CN117833322B - 一种用于光伏声屏障的储能优化方法及系统 - Google Patents
一种用于光伏声屏障的储能优化方法及系统 Download PDFInfo
- Publication number
- CN117833322B CN117833322B CN202410241379.9A CN202410241379A CN117833322B CN 117833322 B CN117833322 B CN 117833322B CN 202410241379 A CN202410241379 A CN 202410241379A CN 117833322 B CN117833322 B CN 117833322B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- predicted
- target
- data
- 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 378
- 230000004888 barrier function Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000003891 environmental analysis Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种用于光伏声屏障的储能优化方法及系统，涉及储能优化技术领域。方法包括：获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据，将光伏发电预测功率与预测负荷功率进行比较；若光伏发电预测功率大于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案。本发明提升了光伏声屏障系统的稳定性和可靠性。
Description
技术领域
本发明涉及储能优化技术领域，更具体地说，涉及一种用于光伏声屏障的储能优化方法及系统。
背景技术
光伏声屏障是一种集光伏发电和噪音隔离功能于一体的创新结构。它通过将光伏电池板整合到声屏障结构中，既能够发挥清洁能源的发电功能，又能有效减少周围环境中的噪音污染。在光伏声屏障系统中，储能电池的作用是存储过剩的太阳能电力以供稍后使用，并提供发电系统的稳定性和可靠性。
然而，由于环境数据的不断变化，储能电池的最大充放电功率可能会受到限制，导致无法满足系统的充放电需求。例如，高温环境下储能电池的最大充放电功率可能会受到限制，以防止过度热量积聚导致电池性能下降甚至损坏。同样，低温环境下电池的充放电速率也可能受到限制，因为低温会降低电池的电导率和反应速率。
因此，为了确保光伏声屏障系统的稳定性和可靠性，需要根据不同环境数据下储能电池的最大充放电功率进行动态调整，并通过合理的能量管理策略来确保储能电池的充放电需求得到满足，同时不损害电池的性能和寿命。
发明内容
为解决上述技术问题，本发明提出了一种用于光伏声屏障的储能优化方法及系统，通过分析环境数据确定不同环境下储能电池较为适宜的充放电功率，在尽可能不损害电池的性能和寿命的情况下满足供电需求。
为实现上述目的，本发明第一方面提供一种用于光伏声屏障的储能优化方法，包括：
获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据，将光伏发电预测功率与预测负荷功率进行比较；
若光伏发电预测功率大于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案；
其中，根据目标储能功率和储能预测功率确定第一储能控制方案包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，否则控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，并通过电池保护设备件进行储能分流。
优选地，在将光伏发电预测功率与预测负荷功率进行比较的过程中，还包括：
若光伏发电预测功率小于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案；
其中，根据目标供电功率和放电预测功率确定第二储能控制方案，包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，否则控制储能组件以放电预测功率对目标电网进行供电，并通过供电补充设备对目标电网进行供电补充。
优选地，对于第一环境分析模型和第二环境分析模型，还包括：
获取储能组件的历史工作数据，历史工作数据包括储能组件中多个储能设备的工作参数数据和储能组件所处环境的环境监测数据，基于工作状态对历史工作数据进行分类，构建得到充电数据集合和放电数据集合；
提取出充电数据集合中的多组充电功率数据和每组充电功率数据对应的设备温度数据和环境监测数据，构建第一样本集，以第一样本集中的设备温度数据和环境监测数据作为第一环境分析模型的输入，以第一样本集中的充电功率数据作为训练目标，训练得到第一环境分析模型；
提取出放电数据集合中的多组放电功率数据和每组放电功率数据对应的设备温度数据和环境监测数据，构建第二样本集，以第二样本集中的设备温度数据和环境监测数据作为第二环境分析模型的输入，以第二样本集中的放电功率数据作为训练目标，训练得到第二环境分析模型。
优选地，对于第一环境分析模型和第二环境分析模型，还包括：
将环境预测数据和预设安全温度输入到第一环境分析模型中，通过第一环境分析模型分析在环境预测数据和预设安全温度下储能组件的储能预测功率；
将环境预测数据和预设安全温度输入到第二环境分析模型中，通过第二环境分析模型分析在环境预测数据和预设安全温度下储能组件的放电预测功率。
优选地，对于第一储能控制方案和第二储能控制方案，还包括：
获取储能组件中每个储能单元的剩余电能；
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案；
基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案。
优选地，第一环境分析模型和第二环境分析模型为循环神经网络模型。
本发明第二方面提供一种用于光伏声屏障的储能优化系统，用于执行上述的一种用于光伏声屏障的储能优化方法，包括：
数据获取模块，用于获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据；
数据分析模块，用于对光伏发电预测功率与预测负荷功率，将光伏发电预测功率与预测负荷功率进行比较；
第一方案生成模块，用于在光伏发电预测功率大于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案；
其中，根据目标储能功率和储能预测功率确定第一储能控制方案包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，否则控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，并通过电池保护设备件进行储能分流；
第二方案生成模块，用于在光伏发电预测功率小于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案；
其中，根据目标供电功率和放电预测功率确定第二储能控制方案，包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，否则控制储能组件以放电预测功率对目标电网进行供电，并通过供电补充设备对目标电网进行供电补充。
优选地，还包括：
方案优化模块，用于对第一储能控制方案和第二储能控制方案进行优化；
对第一储能控制方案和第二储能控制方案进行优化，包括：
获取储能组件中每个储能单元的剩余电能；
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案；
基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案。
本发明具有以下有益效果：
本发明通过分析光伏声屏障系统的历史充放电数据，结合深度信息技术，通过环境分析模型确定不同环境数据下储能电池的最大充放电功率，以针对环境数据的变化对储能电池的最大充放电功率进行动态调整，在尽可能地不损害电池的性能和寿命的前提下，确定合理的能量管理策略来确保储能电池的充放电需求得到满足，为光伏声屏障系统的稳定性和可靠性提供保障。
附图说明
图1为本发明实施例中示例性的一种用于光伏声屏障的储能优化方法的流程图。
图2为本发明实施例中示例性的一种用于光伏声屏障的储能优化系统的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参见图1，为本发明实施例中示例性的一种用于光伏声屏障的储能优化方法的流程图，本发明实施例提供的一种用于光伏声屏障的储能优化方法，具体包括：
S10、获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据，将光伏发电预测功率与预测负荷功率进行比较。
在本实施例中，光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率可以基于历史发电数据、历史供电数据、历史环境监测数据和环境预测数据进行综合分析确定，示例性的，获取目标时段内的天气预测数据，结合光伏声屏障系统中光伏组件的参数数据进行分析计算，从而得到目标时段内光伏声屏障的光伏发电预测功率，具体的，通过目标时段内的天气预测数据确定目标时段内光伏声屏障系统中光伏组件所处环境的太阳辐射预测强度，通过光伏声屏障系统中光伏组件的参数数据确定光伏组件的面积和光伏组件的转换效率，通过目标时段内光伏声屏障系统中光伏组件所处环境的太阳辐射预测强度、光伏组件的面积和光伏组件的转换效率计算得到目标时段内光伏声屏障的光伏发电预测功率；考虑用电需求的周期性变化，通过分析历史用电数据确定目标电网的预测负荷功率，例如考虑一天内不同时段、一周、一个月、一个季度等参考周期，分析用电数据的变化规律以实现对用电需求的预测。在一些实施例中，也可结合深度学习技术提取历史数据中的特征信息，例如通过深度神经网络、循环神经网络等模型进行发电量和用电负荷进行预测，本实施例中不对其进行具体限定。
在本实施例中，目标时段的选取可以结合环境预测数据进行设定，例如根据环境数据中的光照强度、温度等数据进行设定，以光照强度、温度等数据的变化幅度较为平稳的时段记为目标时段，例如1h、3h、6h等，示例性的，考虑到生产活动，以及环境温度和光照强度，中午12点至14点期间环境温度和光照强度趋近峰值，日常生产中处于休息阶段，则中午12点至14点可以视为其中一个目标时段。
S20、若光伏发电预测功率大于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标储能功率。
在本实施例中，通过分析光伏发电预测功率与预测负荷功率之间的关系，确定对光伏声屏障的储能组件的控制方案。光伏声屏障的储能组件的作用之一在于存储过剩的太阳能电力以供在光伏发电量较低的时段使用，为光伏声屏障系统的稳定性提供保障，在光伏发电预测功率大于预测负荷功率的情况下需要通过储能组件对多余的电量进行存储，基于光伏发电预测功率和预测负荷功率的差值确定目标储能功率，用于表征光伏声屏障的储能组件的储能需求。
S30、将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案。
在本实施例中，考虑到环境因素的影响，例如环境温度、湿度、风速等因素均会对储能组件中的储能电池的温度产生影响，通过预先训练得到的第一环境分析模型对目标时段的环境预测数据进行分析处理，分析储能组件在环境预测数据和额定工作温度条件下的最大储能功率，记为目标储能功率，通过分析目标储能功率和储能预测功率之间的关联，确定用于对储能组件的充电过程进行控制的第一储能控制方案。
在本实施例中，根据目标储能功率和储能预测功率确定第一储能控制方案，具体包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，在保证储能效率的情况下以达到不损害电池的性能和寿命的目的；若储能预测功率小于目标储能功率，则表示仅通过储能组件对富余的电能进行存储容易损害电池的性能和寿命，这种情况下控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，以最大限度地利用储能组件的电能存储能力，并通过电池保护设备件进行储能分流，例如通过储能组件中配置的超级电容器对多余的电能进行分流存储，避免电能被浪费。
更进一步的，在将光伏发电预测功率与预测负荷功率进行比较的过程中，若光伏发电预测功率小于预测负荷功率，还包括：
基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案。
在本实施例中，以光伏发电预测功率和预测负荷功率的差值作为目标供电功率，用于指示目标电网的供电需求。
在本实施例中，通过预先训练得到的第二环境分析模型对目标时段的环境预测数据进行分析处理，分析储能组件在环境预测数据和额定工作温度条件下的最大放电功率，记为目标供电功率，通过分析目标供电功率与放电预测功率之间的关联，确定用于对储能组件的放电过程进行控制的第二储能控制方案。
在本实施例中，根据目标供电功率和放电预测功率确定第二储能控制方案，具体包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，在尽可能不损害电池的性能和寿命的前提下满足目标电网的用电需求；否则控制储能组件以放电预测功率对目标电网进行供电，以最大化的利用储能组件中存储的电能，并通过供电补充设备对目标电网进行供电补充，例如通过光伏声屏障系统中配置的柴油发电机等供电补充设备，在储能组件供电不足的情况下对目标电网进行供电。
值得说明的是，声屏障通常具有有限的空间，因此储能组件需要设计紧凑并能够充分利用有限的空间，因此通常选用具有较高能量密度的电池类型，例如锂离子电池作为储能电池，以确保在有限的空间内存储更多的能量。同时，采用集成式设计，将储能组件整合到声屏障结构中，最大限度地减小系统占用的空间，这种情况下储能组件的维护难度较大，维护成本较高，因此维持电池的性能和寿命至关重要。本发明通过分析光伏声屏障系统的历史充放电数据，结合深度信息技术，通过环境分析模型确定不同环境数据下储能电池的最大充放电功率，以针对环境数据的变化对储能电池的最大充放电功率进行动态调整，在尽可能地不损害电池的性能和寿命的前提下，确定合理的能量管理策略来确保储能电池的充放电需求得到满足，为光伏声屏障系统的稳定性和可靠性提供保障。
更进一步的，对于本实施例中的第一环境分析模型和第二环境分析模型，通过从储能组件的历史工作数据提取得到特征数据，构建得到第一样本集和第二样本集并训练得到，其中，第一环境分析模型和第二环境分析模型为具有时序数据分析功能的神经网络模型，本实施例中以循环神经网络为例，以循环神经网络作为框架构建得到第一环境分析模型和第二环境分析模型，并分别通过第一样本集和第二样本集进行模型的训练。
在本实施例中，第一样本集和第二样本集的构建和第一环境分析模型和第二环境分析模型的训练包括：
获取储能组件的历史工作数据，基于工作状态对历史工作数据进行分类，构建得到充电数据集合和放电数据集合。
在本实施例中，历史工作数据至少包括储能组件中多个储能设备的工作参数数据和储能组件所处环境的环境监测数据，基于充电数据集合和放电数据集合分别进行第一样本集和第二样本集的构建。
从充电数据集合中提取出多组充电功率数据和每组充电功率数据对应的设备温度数据和环境监测数据，构建第一样本集；从放电数据集合中提取出多组放电功率数据和每组放电功率数据对应的设备温度数据和环境监测数据，构建第二样本集。
在生成第一样本集和第二样本集后，以第一样本集中的设备温度数据和环境监测数据作为第一环境分析模型的输入，以第一样本集中的充电功率数据作为训练目标，训练得到第一环境分析模型，用于通过分析环境监测数据和储能组件的设备温度数据，对储能组件的储能功率进行预测；以第二样本集中的设备温度数据和环境监测数据作为第二环境分析模型的输入，以第二样本集中的放电功率数据作为训练目标，训练得到第二环境分析模型，用于通过分析环境监测数据和储能组件的设备温度数据，对储能组件的放电功率进行预测。
更进一步的，在通过第一环境分析模型和第二环境分析模型分别进行储能功率和放电功率的过程中，在获取到环境预测数据后，以预设安全温度为参考，例如将储能电池的额定温度作为预设安全温度，将环境预测数据和预设安全温度输入到第一环境分析模型中，通过第一环境分析模型分析在环境预测数据和预设安全温度下储能组件的储能预测功率；将环境预测数据和预设安全温度输入到第二环境分析模型中，通过第二环境分析模型分析在环境预测数据和预设安全温度下储能组件的放电预测功率，从而确定不同环境数据下，尽可能不损害电池的性能和寿命的前提下储能组件的最大充放电功率。
更进一步的，对于第一环境分析模型和第二环境分析模型，均包括有至少一个环境分析单元，其中，环境分析单元的数量可以基于光伏声屏障系统配置的储能组件中储能电池的类型进行确定，例如每个电池类型对应一个环境分析单元，在构建第一样本集和第二样本集的过程中，对于充电数据集合和放电数据集合，基于储能电池的类型进行进一步的分类，生成每个电池类型对应的数据集合，构建得到的第一样本集和第二样本集至少包括有一个样本子集。在分别通过第一样本集对第一环境分析模型进行训练和通过和第二样本集对第二环境分析模型进行训练的过程中，将样本集中的样本子集与环境分析模型中的环境分析单元进行一一对应，分别通过多个样本子集对相对应的环境分析单元进行训练，对于第一环境分析模型和第二环境分析模型中的任意一个环境分析模型，训练过程中共享环境分析单元的参数每次迭代过程中选取损伤函数最小的环境分析单元的参数对其余环境分析单元的参数进行替换，在达到预先设定的收敛条件后完成对模型的训练。
更进一步的，对于第一储能控制方案和第二储能控制方案的确定，还包括：
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，其中，储能参考范围可以基于储能单元参数中给出的电量推荐范围，根据储能参考范围和储能单元当前剩余的电量确定第一储能参考时长和第二储能参考时长，示例性的，以锂离子电池为例，若某款锂离子电池的储能参考范围为20%至80%，其当前的电量为60%，若需要通过该锂离子电池进行充电，以用于充电的储能预测功率为参考，计算得到以储能预测功率将该锂离子电池的电量从60%充电至80%的时长，记为第一储能参考时长，以用于放电的放电预测功率为参考，计算得到以放电预测功率将该锂离子电池的电量从60%放电至20%的时长，记为第二储能参考时长。
选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案，便于光伏声屏障系统的电池管理系统(BMS)对系统配置的电池保护设备和供电补充设备等设施进行智能控制。
更进一步的，对于供电补充设备的控制，在计算得到每个储能单元的第二储能参考时长，还可以通过目标时段的时长分析在目标时段内光伏声屏障系统的储能组件的最大储能电量，对于任一储能单元，若该储能单元的第二储能参考时长小于或等于目标时段的时长，则可通过该储能单元的储能参考范围的最大值和前剩余的电量确定该储能单元的放电电量，若该储能单元的第二储能参考时长大于目标时段的时长，则根据放电预测功率和该储能单元的第二储能参考时长计算得到目标时段内该储能单元的放电电量，统计储能组件中所有储能单元的放电电量，得到目标时段内光伏声屏障系统的储能组件的最大储能电量，将最大储能电量添加至第二储能控制方案，便于光伏声屏障系统的电池管理系统(BMS)对系统配置的供电补充设备等设施进行更好的控制，进一步为光伏声屏障系统的稳定性和可靠性提供保障。
参见图2，为本发明实施例中示例性的一种用于光伏声屏障的储能优化系统的结构图，在上述提供的一种用于光伏声屏障的储能优化方法的基础上，本发明实施例还提供了一种用于光伏声屏障的储能优化系统，包括：
数据获取模块，用于获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据；
数据分析模块，用于对光伏发电预测功率与预测负荷功率，将光伏发电预测功率与预测负荷功率进行比较；
第一方案生成模块，用于在光伏发电预测功率大于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案；
其中，第一方案生成模块根据目标储能功率和储能预测功率确定第一储能控制方案包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，否则控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，并通过电池保护设备件进行储能分流；
第二方案生成模块，用于在光伏发电预测功率小于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案；
其中，根据目标供电功率和放电预测功率确定第二储能控制方案，包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，否则控制储能组件以放电预测功率对目标电网进行供电，并通过供电补充设备对目标电网进行供电补充。
在本实施例中，第一环境分析模型和第二环境分析模型为循环神经网络模型。
方案优化模块，用于对第一储能控制方案和第二储能控制方案进行优化；
其中，方案优化模块对第一储能控制方案和第二储能控制方案进行优化，包括：
获取储能组件中每个储能单元的剩余电能；
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案；
基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案。
上述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (6)
1.一种用于光伏声屏障的储能优化方法，其特征在于，包括：
获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据，将光伏发电预测功率与预测负荷功率进行比较；
若光伏发电预测功率大于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案；
其中，根据目标储能功率和储能预测功率确定第一储能控制方案包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，否则控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，并通过电池保护设备件进行储能分流；
在将光伏发电预测功率与预测负荷功率进行比较的过程中，还包括：
若光伏发电预测功率小于预测负荷功率，基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案；
其中，根据目标供电功率和放电预测功率确定第二储能控制方案，包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，否则控制储能组件以放电预测功率对目标电网进行供电，并通过供电补充设备对目标电网进行供电补充；
对于第一环境分析模型和第二环境分析模型，还包括：
获取储能组件的历史工作数据，历史工作数据包括储能组件中多个储能设备的工作参数数据和储能组件所处环境的环境监测数据，基于工作状态对历史工作数据进行分类，构建得到充电数据集合和放电数据集合；
提取出充电数据集合中的多组充电功率数据和每组充电功率数据对应的设备温度数据和环境监测数据，构建第一样本集，以第一样本集中的设备温度数据和环境监测数据作为第一环境分析模型的输入，以第一样本集中的充电功率数据作为训练目标，训练得到第一环境分析模型；
提取出放电数据集合中的多组放电功率数据和每组放电功率数据对应的设备温度数据和环境监测数据，构建第二样本集，以第二样本集中的设备温度数据和环境监测数据作为第二环境分析模型的输入，以第二样本集中的放电功率数据作为训练目标，训练得到第二环境分析模型。
2.根据权利要求1所述的一种用于光伏声屏障的储能优化方法，其特征在于，对于第一环境分析模型和第二环境分析模型，还包括：
将环境预测数据和预设安全温度输入到第一环境分析模型中，通过第一环境分析模型分析在环境预测数据和预设安全温度下储能组件的储能预测功率；
将环境预测数据和预设安全温度输入到第二环境分析模型中，通过第二环境分析模型分析在环境预测数据和预设安全温度下储能组件的放电预测功率。
3.根据权利要求1所述的一种用于光伏声屏障的储能优化方法，其特征在于，对于第一储能控制方案和第二储能控制方案，还包括：
获取储能组件中每个储能单元的剩余电能；
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案；
基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案。
4.根据权利要求1所述的一种用于光伏声屏障的储能优化方法，其特征在于，第一环境分析模型和第二环境分析模型为循环神经网络模型。
5.一种用于光伏声屏障的储能优化系统，其特征在于，所述系统用于执行上述权利要求1-4任一项所述的一种用于光伏声屏障的储能优化方法，包括：
数据获取模块，用于获取目标时段内光伏声屏障的光伏发电预测功率和目标电网的预测负荷功率，以及光伏声屏障配置的储能组件的环境预测数据；
数据分析模块，用于对光伏发电预测功率与预测负荷功率，将光伏发电预测功率与预测负荷功率进行比较；
第一方案生成模块，用于在光伏发电预测功率大于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标储能功率，将环境预测数据输入到第一环境分析模型中，生成储能组件的储能预测功率，根据目标储能功率和储能预测功率确定第一储能控制方案；
其中，根据目标储能功率和储能预测功率确定第一储能控制方案包括：
判断储能预测功率是否大于或等于目标储能功率，若是则控制储能组件以目标储能功率对光伏声屏障产生的电能进行存储，否则控制储能组件以储能预测功率对光伏声屏障产生的电能进行存储，并通过电池保护设备件进行储能分流；
第二方案生成模块，用于在光伏发电预测功率小于预测负荷功率的情况下，基于光伏发电预测功率和预测负荷功率确定目标供电功率，将环境预测数据输入到第二环境分析模型中，生成储能组件的放电预测功率，根据目标供电功率和放电预测功率确定第二储能控制方案；
其中，根据目标供电功率和放电预测功率确定第二储能控制方案，包括：
判断放电预测功率是否大于或等于目标供电功率，若是则控制储能组件以目标供电功率对目标电网进行供电，否则控制储能组件以放电预测功率对目标电网进行供电，并通过供电补充设备对目标电网进行供电补充。
6.根据权利要求5所述的一种用于光伏声屏障的储能优化系统，其特征在于，还包括：
方案优化模块，用于对第一储能控制方案和第二储能控制方案进行优化；
对第一储能控制方案和第二储能控制方案进行优化，包括：
获取储能组件中每个储能单元的剩余电能；
基于储能预测功率和每个储能单元的储能参考范围确定每个储能单元的第一储能参考时长，选取第一储能参考时长的最小值作为第一目标时长并添加至第一储能控制方案；
基于放电预测功率和每个储能单元的储能参考范围确定每个储能单元的第二储能参考时长，选取第二储能参考时长的最小值作为第二目标时长并添加至第二储能控制方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410241379.9A CN117833322B (zh) | 2024-03-04 | 2024-03-04 | 一种用于光伏声屏障的储能优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410241379.9A CN117833322B (zh) | 2024-03-04 | 2024-03-04 | 一种用于光伏声屏障的储能优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117833322A CN117833322A (zh) | 2024-04-05 |
| CN117833322B true CN117833322B (zh) | 2024-06-21 |
Family
ID=90523210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410241379.9A Active CN117833322B (zh) | 2024-03-04 | 2024-03-04 | 一种用于光伏声屏障的储能优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117833322B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104993516A (zh) * | 2015-07-16 | 2015-10-21 | 河南行知专利服务有限公司 | 一种基于光伏发电单元的微网系统 |
| CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014217092A (ja) * | 2013-04-22 | 2014-11-17 | 清水建設株式会社 | 発電電力予測装置、発電電力予測方法及びプログラム |
| CN112736969A (zh) * | 2020-12-25 | 2021-04-30 | 深圳格瑞特新能源有限公司 | 基于新能源经济调度的分布式光伏数据处理方法及系统 |
-
2024
- 2024-03-04 CN CN202410241379.9A patent/CN117833322B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104993516A (zh) * | 2015-07-16 | 2015-10-21 | 河南行知专利服务有限公司 | 一种基于光伏发电单元的微网系统 |
| CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117833322A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling | |
| CN103793758B (zh) | 含光伏发电系统的电动汽车充电站的多目标优化调度方法 | |
| CN110350518B (zh) | 一种用于调峰的电网储能容量需求评估方法及系统 | |
| CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
| CN108009681B (zh) | 一种基于电网负荷尖峰时段曲线提高风电消纳方法 | |
| CN108988337B (zh) | 一种微电网系统储能装置的设计方法及微电网系统 | |
| CN116799844B (zh) | 一种移动式分布式储能系统 | |
| Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
| CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
| CN109038668B (zh) | 一种基于弃风利用的塔筒电梯供电方法及储能系统 | |
| Monterrat et al. | Integration Cost of Variable Renewable Resources to Power Systems–A Techno-economic Assessment in European Countries | |
| CN104467198A (zh) | 一种基于在线分布式的电能储能系统 | |
| CN117833322B (zh) | 一种用于光伏声屏障的储能优化方法及系统 | |
| Ioli et al. | A smart grid energy management problem for data-driven design with probabilistic reachability guarantees | |
| CN115967178B (zh) | 一种储能系统运行的监测系统及方法 | |
| Lin et al. | Hybrid energy storage system control and capacity allocation considering battery state of charge self-recovery and capacity attenuation in wind farm | |
| CN115347590A (zh) | 基于可逆固体氧化物电池的混合储能微电网寻优控制方法 | |
| Islam et al. | Operation planning of renewable energy based hybrid system incorporating waste-to-energy (WtE) technologies | |
| CN112886624B (zh) | 一种三站合一变电站储能装置规划设计系统及方法 | |
| CN204271759U (zh) | 一种基于在线分布式的电能储能装置 | |
| Yang et al. | Electric vehicles charging and discharging control strategy based on independent DC micro-grid | |
| CN114336764B (zh) | 一种基于sofc与电转气技术的微电网系统及其容量配置方法 | |
| LU503840B1 (en) | Whole life cycle management system for health status of fuel cells | |
| CN109449935B (zh) | 一种基于能源互联的时序生产模拟方法及系统 | |
| CN117375032A (zh) | 一种用于风光发电系统的混合储能装置 |
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 |