盈余区的电量大于电池的存贮电量的情况下，为所述机动设备供电；

所述电池，被设置为在太阳能欠缺区为基站设备负载供电。

11.一种控制管理设备，其特征在于，所述设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1-8任一项所述的方法。

12.一种存储介质，用于计算机可读存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至8中任一项所述的方法。

Images