CN117913866B - 基于光伏发电的蓄能系统 - Google Patents
基于光伏发电的蓄能系统 Download PDFInfo
- Publication number
- CN117913866B CN117913866B CN202410075841.2A CN202410075841A CN117913866B CN 117913866 B CN117913866 B CN 117913866B CN 202410075841 A CN202410075841 A CN 202410075841A CN 117913866 B CN117913866 B CN 117913866B
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- sequence
- training
- weather
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 379
- 238000004146 energy storage Methods 0.000 title claims abstract description 100
- 230000005611 electricity Effects 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 29
- 238000009825 accumulation Methods 0.000 claims abstract description 27
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 275
- 238000012549 training Methods 0.000 claims description 124
- 230000004927 fusion Effects 0.000 claims description 88
- 230000003993 interaction Effects 0.000 claims description 65
- 230000002452 interceptive effect Effects 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 10
- 230000007812 deficiency Effects 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 18
- 230000008901 benefit Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005057 refrigeration Methods 0.000 description 7
- 238000005338 heat storage Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于光伏发电的蓄能系统,涉及智能化光伏发电技术领域,包括光伏发电系统,所述光伏发电系统用于利用光照辐射来产生电量,所述电量供给用电设备或电网,当所述电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网,避免能源的浪费和不足,同时还能预测未来光伏发电量,提高光伏发电的稳定性和可靠性。
Description
技术领域
本申请涉及智能化光伏发电技术领域,并且更具体地,涉及一种基于光伏发电的蓄能系统。
背景技术
光伏发电是一种将太阳能转化为电能的技术,具有清洁、可再生、分布式等优点,是未来能源发展的重要方向之一。随着可再生能源的需求增加和环境保护意识的提高,光伏发电系统在能源领域得到了广泛应用。然而,光伏发电存在着间歇性和不稳定性的特点,即光照条件的变化会导致光伏发电量的波动,给电网的安全和经济运行带来了挑战。为了解决这个问题,可以采用蓄能系统来平滑光伏发电的波动,提高光伏发电的利用率,降低光伏发电的成本。也就是说,基于光伏发电的蓄能系统可以将多余的电能转化为冷能储存起来,在高峰时段释放出来,实现供冷需求的满足,同时也减少了对电网的负荷。
为了提高基于光伏发电的蓄能系统的运行效率和经济性,需要对光伏发电量进行准确的预测,以便合理地安排储能系统的充放电计划。然而,光伏发电量受到多种因素的影响,如太阳辐射、温度、云层、湿度等,具有高度的非线性和随机性,难以用传统的数学模型进行预测。
因此,期望一种优化的基于光伏发电的蓄能系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请提供了一种基于光伏发电的蓄能系统,当光伏电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵、阀门和连接管道储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端,避免能源的浪费和不足;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网,提高储能的灵活性;同时利用所述光伏发电系统的电量的历史数据和天气预报数据,并在后端引入数据处理和分析算法来进行这些数据的协同分析,以此来预测未来一段时间的光伏发电量。这样,能够实现对光伏发电量的自动化预测,从而基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,提高光伏发电的稳定性和可靠性。
第一方面,提供了一种基于光伏发电的蓄能系统,包括:光伏发电系统、电制冷机组、蓄冷装置、电储能系统、蓄冷泵、放冷泵、阀门和连接管道,所述光伏发电系统用于利用光照辐射来产生电量,所述电量供给用电设备或电网,其中,当所述电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵、阀门和连接管储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网。
在上述基于光伏发电的蓄能系统中,所述光伏发电系统,包括:电量历史数据采集模块,用于获取所述光伏发电系统的电量的历史数据;天气数据采集模块,用于获取天气预报数据;光伏发电时序向量切分模块,用于将所述电量的历史数据按照时间维度排列为光伏发电时序输入向量后,基于第一时间尺度对所述光伏发电时序输入向量进行向量切分以得到光伏发电局部时序输入向量的序列;光伏发电局部时序特征提取模块,用于通过基于深度神经网络模型的发电量模式特征提取器对所述光伏发电局部时序输入向量的序列进行特征挖掘以得到光伏发电局部时序特征向量的序列;天气数据编码模块,用于对所述天气预报数据中的各天天气数据进行独热编码以得到天气数据独热编码向量的序列;各天天气数据语义关联编码模块,用于对所述天气数据独热编码向量的序列进行上下文关联编码以得到上下文天气数据编码特征向量的序列;电量-天气时序特征交互融合模块,用于对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征;光伏发电量预测模块,用于基于所述电量-天气交互融合特征,确定光伏发电量的预测值。
在上述基于光伏发电的蓄能系统中,所述基于深度神经网络模型的发电量模式特征提取器为基于一维卷积层的发电量模式特征提取器。
在上述基于光伏发电的蓄能系统中,所述各天天气数据语义关联编码模块,用于:将所述天气数据独热编码向量的序列通过基于转换器模块的天气数据上下文编码器以得到所述上下文天气数据编码特征向量的序列。
在上述基于光伏发电的蓄能系统中,所述电量-天气时序特征交互融合模块,用于:使用电量-天气交互融合模块对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征向量作为所述电量-天气交互融合特征。
在上述基于光伏发电的蓄能系统中,所述电量-天气时序特征交互融合模块,包括:相关度计算单元,用于以如下公式来计算所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量之间的相关度,其中,所述公式为:
Sij=hi Trj
其中,Sij表示所述上下文天气数据编码特征向量的序列中第i个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中第j个光伏发电局部时序特征向量之间的相关度,hi表示所述上下文天气数据编码特征向量的序列中第i个上下文天气数据编码特征向量,且rj表示所述光伏发电局部时序特征向量的序列中第j个光伏发电局部时序特征向量;天气数据交互式更新单元,用于基于所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量之间的相关度以及所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量,对所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量进行交互式更新以得到更新上下文天气数据编码特征向量的序列;光伏发电交互式更新单元,用于基于所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量与所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量之间的相关度以及所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量,对所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量进行交互式更新以得到更新光伏发电局部时序特征向量的序列;天气数据融合单元,用于融合所述上下文天气数据编码特征向量的序列和所述更新上下文天气数据编码特征向量的序列以得到交互融合上下文天气数据编码特征向量的序列;光伏发电融合单元,用于融合所述光伏发电局部时序特征向量的序列和所述更新光伏发电局部时序特征向量的序列以得到交互融合光伏发电局部时序特征向量的序列;向量拼接单元,用于将所述交互融合上下文天气数据编码特征向量的序列和所述交互融合光伏发电局部时序特征向量的序列进行拼接以得到所述电量-天气交互融合特征向量。
在上述基于光伏发电的蓄能系统中,所述光伏发电量预测模块,用于:将所述电量-天气交互融合特征向量通过基于解码器的光伏发电量预测器以得到光伏发电量的预测值。
在上述基于光伏发电的蓄能系统中,还包括用于对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练的训练模块。
在上述基于光伏发电的蓄能系统中,所述训练模块,包括:训练电量历史数据采集单元,用于获取所述光伏发电系统的电量的训练历史数据;训练天气数据采集单元,用于获取训练天气预报数据;训练光伏发电时序向量切分单元,用于将所述电量的训练历史数据按照时间维度排列为训练光伏发电时序输入向量后,基于第一时间尺度对所述训练光伏发电时序输入向量进行向量切分以得到训练光伏发电局部时序输入向量的序列;训练光伏发电局部时序特征提取单元,用于通过所述基于深度神经网络模型的发电量模式特征提取器对所述训练光伏发电局部时序输入向量的序列进行特征挖掘以得到训练光伏发电局部时序特征向量的序列;训练天气数据编码单元,用于对所述训练天气预报数据中的各天训练天气数据进行独热编码以得到训练天气数据独热编码向量的序列;训练各天天气数据语义关联编码单元,用于对所述训练天气数据独热编码向量的序列进行上下文关联编码以得到训练上下文天气数据编码特征向量的序列;训练电量-天气时序特征交互融合单元,用于使用所述电量-天气交互融合模块对所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序特征向量的序列进行交互融合以得到训练电量-天气交互融合特征向量;训练解码单元,用于将所述训练电量-天气交互融合特征向量通过所述基于解码器的光伏发电量预测器以得到解码损失函数值;损失函数计算单元,用于计算所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的特定损失函数;训练单元,用于基于所述解码损失函数值和所述特定损失函数的加权和作为损失函数值来对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练。
与现有技术相比,本申请提供的基于光伏发电的蓄能系统,当光伏电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵、阀门和连接管道储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端,避免能源的浪费和不足;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网,提高储能的灵活性;同时利用所述光伏发电系统的电量的历史数据和天气预报数据,并在后端引入数据处理和分析算法来进行这些数据的协同分析,以此来预测未来一段时间的光伏发电量。这样,能够实现对光伏发电量的自动化预测,从而基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,提高光伏发电的稳定性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于光伏发电的蓄能系统的框图。
图2为根据本申请实施例的光伏发电量与用电负荷关系原理图。
图3A为根据本申请实施例的光伏发电蓄冷系统的示意图。
图3B为根据本申请实施例的光伏发电蓄热系统的示意图。
图4为根据本申请实施例的基于光伏发电的蓄能方法的流程图。
图5为根据本申请实施例的基于光伏发电的蓄能方法架构的示意图。
图6为根据本申请实施例的基于光伏发电的蓄能系统的应用场景图。
具体实施方式
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描述,显然,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
光伏发电量受到多种因素的影响,包括太阳辐射、温度、云层、湿度等,这些因素具有高度的非线性和随机性,使得用传统的数学模型进行准确预测变得困难。例如,太阳辐射受天气、季节等因素影响,而温度的变化也会影响光伏板的发电效率,这些因素的非线性和随机性使得光伏发电量的预测变得复杂。
光伏发电与蓄能系统的结合可以有效地解决光伏发电的波动性和间歇性带来的挑战,同时提高光伏发电的利用率,降低成本,这种组合利用蓄能系统将多余的电能转化为冷能储存,然后在需要时释放,以满足供冷需求,并且减少对电网的负荷。
光伏发电系统会因为光照条件的变化而产生波动,而蓄能系统可以在光照条件较好时将多余的电能储存起来,在光照条件较差时释放储存的电能,从而平滑光伏发电的波动,提高光伏发电的稳定性。蓄能系统可以帮助光伏发电系统将多余的电能储存起来,避免因为电网负荷不足而浪费掉的电能,从而提高光伏发电的利用率。通过蓄能系统,多余的光伏发电电能可以被储存起来,而不需要依赖传统的发电方式来弥补光伏发电的波动性,这可以降低发电成本。结合蓄能系统的光伏发电系统可以在需要时释放储存的电能,从而减少对电网的负荷,有利于电网的稳定运行。
进一步地,对光伏发电量进行准确的预测对于提高基于光伏发电的蓄能系统的运行效率和经济性至关重要。准确的光伏发电量预测可以帮助系统运营者合理地安排蓄能系统的充放电计划,从而最大限度地利用光伏发电,降低能源成本,提高系统的可靠性和经济性。
光伏发电量的准确预测可以帮助系统运营者合理安排蓄能系统的充放电计划,避免因光照条件变化而导致的能源浪费或电网负荷不足的问题。合理的光伏发电量预测还可以帮助优化能源的利用,降低系统运行成本,提高系统的经济性和可靠性。
光伏发电量的预测方法包括:利用天气预测数据,包括阳光照射强度、云量、温度等信息,结合光伏发电系统的特性,可以对光伏发电量进行预测。分析历史光伏发电量数据,结合季节性、日变化规律等因素,可以建立预测模型,预测未来光伏发电量。结合多种数据源,如气象数据、光伏组件参数、地理位置等,利用机器学习、人工智能等技术,进行光伏发电量的预测。
基于光伏发电量的预测结果,可以制定合理的蓄能系统充放电计划,包括在光照条件较好时进行充电,以储存多余的电能,而在光照条件较差或用电高峰时段进行放电,以满足用电需求。准确的光伏发电量预测可以提高系统的经济性,降低能源成本,同时也有利于减少对传统能源的依赖,提高系统的环保性。利用先进的数据分析技术、人工智能算法和模型优化方法,可以提高光伏发电量的预测准确度,从而提高蓄能系统的运行效率和经济性。
为避免传统的数学模型难以对光伏发电量进行预测,在本申请中,提供一种优化的基于光伏发电的蓄能系统。
在本申请的一个实施例中,图1为根据本申请实施例的基于光伏发电的蓄能系统的框图。如图1所示,根据本申请实施例的基于光伏发电的蓄能系统100,包括:光伏发电系统1、电制冷机组2、蓄冷装置3、蓄/放冷泵4、阀门5和连接管道6,所述光伏发电系统1用于利用光照辐射来产生电量,所述电量供给用电设备或电网,其中,当所述电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组2转化为冷量储存在所述蓄冷装置3内;当在电价高峰时段,将所述蓄冷装置3内的冷量通过所述蓄/放冷泵4、所述阀门5和所述连接管道6释放给供冷末端。
图2为基于光伏发电的蓄能系统的原理图,其展示了光伏发电量与用电负荷关系原理。进一步地,基于光伏发电的蓄能系统可以包括一种光伏发电蓄冷系统,如图3A所示,包括:光伏发电系统1’、电制冷机组2’、用电设备3’、蓄冷装置4’、供冷末端5’、第一阀门6’、蓄冷泵7’、第二阀门8’、放冷泵9’、电网10’、电储能系统11’。
具体的,所述光伏发电系统1’用于利用光照辐射来产生电量,所述电量供给用电设备3’或电网10’,其中,当所述电量的供给量大于所述用电设备3’或电网10’的需求量时,富余的所述电量通过所述电制冷机组2’转化为冷量,冷量经所述蓄冷泵7’、第一阀门6’和连接管储存在所述蓄冷装置4’内;当在电价高峰时段,将所述蓄冷装置4’内的冷量通过所述放冷泵9’、第二阀门8’和连接管道释放给供冷末端5’;当所述蓄冷装置4’蓄满后还有富余所述电量,启动所述电储能系统11’进行储电,当在电价高峰时段,将所述电储能系统11’内储存的电量输送给用电设备3’或电网10’。
还可以包括一种光伏发电蓄热系统,如图3B所示,包括:光伏发电系统1”、电锅炉2”、用电设备3”、蓄热装置4”、供热末端5”、第一阀门6”、蓄热泵7”、第二阀门8”、放热泵9”、电网10”、电储能系统11”。
具体的,所述光伏发电系统1”用于利用光照辐射来产生电量,所述电量供给用电设备3”或电网10”,其中,当所述电量的供给量大于所述用电设备3”或电网10”的需求量时,富余的所述电量通过所述电锅炉2”转化为热量,热量经所述蓄热泵7”、第一阀门6”和连接管储存在所述蓄热装置4”内;当在电价高峰时段,将所述蓄热装置4”内的热量通过所述放热泵9”、第二阀门8”和连接管道释放给供热末端5”;当所述蓄热装置4”蓄满后还有富余所述电量,启动所述电储能系统11”进行储电,当在电价高峰时段,将所述电储能系统11”内储存的电量输送给用电设备3”或电网10”。
在本申请中,所述光伏发电系统1利用光照辐射来产生电量。将太阳能转化为电能,为企业生产提供清洁能源,降低对传统能源的依赖,同时减少对环境的影响。所述光伏发电系统用于利用光照辐射来产生电量,所述电量供给用电设备或电网,其中,当所述电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵、阀门和连接管储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网,实现对建筑或设备的制冷需求,同时避开电价高峰时段的用电成本。
基于光伏发电的蓄能系统通过光伏发电、电制冷、冷储存、电储能和冷能释放等部件的协同作用,实现了对光伏发电过剩能量的高效利用,既满足了企业的电力需求,又实现了能源的多能转化和储能的灵活利用,从而提高了能源利用效率和经济性。
相应地,考虑到由于光伏发电系统的发电量具有一定的波动性和不确定性,而能源的供需平衡是电力系统运营的关键问题。为了提高基于光伏发电的蓄能系统的运行效率和经济性,需要对光伏发电量进行准确的预测,以便更好地了解未来的光伏发电情况,从而合理安排能源调度和能源利用,避免能源的浪费和不足,提高能源的利用效率,并确保光伏发电的稳定性和可靠性。
基于此,本申请的技术构思为在所述光伏发电系统中,利用所述光伏发电系统的电量的历史数据和天气预报数据,并在后端引入数据处理和分析算法来进行这些数据的协同分析,以此来预测未来一段时间的光伏发电量。这样,能够实现对光伏发电量的自动化预测,从而基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,避免能源的浪费和不足,并确保光伏发电的稳定性和可靠性。
在本申请的一个实施例中,所述光伏发电系统,包括:电量历史数据采集模块,用于获取所述光伏发电系统的电量的历史数据;天气数据采集模块,用于获取天气预报数据;光伏发电时序向量切分模块,用于将所述电量的历史数据按照时间维度排列为光伏发电时序输入向量后,基于第一时间尺度对所述光伏发电时序输入向量进行向量切分以得到光伏发电局部时序输入向量的序列;光伏发电局部时序特征提取模块,用于通过基于深度神经网络模型的发电量模式特征提取器对所述光伏发电局部时序输入向量的序列进行特征挖掘以得到光伏发电局部时序特征向量的序列;天气数据编码模块,用于对所述天气预报数据中的各天天气数据进行独热编码以得到天气数据独热编码向量的序列;各天天气数据语义关联编码模块,用于对所述天气数据独热编码向量的序列进行上下文关联编码以得到上下文天气数据编码特征向量的序列;电量-天气时序特征交互融合模块,用于对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征;光伏发电量预测模块,用于基于所述电量-天气交互融合特征,确定光伏发电量的预测值。
其中,所述基于深度神经网络模型的发电量模式特征提取器为基于一维卷积层的发电量模式特征提取器。
具体地,在本申请的技术方案中,首先,获取所述光伏发电系统的电量的历史数据,并获取天气预报数据。接着,考虑到所述光伏发电系统的发电量在不同的时间段中可能存在一定的周期性或趋势性变化。因此,为了更好地提取光伏发电系统的电量的历史数据的局部时序特征,以便更为充分地捕捉发电量的时序变化模式和趋势,在本申请的技术方案中,需要将所述电量的历史数据按照时间维度排列为光伏发电时序输入向量后,基于第一时间尺度对所述光伏发电时序输入向量进行向量切分以得到光伏发电局部时序输入向量的序列。应可以理解,通过将所述电量的历史数据按时间维度排列为所述光伏发电时序输入向量,可以将所述光伏发电系统的电量在时间维度的信息映射到到输入向量中,以便于后续模型能够对发电量的时序特征敏感。然后,基于所述第一时间尺度对所述光伏发电时序输入向量进行向量切分能够将整个光伏发电的时序向量切分成多个局部时序向量,每个局部时序向量代表一段时间内的光伏发电情况,以便于后续更好地捕捉到光伏发电量的局部变化和趋势,提取出光伏发电量的局部时序特征,以帮助预测模型更好地理解光伏发电系统的动态变化,提高预测的准确性和可靠性。
然后,将所述光伏发电局部时序输入向量的序列通过基于一维卷积层的发电量模式特征提取器中进行特征挖掘,以提取出所述光伏发电量在各个局部时间段中的局部时序特征信息,从而得到光伏发电局部时序特征向量的序列。
应可以理解,所述天气预报数据通常包含多个天气属性,如太阳辐射、温度、云层、湿度等,这些天气属性是离散的,无法直接作为输入传递给光伏发电系统。并且,考虑到独热编码是一种常用的编码方式,它可以将每个离散的天气属性表示为一个长度与天气属性数量相等的向量,其中只有对应的属性位置为1,其他位置为0。因此,为了能够将所述天气数据转换为光伏发电系统可以处理的数值形式,以便于与光伏发电量的历史数据局部时序特征进行交互融合来更为精准地进行光伏发电量的预测,在本申请的技术方案中,需要对所述天气预报数据中的各天天气数据进行独热编码以得到天气数据独热编码向量的序列。也就是说,将所述天气预报数据中的各天天气数据进行独热编码后,可以得到所述天气数据的独热编码向量的序列,每个天气数据的独热编码向量代表一天的天气情况,其中只有对应的天气属性位置为1,其他位置为0。这样的编码方式可以保留天气属性之间的互斥性,同时提供了数值形式的输入,方便与光伏发电的局部时序特征进行交互融合。
接着,考虑到由于各天的天气数据之间具有着相互的关联关系,也就是说,各天的天气是相互关联的,并不是独立存在的,因此,为了能够捕捉到所述天气数据中的各天天气数据之间的时序关联特征和变化模式,在本申请的技术方案中,魂土初一将所述天气数据独热编码向量的序列通过基于转换器模块的天气数据上下文编码器中进行编码处理,以提取出所述天气数据中关于各天的天气数据的独热编码特征之间基于全局的上下文语义关联特征信息,从而得到上下文天气数据编码特征向量的序列。
在本申请的一个具体实施例中,所述各天天气数据语义关联编码模块,用于:将所述天气数据独热编码向量的序列通过基于转换器模块的天气数据上下文编码器以得到所述上下文天气数据编码特征向量的序列。
在本申请的一个实施例中,所述电量-天气时序特征交互融合模块,用于:使用电量-天气交互融合模块对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征向量作为所述电量-天气交互融合特征。
进一步地,考虑到在光伏发电量的预测过程中,光伏发电量会受到天气条件的影响而发生变化。因此,为了综合考虑光伏发电量和天气之间的关系,以便更好地利用天气数据信息的时序上下文特征和发电量历史局部时序特征来提高光伏发电量的预测准确性,在本申请的技术方案中,使用电量-天气交互融合模块对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征向量。通过序列间交互融合的方式来得到所述电量-天气交互融合特征向量,可以综合考虑光伏发电量和天气之间的交互关系和关联模式,以将天气因素纳入光伏发电量的预测模型中。这样的交互融合可以提供更全面的特征表示,有助于提高光伏发电量的预测准确性。
在本申请的一个具体实施例中,所述电量-天气时序特征交互融合模块,包括:相关度计算单元,用于以如下公式来计算所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量之间的相关度,其中,所述公式为:
Sij=hi Trj
其中,Sij表示所述上下文天气数据编码特征向量的序列中第i个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中第j个光伏发电局部时序特征向量之间的相关度,hi表示所述上下文天气数据编码特征向量的序列中第i个上下文天气数据编码特征向量,且rj表示所述光伏发电局部时序特征向量的序列中第j个光伏发电局部时序特征向量;天气数据交互式更新单元,用于基于所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量之间的相关度以及所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量,对所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量进行交互式更新以得到更新上下文天气数据编码特征向量的序列;光伏发电交互式更新单元,用于基于所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量与所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量之间的相关度以及所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量,对所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量进行交互式更新以得到更新光伏发电局部时序特征向量的序列;天气数据融合单元,用于融合所述上下文天气数据编码特征向量的序列和所述更新上下文天气数据编码特征向量的序列以得到交互融合上下文天气数据编码特征向量的序列;光伏发电融合单元,用于融合所述光伏发电局部时序特征向量的序列和所述更新光伏发电局部时序特征向量的序列以得到交互融合光伏发电局部时序特征向量的序列;向量拼接单元,用于将所述交互融合上下文天气数据编码特征向量的序列和所述交互融合光伏发电局部时序特征向量的序列进行拼接以得到所述电量-天气交互融合特征向量。
继而,再将所述电量-天气交互融合特征向量通过基于解码器的光伏发电量预测器以得到光伏发电量的预测值。也就是说,利用所述发电量的历史数据局部时序特征和所述天气数据时序上下文编码特征之间的交互融合特征信息来进行解码回归,从而能够预测未来一段时间的光伏发电量。这样,能够实现对光伏发电量的自动化预测,从而基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,避免能源的浪费和不足,并确保光伏发电的稳定性和可靠性。
在本申请的一个具体实施例中,所述光伏发电量预测模块,用于:将所述电量-天气交互融合特征向量通过基于解码器的光伏发电量预测器以得到光伏发电量的预测值。
在本申请的一个实施例中,所述基于光伏发电的蓄能系统,还包括用于对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练的训练模块。所述训练模块,包括:训练电量历史数据采集单元,用于获取所述光伏发电系统的电量的训练历史数据;训练天气数据采集单元,用于获取训练天气预报数据;训练光伏发电时序向量切分单元,用于将所述电量的训练历史数据按照时间维度排列为训练光伏发电时序输入向量后,基于第一时间尺度对所述训练光伏发电时序输入向量进行向量切分以得到训练光伏发电局部时序输入向量的序列;训练光伏发电局部时序特征提取单元,用于通过所述基于深度神经网络模型的发电量模式特征提取器对所述训练光伏发电局部时序输入向量的序列进行特征挖掘以得到训练光伏发电局部时序特征向量的序列;训练天气数据编码单元,用于对所述训练天气预报数据中的各天训练天气数据进行独热编码以得到训练天气数据独热编码向量的序列;训练各天天气数据语义关联编码单元,用于对所述训练天气数据独热编码向量的序列进行上下文关联编码以得到训练上下文天气数据编码特征向量的序列;训练电量-天气时序特征交互融合单元,用于使用所述电量-天气交互融合模块对所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序特征向量的序列进行交互融合以得到训练电量-天气交互融合特征向量;训练解码单元,用于将所述训练电量-天气交互融合特征向量通过所述基于解码器的光伏发电量预测器以得到解码损失函数值;损失函数计算单元,用于计算所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的特定损失函数;训练单元,用于基于所述解码损失函数值和所述特定损失函数的加权和作为损失函数值来对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练。
特别地,在上述技术方案中,所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列分别表达光伏发电系统的发电量的训练历史数据的基于向量切分确定的局部时域内发电量局部时序关联模式特征以及天气数据独热编码表示的上下文语义关联特征。当使用电量-天气交互融合模块对所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序输入向量的序列进行交互融合时,考虑到所述光伏发电系统的发电量的训练历史数据和所述训练天气预报数据的源数据存在模态差异且特征提取模式也存在差异,会使得所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列具有基于序列的局部编码域间的不同特征群密度表示,从而影响所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序输入向量的序列之间的交互融合效果,进而影响其通过基于解码器的光伏发电量预测器得到的光伏发电量的预测值的精准度。
因此,本申请的申请人考虑提升所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列的特征群密度表示一致性,从而进一步引入了针对所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列的特定损失函数,表示为:以如下优化公式计算所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的特定损失函数;其中,所述优化公式为:
其中,V1是所述训练光伏发电局部时序特征向量的序列级联得到的第一特征向量,V2是所述训练上下文天气数据编码特征向量的序列级联得到的第二特征向量,所述第一特征向量V1和所述第二特征向量V2具有相同长度L,且表示向量的二范数的平方,Loss表示特定损失函数值,exp(·)表示计算以数值为幂的自然指数函数值,/>表示按位置减法。
这里,所述特定损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的特征群密度表示一致性优化,以提升所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序输入向量的序列之间的交互融合效果。这样,能够基于所述光伏发电系统的电量的历史数据和天气预报数据来对光伏发电量进行准确的预测,以便基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,避免能源的浪费和不足,提高能源的利用效率,并确保光伏发电的稳定性和可靠性。
在本申请的一个实施例中,提供的基于光伏发电的蓄能系统,其优点是安装和使用成本低,用途广,使用寿命长,节能环保无污染。本申请具有“蓄能”能力,光伏发电系统产生的电量多于企业生产所需电量时,此时可将富余的电量通过电制冷机组转化成冷量的形式储存在蓄冷装置内;在高峰电价时段,当光伏发电系统产生的电量不能满足企业生产需求时,可将储存在蓄冷装置内的冷量释放给供冷末端,减少电制冷设备的开启,从而降低企业生产成本,并实现富余电量的转移,起到平衡电网负荷的作用,最终还可起到减少清洁能源弃用的作用。
通过上述技术方案,本申请中的光伏发电系统所产生的富余电量,用户可以选择三种方式对其进行利用。方法1:将富余电量输送电网,并获得售电收益;方法2:全部利用蓄电池将富余电量储存起来,在电网高峰电价时段释放电量供给用电设备,减小用电成本;方法3:将富余电量转化为冷量形式储存在蓄冷装置内,在电网高峰电价时段释放冷量给供冷末端,减少电制冷设备的开启,从而降低用电成本。
以某一企业屋面光伏发电系统每天产生2000KWh富余电量为例,若使用方法1,根据我国各地区光伏发电上网价格为0.3-0.4元/kwh,光伏发电成本约为0.15元/kwh,则企业将富余电量售卖给电网每天产生的收益为2000*(0.35-0.15)=400元。
若使用方法2,利用蓄电池将富余电量储存起来,在电网高峰电价时段释放电量供给用电设备,如高峰电价为1.1元/kwh,则企业每天节约用电成本2000*(1.1-0.15)×0.9=1710元,其中0.9为放电效率。蓄电池储能系统建造成本约为400万元,运维成本约7万元/年,使用寿命约10年。
若使用方法3,将富余电量转化为冷量形式储存在蓄冷装置内,在电网高峰电价时段释放冷量给供冷末端,如高峰电价为1.1元/kwh,则企业每天节约电制冷用电成本2000*(1.1-0.15)×0.9=1710元,其中,0.9为放冷效率。蓄冷系统建造成本约为180万元,运维成本约5万元/年,使用寿命至少30年。
对比以上三种使用方法,方法1直接将富余电量售卖给电网,直接获得卖电收益,但收益相对较低;方法2与方法3中蓄电池储存电量与蓄冷储存冷量,都能够节约较多的节约用电成本,但蓄冷系统建造成本和运维成本更低、使用寿命更长,蓄能介质更环保,优势显著。
从光伏发电系统发电量与生产用电量规律可见在某一时间段内光伏发电会产生较多富余电量,通过将这些电量转化为冷量储存于蓄冷装置中,在电网高峰电价时段释放冷量给供冷末端,可以减少电制冷设备的开启,从而降低企业用电成本,同时起到平衡电网负荷的作用。
综上,基于本申请实施例的基于光伏发电的蓄能系统100被阐明,其能够实现对光伏发电量的自动化预测,从而基于光伏发电量的预测值来帮助系统运营商提前安排电网调度和储能系统的充放电计划,避免能源的浪费和不足,并确保光伏发电的稳定性和可靠性。
如上所述,根据本申请实施例的基于光伏发电的蓄能系统100可以实现在各种终端设备中,例如用于基于光伏发电的蓄能的服务器等。在一个示例中,根据本申请实施例的基于光伏发电的蓄能系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于光伏发电的蓄能系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于光伏发电的蓄能系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于光伏发电的蓄能系统100与该终端设备也可以是分立的设备,并且该基于光伏发电的蓄能系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图4为根据本申请实施例的基于光伏发电的蓄能方法的流程图。图5为根据本申请实施例的基于光伏发电的蓄能方法架构的示意图。如图4和图5所示,所述基于光伏发电的蓄能方法,包括:210,获取所述光伏发电系统的电量的历史数据;220,获取天气预报数据;230,将所述电量的历史数据按照时间维度排列为光伏发电时序输入向量后,基于第一时间尺度对所述光伏发电时序输入向量进行向量切分以得到光伏发电局部时序输入向量的序列;240,通过基于深度神经网络模型的发电量模式特征提取器对所述光伏发电局部时序输入向量的序列进行特征挖掘以得到光伏发电局部时序特征向量的序列;250,对所述天气预报数据中的各天天气数据进行独热编码以得到天气数据独热编码向量的序列;260,对所述天气数据独热编码向量的序列进行上下文关联编码以得到上下文天气数据编码特征向量的序列;270,对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征;280,基于所述电量-天气交互融合特征,确定光伏发电量的预测值。
本领域技术人员可以理解,上述基于光伏发电的蓄能方法中的各个步骤的具体操作已经在上面参考图1至图3的基于光伏发电的蓄能系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图6为根据本申请实施例的基于光伏发电的蓄能系统的应用场景图。如图6所示,在该应用场景中,首先,获取所述光伏发电系统的电量的历史数据(例如,如图6中所示意的C1);以及,获取天气预报数据(例如,如图6中所示意的C2);然后,将获取的电量的历史数据、天气预报数据输入至部署有基于光伏发电的蓄能算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于光伏发电的蓄能算法对所述电量的历史数据、所述天气预报数据进行处理,以确定光伏发电量的预测值。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种基于光伏发电的蓄能系统,包括:光伏发电系统、电制冷机组、蓄冷装置、电储能系统、蓄冷泵、放冷泵、阀门和连接管道,其特征在于,
所述光伏发电系统用于利用光照辐射来产生电量,所述电量供给用电设备或电网,其中,当所述电量的供给量大于所述用电设备或电网的需求量时,富余的所述电量通过所述电制冷机组转化为冷量,冷量经所述蓄冷泵、阀门和连接管储存在所述蓄冷装置内;当在电价高峰时段,将所述蓄冷装置内的冷量通过所述放冷泵、阀门和连接管道释放给供冷末端;当所述蓄冷装置蓄满后还有富余所述电量,启动所述电储能系统进行储电,当在电价高峰时段,将所述电储能系统内储存的电量输送给用电设备或电网;
其中,所述光伏发电系统,包括:
电量历史数据采集模块,用于获取所述光伏发电系统的电量的历史数据;
天气数据采集模块,用于获取天气预报数据;
光伏发电时序向量切分模块,用于将所述电量的历史数据按照时间维度排列为光伏发电时序输入向量后,基于第一时间尺度对所述光伏发电时序输入向量进行向量切分以得到光伏发电局部时序输入向量的序列;
光伏发电局部时序特征提取模块,用于通过基于深度神经网络模型的发电量模式特征提取器对所述光伏发电局部时序输入向量的序列进行特征挖掘以得到光伏发电局部时序特征向量的序列;
天气数据编码模块,用于对所述天气预报数据中的各天天气数据进行独热编码以得到天气数据独热编码向量的序列;
各天天气数据语义关联编码模块,用于对所述天气数据独热编码向量的序列进行上下文关联编码以得到上下文天气数据编码特征向量的序列;
电量-天气时序特征交互融合模块,用于对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征;
光伏发电量预测模块,用于基于所述电量-天气交互融合特征,确定光伏发电量的预测值。
2.根据权利要求1所述的基于光伏发电的蓄能系统,其特征在于,所述基于深度神经网络模型的发电量模式特征提取器为基于一维卷积层的发电量模式特征提取器。
3.根据权利要求2所述的基于光伏发电的蓄能系统,其特征在于,所述各天天气数据语义关联编码模块,用于:将所述天气数据独热编码向量的序列通过基于转换器模块的天气数据上下文编码器以得到所述上下文天气数据编码特征向量的序列。
4.根据权利要求3所述的基于光伏发电的蓄能系统,其特征在于,所述电量-天气时序特征交互融合模块,用于:使用电量-天气交互融合模块对所述上下文天气数据编码特征向量的序列和所述光伏发电局部时序特征向量的序列进行交互融合以得到电量-天气交互融合特征向量作为所述电量-天气交互融合特征。
5.根据权利要求4所述的基于光伏发电的蓄能系统,其特征在于,所述电量-天气时序特征交互融合模块,包括:
相关度计算单元,用于以如下公式来计算所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量之间的相关度,其中,所述公式为:
;
其中,表示所述上下文天气数据编码特征向量的序列中第/>个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中第/>个光伏发电局部时序特征向量之间的相关度,/>表示所述上下文天气数据编码特征向量的序列中第/>个上下文天气数据编码特征向量,且/>表示所述光伏发电局部时序特征向量的序列中第/>个光伏发电局部时序特征向量;
天气数据交互式更新单元,用于基于所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量与所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量之间的相关度以及所述光伏发电局部时序特征向量的序列中所有光伏发电局部时序特征向量,对所述上下文天气数据编码特征向量的序列中各个上下文天气数据编码特征向量进行交互式更新以得到更新上下文天气数据编码特征向量的序列;
光伏发电交互式更新单元,用于基于所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量与所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量之间的相关度以及所述上下文天气数据编码特征向量的序列中所有上下文天气数据编码特征向量,对所述光伏发电局部时序特征向量的序列中各个光伏发电局部时序特征向量进行交互式更新以得到更新光伏发电局部时序特征向量的序列;
天气数据融合单元,用于融合所述上下文天气数据编码特征向量的序列和所述更新上下文天气数据编码特征向量的序列以得到交互融合上下文天气数据编码特征向量的序列;
光伏发电融合单元,用于融合所述光伏发电局部时序特征向量的序列和所述更新光伏发电局部时序特征向量的序列以得到交互融合光伏发电局部时序特征向量的序列;
向量拼接单元,用于将所述交互融合上下文天气数据编码特征向量的序列和所述交互融合光伏发电局部时序特征向量的序列进行拼接以得到所述电量-天气交互融合特征向量。
6.根据权利要求5所述的基于光伏发电的蓄能系统,其特征在于,所述光伏发电量预测模块,用于:将所述电量-天气交互融合特征向量通过基于解码器的光伏发电量预测器以得到光伏发电量的预测值。
7.根据权利要求6所述的基于光伏发电的蓄能系统,其特征在于,还包括用于对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练的训练模块。
8.根据权利要求7所述的基于光伏发电的蓄能系统,其特征在于,所述训练模块,包括:
训练电量历史数据采集单元,用于获取所述光伏发电系统的电量的训练历史数据;
训练天气数据采集单元,用于获取训练天气预报数据;
训练光伏发电时序向量切分单元,用于将所述电量的训练历史数据按照时间维度排列为训练光伏发电时序输入向量后,基于第一时间尺度对所述训练光伏发电时序输入向量进行向量切分以得到训练光伏发电局部时序输入向量的序列;
训练光伏发电局部时序特征提取单元,用于通过所述基于深度神经网络模型的发电量模式特征提取器对所述训练光伏发电局部时序输入向量的序列进行特征挖掘以得到训练光伏发电局部时序特征向量的序列;
训练天气数据编码单元,用于对所述训练天气预报数据中的各天训练天气数据进行独热编码以得到训练天气数据独热编码向量的序列;
训练各天天气数据语义关联编码单元,用于对所述训练天气数据独热编码向量的序列进行上下文关联编码以得到训练上下文天气数据编码特征向量的序列;
训练电量-天气时序特征交互融合单元,用于使用所述电量-天气交互融合模块对所述训练上下文天气数据编码特征向量的序列和所述训练光伏发电局部时序特征向量的序列进行交互融合以得到训练电量-天气交互融合特征向量;
训练解码单元,用于将所述训练电量-天气交互融合特征向量通过所述基于解码器的光伏发电量预测器以得到解码损失函数值。
9.根据权利要求8所述的基于光伏发电的蓄能系统,其特征在于,所述训练模块,还包括:
损失函数计算单元,用于计算所述训练光伏发电局部时序特征向量的序列和所述训练上下文天气数据编码特征向量的序列之间的特定损失函数;
训练单元,用于基于所述解码损失函数值和所述特定损失函数的加权和作为损失函数值来对所述基于一维卷积层的发电量模式特征提取器、所述基于转换器模块的天气数据上下文编码器、所述电量-天气交互融合模块和所述基于解码器的光伏发电量预测器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075841.2A CN117913866B (zh) | 2024-01-18 | 2024-01-18 | 基于光伏发电的蓄能系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075841.2A CN117913866B (zh) | 2024-01-18 | 2024-01-18 | 基于光伏发电的蓄能系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117913866A CN117913866A (zh) | 2024-04-19 |
CN117913866B true CN117913866B (zh) | 2024-06-07 |
Family
ID=90694666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410075841.2A Active CN117913866B (zh) | 2024-01-18 | 2024-01-18 | 基于光伏发电的蓄能系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117913866B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006179681A (ja) * | 2004-12-22 | 2006-07-06 | Sanyo Electric Co Ltd | 太陽光発電利用の熱供給システム |
CN101458005A (zh) * | 2009-01-15 | 2009-06-17 | 北京航空航天大学 | 太阳能光伏-市电混合驱动蓄冷蓄热型热泵机组 |
JP2010107074A (ja) * | 2008-10-29 | 2010-05-13 | Sekisui Chem Co Ltd | エネルギー供給システム、自立型住宅及び自立型地域 |
TW201719545A (zh) * | 2015-11-17 | 2017-06-01 | 財團法人資訊工業策進會 | 發電系統效能估測方法 |
CN108061344A (zh) * | 2017-11-22 | 2018-05-22 | 国网湖北省电力有限公司 | 一种分布式户用光伏+冰蓄冷的优化协调控制系统及方法 |
CN111435051A (zh) * | 2019-01-15 | 2020-07-21 | 云南师范大学 | 一种市电与分布式光伏独立能源结合驱动的冰蓄冷冷库系统 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN114665467A (zh) * | 2021-12-28 | 2022-06-24 | 上海电气分布式能源科技有限公司 | 一种光储充微网系统的智能调度方法及系统 |
CN115456235A (zh) * | 2022-07-30 | 2022-12-09 | 国网江苏省电力有限公司 | 一种基于多模态融合的光伏功率预测系统 |
CN115986784A (zh) * | 2023-01-06 | 2023-04-18 | 珠海格力电器股份有限公司 | 一种储电储冷系统及其运行方法 |
CN117077955A (zh) * | 2023-08-21 | 2023-11-17 | 江西安集储能有限公司 | 用于光储并网发电系统的能量管理系统及其方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373827A1 (en) * | 2012-03-23 | 2018-12-27 | Power Analytics Corporation | Systems and methods for model-based solar power management |
US10692013B2 (en) * | 2016-06-07 | 2020-06-23 | International Business Machines Corporation | Solar irradiation modeling and forecasting using community based terrestrial sky imaging |
CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
-
2024
- 2024-01-18 CN CN202410075841.2A patent/CN117913866B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006179681A (ja) * | 2004-12-22 | 2006-07-06 | Sanyo Electric Co Ltd | 太陽光発電利用の熱供給システム |
JP2010107074A (ja) * | 2008-10-29 | 2010-05-13 | Sekisui Chem Co Ltd | エネルギー供給システム、自立型住宅及び自立型地域 |
CN101458005A (zh) * | 2009-01-15 | 2009-06-17 | 北京航空航天大学 | 太阳能光伏-市电混合驱动蓄冷蓄热型热泵机组 |
TW201719545A (zh) * | 2015-11-17 | 2017-06-01 | 財團法人資訊工業策進會 | 發電系統效能估測方法 |
CN108061344A (zh) * | 2017-11-22 | 2018-05-22 | 国网湖北省电力有限公司 | 一种分布式户用光伏+冰蓄冷的优化协调控制系统及方法 |
CN111435051A (zh) * | 2019-01-15 | 2020-07-21 | 云南师范大学 | 一种市电与分布式光伏独立能源结合驱动的冰蓄冷冷库系统 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN114665467A (zh) * | 2021-12-28 | 2022-06-24 | 上海电气分布式能源科技有限公司 | 一种光储充微网系统的智能调度方法及系统 |
CN115456235A (zh) * | 2022-07-30 | 2022-12-09 | 国网江苏省电力有限公司 | 一种基于多模态融合的光伏功率预测系统 |
CN115986784A (zh) * | 2023-01-06 | 2023-04-18 | 珠海格力电器股份有限公司 | 一种储电储冷系统及其运行方法 |
CN117077955A (zh) * | 2023-08-21 | 2023-11-17 | 江西安集储能有限公司 | 用于光储并网发电系统的能量管理系统及其方法 |
Non-Patent Citations (2)
Title |
---|
" Day-Ahead Solar Irradiation FORecasting Utilizing Gramian Angular Field and Convolutional Long ShORt-Term MemORy";Ying-Yi Hong;《IEEE ACCESS》;20201231;第8卷;18741-18753 * |
"基于不确定性天气数据的光伏发电系统电量分时段预测";陈昀 等;《 中国测试》;20231231;第49卷(增刊第2期);76-83 * |
Also Published As
Publication number | Publication date |
---|---|
CN117913866A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537409B (zh) | 一种考虑多能源耦合特性的工业园区配电网协同规划方法 | |
Henning et al. | A comprehensive model for the German electricity and heat sector in a future energy system with a dominant contribution from renewable energy technologies—Part I: Methodology | |
Luo et al. | Design and analysis of a combined desalination and standalone CCHP (combined cooling heating and power) system integrating solar energy based on a bi-level optimization model | |
CN109919480A (zh) | 一种三层目标的能源互联网规划方法及设备 | |
CN105226648A (zh) | 一种基于大数据的分布式电源配电网规划方法 | |
CN115081902B (zh) | 基于源网荷储协同的综合规划方法、装置、设备及介质 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN111639819A (zh) | 一种综合能源园区多阶段优化控制方法 | |
Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
Wang et al. | Multi-attribute decision analysis for optimal design of park-level integrated energy systems based on load characteristics | |
Zhi et al. | Scenario-based multi-objective optimization strategy for rural PV-battery systems | |
Fu et al. | Estimation of building energy consumption using weather information derived from photovoltaic power plants | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
He | The development and utilization of microgrid technologies in China | |
Cui et al. | Optimal operation of CCHP microgrids with multiple shiftable loads in different auxiliary heating source systems | |
Yue et al. | A simplified assessment method based on Hooke's law to estimate the grid-friendly ability of buildings | |
CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 | |
CN110992206B (zh) | 一种多源电场的优化调度方法及系统 | |
Chen et al. | Flexible dispatching method for park‐level integrated energy systems considering energy cascade utilization | |
CN116187538B (zh) | 能源调度方法和装置 | |
CN117913866B (zh) | 基于光伏发电的蓄能系统 | |
CN116205458A (zh) | 考虑不确定性的水电制氢的综合能源系统优化调度模型建立方法 | |
CN114723278B (zh) | 一种考虑光伏储能的社区微电网调度方法及系统 | |
CN112116131B (zh) | 计及碳排放的综合能源系统多层级优化方法 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 |
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 |