CN117577981B - 光伏发电储能控制方法及系统 - Google Patents
光伏发电储能控制方法及系统 Download PDFInfo
- Publication number
- CN117577981B CN117577981B CN202410056800.9A CN202410056800A CN117577981B CN 117577981 B CN117577981 B CN 117577981B CN 202410056800 A CN202410056800 A CN 202410056800A CN 117577981 B CN117577981 B CN 117577981B
- Authority
- CN
- China
- Prior art keywords
- current density
- energy storage
- potential change
- data
- characteristic
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010248 power generation Methods 0.000 title claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 211
- 239000013598 vector Substances 0.000 claims abstract description 156
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000011217 control strategy Methods 0.000 claims abstract description 68
- 230000006399 behavior Effects 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 22
- 230000000306 recurrent effect Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000000376 reactant Substances 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 239000013543 active substance Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 40
- 210000004027 cell Anatomy 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000000352 storage cell Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000027756 respiratory electron transport chain Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- H02J7/0063—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with circuits adapted for supplying loads from the battery
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及深度学习技术领域,公开了一种光伏发电储能控制方法及系统。所述方法包括:对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到第一电势变化数据和第一电流密度数据;进行电势变化预测,得到第二电势变化数据和第二电流密度数据;进行特征曲线转换和特征提取,得到电势变化特征集合和电流密度特征集合;进行特征编码和向量转换,得到电势变化特征向量、电流密度特征向量和目标融合特征向量;通过储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;进行储能放电控制策略分析,得到目标储能放电控制策略,本申请提高了光伏发电储能控制的准确率。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种光伏发电储能控制方法及系统。
背景技术
光伏发电储能系统作为可再生能源的重要应用领域之一,在实现能源可持续发展和减缓气候变化方面具有巨大潜力。然而,光伏发电储能系统的性能受到储能电池的放电行为的直接影响。为了提高系统效率和可靠性,研究人员一直致力于开发先进的控制方法。
传统的控制方法通常缺乏对储能电池内部变化的准确预测,这限制了系统的性能优化。传统的控制方法通常难以准确预测这些因素对储能电池性能的影响,从而限制了光伏发电储能系统的效率和可靠性。此外,储能电池的放电行为异常会导致储能电池的性能下降,甚至损坏光伏发电储能系统。因此,需要一种能够精确监测和应对储能电池放电异常的方法,以确保光伏发电储能系统的长期可靠性。
发明内容
本申请提供了一种光伏发电储能控制方法及系统,用于提高了光伏发电储能控制的准确率。
第一方面,本申请提供了一种光伏发电储能控制方法,所述光伏发电储能控制方法包括:
对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据;
通过第一循环神经网络对所述第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对所述第一电流密度数据进行电流密度预测,得到第二电流密度数据;
分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量;
将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
根据所述放电行为异常预测数据,对所述光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略。
第二方面,本申请提供了一种光伏发电储能控制系统,所述光伏发电储能控制系统包括:
分析模块,用于对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据;
预测模块,用于通过第一循环神经网络对所述第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对所述第一电流密度数据进行电流密度预测,得到第二电流密度数据;
提取模块,用于分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
编码模块,用于分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量;
处理模块,用于将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
输出模块,用于根据所述放电行为异常预测数据,对所述光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略。
本申请提供的技术方案中,通过使用循环神经网络对电势变化和电流密度进行预测,能够实时地分析储能电池的状态和性能,提前检测异常行为。数据清洗过程可以消除噪声和无效数据,确保从电池中获取准确的电势变化和电流密度信息。特征提取过程有助于捕捉重要的电池特征。通过多层次的特征转换和编码,可以更全面地描述储能电池的性能和状态,为后续的异常分析提供更多信息。通过储能电池放电行为异常分析,能够及时检测到储能电池性能下降或异常行为,提前采取措施,降低储能电池故障和损坏的风险。基于异常预测数据,动态地调整储能放电控制策略,以最大程度地提高光伏发电储能系统的性能和可靠性。通过综合考虑多个因素评价指标,可以更全面地评估不同的放电控制策略,从而选择最佳的储能放电策略。使用的神经网络和算法使得整个光伏发电储能系统能够实现自动化和智能化的监控与控制,减少了人工干预的需求,提高了光伏发电储能控制的准确率。
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发电储能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发电储能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发电储能控制方法及系统。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发电储能控制方法的一个实施例包括:
步骤S101、对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到储能电池的第一电势变化数据和第一电流密度数据;
可以理解的是,本申请的执行主体可以为光伏发电储能控制系统,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,对光伏发电储能系统中的储能电池的放电参数进行实时监控,得到电池放电参数集合,包括电池的电压、电流、温度等关键指标。采用Nernst方程来分析这些放电参数,从而得到初始电势变化数据。Nernst方程是一个描述电化学反应中电势与反应物活度之间关系的公式,其计算公式表明电极电势与标准电极电势、温度、电子转移数以及反应物的活度之间的关系。通过这个方程,根据实际的温度、反应物的活度等参数,准确地计算出电池在不同放电状态下的电极电势。采用Butler-Volmer方程分析电流密度。这个方程是电化学中描述电流密度与电极电势关系的重要方程,它考虑了电极表面反应动力学,包括电极表面的活性物质的电化学当量、电极电势、标准电极电势以及温度等因素。通过这个方程,可以详细分析在不同电势下,电池放电过程中的电流密度变化情况。对初始电势变化数据和电流密度数据进行数据清洗,以确保数据的准确性和可靠性。数据清洗主要包括去除异常值、校正偏差和数据平滑等处理,这可以去除数据收集过程中产生的噪声和误差。经过这一系列处理后,得到储能电池的第一电势变化数据和第一电流密度数据。
步骤S102、通过第一循环神经网络对第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对第一电流密度数据进行电流密度预测,得到第二电流密度数据;
具体的,将第一电势变化数据和第一电流密度数据分别输入到预置的两个循环神经网络中,这两个网络分别负责处理电势变化和电流密度的数据。在处理第一电势变化数据时,第一循环神经网络的核心组成部分是第一双向长短时记忆网络(BiLSTM)和第一单向门限循环网络(GRU)。BiLSTM网络能够有效地学习时间序列数据中的长期依赖关系,它包括正向和反向两个LSTM网络,可以同时捕捉过去和未来的信息。在这个网络中,遗忘门负责决定哪些信息应该被遗忘,输入门控制新信息的加入,而输出门则管理哪些信息将被用于输出。每个门都有自己的权重矩阵和偏置项,这些参数在训练过程中会被优化,以便更准确地模拟电势变化的特征。电势变化的特征序列经过BiLSTM网络的学习后,会被传递到GRU网络进行进一步的处理。GRU网络在处理时间序列数据时,通过更新门和重置门来控制信息的流动,更新门负责决定保留多少过去的信息,而重置门则决定多少新信息将被加入。这些门的结构和LSTM中的类似,但是更简单高效,因为它们合并了细胞状态和隐藏状态,减少了需要学习的参数数量。通过这种结构,GRU能够有效地预测电势变化,生成第二电势变化数据。同样的处理流程也被应用于第一电流密度数据,其中第二循环神经网络同样包含了一个双向长短时记忆网络和一个单向门限循环网络。这个网络的结构和第一网络相似,但是专门针对电流密度数据进行优化。通过第二BiLSTM网络的学习,电流密度的特征序列被提取出来,并通过第二GRU网络进行预测,生成第二电流密度数据。两个循环神经网络能够捕捉和学习电势变化和电流密度数据中的时间序列特征,这些特征有助于预测未来的电势变化和电流密度。通过这种深度学习方法,光伏发电储能控制系统能够更加准确地预测电池的性能和状态,从而实现更有效的能源管理和优化。
步骤S103、分别对第二电势变化数据和第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对电势变化曲线和电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
具体的,将经过循环神经网络预测的第二电势变化数据和第二电流密度数据转换成相应的曲线形式。这种转换使得数据的变化趋势和模式更为明显和可视化,从而便于进一步的分析和处理。为了从这些曲线中提取关键特征,对电势变化曲线和电流密度曲线进行标准差计算。标准差作为统计学中的重要参数,能够反映数据的波动性和分散程度。通过计算电势变化和电流密度曲线的标准差,可以得到关于这些曲线波动特性的重要信息。从电势变化曲线中获取多个第一电势特征点,并利用计算出的电势变化标准差数据对这些特征点进行筛选。这一筛选过程的目的是识别出那些对于电势变化趋势和特性最具代表性的点。同样的处理也被应用于电流密度曲线,其中多个第一电流特征点会被筛选,以得到最具代表性的第二电流特征点。这种基于标准差的特征点筛选不仅提高了特征提取的准确性,而且确保了只有最关键的信息被保留和分析。对筛选出的第二电势特征点和第二电流特征点进行时序关联和特征集合转换。时序关联意味着考虑各个特征点之间的时间关系,这有助于理解电势变化和电流密度的动态特性。通过这种时序关联,可以捕捉到电势和电流特征随时间的变化规律。将时序关联的特征点转换成特征集合,分别形成电势变化特征集合和电流密度特征集合。
步骤S104、分别对电势变化特征集合和电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对电势变化特征向量和电流密度特征向量进行向量融合,得到目标融合特征向量;
具体的,对电势变化特征集合和电流密度特征集合进行归一化处理。通过获取电势变化特征集合的最大值和最小值,对这些特征值进行归一化,将其转换到统一的尺度上,这有助于后续数据处理和分析的标准化。归一化处理确保了不同特征间的可比性,因为它消除了原始数据中存在的量纲和数值范围差异。同样的过程也适用于电流密度特征集合,其中也需要找到其特征的最大值和最小值,并据此进行归一化处理。将这些归一化后的特征集合进行特征序列编码,将特征数据转换为适合机器学习模型处理的格式。特征序列编码不仅包括将特征值转换为编码形式,还涉及到特征之间的关系和结构的编码。例如,可以采用一系列算法,如独热编码或标签编码,来转换这些特征值。通过编码,每个特征值被转换为一系列数值,使其更适合于计算机处理。将编码后的电势特征序列和电流特征序列分别进行向量转换,生成电势变化特征向量和电流密度特征向量。向量转换的目的是将编码后的特征序列转换成统一的向量形式,以便于在后续步骤中进行高效的数学运算和模型训练。这些特征向量是后续数据处理和分析的基础,它们以数学上严谨的形式表达了原始特征集合的信息。进行电势变化特征向量和电流密度特征向量的融合。通过向量的拼接或集成,将两组不同的特征向量合并成一个综合的目标融合特征向量。通过这种方式,电势变化的特征和电流密度的特征被统一在一个向量中,为后续的分析和模型训练提供了一个全面且综合的特征表示。
步骤S105、将电势变化特征向量、电流密度特征向量和目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
具体的,将电势变化特征向量、电流密度特征向量以及目标融合特征向量输入预置的储能电池放电分析模型中,该模型包括几个关键部分:第一多层感知网络、第二多层感知网络、第三多层感知网络以及融合输出层。通过第一多层感知网络分析电势变化的数据,从而识别储能电池放电过程中出现的异常行为。多层感知网络,作为一种典型的前馈神经网络,通过它的多个层次能够有效地从数据中提取复杂的特征和模式。在这个网络中,电势变化数据被处理并转化为第一异常预测数据,这些数据反映了电池在电势变化方面的潜在异常行为。同时,通过第二多层感知网络对电流密度特征向量进行储能电池放电行为异常分析,生成第二异常预测数据,这些数据揭示了电池在电流密度方面的异常情况。将第一异常预测数据和第二异常预测数据结合起来,对目标融合特征向量进行向量加权分析。综合电势变化和电流密度两方面的异常预测数据,以获得一个全面的异常行为评估。加权分析能够在考虑两种数据的同时,平衡它们的影响力和相关性,从而生成目标加权特征向量。这个向量综合了电势变化和电流密度两方面的异常特征,为更全面的分析提供了基础。将目标加权特征向量输入第三多层感知网络。通过第三网络将对加权特征向量进行进一步的分析,以识别和预测电池的整体放电行为异常。这个网络通过对加权特征向量的深层次分析,能够提供关于电池整体放电行为异常的综合评估。这些分析结果通过融合输出层输出,形成最终的放电行为异常预测数据。
步骤S106、根据放电行为异常预测数据,对光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略。
具体的,通过预置的多岛优化算法对光伏发电储能系统进行放电控制策略的初始化。多岛优化算法是一种高效的全局优化方法,它能够在多个不同的“岛”上并行运行搜索过程,每个岛代表一个潜在的控制策略。这种方法不仅提高了搜索的效率,而且通过多岛之间的信息交换,能够避免陷入局部最优解,从而生成一系列初步的、多样化的第一储能放电控制策略。根据放电行为异常预测数据,定义光伏发电储能系统的放电影响因素集合。识别出影响储能电池放电行为的关键因素,如电池的健康状态、环境温度、负载需求等。通过明确这些影响因素,可以更精确地评估不同控制策略的有效性和可行性。对每个第一储能放电控制策略根据影响因素集合计算多个单因素评价指标,这些指标反映了每个控制策略在各个因素上的表现。为了全面评价这些策略,进行正态云分布计算。正态云分布计算能够综合考虑各单因素评价指标的不确定性和随机性,通过这种计算方式,每个策略的综合因素评价指标能够更全面地反映其在多个影响因素上的综合表现。根据综合因素评价指标,对第一储能放电控制策略进行排序分析,进而得到一个策略序列。这个序列按照各策略的综合评价指标从高到低排列,提供了一个策略的优先级顺序。在此基础上,进行策略筛选,选出表现最佳的几个第二储能放电控制策略。这一筛选过程决定了哪些策略将进入最后的优化阶段。对这些第二储能放电控制策略进行遗传迭代优化。遗传算法是一种模拟自然选择和遗传机制的优化算法,它通过种群的交叉、变异和选择过程,能够不断优化和提升策略的质量。在多代迭代过程中,策略不断演化,逐渐趋向于最优解。最终得到目标储能放电控制策略,它综合考虑了各种因素,能够在保证电池安全和系统效率的前提下,最大化储能系统的性能和可靠性。
本申请实施例中,通过使用循环神经网络对电势变化和电流密度进行预测,能够实时地分析储能电池的状态和性能,提前检测异常行为。数据清洗过程可以消除噪声和无效数据,确保从电池中获取准确的电势变化和电流密度信息。特征提取过程有助于捕捉重要的电池特征。通过多层次的特征转换和编码,可以更全面地描述储能电池的性能和状态,为后续的异常分析提供更多信息。通过储能电池放电行为异常分析,能够及时检测到储能电池性能下降或异常行为,提前采取措施,降低储能电池故障和损坏的风险。基于异常预测数据,动态地调整储能放电控制策略,以最大程度地提高光伏发电储能系统的性能和可靠性。通过综合考虑多个因素评价指标,可以更全面地评估不同的放电控制策略,从而选择最佳的储能放电策略。使用的神经网络和算法使得整个光伏发电储能系统能够实现自动化和智能化的监控与控制,减少了人工干预的需求,提高了光伏发电储能控制的准确率。
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)对光伏发电储能系统中的储能电池进行电池放电参数监控,得到电池放电参数集合;
(2)通过Nernst方程,对电池放电参数集合进行电势变化分析,得到初始电势变化数据,Nernst方程为:,/>是电极电势,/>是标准电极电势,R是理想气体常数,T是温度,n是电子转移数,F是法拉第常数,Q是反应物的活度积;
(3)通过Butler-Volmer方程,对电池放电参数集合进行电流密度分析,得到初始电流密度数据,Butler-Volmer方程为:,i是电流,/>是交流极化电流密度,α是转移系数,a是电极表面上的活性物质的电化学当量,E是电极电势,/>是标准电极电势,R是理想气体常数,T是温度,F是法拉第常数;
(4)分别对初始电势变化数据和初始电流密度数据进行数据清洗,得到储能电池的第一电势变化数据和第一电流密度数据。
具体的,对光伏发电储能系统中的储能电池进行电池放电参数监控,例如电池电压、电流、温度等,这些参数是电池状态和性能分析的基础。通过Nernst方程对电池放电参数集合进行电势变化分析。Nernst方程是一个基本的电化学原理,它描述了电极电势与反应物浓度之间的关系。在这个方程中,标准电极电势()是已知的常数,代表在标准条件下的电极电势。理想气体常数(R)和法拉第常数(F)是普适的物理常数。温度(T)是实时监控的参数,而电子转移数(n)通常是已知的,与电池的化学反应有关。反应物的活度积(Q)可以根据电池的化学特性和当前的反应状态计算得出。通过这个方程,能够计算出在不同放电状态下的电极电势,得到初始电势变化数据。然后,通过Butler-Volmer方程进行电流密度分析。Butler-Volmer方程是描述电流密度与电极电势关系的关键方程,它考虑了电极反应的动力学。在这个方程中,交流极化电流密度(/>)是一个关键参数,它与电池的材料和表面状态有关。移系数(α)和电极表面上的活性物质的电化学当量(a)通常根据电池的具体类型和工作条件确定。通过将实时监测的电势和温度数据输入Butler-Volmer方程,得到电池放电过程中的电流密度数据。分别对初始电势变化数据和初始电流密度数据进行数据清洗,去除采集过程中的噪声和异常值,确保分析的准确性。这包括过滤掉不合理的数据点,校正偏差,以及平滑数据以消除随机波动。完成这些处理后,得到储能电池的第一电势变化数据和第一电流密度数据。
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)将第一电势变化数据输入预置的第一循环神经网络,第一循环神经网络包括:第一双向长短时记忆网络以及第一单向门限循环网络;
(2)通过第一双向长短时记忆网络对第一电势变化数据进行电势变化特征学习,得到电势变化特征序列;
(3)通过第一单向门限循环网络对电势变化特征序列进行电势变化预测,得到第二电势变化数据;
(4)将第一电流密度数据输入预置的第二循环神经网络,第二循环神经网络包括:第二双向长短时记忆网络以及第二单向门限循环网络;
(5)通过第二双向长短时记忆网络对第一电流密度数据进行电流密度特征学习,得到电流密度特征序列;
(6)通过第二单向门限循环网络对电流密度特征序列进行电流密度预测,得到第二电流密度数据;
其中,第一双向长短时记忆网络与第二双向长短时记忆网络相同,第一双向长短时记忆网络包括:
遗忘门:;
输入门:;
输出门:;
细胞状态更新;
最终细胞状态;
最终输出:;
是遗忘门的激活值,/>是输入门的激活值,/>是输出门的激活值,/>是遗忘门的权重矩阵,/>是输入门的权重矩阵,/>是输出门的权重矩阵,/>是细胞状态的权重矩阵,是遗忘门的偏置项,/>是输入门的偏置项,/>是输出门的偏置项,/>是细胞状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是前一时间步的细胞状态,/>是当前时间步的候选细胞状态,/>是当前时间步的细胞状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法;
其中,第一单向门限循环网络与第二单向门限循环网络相同,第一单向门限循环网络包括:
更新门:;
重置门:;
候选隐藏状态:;
最终隐藏状态:;
是更新门的激活值,/>是重置门的激活值,/>是更新门的权重矩阵,/>是重置门的权重矩阵,/>是隐藏状态的权重矩阵,/>是更新门的偏置项,/>是重置门的偏置项,是隐藏状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是当前时间步的候选隐藏状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法。
具体的,将第一电势变化数据输入预置的第一循环神经网络。这个网络由第一双向长短时记忆网络(BiLSTM)和第一单向门限循环网络(GRU)组成。BiLSTM网络能够有效地捕捉电势变化数据中的长期依赖性,它结合了正向和反向两个LSTM网络,从而同时获取过去和未来的信息。在BiLSTM网络中,遗忘门负责决定哪些信息应该被遗忘,输入门控制新信息的加入,而输出门则决定哪些信息将被用于输出。这些门的工作原理基于特定的权重矩阵和偏置项,这些参数通过训练数据自动调整以最佳化网络性能。通过这个网络,电势变化特征被学习并转化为一个特征序列。将电势变化特征序列输入第一单向GRU网络。GRU是一种简化的LSTM,它通过更新门和重置门来控制信息的流动,这使得网络在处理时间序列数据时既高效又有效。更新门决定保留多少过去的信息,而重置门则决定引入多少新信息。通过这种结构,GRU能够在保持计算效率的同时,有效地预测电势变化,最终产生第二电势变化数据。同时,将第一电流密度数据输入预置的第二循环神经网络,这个网络与第一网络结构类似,也包含了一个双向长短时记忆网络和一个单向门限循环网络。第二BiLSTM网络专门处理电流密度数据,提取出关键的电流密度特征,并将这些特征转化为一个特征序列。然后,将特征序列输入第二单向GRU网络中,进行电流密度的预测分析,从而得到第二电流密度数据。BiLSTM和GRU网络的设计使得它们能够有效地处理和分析时间序列数据,这有助于预测和分析储能电池的放电行为。通过这些网络,可以从历史数据中学习到电池放电过程中的复杂模式和依赖关系,从而对未来的电势变化和电流密度进行准确的预测。
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)分别对第二电势变化数据和第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线;
(2)对电势变化曲线进行曲线标准差计算,得到电势变化标准差数据,并对电流密度曲线进行曲线标准差计算,得到电流密度标准差数据;
(3)获取电势变化曲线中的多个第一电势特征点,并根据电势变化标准差数据对多个第一电势特征点进行特征筛选,得到多个第二电势特征点;
(4)获取电流密度曲线中的多个第一电流特征点,并根据电流密度标准差数据对多个第一电流特征点进行特征筛选,得到多个第二电流特征点;
(5)对多个第二电势特征点进行时序关联和特征集合转换,得到电势变化特征集合,并对多个第二电流特征点进行时序关联和特征集合转换,得到电流密度特征集合。
具体的,分别对第二电势变化数据和第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线。将数据从纯数字形式转换为更直观的曲线形式,使得数据的趋势和模式更加明显。这种曲线转换可以通过绘制数据点在时间序列上的图形来实现,其中横轴代表时间,纵轴代表电势变化或电流密度的数值。对这些曲线进行标准差计算。标准差是衡量数据波动程度的统计量,通过计算电势变化曲线和电流密度曲线的标准差,可以量化这些曲线的波动性。计算曲线上每个点与整体平均值的偏差,并从中得出一个平均偏差值。这个值越大,表示曲线的波动越大,反之则表示曲线较为平稳。例如,如果电池在某段时间内经历了快速的放电过程,电势变化曲线的标准差会显著增加,这表明在这段时间内电池的状态有较大的波动。从电势变化曲线中获取多个第一电势特征点,并根据电势变化的标准差数据对这些特征点进行筛选。这些第一电势特征点是曲线上的峰值、谷值或其他显著点,它们代表了电势变化的关键时刻。通过分析这些点相对于整体标准差的位置,筛选出那些最能代表电池电势变化特性的特征点。同样,从电流密度曲线中获取多个第一电流特征点,其中第一电流特征点根据电流密度的标准差数据进行筛选。例如,在电池放电过程中某些特定时刻的电流密度远高于其他时刻,这些时刻的电流特征点就被选为第二电流特征点。对筛选出的第二电势特征点和第二电流特征点进行时序关联和特征集合转换。时序关联是指分析这些特征点在时间序列上的相互关系,从而理解它们在整个放电过程中的相对位置和意义。通过这种分析,构建一个包含了电势变化和电流密度关键特征的综合特征集合。例如,如果某个电势特征点总是在电流密度增加之前出现,这表明该电势特征点是电流变化的预兆,因此这两个特征点在时间序列上是相关的。通过这种方式,不仅能够单独分析每种数据,还能够理解它们之间的相互关系。
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)获取电势变化特征集合的第一特征最大值以及第一特征最小值,并根据第一特征最大值和第一特征最小值对电势变化特征集合进行特征归一化处理,得到归一化电势特征集合;
(2)获取电流密度特征集合的第二特征最大值以及第二特征最小值,并根据第二特征最大值和第二特征最小值对电流密度特征集合进行特征归一化处理,得到归一化电流特征集合;
(3)对归一化电势特征集合进行特征序列编码,得到编码电势特征序列,并对编码电势特征序列进行向量转换,得到电势变化特征向量;
(4)对归一化电流特征集合进行特征序列编码,得到编码电流特征序列,并对编码电流特征序列进行向量转换,得到电流密度特征向量;
(5)对电势变化特征向量和电流密度特征向量进行向量拼接,得到目标融合特征向量。
具体的,从电势变化特征集合中获取第一特征的最大值和最小值。确定电势变化数据的范围,从而为后续的归一化处理提供参考。归一化是数据预处理中的一种常用技术,将不同规模和量级的数据转换到一个统一的标准,这样不仅有助于后续的数据处理和分析,还能提高机器学习模型的训练效率和准确性。归一化通常通过将每个特征值减去特征集合的最小值,然后除以最大值和最小值之差来实现。这种处理使得归一化后的数据集中的所有值都在0到1之间。同时,从电流密度特征集合中获取第二特征的最大值和最小值,然后根据这两个值对电流密度特征集合进行归一化处理,得到归一化电流特征集合,从而得到归一化电势特征集合和归一化电流特征集合。对这些归一化的特征集合进行特征序列编码。特征序列编码的目的是将特征数据转换成一种适合机器学习算法处理的格式。这通常涉及到将连续的数值特征转换为离散的编码形式。例如,可以使用一系列算法,如独热编码或标签编码,来实现这一转换。在电势变化特征集合的情况下,经过编码后,得到一个编码电势特征序列。这个序列包含了转换后的、适合于计算机处理的电势特征信息。对编码后的电势特征序列进行向量转换,得到电势变化特征向量。向量转换的目的是将编码后的特征序列转换成统一的向量形式,以便于在后续步骤中进行数学运算和模型训练。这些特征向量是后续数据处理和分析的基础,它们以数学上严谨的形式表达了原始特征集合的信息。同样的过程也适用于归一化电流特征集合,通过特征序列编码和向量转换,获得电流密度特征向量。将电势变化特征向量和电流密度特征向量进行向量拼接,得到目标融合特征向量。将两个不同的特征向量合并成一个综合的向量。通过这种方式,将电势变化的特征和电流密度的特征统一在一个向量中,为后续的分析和模型训练提供了一个全面且综合的特征表示。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将电势变化特征向量、电流密度特征向量和目标融合特征向量输入预置的储能电池放电分析模型,储能电池放电分析模型包括:第一多层感知网络、第二多层感知网络、第三多层感知网络以及融合输出层;
(2)通过第一多层感知网络对电势变化特征向量进行储能电池放电行为异常分析,得到第一异常预测数据;
(3)通过第二多层感知网络对电流密度特征向量进行储能电池放电行为异常分析,得到第二异常预测数据;
(4)根据第一异常预测数据和第二异常预测数据,对目标融合特征向量进行向量加权分析,得到目标加权特征向量;
(5)通过第三多层感知网络对目标加权特征向量进行储能电池放电行为异常分析,并通过融合输出层输出对应的放电行为异常预测数据。
具体的,将电势变化特征向量、电流密度特征向量和目标融合特征向量输入预置的储能电池放电分析模型中。这个模型由几个关键部分构成,包括第一多层感知网络、第二多层感知网络、第三多层感知网络以及一个融合输出层。在这个模型中,第一多层感知网络专门处理电势变化特征向量,第二多层感知网络处理电流密度特征向量,而第三多层感知网络则处理目标融合特征向量。这些网络通过各自的多层结构能够深入分析输入的特征向量,提取出关键的模式和信息。通过第一多层感知网络中的多层次结构能够学习和识别电势变化数据中的复杂模式和依赖关系。例如,如果电池在某些特定条件下显示出非常规的电势波动,这些模式将被第一网络识别,并转化为第一异常预测数据。这些数据代表了电池放电行为在电势变化方面的潜在异常。同时,通过第二多层感知网络的多层结构,能够有效地识别和分析电流密度变化中隐藏的异常模式,从而生成第二异常预测数据。这些数据反映了电池在电流密度方面的异常行为,有助于防止电池过载和优化放电过程。基于这两组异常预测数据,对目标融合特征向量进行向量加权分析。综合考虑电势变化和电流密度两方面的异常预测数据,以获得一个全面的评估。在这个过程中,对电势变化和电流密度的异常预测数据进行加权,以反映它们在整体电池放电行为分析中的相对重要性。将目标加权特征向量输入第三多层感知网络,对加权特征向量进行深入分析,识别整体的放电行为异常模式。通过这个网络的分析,得到一个综合的放电行为异常预测。这些预测结果最终通过融合输出层输出,提供关于电池放电行为的全面评估。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)通过预置的多岛优化算法,对光伏发电储能系统进行放电控制策略初始化,得到多个第一储能放电控制策略;
(2)根据放电行为异常预测数据,定义光伏发电储能系统的放电影响因素集合;
(3)根据放电影响因素集合分别计算每个第一储能放电控制策略的多个单因素评价指标,并对多个单因素评价指标进行正态云分布计算,得到每个第一储能放电控制策略的综合因素评价指标;
(4)根据综合因素评价指标对多个第一储能放电控制策略进行排序分析,得到储能放电控制策略序列,并对储能放电控制策略序列进行策略筛选,得到多个第二储能放电控制策略;
(5)对多个第二储能放电控制策略进行遗传迭代优化,得到目标储能放电控制策略。
具体的,通过预置的多岛优化算法对光伏发电储能系统进行放电控制策略初始化。多岛优化算法是一种高效的全局搜索算法,它将搜索空间划分为多个“岛屿”,每个岛上运行独立的搜索过程,通过这种方式,算法能够在全局范围内探索潜在的最优解。每个岛上的搜索过程可以视为对一个特定放电控制策略的探索,从而生成一系列初步的、多样化的第一储能放电控制策略。例如,一个岛专注于低电流放电策略,而另一个岛则探索高电流放电策略,通过这种方法,能够覆盖更广泛的策略空间。根据放电行为异常预测数据,定义光伏发电储能系统的放电影响因素集合。这个集合包括电池的健康状况、环境温度、负载需求等因素,这些都是影响电池放电行为的关键变量。例如,如果预测数据显示在高温条件下电池更容易出现异常放电,那么环境温度就成为一个重要的影响因素。根据放电影响因素集合,分别计算每个第一储能放电控制策略的多个单因素评价指标。这些指标可以包括放电效率、电池寿命影响、系统稳定性等,每个指标都从一个特定的角度评估策略的性能。然后,对这些单因素评价指标进行正态云分布计算,这是一个结合了概率论和模糊数学的方法,能够生成每个策略的综合因素评价指标。正态云模型通过考虑每个指标的不确定性和随机性,能够提供更全面和准确的评价。基于这些综合因素评价指标,对第一储能放电控制策略进行排序分析,从而得到一个按性能排序的策略序列。这个序列按照各策略的综合评价指标从高到低排列,从而提供一个策略的优先级顺序。然后,对这个策略序列进行筛选,以选出表现最佳的几个第二储能放电控制策略。这一筛选过程是基于综合评价的结果,确保只有最优的策略被保留用于进一步的优化。对这些筛选出的第二储能放电控制策略进行遗传迭代优化。遗传算法是一种模拟生物进化的优化算法,它通过种群的交叉、变异和选择过程,能够不断优化和提升策略的质量。在多代迭代过程中,策略不断演化,逐渐趋向于最优解。例如,一个初始策略在每个充放电周期中推荐相同的放电深度,但通过遗传算法的优化,这个策略演变为在不同条件下推荐不同放电深度的更灵活策略。最终得到目标储能放电控制策略,它综合考虑了各种因素,能够在保证电池安全和系统效率的前提下,最大化储能系统的性能和可靠性。
上面对本申请实施例中光伏发电储能控制方法进行了描述,下面对本申请实施例中光伏发电储能控制系统进行描述,请参阅图2,本申请实施例中光伏发电储能控制系统一个实施例包括:
分析模块201,用于对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据;
预测模块202,用于通过第一循环神经网络对所述第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对所述第一电流密度数据进行电流密度预测,得到第二电流密度数据;
提取模块203,用于分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
编码模块204,用于分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量;
处理模块205,用于将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
输出模块206,用于根据所述放电行为异常预测数据,对所述光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略。
通过上述各个组成部分的协同合作,通过使用循环神经网络对电势变化和电流密度进行预测,能够实时地分析储能电池的状态和性能,提前检测异常行为。数据清洗过程可以消除噪声和无效数据,确保从电池中获取准确的电势变化和电流密度信息。特征提取过程有助于捕捉重要的电池特征。通过多层次的特征转换和编码,可以更全面地描述储能电池的性能和状态,为后续的异常分析提供更多信息。通过储能电池放电行为异常分析,能够及时检测到储能电池性能下降或异常行为,提前采取措施,降低储能电池故障和损坏的风险。基于异常预测数据,动态地调整储能放电控制策略,以最大程度地提高光伏发电储能系统的性能和可靠性。通过综合考虑多个因素评价指标,可以更全面地评估不同的放电控制策略,从而选择最佳的储能放电策略。使用的神经网络和算法使得整个光伏发电储能系统能够实现自动化和智能化的监控与控制,减少了人工干预的需求,提高了光伏发电储能控制的准确率。
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 (6)
1.一种光伏发电储能控制方法,其特征在于,所述光伏发电储能控制方法包括:
对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据;
通过第一循环神经网络对所述第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对所述第一电流密度数据进行电流密度预测,得到第二电流密度数据;具体包括:将所述第一电势变化数据输入预置的第一循环神经网络,所述第一循环神经网络包括:第一双向长短时记忆网络以及第一单向门限循环网络;通过所述第一双向长短时记忆网络对所述第一电势变化数据进行电势变化特征学习,得到电势变化特征序列;通过所述第一单向门限循环网络对所述电势变化特征序列进行电势变化预测,得到第二电势变化数据;将所述第一电流密度数据输入预置的第二循环神经网络,所述第二循环神经网络包括:第二双向长短时记忆网络以及第二单向门限循环网络;通过所述第二双向长短时记忆网络对所述第一电流密度数据进行电流密度特征学习,得到电流密度特征序列;通过所述第二单向门限循环网络对所述电流密度特征序列进行电流密度预测,得到第二电流密度数据;其中,第一双向长短时记忆网络与第二双向长短时记忆网络相同,第一双向长短时记忆网络包括:
遗忘门:;
输入门:;
输出门:;
细胞状态更新:;
最终细胞状态:;
最终输出:;
是遗忘门的激活值,/>是输入门的激活值,/>是输出门的激活值,/>是遗忘门的权重矩阵,/>是输入门的权重矩阵,/>是输出门的权重矩阵,/>是细胞状态的权重矩阵,/>是遗忘门的偏置项,/>是输入门的偏置项,/>是输出门的偏置项,/>是细胞状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是前一时间步的细胞状态,/>是当前时间步的候选细胞状态,/>是当前时间步的细胞状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法;
其中,第一单向门限循环网络与第二单向门限循环网络相同,第一单向门限循环网络包括:
更新门:;
重置门:;
候选隐藏状态:;
最终隐藏状态:;
是更新门的激活值,/>是重置门的激活值,/>是更新门的权重矩阵,/>是重置门的权重矩阵,/>是隐藏状态的权重矩阵,/>是更新门的偏置项,/>是重置门的偏置项,/>是隐藏状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是当前时间步的候选隐藏状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法;
分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量;
将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
根据所述放电行为异常预测数据,对所述光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略;具体包括:通过预置的多岛优化算法,对所述光伏发电储能系统进行放电控制策略初始化,得到多个第一储能放电控制策略;根据所述放电行为异常预测数据,定义所述光伏发电储能系统的放电影响因素集合;根据所述放电影响因素集合分别计算每个第一储能放电控制策略的多个单因素评价指标,并对所述多个单因素评价指标进行正态云分布计算,得到每个第一储能放电控制策略的综合因素评价指标;根据所述综合因素评价指标对所述多个第一储能放电控制策略进行排序分析,得到储能放电控制策略序列,并对所述储能放电控制策略序列进行策略筛选,得到多个第二储能放电控制策略;对所述多个第二储能放电控制策略进行遗传迭代优化,得到目标储能放电控制策略。
2.根据权利要求1所述的光伏发电储能控制方法,其特征在于,所述对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据,包括:
对光伏发电储能系统中的储能电池进行电池放电参数监控,得到电池放电参数集合;
通过Nernst方程,对所述电池放电参数集合进行电势变化分析,得到初始电势变化数据,所述Nernst方程为:,/>是电极电势,/>是标准电极电势,/>是理想气体常数,/>是温度,/>是电子转移数,/>是法拉第常数,/>是反应物的活度积;
通过Butler-Volmer方程,对所述电池放电参数集合进行电流密度分析,得到初始电流密度数据,所述Butler-Volmer方程为:,/>是电流,/>是交流极化电流密度,/>是转移系数,/>是电极表面上的活性物质的电化学当量,/>是电极电势,/>是标准电极电势,/>是理想气体常数,/>是温度,/>是法拉第常数;
分别对所述初始电势变化数据和所述初始电流密度数据进行数据清洗,得到所述储能电池的第一电势变化数据和第一电流密度数据。
3.根据权利要求1所述的光伏发电储能控制方法,其特征在于,所述分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合,包括:
分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线;
对所述电势变化曲线进行曲线标准差计算,得到电势变化标准差数据,并对所述电流密度曲线进行曲线标准差计算,得到电流密度标准差数据;
获取所述电势变化曲线中的多个第一电势特征点,并根据所述电势变化标准差数据对所述多个第一电势特征点进行特征筛选,得到多个第二电势特征点;
获取所述电流密度曲线中的多个第一电流特征点,并根据所述电流密度标准差数据对所述多个第一电流特征点进行特征筛选,得到多个第二电流特征点;
对所述多个第二电势特征点进行时序关联和特征集合转换,得到电势变化特征集合,并对所述多个第二电流特征点进行时序关联和特征集合转换,得到电流密度特征集合。
4.根据权利要求1所述的光伏发电储能控制方法,其特征在于,所述分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量,包括:
获取所述电势变化特征集合的第一特征最大值以及第一特征最小值,并根据所述第一特征最大值和所述第一特征最小值对所述电势变化特征集合进行特征归一化处理,得到归一化电势特征集合;
获取所述电流密度特征集合的第二特征最大值以及第二特征最小值,并根据所述第二特征最大值和所述第二特征最小值对所述电流密度特征集合进行特征归一化处理,得到归一化电流特征集合;
对所述归一化电势特征集合进行特征序列编码,得到编码电势特征序列,并对所述编码电势特征序列进行向量转换,得到电势变化特征向量;
对所述归一化电流特征集合进行特征序列编码,得到编码电流特征序列,并对所述编码电流特征序列进行向量转换,得到电流密度特征向量;
对所述电势变化特征向量和所述电流密度特征向量进行向量拼接,得到目标融合特征向量。
5.根据权利要求1所述的光伏发电储能控制方法,其特征在于,所述将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据,包括:
将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型,所述储能电池放电分析模型包括:第一多层感知网络、第二多层感知网络、第三多层感知网络以及融合输出层;
通过所述第一多层感知网络对所述电势变化特征向量进行储能电池放电行为异常分析,得到第一异常预测数据;
通过所述第二多层感知网络对所述电流密度特征向量进行储能电池放电行为异常分析,得到第二异常预测数据;
根据所述第一异常预测数据和所述第二异常预测数据,对所述目标融合特征向量进行向量加权分析,得到目标加权特征向量;
通过所述第三多层感知网络对所述目标加权特征向量进行储能电池放电行为异常分析,并通过所述融合输出层输出对应的放电行为异常预测数据。
6.一种光伏发电储能控制系统,其特征在于,所述光伏发电储能控制系统包括:
分析模块,用于对光伏发电储能系统中的储能电池进行电势变化和电流密度分析,得到所述储能电池的第一电势变化数据和第一电流密度数据;
预测模块,用于通过第一循环神经网络对所述第一电势变化数据进行电势变化预测,得到第二电势变化数据,并通过第二循环神经网络对所述第一电流密度数据进行电流密度预测,得到第二电流密度数据;具体包括:将所述第一电势变化数据输入预置的第一循环神经网络,所述第一循环神经网络包括:第一双向长短时记忆网络以及第一单向门限循环网络;通过所述第一双向长短时记忆网络对所述第一电势变化数据进行电势变化特征学习,得到电势变化特征序列;通过所述第一单向门限循环网络对所述电势变化特征序列进行电势变化预测,得到第二电势变化数据;将所述第一电流密度数据输入预置的第二循环神经网络,所述第二循环神经网络包括:第二双向长短时记忆网络以及第二单向门限循环网络;通过所述第二双向长短时记忆网络对所述第一电流密度数据进行电流密度特征学习,得到电流密度特征序列;通过所述第二单向门限循环网络对所述电流密度特征序列进行电流密度预测,得到第二电流密度数据;其中,第一双向长短时记忆网络与第二双向长短时记忆网络相同,第一双向长短时记忆网络包括:
遗忘门:;
输入门:;
输出门:;
细胞状态更新:;
最终细胞状态:;
最终输出:;
是遗忘门的激活值,/>是输入门的激活值,/>是输出门的激活值,/>是遗忘门的权重矩阵,/>是输入门的权重矩阵,/>是输出门的权重矩阵,/>是细胞状态的权重矩阵,/>是遗忘门的偏置项,/>是输入门的偏置项,/>是输出门的偏置项,/>是细胞状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是前一时间步的细胞状态,/>是当前时间步的候选细胞状态,/>是当前时间步的细胞状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法;
其中,第一单向门限循环网络与第二单向门限循环网络相同,第一单向门限循环网络包括:
更新门:;
重置门:;
候选隐藏状态:;
最终隐藏状态:;
是更新门的激活值,/>是重置门的激活值,/>是更新门的权重矩阵,/>是重置门的权重矩阵,/>是隐藏状态的权重矩阵,/>是更新门的偏置项,/>是重置门的偏置项,/>是隐藏状态的偏置项,/>是前一时间步的隐藏状态,/>是当前时间步的输入,/>是当前时间步的候选隐藏状态,/>是当前时间步的隐藏状态,/>是sigmoid激活函数,tanh是双曲正切激活函数,*是逐元素乘法;
提取模块,用于分别对所述第二电势变化数据和所述第二电流密度数据进行特征曲线转换,得到电势变化曲线和电流密度曲线,并分别对所述电势变化曲线和所述电流密度曲线进行特征提取,得到电势变化特征集合和电流密度特征集合;
编码模块,用于分别对所述电势变化特征集合和所述电流密度特征集合进行特征编码和向量转换,得到电势变化特征向量和电流密度特征向量,并对所述电势变化特征向量和所述电流密度特征向量进行向量融合,得到目标融合特征向量;
处理模块,用于将所述电势变化特征向量、所述电流密度特征向量和所述目标融合特征向量输入预置的储能电池放电分析模型进行储能电池放电行为异常分析,得到放电行为异常预测数据;
输出模块,用于根据所述放电行为异常预测数据,对所述光伏发电储能系统进行储能放电控制策略分析,得到目标储能放电控制策略;具体包括:通过预置的多岛优化算法,对所述光伏发电储能系统进行放电控制策略初始化,得到多个第一储能放电控制策略;根据所述放电行为异常预测数据,定义所述光伏发电储能系统的放电影响因素集合;根据所述放电影响因素集合分别计算每个第一储能放电控制策略的多个单因素评价指标,并对所述多个单因素评价指标进行正态云分布计算,得到每个第一储能放电控制策略的综合因素评价指标;根据所述综合因素评价指标对所述多个第一储能放电控制策略进行排序分析,得到储能放电控制策略序列,并对所述储能放电控制策略序列进行策略筛选,得到多个第二储能放电控制策略;对所述多个第二储能放电控制策略进行遗传迭代优化,得到目标储能放电控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056800.9A CN117577981B (zh) | 2024-01-16 | 2024-01-16 | 光伏发电储能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056800.9A CN117577981B (zh) | 2024-01-16 | 2024-01-16 | 光伏发电储能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117577981A CN117577981A (zh) | 2024-02-20 |
CN117577981B true CN117577981B (zh) | 2024-04-02 |
Family
ID=89884853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056800.9A Active CN117577981B (zh) | 2024-01-16 | 2024-01-16 | 光伏发电储能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117577981B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231165A (zh) * | 2023-03-27 | 2023-06-06 | 深圳市南霸科技有限公司 | 一种大容量储能电池加热方法及系统 |
CN116742675A (zh) * | 2023-06-21 | 2023-09-12 | 国网新疆电力有限公司电力科学研究院 | 多元储能主动支撑调度运行系统 |
CN117289146A (zh) * | 2023-11-07 | 2023-12-26 | 深圳市优界科技有限公司 | 储能电池的充放电测试方法、装置、设备及存储介质 |
-
2024
- 2024-01-16 CN CN202410056800.9A patent/CN117577981B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231165A (zh) * | 2023-03-27 | 2023-06-06 | 深圳市南霸科技有限公司 | 一种大容量储能电池加热方法及系统 |
CN116742675A (zh) * | 2023-06-21 | 2023-09-12 | 国网新疆电力有限公司电力科学研究院 | 多元储能主动支撑调度运行系统 |
CN117289146A (zh) * | 2023-11-07 | 2023-12-26 | 深圳市优界科技有限公司 | 储能电池的充放电测试方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117577981A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
Aljahdali et al. | Software reliability prediction using multi-objective genetic algorithm | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
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 | |
CN117577981B (zh) | 光伏发电储能控制方法及系统 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN113537607B (zh) | 停电预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
Garg et al. | Predicting uncertain behavior and performance analysis of the pulping system in a paper industry using PSO and Fuzzy methodology | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN117556753B (zh) | 存储芯片的能耗分析方法、装置、设备及存储介质 | |
CN118038230A (zh) | 基于多算法融合的配电网缺陷识别系统及方法 | |
Fang et al. | Data classification mining of university mental health education resources based on global search algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |