CN115587489A - 制氢模型的确定方法及装置、非易失性存储介质、处理器 - Google Patents

Abstract

本申请公开了一种制氢模型的确定方法及装置、非易失性存储介质、处理器。其中，该方法包括：确定风光制氢模式，并获取与风光制氢模式对应的目标数据；利用目标数据创建过渡模型；获取过渡模型的输出参数，利用输出参数创建制氢模型；在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。本申请解决了由于现有技术中在对风光制氢仿真模型进行建模时，考虑不全面，且建立的风光制氢仿真模型无法依据实际情况更新，造成的现有技术中利用风光制氢仿真模型预测的准确性低的技术问题。

Description

制氢模型的确定方法及装置、非易失性存储介质、处理器

技术领域

本申请涉及数据处理领域，具体而言，涉及新能源领域中对于可再生能源的数据处理，涉及一种制氢模型的确定方法及装置、非易失性存储介质、处理器。

背景技术

当前利用可再生能源制氢是消纳可再生能源的一种有效手段。而在可再生能源的开发和利用中太阳能和风能的应用最为广泛，由于太阳能和风能在时间上具有资源互补性，将两者联合利用可以减少输出电能的波动性。对风光制氢仿真模型展开研究对于风光制氢系统的设计规划、运行调度至关重要，有助于提高风电/光电消纳能力和能源综合利用率。

目前，研究风光制氢仿真模型的技术方案主要存在以下问题：

(1)建模时仅考虑单一因素，无法准确捕捉风光制氢系统的特性，导致仿真结果与系统实际运行特性失配。(2)对风光制氢系统中的电解槽进行简单替代，导致利用模型预测的准确性较低。(3)纯使用机理模型，考虑环境较为理想，导致模型的可靠性不高；(4)采用理论方程式进行建模，对于工况复杂的，如：具有较多变量的复杂反应过程的风光制氢系统，不能对复杂因素全面考虑，导致仿真模型不合理，在复杂的工况条件下，仿真模型不满足某些假定条件，从而导致预测准确率明显下降。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种制氢模型的确定方法及装置、非易失性存储介质、处理器，以至少解决由于现有技术中在对风光制氢仿真模型进行建模时，考虑不全面，且建立的风光制氢仿真模型无法依据实际情况更新，造成的现有技术中利用风光制氢仿真模型预测的准确性低的技术问题。

根据本申请实施例的一个方面，提供了一种制氢模型的确定方法，包括：确定风光制氢模式，并获取与风光制氢模式对应的目标数据；利用目标数据创建过渡模型；获取过渡模型的输出参数，利用输出参数创建制氢模型；在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

可选地，在对制氢模型进行迭代修正之前，制氢模型的确定方法还包括：确定测试数据和与测试数据对应的实际输出参数，将测试数据输入制氢模型，得到第一输出参数，将实际输出参数与第一输出参数进行对比，得到第一对比结果，其中，第一输出参数为制氢模型的输出参数；如果第一对比结果位于第一预设区间内，确定对制氢模型进行修正，其中，第一预设区间为制氢模型的准确率小于预设值的区间。

可选地，获取与风光制氢模式对应的目标数据，包括：如果风光制氢模式为网电直接制氢模式，获取电解槽数据，其中，电解槽数据包括以下至少之一：直流电耗参数和负荷调节百分比；如果风光制氢模式为光伏离网制氢模式，获取电解槽数据，第一光伏系统数据和第一气象数据，其中，第一光伏系统数据包括以下至少之一：光伏系统的组件参数，系统设计参数和光伏系统的损耗参数，第一气象数据包括：辐照；如果风光制氢模式为风光并网制氢模式，获取电解槽数据，第二光伏系统数据，第二气象数据和风电系统数据，其中，第二光伏系统数据包括以下至少之一：光伏系统的组件参数，系统设计参数和逆变器参数，第二气象数据包括：风资源数据和辐照，风电系统数据包括以下至少之一：风电系统的风机参数，风电系统的损耗参数以及风电系统的自定义参数。

可选地，风光制氢模式为网电直接制氢模式，利用目标数据创建过渡模型，包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型。

可选地，风光制氢模式为光伏离网制氢模式，利用目标数据创建过渡模型，包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型；利用第一光伏系统数据和第一气象数据，通过数据驱动方法或机理建模的方法创建光伏发电测算模型。

可选地，风光制氢模式为风光并网制氢模式，利用目标数据创建过渡模型，包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型；利用第二光伏系统数据和第二气象数据，通过数据驱动方法或机理建模的方法创建光伏发电测算模型；利用风电系统数据和第二气象数据，通过机理建模的方法创建风电预测模型。

可选地，获取过渡模型的输出参数，利用输出参数创建制氢模型，包括：如果风光制氢模式为网电直接制氢模式，获取第二输出参数，并利用第二输出参数创建制氢模型，其中，第二输出参数为电解槽调优模型的输出参数；如果风光制氢模式为光伏离网制氢模式，获取第二输出参数和第三输出参数，利用第二输出参数和第三输出参数创建制氢模型，其中，第三输出参数为光伏发电测算模型的输出参数；如果风光制氢模式为风光并网制氢模式，获取第二输出参数，第三输出参数，和第四输出参数，利用第二输出参数，第三输出参数和第四输出参数创建制氢模型，其中，第四输出参数为风电预测模型的输出参数。

可选地，对制氢模型进行修正，包括：获取新的样本数据，通过增量学习的方法对制氢模型进行迭代优化；将测试数据输入迭代优化后的制氢模型，得到第五输出参数，其中，第五输出参数为迭代优化后的制氢模型的输出参数；将实际输出参数与第五输出参数进行对比，得到第二对比结果；如果第二对比结果位于第一预设区间，继续对制氢模型进行修正，如果第二对比结果位于第二预设区间，停止对制氢模型进行修正，其中，第二预设区间为制氢模型的准确率大于或者等于预设值的区间。

可选地，确定制氢模型之后，方法还包括：按照预设仿真时长对制氢模型进行仿真，得到仿真结果；根据仿真结果预测与制氢模型对应的风光制氢系统的制氢能力。

根据本申请实施例的另一方面，还提供了一种制氢模型的确定装置，包括：确定模块，用于确定风光制氢模式，并获取与风光制氢模式对应的目标数据；创建模块，用于利用目标数据创建过渡模型；获取模块，用于获取过渡模型的输出参数，利用输出参数创建制氢模型；修正模块，用于在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的制氢模型的确定方法。

根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的制氢模型的确定方法。

在本申请实施例中，采用确定风光制氢模式，并获取与风光制氢模式对应的目标数据；利用目标数据创建过渡模型；获取过渡模型的输出参数，利用输出参数创建制氢模型；在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型的方式，通过采集与当前风光制氢系统的风光制氢模式对应的目标数据；建立在当前风光制氢模式下，影响制氢效果的目标模型，依据目标模型的输出参数建立制氢模型，并采用对制氢模型仿真的方法预测风光制氢系统的制氢效果；达到了依据实际工况更新制氢仿真模型的目的，从而实现了提高风光制氢模型预测的准确性的技术效果，进而解决了由于现有技术中在对风光制氢仿真模型进行建模时，考虑不全面，且建立的风光制氢仿真模型无法依据实际情况更新，造成的现有技术中利用风光制氢仿真模型预测的准确性低技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种制氢模型的确定方法的流程图；

图2是根据本申请实施例的一种创建制氢模型的示意图；

图3是根据本申请实施例的一种判断制氢模型是否需要修正的流程图；

图4是根据本申请实施例的一种对制氢模型进行仿真的流程图；

图5是根据本申请实施例的一种制氢模型的确定装置的结构图；

图6是根据本申请实施例的一种确定制氢模型的装置的工作流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

相关技术中，对风光制氢模型的研究主要包括以下两种方案：

方案一：将风光制氢系统的仿真模型单个装置当作黑盒或用简单的线性模型进行描述。对于方案一，因风光制氢系统本身庞大复杂，若仅单一考虑某设置，无法准确捕捉其特性，同时也会导致利用仿真模型仿真得到的仿真结果与实际系统运行特性失配。

方案二：分别对风力发电系统、光伏发电系统、电解槽系统、储氢罐系统和燃料电池系统构建相应的仿真模型。对于方案二，电解槽系统采用质子交换膜电解槽系统，如果利用机理进行建模对于电解槽而言较为复杂，并且，纯使用机理模型，考虑环境较为理想，导致模型的可靠性不高；如果简单的用其他系统对电解槽进行替代，必然会导致模型的准确性较低。另外，如果对上述系统均采用理论方程式进行建模，对于工况复杂的风光制氢系统，无法全面考虑影响系统的因素，造成仿真模型的不合理，进而导致利用模型预测的准确率下降。

因此，上述两种方案均不能解决背景技术中提到的问题。

根据本申请实施例，提供了一种制氢模型的确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的一种制氢模型的确定方法的工作流程图，如图1所示，该方法包括如下步骤：

步骤S102，确定风光制氢模式，并获取与风光制氢模式对应的目标数据。

在步骤S102中，确定风光制氢系统当前的风光制氢模式，确定在该风光制氢模式下，影响风光制氢系统制氢效果的因素，采集相关数据。

步骤S104，利用目标数据创建过渡模型。

在步骤S104中，利用上述步骤S102中采集到的相关数据创建在当前风光制氢模式下，用于制氢的系统的模型。

步骤S106，获取过渡模型的输出参数，利用输出参数创建制氢模型。

在步骤S106中，采集上述步骤S104中创建的模型的输出参数，作为要创建的制氢模型的输入参数，利用该输入参数创建当前风光制氢模式下的制氢模型。

步骤S108，在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

在步骤S108中，对制氢模型进行验证，如果验证的结果显示需要对制氢模型进行修正，则通过增量学习的方法，利用新的数据对制氢模型进行迭代修正，并且对迭代修正后的制氢模型再次验证，如果再次验证的结果显示不需要再对制氢模型进行修正，利用迭代修正后的制氢模型对风光制氢系统的制氢效果进行仿真预测；如果再次验证的结果显示仍需要对制氢模型进行修正，继续修正制氢模型。

通过上述步骤，通过获取各系统数据并进行数据预处理，基于此，根据不同风光制氢模式，进行不同场景下的制氢仿真建模，根据预设条件，对模型结果进行判断，若满足预设，则直接进行数据仿真预测；若不满足，则利用增量学习的方法对制氢仿真模型进行修正迭代，继续根据预设条件判断，直至满足预设，再进行数据仿真预测的方法，可以实现综合考虑风光制氢系统下不同系统装置情况，选择适用的建模方式，进行仿真建模，有效避免特性失配的情况，保证了模型准确度，同时防止无用系统仿真模型的冗余；另外，采用增量学习思想，对新增数据进行判定、学习，不断融和学习新的工况以获得更准确的预测仿真模型，提升了系统的仿真准确率。

根据本申请一些可选的实施例，在对制氢模型进行迭代修正之前，制氢模型的确定方法还包括以下步骤：确定测试数据和与测试数据对应的实际输出参数，将测试数据输入制氢模型，得到第一输出参数，将实际输出参数与第一输出参数进行对比，得到第一对比结果，其中，第一输出参数为制氢模型的输出参数；如果第一对比结果位于第一预设区间内，确定对制氢模型进行修正，其中，第一预设区间为制氢模型的准确率小于预设值的区间。

在一些可选的实施例中，由测试数据和与其对应的实际输出参数组成的数据对，利用多组上述数据对初步验证制氢模型。将上述多组数据对中的多个测试数据输入制氢模型，得到制氢模型的多个输出参数(即第一输出参数)，将上述多组数据对中的多个实际输出数据(即实际输出参数)和上述制氢模型的多个输出参数进行对比，计算实际输出数据与制氢模型的多个输出参数的一致性，将计算的结果记为一致性衡量指标(即第一对比结果)，如果一致性衡量指标对应的数值在预先确定的区间内(即第一预设区间)，表明该制氢模型对风光制氢系统进行预测的准确率小于准确率阈值(即预设值)，此时需要对该制氢模型进行修正，否则不需要对制氢模型进行修正。

根据本申请一个可选的实施例，获取与风光制氢模式对应的目标数据，包括以下三种情况：如果风光制氢模式为网电直接制氢模式，获取电解槽数据，其中，电解槽数据包括以下至少之一：直流电耗参数和负荷调节百分比；如果风光制氢模式为光伏离网制氢模式，获取电解槽数据，第一光伏系统数据和第一气象数据，其中，第一光伏系统数据包括以下至少之一：光伏系统的组件参数，系统设计参数和光伏系统的损耗参数，气象数据包括：辐照；如果风光制氢模式为风光并网制氢模式，获取电解槽数据，第二光伏系统数据，第二气象数据和风电系统数据，其中，第二光伏系统数据包括以下至少之一：光伏系统的组件参数，系统设计参数和逆变器参数，第二气象数据包括：风资源数据和辐照，风电系统数据包括以下至少之一：风电系统的风机参数，风电系统的损耗参数以及风电系统的自定义参数。

在本实施例中，获取与风光制氢模式对应的目标数据包括以下三种情况：

若风光制氢模式为网电直接制氢(模式)，则仅考虑电解槽系统，目标数据为电解槽系统数据，如负荷调节百分比和直流电耗参数，以及其他影响电解槽系统制氢效果的系统参数。

若风光制氢模式为光伏离网制氢(模式)，则考虑电解槽系统和光伏系统，目标数据为电解槽系统数据和光伏系统参数和气象数据，其中，在光伏离网制氢模式下，目标数据中的光伏系统参数(即第一光伏系统数据)包含如：组件效率等组件参数，组串数量等系统设计参数，积尘损耗和生命周期损耗等损耗参数；在光伏离网制氢模式下，目标数据中的气象数据(即第一气象数据)包括如辐照等影响光伏系统制氢效果的气象参数。

若风光制氢模式为风光并网制氢(模式)，则考虑电解槽系统、光伏系统和风电系统，目标数据为电解槽数据，光伏系统数据，气象数据和风电系统数据，其中，在风光并网制氢模式下，目标数据中的光伏系统数据(即第二光伏系统数据)包含如：组件效率等组件参数，逆变器效率等逆变器参数，组串数量等系统设计参数，积尘损耗和生命周期损耗等损耗参数；在风光并网制氢模式下，目标数据中的气象数据(即第二气象数据)包含如：风资源数据如风速和辐照等影响风电系统和光伏系统制氢效果的气象参数；风电系统数据包括：如风机功率等风机参数，如风场容量等风场参数，如风机利用率损耗等损耗参数，以及如年衰减等自定义参数。

根据本申请另一个可选的实施例，如果风光制氢模式为网电直接制氢模式，利用目标数据创建过渡模型包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型。

在本实施例中，如果根据上一实施例确定风光制氢模式为网电直接制氢并且获取电解槽系统数据之后，利用数据驱动方法：通过从获取的电解槽系统数据中识别特征值，或者获取电解槽系统数据间的特征关系，创建电解槽调优模型。

根据本申请又一个可选的实施例，如果风光制氢模式为光伏离网制氢模式，利用目标数据创建过渡模型包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型；利用第一光伏系统数据和第一气象数据，通过数据驱动方法或机理建模的方法创建光伏发电测算模型。

在本实施例中，如果风光制氢模式为光伏离网制氢(模式)，则同时创建电解槽调优模型和光伏发电测算模型。其中，创建光伏发电测算模型的方法包括以下两种：

利用数据驱动方法：通过从获取的组件效率，组串数量，积尘损耗和生命周期损耗等的光伏系统数据，以及辐照等气象数据中识别特征值或根据上述光伏系统数据和气象参数间的特征关系，创建光伏发电测算模型。

利用机理建模的方法：根据系统的电气原理以建立数学方程的形式创建光伏发电测算模型。

根据本申请再一个可选的实施例，如果风光制氢模式为风光并网制氢模式，利用目标数据创建过渡模型包括：利用电解槽数据，通过数据驱动方法创建电解槽调优模型；利用第二光伏系统数据和第二气象数据，通过数据驱动方法或机理建模的方法创建光伏发电测算模型；利用风电系统数据和风资源数据，通过机理建模的方法创建风电预测模型。

在本实施例中，如果风光制氢模式为风光并网制氢模式需要同时考虑电解槽系统，光伏制氢系统和风电制氢系统，因此需要根据上述实施例提供的方法创建电解槽调优模型和光伏发电测算模型，同时，还需要依据上一实施例提供的机理建模的方法，创建风电预测模型。

需要说明的是，在上述实施例中，利用获取的目标数据创建电解槽调优模型，或光伏发电测算模型或风电预测模型之前，均需要对数据进行预处理，如对获取的目标数据进行清洗，去重等操作。

根据本申请一个可选的实施例，获取过渡模型的输出参数，利用输出参数创建制氢模型，包括以下步骤：如果风光制氢模式为网电直接制氢模式，获取第二输出参数，并利用第二输出参数创建制氢模型，其中，第二输出参数为电解槽调优模型的输出参数；如果风光制氢模式为光伏离网制氢模式，获取第二输出参数和第三输出参数，利用第二输出参数和第三输出参数创建制氢模型，其中，第三输出参数为光伏发电测算模型的输出参数；如果风光制氢模式为风光并网制氢模式，获取第二输出参数，第三输出参数，和第四输出参数，利用第二输出参数，第三输出参数和第四输出参数创建制氢模型，其中，第四输出参数为风电预测模型的输出参数。

图2是创建制氢模型的示意图，如图2所示，在本实施例中，提供了针对不同风光制氢模式创建不同制氢模型的方法，具体地，包括以下三种方法：

风光制氢模式为网电直接制氢时：获取电解槽公式系数，即上述实施例中创建的电解槽调优模型的输出参数(即第二输出参数)作为该制氢模式下，制氢模型的输入参数，并以此为基础创建网电风光制氢模式下的制氢模型。

风光制氢模式为光伏离网制氢时：获取上述的电解槽公式系数，以及光伏功率，即上述实施例中创建的光伏发电测算模型的输出参数(即第三输出参数)；并将电解槽公式系数和光伏功率同时作为该制氢模式下，制氢模型的输入参数，且以此为基础创建光伏离网制氢模式下的制氢模型。

风光制氢模式为风光并网制氢时：获取上述的电解槽公式系数和光伏功率，以及风电功率，即上述实施例中创建的风电预测模型的输出参数(即第四输出参数)；将电解槽公式系数，光伏功率和风电功率均作为该制氢模式下，制氢模型的输入参数，并以此为基础创建风光并网制氢模式下的制氢模型。

还需要说明的是，如图2所示，在创建网电直接制氢模式下的制氢模型，或者光伏离网制氢模式下的制氢模型，或者风光并网制氢模式下的制氢模型时，均还需要结合如制氢系统辅助用电数据等制氢数据，以及影响制氢效果的其他设备数据，以有效避免特性失配的情况，同时提高了制氢模型的准确性。

根据本申请另一个可选的实施例，对制氢模型进行修正包括以下步骤：获取新的样本数据，通过增量学习的方法对制氢模型进行迭代优化；将测试数据输入迭代优化后的制氢模型，得到第五输出参数，其中，第五输出参数为迭代优化后的制氢模型的输出参数；将实际输出参数与第五输出参数进行对比，得到第二对比结果；如果第二对比结果位于第一预设区间内，继续对制氢模型进行修正，如果第二对比结果位于第二预设区间内，停止对制氢模型进行修正，其中，第二预设区间为制氢模型的准确率大于或者等于预设值的区间。

图3所示为判断制氢模型是否需要修正的流程图，如图3所示，在本实施例中，首先对上述实施例提及的一致性衡量指标(即第一对比结果)，执行是否满足判别条件的流程，判断一致性衡量指标是否达到预设的阈值(即预设值)，如果上述一致性衡量指标大于或者等于预设阈值，代表该制氢模型对风光制氢系统预测的准确率在大于或者等于准确率阈值(即预设值)的区间(即第二预设区间)内，此时无需对制氢模型进行修正，执行数据仿真流程；如果上述一致性衡量指标小于预设值，代表该制氢模型对风光制氢系统预测的准确率在小于准确率阈值(即预设值)的区间(即第一预设区间)内，此时执行增量学习更新模型流程。其中，更新(修正)制氢模型的方法包括：采用增量学习的方式，不断从新的数据样本中获取知识对模型进行优化迭代；增量学习就是能够不断地处理现实世界中连续的信息流，在吸收新知识的同时保留甚至整合、优化旧知识的能力。

将上述实施例提及的测试数据输入迭代优化后的制氢模型中，得到优化后的制氢模型的输出数据(即第五输出参数)，并再次与上述实施例中的实际输出数据进行对比，得到优化后的制氢模型的一致性衡量指标(即第二对比结果)判断其是否满足预设要求(即是否在第二预设区间内)，若满足，无需修正，若不满足，继续利用增量学习的方法对制氢模型进行迭代修正，直至修正后的制氢模型的一致性衡量指标满足预设要求。

需要说明的是，上述模型修正未针对电解槽调优模型、光伏发电测算模型和风光预测模型进行，其原因在于，制氢模型采用模型堆叠的方法创建，在模型堆叠的过程中情景较为复杂，若仅对各模型进行修正对最终仿真效果产生的影响不稳定，而对制氢模型进行修正时已考虑到各系统的模型堆叠过程中的影响因素，对仿真效果起到有效改善作用。

根据本申请一些可选的实施例，确定制氢模型之后，方法还包括：按照预设仿真时长对制氢模型进行仿真，得到仿真结果；根据仿真结果预测与制氢模型对应的风光制氢系统的制氢能力。

图4所示为对制氢模型进行仿真的流程图，如图4所示，在确定制氢模型后，设置仿真时长对制氢模型进行仿真，并对应输出仿真结果。依据仿真的结果即可对系统的制氢效果：如制氢量，制氢效率等进行预测，进而在一些优选的实施例中，利用预测的结果辅助风光制氢场站合理制定调度计划。

图5为根据本实施例的一种制氢模型的确定装置的结构图，如图5所示，该装置包括：

确定模块50，用于确定风光制氢模式，并获取与风光制氢模式对应的目标数据；

创建模块52，用于利用目标数据创建过渡模型；

获取模块54，用于获取过渡模型的输出参数，利用输出参数创建制氢模型；

修正模块56，用于在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

本实施例提供了一种确定制氢模型的装置，该装置对风光制氢系统进行建模，对创建的模型进行仿真，以及对创建的模型进行更新，达到了根据风光制氢模式不同，创建不同仿真模型，以提高仿真预测数据的准确性的目的。图6所示为确定制氢模型的装置的工作流程示意图，如图6所示，该装置工作时，首先执行采集数据的流程，综合考虑风光制氢系统中不同系统装置情况，避免特性失配的情况；接下来执行数据预处理流程，对从风光制氢系统中不同系统装置获取的数据进行清洗，处理等操作，保证创建的模型的准确度；继而执行建立制氢仿真模型流程(创建后续用于仿真的制氢模型)，根据不同风光制氢模式进行不同建模系统的考量，在保证仿真准确度的同时防止了无用系统仿真模型的冗余；最后执行数据仿真流程，对制氢模型进行仿真，并利用仿真输出的结果对风光制氢系统的制氢效果进行预测。

此外，在该确定制氢模型的装置中采用了增量学习思想，对新增数据进行判定、学习，不断融和学习新的工况，以获得更准确的预测仿真模型，提升了系统的仿真准确率；与未进行修正的仿真模型相比，该装置执行流程中创建的制氢模型泛化性能良好，对于实现风光制氢仿真预测具有重要意义。

本申请实施例还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的制氢模型的确定方法。

上述非易失性存储介质用于存储执行以下功能的程序：确定风光制氢模式，并获取与风光制氢模式对应的目标数据；利用目标数据创建过渡模型；获取过渡模型的输出参数，利用输出参数创建制氢模型；在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

本申请实施例还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的制氢模型的确定方法。

上述处理器用于运行执行以下功能的程序：确定风光制氢模式，并获取与风光制氢模式对应的目标数据；利用目标数据创建过渡模型；获取过渡模型的输出参数，利用输出参数创建制氢模型；在确定需要对制氢模型进行修正的情况下，对制氢模型进行迭代修正，直至制氢模型的输出参数满足预设条件，并将迭代修正后的制氢模型确定为最终的制氢模型。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (12)

1.一种制氢模型的确定方法，其特征在于，包括：

确定风光制氢模式，并获取与所述风光制氢模式对应的目标数据；

利用所述目标数据创建过渡模型；

获取所述过渡模型的输出参数，利用所述输出参数创建制氢模型；

在确定需要对所述制氢模型进行修正的情况下，对所述制氢模型进行迭代修正，直至所述制氢模型的输出参数满足预设条件，并将迭代修正后的所述制氢模型确定为最终的所述制氢模型。

2.根据权利要求1所述的方法，其特征在于，在对所述制氢模型进行迭代修正之前，所述方法还包括：

确定测试数据和与所述测试数据对应的实际输出参数，将所述测试数据输入所述制氢模型，得到第一输出参数，将所述实际输出参数与所述第一输出参数进行对比，得到第一对比结果，其中，所述第一输出参数为所述制氢模型的输出参数；

如果所述第一对比结果位于第一预设区间内，确定对所述制氢模型进行修正，其中，所述第一预设区间为所述制氢模型的准确率小于预设值的区间。

3.根据权利要求1所述的方法，其特征在于，获取与所述风光制氢模式对应的目标数据，包括：

如果所述风光制氢模式为网电直接制氢模式，获取电解槽数据，其中，所述电解槽数据包括以下至少之一：直流电耗参数和负荷调节百分比；

如果所述风光制氢模式为光伏离网制氢模式，获取所述电解槽数据，第一光伏系统数据和第一气象数据，其中，所述第一光伏系统数据包括以下至少之一：光伏系统的组件参数，系统设计参数和所述光伏系统的损耗参数，所述第一气象数据包括：辐照；

如果所述风光制氢模式为风光并网制氢模式，获取所述电解槽数据，第二光伏系统数据，第二气象数据和风电系统数据，其中，所述第二光伏系统数据包括以下至少之一：所述光伏系统的组件参数，所述系统设计参数和逆变器参数，所述第二气象数据包括：风资源数据和所述辐照，所述风电系统数据包括以下至少之一：风电系统的风机参数，所述风电系统的损耗参数以及所述风电系统的自定义参数。

4.根据权利要求3所述的方法，其特征在于，所述风光制氢模式为所述网电直接制氢模式，利用所述目标数据创建过渡模型，包括：

利用所述电解槽数据，通过数据驱动方法创建电解槽调优模型。

5.根据权利要求4所述的方法，其特征在于，所述风光制氢模式为所述光伏离网制氢模式，利用所述目标数据创建过渡模型，包括：

利用所述电解槽数据，通过所述数据驱动方法创建所述电解槽调优模型；

利用所述第一光伏系统数据和所述第一气象数据，通过所述数据驱动方法或机理建模的方法创建光伏发电测算模型。

6.根据权利要求5所述的方法，其特征在于，所述风光制氢模式为所述风光并网制氢模式，利用所述目标数据创建过渡模型，包括：

利用所述电解槽数据，通过所述数据驱动方法创建所述电解槽调优模型；

利用所述第二光伏系统数据和所述第二气象数据，通过所述数据驱动方法或机理建模的方法创建所述光伏发电测算模型；

利用所述风电系统数据和所述第二气象数据，通过所述机理建模的方法创建风电预测模型。

7.根据权利要求6所述的方法，其特征在于，获取所述过渡模型的输出参数，利用所述输出参数创建制氢模型，包括：

如果所述风光制氢模式为所述网电直接制氢模式，获取第二输出参数，并利用所述第二输出参数创建所述制氢模型，其中，所述第二输出参数为所述电解槽调优模型的输出参数；

如果所述风光制氢模式为所述光伏离网制氢模式，获取所述第二输出参数和第三输出参数，利用所述第二输出参数和所述第三输出参数创建所述制氢模型，其中，所述第三输出参数为所述光伏发电测算模型的输出参数；

如果所述风光制氢模式为所述风光并网制氢模式，获取所述第二输出参数，所述第三输出参数，和第四输出参数，利用所述第二输出参数，所述第三输出参数和所述第四输出参数创建所述制氢模型，其中，所述第四输出参数为所述风电预测模型的输出参数。

8.根据权利要求2所述的方法，其特征在于，对所述制氢模型进行修正，包括：

获取新的样本数据，通过增量学习的方法对所述制氢模型进行迭代优化；

将所述测试数据输入迭代优化后的所述制氢模型，得到第五输出参数，其中，所述第五输出参数为迭代优化后的所述制氢模型的输出参数；

将所述实际输出参数与所述第五输出参数进行对比，得到第二对比结果；

如果所述第二对比结果位于所述第一预设区间内，继续对所述制氢模型进行修正，如果所述第二对比结果位于第二预设区间内，停止对所述制氢模型进行修正，其中，所述第二预设区间为所述制氢模型的准确率大于或者等于所述预设值的区间。

9.根据权利要求1所述的方法，其特征在于，确定所述制氢模型之后，所述方法还包括：

按照预设仿真时长对所述制氢模型进行仿真，得到仿真结果；

根据所述仿真结果预测与所述制氢模型对应的风光制氢系统的制氢能力。

10.一种制氢模型的确定装置，其特征在于，包括：

确定模块，用于确定风光制氢模式，并获取与所述风光制氢模式对应的目标数据；

创建模块，用于利用所述目标数据创建过渡模型；

获取模块，用于获取所述过渡模型的输出参数，利用所述输出参数创建制氢模型；

修正模块，用于在确定需要对所述制氢模型进行修正的情况下，对所述制氢模型进行迭代修正，直至所述制氢模型的输出参数满足预设条件，并将迭代修正后的所述制氢模型确定为最终的所述制氢模型。

11.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至9中任意一项所述的制氢模型的确定方法。

12.一种处理器，其特征在于，所述处理器用于运行存储在存储器中的程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的制氢模型的确定方法。

Images