CN117498521A - 光伏储能系统的充电控制方法及系统 - Google Patents
光伏储能系统的充电控制方法及系统 Download PDFInfo
- Publication number
- CN117498521A CN117498521A CN202311824353.9A CN202311824353A CN117498521A CN 117498521 A CN117498521 A CN 117498521A CN 202311824353 A CN202311824353 A CN 202311824353A CN 117498521 A CN117498521 A CN 117498521A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- representing
- function
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000006870 function Effects 0.000 claims abstract description 141
- 238000010248 power generation Methods 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012502 risk assessment Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及人工智能技术领域，公开了一种光伏储能系统的充电控制方法及系统。所述方法包括：对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据并通过长短期记忆网络进行数据预测，得到光伏发电量预测数据；进行电网负载需求分析，得到电网负载需求数据，并对电网负载需求数据和光伏发电量预测数据进行代价计算，得到目标代价矩阵；将目标代价矩阵输入XGBoost模型进行充电决策策略分析，得到初始充电决策策略；对光伏储能系统进行实时状态监控，得到状态监控数据，并通过策略调整函数对初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略，本申请提高了光伏储能系统的充电控制准确率。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种光伏储能系统的充电控制方法及系统。
背景技术
光伏储能系统通过将太阳能转换为电能，并储存起来以供后续使用，不仅提高了可再生能源的利用效率，还有助于减少对化石燃料的依赖，降低温室气体排放。
然而，现有方案缺乏有效的控制管理，所以如何有效地管理和控制光伏储能系统的充电过程，成为了提高系统效率和可靠性的关键挑战。
发明内容
本申请提供了一种光伏储能系统的充电控制方法及系统，用于提高了光伏储能系统的充电控制准确率。
第一方面，本申请提供了一种光伏储能系统的充电控制方法，所述光伏储能系统的充电控制方法包括：
对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵；
将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
第二方面，本申请提供了一种光伏储能系统的充电控制系统，所述光伏储能系统的充电控制系统包括：
采集模块，用于对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
计算模块，用于对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵；
分析模块，用于将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
调整模块，用于对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
本申请提供的技术方案中，通过使用长短期记忆网络进行光伏发电量的数据预测，该系统能够更准确地分析和预测光伏板的能量输出。LSTM网络特别擅长处理和学习时间序列数据的长距离依赖关系，这使得预测结果更可靠，从而为充电控制提供了坚实的数据支持。结合电网负载需求分析和光伏发电量预测，系统能够通过代价矩阵进行综合评估，从而制定出经济效益最大化的充电策略。这种策略的优化考虑到了电网的实时状态和预期变化，提高了充电效率和能源利用率。通过实时监控光伏储能系统的状态并对充电策略进行动态调整，该方法能够灵活应对环境和市场条件的变化。无论是突发的天气变化还是电网需求的波动，系统都能迅速做出响应，保持运行的最优状态。利用先进的数据处理和分析技术，该充电控制方法减少了对人工干预的需求，从而降低了运营和维护成本。自动化的决策过程意味着更高的效率和更低的运行错误率。通过对光伏储能系统进行持续的异常检测和风险评估，该方法能够及时识别潜在的安全风险，并采取适当的预防措施。这不仅保护了系统的稳定运行，进而提高了光伏储能系统的充电控制准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。
图1为本申请实施例中光伏储能系统的充电控制方法的一个实施例示意图；
图2为本申请实施例中光伏储能系统的充电控制系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种光伏储能系统的充电控制方法及系统。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”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中光伏储能系统的充电控制方法的一个实施例包括：
步骤S101、对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
可以理解的是，本申请的执行主体可以为光伏储能系统的充电控制系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，首先，通过预置的传感器组对光伏储能系统进行光伏发电量数据采集，这些传感器负责捕捉与光伏板的电能产出相关的各种参数，如光照强度、温度、电流和电压，从而得到初始的发电量输出数据。接着，为了提高数据的质量和可用性，采用混合采样技术对这些初始发电量输出数据进行预处理，该技术结合了多种数据处理方法，如噪声过滤和数据平滑，以去除的误差和异常值，从而得到更为准确和稳定的光伏发电量输出数据。接下来，系统通过长短期记忆网络（LSTM）对这些经过预处理的光伏发电量输出数据进行深入分析，以揭示数据中的长距离依赖关系。长短期记忆网络是一种特别设计的循环神经网络（RNN），它通过特定的结构和算法解决了传统RNN在处理长序列数据时的短期记忆问题。在这个过程中，LSTM的关键要素包括几个门控单元：遗忘门、输入门和输出门，以及单元状态。这些门控单元和状态共同工作，决定了网络在每个时间步上保留和丢弃信息的程度。LSTM的每个组成部分都有其特定的数学公式，例如，遗忘门通过Sigmoid激活函数和权重矩阵确定当前信息中哪些部分是过时的，应该被遗忘；输入门则决定了新信息的接收程度；输出门控制着下一状态的输出；单元状态则贯穿整个网络，携带着重要的信息。通过上述LSTM的状态更新和门控机制，系统能够有效地分析光伏发电量输出数据中的时间序列依赖关系，并基于这些分析对光伏发电量进行预测。这种预测不仅基于过去和当前的数据，而且考虑了数据之间的时间相关性，从而提供了对未来发电量的准确预测。
步骤S102、对光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对电网负载需求数据和光伏发电量预测数据进行代价计算，得到目标代价矩阵；
具体的，首先，对光伏储能系统进行电网负载需求分析，这一分析包括收集和处理电网负载的历史数据和实时数据，目的是准确获得电网负载需求的动态信息。这些数据经过细致的处理后，得到电网负载需求数据，这些数据能够反映电网在不同时间段的能量需求变化。随后，系统对这些电网负载需求数据进行曲线拟合，构建电网负载需求曲线，同样，系统也对光伏发电量预测数据进行曲线拟合，得到光伏发电量预测曲线。曲线拟合的目的是更准确地描绘出电网负载和光伏发电量随时间变化的趋势，这有助于后续的代价计算和决策制定。接下来，系统对电网负载需求曲线和光伏发电量预测曲线进行均值和标准差计算，从而得到负载均值、负载标准差、发电量均值和发电量标准差。这些统计数据不仅能够提供对电网负载和光伏发电量变化趋势的量化分析，而且有助于理解这些数据的波动性和不确定性。之后，系统根据负载均值和负载标准差对电网负载需求曲线进行曲线特征提取，同样地，也根据发电量均值和发电量标准差对光伏发电量预测曲线进行曲线特征提取。通过这一步骤，系统能够从曲线中提取出更加关键的特征数据，如峰值、谷值、波动范围等，这些特征数据有助于后续的代价计算和策略制定。最后，系统采用代价敏感损失函数对电网负载特征数据和光伏发电量特征数据进行综合代价计算，从而得到目标代价矩阵。这个代价敏感损失函数考虑了实际值与预测值之间的差异，以及与这些差异相关的各种成本，如电力损失成本、电网稳定性成本等。通过这样的计算，系统能够更加精确地评估不同充电策略下的经济性和可行性，为光伏储能系统提供了科学合理的充电决策依据。
步骤S103、将目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
具体的，首先，将目标代价矩阵输入到预置的XGBoost模型中。XGBoost，即极端梯度提升机，是一种高效的机器学习算法，适用于处理大规模数据集和复杂的非线性关系。在这个过程中，XGBoost模型通过目标函数和正则化项的计算，对目标代价矩阵进行深入分析。目标函数结合了预测误差和模型复杂度，以确保模型既能准确预测充电决策的结果，又能避免过度拟合。目标函数的核心是损失函数和正则化项。损失函数度量了模型预测值与实际值之间的偏差，而正则化项则用于控制模型的复杂度。在XGBoost中，正则化项通过控制树的数量和权重向量的L2范数来实现。此外，XGBoost采用梯度提升方法来优化目标数，即通过逐步添加新的决策树来修正前一轮的预测错误。每一轮的预测值是基于前一轮的预测值和当前轮学习器的输出进行更新的。最后，XGBoost模型能够根据目标代价矩阵给出一系列候选的充电决策策略，并对这些策略进行排序。这一排序基于每个策略的预期效果和代价，能够反映出不同策略的优劣。在此基础上，进一步从这些候选策略中选取最优化的充电决策策略，形成最终的初始充电决策策略。
步骤S104、对光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
具体的，首先，对光伏储能系统进行实时状态监控，收集各种关键参数，如电池状态、环境温度、光照强度等。这些状态监控数据为系统提供了当前运行状况的详细信息。在监控数据的基础上，系统采用ReLU激活函数进行特征提取。ReLU，即线性整流函数，是深度学习中常用的激活函数，其主要作用是增加非线性，帮助模型学习复杂的数据表示。通过ReLU函数处理，状态监控数据被转化为更加有效的监控特征数据，这些特征数据凝聚了监控信息的关键部分，为策略调整提供了更准确的输入。接着，系统利用预置的调整策略函数对初始充电决策策略进行调整。调整策略函数结合了实际观测值和初始预测值，通过一个调整系数β来修正预测结果。这种方法能够有效地减少预测误差，使得充电决策更加贴近实际情况。进一步，系统通过调整后的预测值进行性能分析。性能分析的目的是评估调整策略的有效性，这通常通过计算性能指标来实现。性能指标反映了调整后预测值与实际值之间的偏差，是优化策略制定的关键依据。最后，根据性能指标，系统对初始充电决策策略进行进一步的策略优化，从而得到目标充电决策策略。这一目标充电决策策略综合考虑了电网负载需求、光伏发电量预测、系统实时状态和历史性能数据，旨在提供最优化的充电控制方案。通过这种方法，光伏储能系统能够实时响应环境变化和系统状态，动态调整充电策略，以实现更高效、更稳定、更经济的运行性能。
首先，通过预置的异常检测函数对系统进行异常参数检测。异常检测函数利用Sigmoid激活函数来处理输入的参数项，通过系统的权重和偏置对输入的异常参数项进行分析，从而得到异常检测参数数据。Sigmoid函数的作用是将输入的参数数据转换成一个在0到1之间的值，这样的处理使得系统能够更加精确地判断参数是否异常。接着，系统使用另一个预置的风险评估函数对得到的异常检测参数数据进行风险评估。这个风险评估函数通过计算每个异常检测参数数据的风险权重总和来得出参数的风险评估值。这个过程有助于识别哪些参数导致较高的风险，从而为采取相应的应对措施提供依据。最后，根据这些参数的风险评估值，以及预设的参数风险阈值，系统会对目标充电决策策略进行调整，以实施适当的风险应对措施。这里的应对措施函数通过一个调整参数δ来修改原有的应对措施，以便更好地应对检测到的风险。这种调整不仅基于风险评估值，还考虑了风险阈值，确保了调整措施的合理性和有效性。
其中，首先，对光伏储能系统进行系统性能数据获取，得到系统性能数据，包括充电效率、光伏发电量利用率及系统响应时间等关键指标。这些指标不仅直接反映了系统的当前运行状态，还为后续的性能分析和优化提供了基础数据。接下来，对这些性能数据进行特征提取。采用tanh激活函数，这是一种将数据规范化到-1到1之间的双曲正切函数。通过这样的处理，系统性能数据被转换成更加适合机器学习和深度学习模型分析的形式。这里的特征提取函数使用权重和偏置来调整数据的处理方式，使得提取出来的特征能够更准确地反映系统性能的实际情况。接着，采用预置的性能优化函数对提取出的系统性能特征进行进一步分析和优化。这一性能优化函数结合了损失函数和正则化项，旨在通过优化过程最小化预测值与实际值之间的差异，同时控制模型复杂度，防止过拟合。这样的优化过程有助于提高系统性能，确保系统在实际运行中达到最佳状态。最后，系统使用参数更新函数。这个函数基于性能优化函数的结果，采用梯度下降法对系统参数进行更新。在这里，梯度表示目标函数关于权重的导数，学习率α则控制着更新步长的大小。通过这种方法，系统能够根据性能优化结果自动调整其内部参数，从而实现持续的性能改进。
本申请实施例中，通过使用长短期记忆网络进行光伏发电量的数据预测，该系统能够更准确地分析和预测光伏板的能量输出。LSTM网络特别擅长处理和学习时间序列数据的长距离依赖关系，这使得预测结果更可靠，从而为充电控制提供了坚实的数据支持。结合电网负载需求分析和光伏发电量预测，系统能够通过代价矩阵进行综合评估，从而制定出经济效益最大化的充电策略。这种策略的优化考虑到了电网的实时状态和预期变化，提高了充电效率和能源利用率。通过实时监控光伏储能系统的状态并对充电策略进行动态调整，该方法能够灵活应对环境和市场条件的变化。无论是突发的天气变化还是电网需求的波动，系统都能迅速做出响应，保持运行的最优状态。利用先进的数据处理和分析技术，该充电控制方法减少了对人工干预的需求，从而降低了运营和维护成本。自动化的决策过程意味着更高的效率和更低的运行错误率。通过对光伏储能系统进行持续的异常检测和风险评估，该方法能够及时识别潜在的安全风险，并采取适当的预防措施。这不仅保护了系统的稳定运行，进而提高了光伏储能系统的充电控制准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的传感器组，对光伏储能系统进行光伏发电量数据采集，得到初始发电量输出数据；
（2）采用混合采样技术，对初始发电量输出数据进行数据预处理，得到光伏发电量输出数据；
（3）通过长短期记忆网络对光伏发电量输出数据进行数据长距离依赖关系分析，得到发电量时序依赖关系；长短期记忆网络包括：LSTM状态更新：ht=ot⊙tanh(ct)；LSTM遗忘门：；LSTM输入门：/>；LSTM输出门：；LSTM单元状态：/>；其中，ht表示时刻t的隐藏状态，/>表示时刻t-1的隐藏状态，ot表示输出门的激活值，ct表示时刻t的单元状态，ft表示遗忘门的激活值，it表示输入门的激活值，σ表示Sigmoid激活函数，Wf、Wi、Wo、Wc表示权重，bf、bi、bo、bc表示偏置，tanh表示双曲正切函数，⊙表示Hadamard乘积，元素对应相乘，xt表示时刻t的输入；
（4）根据发电量时序依赖关系对光伏发电量输出数据进行数据预测，得到光伏发电量预测数据。
具体的，首先，通过预置的传感器组对系统进行光伏发电量的数据采集，这些传感器监测光伏板的各项参数，如光照强度、温度、电流和电压等，从而获取初始发电量输出数据。接着，采用混合采样技术对这些初始发电量输出数据进行预处理。混合采样技术结合了多种数据处理方法，如噪声过滤、数据平滑等，以去除存在的误差和异常值，确保数据的准确性和可靠性。例如，如果某个传感器由于环境因素（如灰尘覆盖）暂时记录了异常低的光照强度，混合采样技术可以通过比较其他传感器的数据来识别并纠正这种异常。接着，通过长短期记忆网络（LSTM）对预处理的光伏发电量输出数据进行深入的分析，以揭示数据中的长距离依赖关系。长短期记忆网络是一种特别设计的循环神经网络（RNN），适用于处理时间序列数据，能够捕捉到随时间变化的数据特征。在LSTM中，不同的门控结构如状态更新、遗忘门、输入门、输出门和单元状态，共同工作来决定网络在每个时间步上的行为。例如，遗忘门决定哪些信息应被丢弃，输入门则决定新信息的接收程度，而输出门控制着下一个状态的输出。这些门控结构通过特定的数学公式进行计算，以此来更新网络的隐藏状态和记忆。在LSTM处理后，系统能够根据发电量时序依赖关系对光伏发电量输出数据进行预测。这种预测不仅基于过去和当前的数据，还考虑了数据之间的时间相关性，从而提供了对未来发电量的准确预测。例如，如果过去几天的数据显示光照强度在下午时分有增强的趋势，LSTM可以利用这一时序依赖关系来预测接下来几天同一时间段内的发电量。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）对光伏储能系统进行电网负载需求分析，得到电网负载需求数据；
（2）对电网负载需求数据进行曲线拟合，得到电网负载需求曲线，并对光伏发电量预测数据进行曲线拟合，得到光伏发电量预测曲线；
（3）对电网负载需求曲线进行曲线均值和标准差计算，得到负载均值和负载标准差，并对光伏发电量预测曲线进行曲线均值和标准差计算，得到发电量均值和发电量标准差；
（4）根据负载均值和负载标准差对电网负载需求曲线进行曲线特征提取，得到电网负载特征数据，并根据发电量均值和发电量标准差对光伏发电量预测曲线进行曲线特征提取，得到光伏发电量特征数据；
（5）通过代价敏感损失函数，对电网负载特征数据和光伏发电量特征数据进行代价计算，得到目标代价矩阵；代价敏感损失函数包括：，，/>，其中，L表示损失函数，/>表示实际值y和预测值/>之间的代价函数，y表示实际值，/>表示预测值，Cavg表示加权平均成本，wi表示成本权重，ci表示成本项，e表示预测误差，N表示成本项的数量。
具体的，首先，对光伏储能系统进行电网负载需求分析，收集和处理电网负载的历史数据和实时数据，准确获取电网负载需求的动态信息。这些数据经过细致的处理后，得到了电网负载需求数据，这些数据能够反映电网在不同时间段的能量需求变化。接下来，对电网负载需求数据进行曲线拟合，构建电网负载需求曲线。同样，对光伏发电量预测数据进行曲线拟合，得到光伏发电量预测曲线。曲线拟合的目的是为了更准确地描绘出电网负载和光伏发电量随时间变化的趋势。接着，对电网负载需求曲线和光伏发电量预测曲线进行均值和标准差计算，从而得到负载均值、负载标准差、发电量均值和发电量标准差。例如，如果电网负载需求曲线显示在夏季高温时段电网负载明显增加，系统会计算出这一时段的负载均值和标准差，同样地，如果光伏发电量预测曲线表明在晴朗日子的发电量高于阴天，系统也会相应计算出发电量的均值和标准差。这些统计数据不仅能够提供对电网负载和光伏发电量变化趋势的量化分析，而且有助于理解这些数据的波动性和不确定性。之后，系统根据负载均值和负载标准差对电网负载需求曲线进行曲线特征提取，同样地，也根据发电量均值和发电量标准差对光伏发电量预测曲线进行曲线特征提取。通过这一步骤，系统能够从曲线中提取出更加关键的特征数据，如峰值、谷值、波动范围等，这些特征数据有助于后续的代价计算和策略制定。最后，采用代价敏感损失函数对电网负载特征数据和光伏发电量特征数据进行综合代价计算，从而得到目标代价矩阵。这个代价敏感损失函数考虑了实际值与预测值之间的差异，以及与这些差异相关的各种成本，如电力损失成本、电网稳定性成本等。通过这样的计算，系统能够更加精确地评估不同充电策略下的经济性和可行性，为光伏储能系统提供了科学合理的充电决策依据。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）将目标代价矩阵输入预置的XGBoost模型，并通过XGBoost模型对目标代价矩阵进行目标函数和正则化项计算，得到目标计算结果；XGBoost模型包括：其中，目标函数为：；正则化项函数为：/>；梯度提升函数为：/>；Obj表示目标计算结果，/>表示第i个预测值，/>表示第i个实际值，/>表示第k个正则化项的运算结果，l表示损失函数，Ω表示正则化项，/>表示正则化项的运算结果，γ和λ表示正则化参数，T表示树的数量，∣∣w∣∣2表示权重向量的L2范数，/>表示第t轮的预测值，/>表示第t+1轮的预测值，η表示学习率，ft表示第t轮的学习器，/>是第t轮的学习器的预测结果；
（2）根据目标计算结果对预置的多个候选充电决策策略进行策略排序，得到充电决策策略序列；
（3）根据充电决策策略序列对多个候选充电决策策略进行最优化策略选取，得到初始充电决策策略。
具体的，首先，将目标代价矩阵输入预置的XGBoost模型，XGBoost模型通过其目标函数和正则化项对输入的目标代价矩阵进行计算。目标函数Obj是XGBoost模型的核心部分，它结合了损失函数和树模型的复杂度。这里的损失函数l计算了模型预测值与实际值之间的差异，这有助于评估模型的准确性。例如，如果一个光伏储能系统在某个时段的实际发电量远低于预测值，损失函数就会相应增大。另一方面，正则化项Ω则关注模型的复杂度，通过控制树的数量T和权重向量的L2范数∣∣w∣∣2来防止模型过拟合。这样的设计确保了模型既不会过于简单而无法捕捉数据中的复杂关系，也不会过于复杂而对训练数据过度敏感。XGBoost模型的另一个关键组成部分是梯度提升函数。这个函数通过逐步迭代来优化目标函数，每一轮迭代都会基于前一轮的结果进行调整，以更接近最优解。具体来说，每一轮的预测值基于前一轮的预测值进行更新。学习率η决定了每一轮迭代中模型参数更新的幅度。例如，如果学习率设置得过高，模型会在寻找最优解的过程中过快地跳过重要区域；如果学习率过低，则模型的收敛速度会变得缓慢。在XGBoost模型处理完目标代价矩阵后，系统获得了目标计算结果。这个结果不仅包含了模型对各种充电策略的评估，还反映了这些策略在经济效益和系统稳定性方面的表现。接下来，系统会对这些候选充电决策策略进行排序，这一排序基于每个策略的预期效果和代价，能够反映出不同策略的优劣。最后，系统根据充电决策策略序列从多个候选策略中选取最优化的策略，形成最终的初始充电决策策略。这个决策策略考虑了多方面因素，如电网负载需求、光伏发电量预测、经济成本和系统稳定性等，旨在实现光伏储能系统的高效、经济和稳定运行。通过这种方法，光伏储能系统能够根据实时数据和复杂的计算模型，做出科学合理的充电决策，从而提高整个系统的性能和效率。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）对光伏储能系统进行实时状态监控，得到状态监控数据；
（2）通过预置的ReLU激活函数对状态监控数据进行特征提取，得到监控特征数据；ReLU激活函数为：，Dt表示监控特征数据，ReLU表示线性整流函数，Wd，bd表示深度学习模型的权重和偏置，Xt表示时刻t的状态监控数据；
（3）通过预置的调整策略函数，根据监控特征数据对初始充电决策策略进行策略调整，得到调整后的预测值；调整策略函数为：，/>表示调整后的预测值，β表示调整系数，yreal表示实际观测值，/>表示预测值；
（4）通过调整后的预测值进行性能分析，得到性能指标，并根据性能指标对初始充电决策策略进行策略优化，得到目标充电决策策略；其中，性能分析函数为：，Perf：性能指标，N：数据点数量，/>表示调整后的预测值，/>表示第i个预测值。
具体的，首先，系统通过一系列预置的传感器组对光伏储能系统进行实时状态监控，这些传感器实时地收集各种关键数据，如电池状态、环境温度、光照强度、电网负载等。这些数据提供了系统当前运行状况的详细快照，为后续的数据分析和决策提供了基础。接着，系统使用ReLU激活函数对收集到的状态监控数据进行特征提取。ReLU，即线性整流函数，是深度学习中常用的激活函数，其主要作用是增加非线性，帮助模型学习复杂的数据表示。通过这样的处理，状态监控数据被转化为更加有效的监控特征数据。例如，如果系统监测到电池温度在特定时间段内急剧上升，ReLU函数可以帮助突显这一特征，使得后续的分析能够更加准确地识别潜在的问题。接着，系统利用预置的调整策略函数对初始充电决策策略进行调整。这个函数根据监控特征数据调整初始的充电决策，使其更贴近实际情况。调整策略函数通过一个调整系数β来修正初始预测值。例如，如果实际观测到的电网负载比预测值低，调整策略函数会据此降低充电策略的负载预期，以适应实际的电网情况。进一步，系统通过调整后的预测值进行性能分析，评估调整策略的有效性。性能分析的目的是通过计算性能指标来评估策略调整的准确性和有效性。性能指标反映了调整后预测值与实际值之间的偏差，是优化策略制定的关键依据。例如，如果调整后的预测值与实际光伏发电量非常接近，这表明策略调整是成功的。最后，根据性能指标，系统对初始充电决策策略进行进一步的优化，从而得到目标充电决策策略。这一目标充电决策策略综合考虑了电网负载需求、光伏发电量预测、系统实时状态和历史性能数据，旨在提供最优化的充电控制方案。通过这种方法，光伏储能系统能够实时响应环境变化和系统状态，动态调整充电策略，以实现更高效、更稳定、更经济的运行性能。
在一具体实施例中，光伏储能系统的充电控制方法还包括如下步骤：
（1）通过预置的异常检测函数，对光伏储能系统进行异常参数检测，得到异常检测参数数据；异常检测函数为：，S(x)表示异常检测参数数据，σ表示Sigmoid激活函数，Ws，bs表示安全模型的权重和偏置，x表示异常参数项；
（2）通过预置的风险评估函数，对异常检测参数数据进行风险评估，得到参数风险评估值；风险评估函数为：，R表示参数风险评估值，wr表示风险权重，S(x)表示异常检测参数数据；
（3）根据参数风险评估值和预设的参数风险阈值，对目标充电决策策略进行风险应对措施调整，得到调整后的风险应对措施，其中，应对措施函数为：，Madj表示调整后的风险应对措施，M表示调整前的风险应对措施，δ表示调整参数，Rthresh表示参数风险阈值。
具体的，首先，利用预置的异常检测函数对光伏储能系统进行异常参数检测。这个函数使用Sigmoid激活函数对输入的参数项进行处理，以识别的异常情况。Sigmoid函数的优点在于它能够将任何值转换为0到1之间的数，这有助于区分正常和异常参数。异常检测函数通过安全模型的权重和偏置来调整其对输入参数的响应。例如，如果一个传感器突然报告异常高的温度值，异常检测函数可以识别出这一点并将其标记为异常。接着，系统使用预置的风险评估函数对异常检测参数数据进行风险评估。将异常检测函数的输出与风险权重相结合，以计算出每个参数的风险评估值。风险评估函数的作用是量化每个异常参数带来的风险程度，从而为后续的风险管理提供依据。例如，如果异常检测函数识别出电池温度过高，风险评估函数将评估这一情况导致的风险，如设备损坏或安全隐患。然后，系统根据风险评估值和预设的参数风险阈值，对目标充电决策策略进行调整，以实施适当的风险应对措施。这里的应对措施函数通过一个调整参数δ来修改原有的应对措施，以便更好地应对检测到的风险。例如，如果电池温度的风险评估值超过了预设的阈值，系统会降低充电速率或启动冷却系统来降温，以此来减轻风险。通过这样一个多层次的风险管理流程，光伏储能系统能够及时识别和应对各种潜在风险。这不仅保证了系统的稳定运行，还提高了系统对复杂环境变化的适应能力。例如，在夏季高温期间，系统会检测到电池温度升高的趋势。通过实时监控和风险评估，系统能够及时采取措施，如调整充电策略或启动额外的冷却措施，以确保电池的安全运行。这种基于数据和算法的智能风险管理方法，使得光伏储能系统能够有效应对各种挑战，确保其高效、安全且可持续地运行。
在一具体实施例中，光伏储能系统的充电控制方法还包括如下步骤：
（1）对光伏储能系统进行系统性能数据获取，得到系统性能数据，系统性能数据包括：充电效率、光伏发电量利用率及系统响应时间；
（2）对系统性能数据进行数据特征提取，得到系统性能特征，其中，性能特征提取函数为：，F表示系统性能特征，We，be表示特征提取的权重和偏置，D表示系统性能数据，tanh表示双曲正切函数；
（3）通过预置的性能优化函数，根据系统性能特征对光伏储能系统进行系统性能优化和系统参数更新，得到系统充电控制策略，其中，性能优化函数为：，参数更新函数为：/>，J表示性能优化函数，y表示实际值，/>表示预测值，λ表示正则化参数，∣∣w∣∣2表示权重向量的L2范数，α表示学习率，∇J表示目标函数的梯度，Wnew，Wold表示更新前后的权重。
具体的，首先，对光伏储能系统进行系统性能数据获取，得到系统性能数据。系统性能数据包括充电效率、光伏发电量利用率及系统响应时间等关键指标。例如，充电效率可以反映出系统转换能源的效率，光伏发电量利用率显示了光伏板发电量的使用效率，而系统响应时间则指示了系统反应外部变化的速度。获取这些数据不仅需要精确的传感器和测量设备，还需要高效的数据收集系统来实时监测和记录这些关键指标。接下来，对系统性能数据进行数据特征提取，得到系统性能特征。通过应用特征提取函数，如双曲正切函数（tanh），系统能够从原始的性能数据中提取出更加有用的信息。双曲正切函数的作用是将数据规范化，使其分布在-1到1之间，这有助于去除数据中的极端值并凸显重要特征。权重Wf和偏置bf在这一过程中用于调整特征提取的过程，确保从原始数据中提取出最有价值的特征。例如，通过调整权重和偏置，系统可以更关注光伏发电量的波动而非其绝对值，从而更准确地识别发电效率的变化趋势。接下来，通过预置的性能优化函数，根据系统性能特征对光伏储能系统进行系统性能优化和系统参数更新，得到系统充电控制策略。系统利用性能优化函数来评估和优化充电策略。这一函数结合了损失函数（预测值与实际值之间的差异平方和）和正则化项（权重向量的L2范数）。损失函数有助于评估当前策略的准确性，而正则化项则用于控制模型的复杂度，避免过拟合。例如，如果系统发现充电效率低于预期，损失函数的值会增加，表明需要调整策略以提高效率。最后，基于性能优化函数的结果，系统通过参数更新函数来调整其内部参数。采用梯度下降法，通过计算性能优化函数的梯度来确定参数调整的方向和幅度。学习率α在这个过程中决定了参数更新的步长。例如，如果梯度指向充电效率的提高，系统将相应地调整相关参数，如改变电池的充电速率或调整光伏板的角度，以实现更高的充电效率。
上面对本申请实施例中光伏储能系统的充电控制方法进行了描述，下面对本申请实施例中光伏储能系统的充电控制系统进行描述，请参阅图2，本申请实施例中光伏储能系统的充电控制系统一个实施例包括：
采集模块201，用于对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
计算模块202，用于对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵；
分析模块203，用于将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
调整模块204，用于对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
通过上述各个组成部分的协同合作，通过使用长短期记忆网络进行光伏发电量的数据预测，该系统能够更准确地分析和预测光伏板的能量输出。LSTM网络特别擅长处理和学习时间序列数据的长距离依赖关系，这使得预测结果更可靠，从而为充电控制提供了坚实的数据支持。结合电网负载需求分析和光伏发电量预测，系统能够通过代价矩阵进行综合评估，从而制定出经济效益最大化的充电策略。这种策略的优化考虑到了电网的实时状态和预期变化，提高了充电效率和能源利用率。通过实时监控光伏储能系统的状态并对充电策略进行动态调整，该方法能够灵活应对环境和市场条件的变化。无论是突发的天气变化还是电网需求的波动，系统都能迅速做出响应，保持运行的最优状态。利用先进的数据处理和分析技术，该充电控制方法减少了对人工干预的需求，从而降低了运营和维护成本。自动化的决策过程意味着更高的效率和更低的运行错误率。通过对光伏储能系统进行持续的异常检测和风险评估，该方法能够及时识别潜在的安全风险，并采取适当的预防措施。这不仅保护了系统的稳定运行，进而提高了光伏储能系统的充电控制准确率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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现有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（可以是个人计算机，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、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种光伏储能系统的充电控制方法，其特征在于，所述光伏储能系统的充电控制方法包括：
对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵；
将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
2.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据，包括：
通过预置的传感器组，对光伏储能系统进行光伏发电量数据采集，得到初始发电量输出数据；
采用混合采样技术，对所述初始发电量输出数据进行数据预处理，得到光伏发电量输出数据；
通过长短期记忆网络对所述光伏发电量输出数据进行数据长距离依赖关系分析，得到发电量时序依赖关系；所述长短期记忆网络包括：LSTM状态更新：ht=ot⊙tanh(ct)；LSTM遗忘门：；LSTM输入门：/>；LSTM输出门：/>；LSTM单元状态：/>；其中，ht表示时刻t的隐藏状态，/>表示时刻t-1的隐藏状态，ot表示输出门的激活值，ct表示时刻t的单元状态，ft表示遗忘门的激活值，it表示输入门的激活值，σ表示Sigmoid激活函数，Wf、Wi、Wo、Wc表示权重，bf、bi、bo、bc表示偏置，tanh表示双曲正切函数，⊙表示Hadamard乘积，元素对应相乘，xt表示时刻t的输入；
根据所述发电量时序依赖关系对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据。
3.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵，包括：
对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据；
对所述电网负载需求数据进行曲线拟合，得到电网负载需求曲线，并对所述光伏发电量预测数据进行曲线拟合，得到光伏发电量预测曲线；
对所述电网负载需求曲线进行曲线均值和标准差计算，得到负载均值和负载标准差，并对所述光伏发电量预测曲线进行曲线均值和标准差计算，得到发电量均值和发电量标准差；
根据所述负载均值和所述负载标准差对所述电网负载需求曲线进行曲线特征提取，得到电网负载特征数据，并根据所述发电量均值和所述发电量标准差对所述光伏发电量预测曲线进行曲线特征提取，得到光伏发电量特征数据；
通过代价敏感损失函数，对所述电网负载特征数据和所述光伏发电量特征数据进行代价计算，得到目标代价矩阵；所述代价敏感损失函数包括：，，/>，其中，L表示损失函数，/>表示实际值y和预测值/>之间的代价函数，y表示实际值，/>表示预测值，Cavg表示加权平均成本，wi表示成本权重，ci表示成本项，e表示预测误差，N表示成本项的数量。
4.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略，包括：
将所述目标代价矩阵输入预置的XGBoost模型，并通过所述XGBoost模型对所述目标代价矩阵进行目标函数和正则化项计算，得到目标计算结果；所述XGBoost模型包括：其中，目标函数为：；正则化项函数为：/>；梯度提升函数为：/>；其中，Obj表示目标计算结果，/>表示第i个预测值，表示第i个实际值，/>表示第k个正则化项的运算结果，l表示损失函数，Ω表示正则化项，/>表示正则化项的运算结果，γ和λ表示正则化参数，T表示树的数量，∣∣w∣∣2表示权重向量的L2范数，/>表示第t轮的预测值，/>表示第t+1轮的预测值，η表示学习率，ft表示第t轮的学习器，/>是第t轮的学习器的预测结果；
根据所述目标计算结果对预置的多个候选充电决策策略进行策略排序，得到充电决策策略序列；
根据所述充电决策策略序列对所述多个候选充电决策策略进行最优化策略选取，得到初始充电决策策略。
5.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略，包括：
对所述光伏储能系统进行实时状态监控，得到状态监控数据；
通过预置的ReLU激活函数对所述状态监控数据进行特征提取，得到监控特征数据；所述ReLU激活函数为：，Dt表示监控特征数据，ReLU表示线性整流函数，Wd，bd表示深度学习模型的权重和偏置，Xt表示时刻t的状态监控数据；
通过预置的调整策略函数，根据所述监控特征数据对所述初始充电决策策略进行策略调整，得到调整后的预测值；所述调整策略函数为：，/>表示调整后的预测值，β表示调整系数，yreal表示实际观测值，/>表示预测值；
通过所述调整后的预测值进行性能分析，得到性能指标，并根据所述性能指标对所述初始充电决策策略进行策略优化，得到目标充电决策策略；其中，性能分析函数为：，Perf：性能指标，N：数据点数量，/>表示调整后的预测值，/>表示第i个预测值。
6.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述光伏储能系统的充电控制方法还包括：
通过预置的异常检测函数，对所述光伏储能系统进行异常参数检测，得到异常检测参数数据；所述异常检测函数为：，S(x)表示异常检测参数数据，σ表示Sigmoid激活函数，Ws，bs表示安全模型的权重和偏置，x表示异常参数项；
通过预置的风险评估函数，对所述异常检测参数数据进行风险评估，得到参数风险评估值；所述风险评估函数为：，R表示参数风险评估值，wr表示风险权重，S(x)表示异常检测参数数据；
根据所述参数风险评估值和预设的参数风险阈值，对所述目标充电决策策略进行风险应对措施调整，得到调整后的风险应对措施，其中，应对措施函数为：，Madj表示调整后的风险应对措施，M表示调整前的风险应对措施，δ表示调整参数，Rthresh表示参数风险阈值。
7.根据权利要求1所述的光伏储能系统的充电控制方法，其特征在于，所述光伏储能系统的充电控制方法还包括：
对所述光伏储能系统进行系统性能数据获取，得到系统性能数据，所述系统性能数据包括：充电效率、光伏发电量利用率及系统响应时间；
对所述系统性能数据进行数据特征提取，得到系统性能特征，其中，性能特征提取函数为：，F表示系统性能特征，We，be表示特征提取的权重和偏置，D表示系统性能数据，tanh表示双曲正切函数；
通过预置的性能优化函数，根据所述系统性能特征对所述光伏储能系统进行系统性能优化和系统参数更新，得到系统充电控制策略，其中，性能优化函数为：，参数更新函数为：/>，J表示性能优化函数，y表示实际值，/>表示预测值，λ表示正则化参数，∣∣w∣∣2表示权重向量的L2范数，α表示学习率，∇J表示目标函数的梯度，Wnew，Wold表示更新前后的权重。
8.一种光伏储能系统的充电控制系统，其特征在于，所述光伏储能系统的充电控制系统包括：
采集模块，用于对光伏储能系统进行光伏发电量数据采集和混合采样预处理，得到光伏发电量输出数据，并通过长短期记忆网络对所述光伏发电量输出数据进行数据预测，得到光伏发电量预测数据；
计算模块，用于对所述光伏储能系统进行电网负载需求分析，得到电网负载需求数据，并对所述电网负载需求数据和所述光伏发电量预测数据进行代价计算，得到目标代价矩阵；
分析模块，用于将所述目标代价矩阵输入预置的XGBoost模型进行充电决策策略分析，得到初始充电决策策略；
调整模块，用于对所述光伏储能系统进行实时状态监控，得到状态监控数据，并通过预置的策略调整函数对所述初始充电决策策略进行策略调整和性能分析，得到目标充电决策策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824353.9A CN117498521A (zh) | 2023-12-28 | 2023-12-28 | 光伏储能系统的充电控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824353.9A CN117498521A (zh) | 2023-12-28 | 2023-12-28 | 光伏储能系统的充电控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117498521A true CN117498521A (zh) | 2024-02-02 |
Family
ID=89680360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311824353.9A Withdrawn CN117498521A (zh) | 2023-12-28 | 2023-12-28 | 光伏储能系统的充电控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117498521A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117937474A (zh) * | 2024-03-20 | 2024-04-26 | 保定博堃元信息科技有限公司 | 一种新能源场站储能管理方法及系统 |
| CN117977028A (zh) * | 2024-04-01 | 2024-05-03 | 深圳市易联科电子有限公司 | 基于车辆电池监测的智能充电方法及系统 |
| CN118157146A (zh) * | 2024-05-10 | 2024-06-07 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
| CN118232499A (zh) * | 2024-05-22 | 2024-06-21 | 深圳市名洋能源科技有限公司 | 光伏储能系统的充电控制方法、系统、装置及存储介质 |
| CN118249491A (zh) * | 2024-05-23 | 2024-06-25 | 浙江华邦物联技术股份有限公司 | 一种光伏储能充电系统 |
| CN118157146B (zh) * | 2024-05-10 | 2024-08-30 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
-
2023
- 2023-12-28 CN CN202311824353.9A patent/CN117498521A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117937474A (zh) * | 2024-03-20 | 2024-04-26 | 保定博堃元信息科技有限公司 | 一种新能源场站储能管理方法及系统 |
| CN117977028A (zh) * | 2024-04-01 | 2024-05-03 | 深圳市易联科电子有限公司 | 基于车辆电池监测的智能充电方法及系统 |
| CN118157146A (zh) * | 2024-05-10 | 2024-06-07 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
| CN118157146B (zh) * | 2024-05-10 | 2024-08-30 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
| CN118232499A (zh) * | 2024-05-22 | 2024-06-21 | 深圳市名洋能源科技有限公司 | 光伏储能系统的充电控制方法、系统、装置及存储介质 |
| CN118232499B (zh) * | 2024-05-22 | 2024-08-13 | 深圳市名洋能源科技有限公司 | 光伏储能系统的充电控制方法、系统、装置及存储介质 |
| CN118249491A (zh) * | 2024-05-23 | 2024-06-25 | 浙江华邦物联技术股份有限公司 | 一种光伏储能充电系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117498521A (zh) | 光伏储能系统的充电控制方法及系统 | |
| De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
| CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
| CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
| CN112765873B (zh) | 一种基于lstm算法的变电设备发热预测方法 | |
| CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
| CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
| de Guia et al. | Using stacked long short term memory with principal component analysis for short term prediction of solar irradiance based on weather patterns | |
| CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
| CN117713221A (zh) | 一种微逆光伏并网优化系统 | |
| CN106845694A (zh) | 一种风能、太阳能管理系统 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN116050665A (zh) | 供热设备故障预测方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN117113202A (zh) | 基于联合误差堆叠模型的电力回路能耗检测方法及设备 | |
| CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
| CN117118063A (zh) | 一种基于云边融合的新能源监控方法及系统 | |
| CN116826733A (zh) | 一种光伏功率预测方法和系统 | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Zhang et al. | Research on the prediction of solar energy generation based on measured environmental data | |
| CN118228897B (zh) | 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法 | |
| Laguna et al. | Detection of abnormal photovoltaic systems’ operation with minimum data requirements based on Recursive Least Squares algorithms | |
| CN117909791B (zh) | 基于人工智能的光伏电站阴影遮挡识别与定位方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240202 |