TWI785397B - 微電網能源管理系統及其方法 - Google Patents

微電網能源管理系統及其方法 Download PDF

Info

Publication number
TWI785397B
TWI785397B TW109135530A TW109135530A TWI785397B TW I785397 B TWI785397 B TW I785397B TW 109135530 A TW109135530 A TW 109135530A TW 109135530 A TW109135530 A TW 109135530A TW I785397 B TWI785397 B TW I785397B
Authority
TW
Taiwan
Prior art keywords
power
power generation
solar
level
management system
Prior art date
Application number
TW109135530A
Other languages
English (en)
Other versions
TW202215352A (zh
Inventor
陳正一
Original Assignee
國立中央大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 國立中央大學 filed Critical 國立中央大學
Priority to TW109135530A priority Critical patent/TWI785397B/zh
Publication of TW202215352A publication Critical patent/TW202215352A/zh
Application granted granted Critical
Publication of TWI785397B publication Critical patent/TWI785397B/zh

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Control Of Eletrric Generators (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

一種微電網管理系統，利用輻狀基底神經網路以根據氣象資訊和發電量運算太陽能電板的預估發電量，接者利用太陽能及需量係數函式及多半區間演算法以根據儲能電池的儲備電量、電子裝置的需要電量及預估發電量運算最佳需要電量，根據最佳需要電量、預估發電量和儲備電量得知儲能電池的剩餘電量。透過前述配置，最佳化太陽能電板的發電量及儲能電池的儲備電量，使電子裝置的運行更為順暢。

Description

微電網能源管理系統及其方法
本發明關於一種微電網能源管理系統及其方法，特別是，一種利用輻狀基底神經網路和多半區間演算法將太陽能發電量做最佳化分配之微電網能源管理系統及其方法。
目前，台灣的發電技術為以集中式發電為主要的電力調度技術，電力需求的提升使問題逐漸顯露，問題所在於集中式發電模式下，當中央發電發生問題，下方的電力用戶只能等待電力恢復且無電可使用，如何解決前述缺失，遂成為待解決的問題。
綜觀前所述，本發明之發明者思索並設計一種微電網能源管理系統及其方法，以期針對習知技術之缺失加以改善，進而增進產業上之實施利用。
有鑑於上述習知之問題，本發明的目的在於提供一種微電網能源管理系統及其方法，用以解決習知技術中所面臨之問題。
基於上述目的，本發明提供一種微電網能源管理系統，其包括氣象站、太陽能發電機、複數個電子裝置、雲端資料庫以及電腦。氣象站提供氣象資訊。太陽能發電機具有太陽能發電板和儲能電池，太陽能發電板吸收太陽 輻射能來產生發電量，儲能電池具有儲備電量。複數個電子裝置分別電性連接太陽能發電機且分別具有工作電壓。雲端資料庫透過通訊協定連接氣象站、太陽能發電機和複數個電子裝置，雲端資料庫儲存氣象資訊、發電量、儲備電量以及複數個工作電壓。電腦網路連接雲端資料庫以接收氣象資訊、發電量、儲備電量以及複數個工作電壓，電腦包括處理器及記憶體，處理器根據複數個工作電壓運算需要電量，記憶體備有輻狀基底神經網路及多半區間演算法，輻狀基底神經網路被處理器運行以根據氣象資訊和發電量運算預估發電量，處理器運行太陽能及需量係數函式及多半區間演算法以根據儲備電量、需要電量及預估發電量運算最佳需要電量。
可選地，處理器根據最佳需要電量、預估發電量和儲備電量預估儲能電池的剩餘電量。
可選地，電腦將預估發電量、最佳需要電量和剩餘電量傳送至雲端資料庫儲存。
可選地，當市電無法供電至複數個電子裝置，太陽能發電機根據雲端資料庫的最佳需要電量供電至複數個電子裝置。
可選地，複數個電子裝置分為第一等級、第二等級、第三等級、第四等級及第五等級，第一等級的電子裝置為維持開啟狀態，太陽能發電機依據第一等級、第二等級、第三等級、第四等級及第五等級分配最佳需要電量至複數個電子裝置。
可選地，本發明之微電網能源管理系統進一步包括煙霧感測器，煙霧感測器鄰近設置於複數個電子裝置以感測煙霧，煙霧感測器網路連接電 腦，當煙霧感測器感測煙霧時，煙霧感測器傳送煙霧感測訊號至電腦，處理器透過雲端資料庫傳送停止訊號至複數個電子裝置，複數個電子裝置停止作動。
可選地，本發明之微電網能源管理系統進一步包括複數個智慧插座，各智慧插座具有通訊晶片以網路連接於雲端資料庫。
可選地，氣象站、太陽能發電機及複數個電子裝置以通訊協定互相連接。
可選地，輻狀基底神經網路包括輸入層、隱藏層以及輸出層，該輸入層接收氣象資訊和發電量並將其輸出至隱藏層，隱藏層運行輻狀基底函數以根據氣象資訊和發電量運算出初始發電量，隱藏層加權初始發電量以輸出預估發電量至輸出層。
基於上述目的，本發明提供一種微電網能源管理方法，其包括：(1)提供氣象資訊、發電量、儲備電量以及需要電量。(2)運行輻狀基底神經網路以根據氣象資訊和發電量運算預估發電量。(3)運行太陽能及需量係數函式及多半區間演算法以根據儲備電量、需要電量及預估發電量運算最佳需要電量。(4)根據最佳需要電量、預估發電量和儲備電量取得剩餘電量。
可選地，輻狀基底神經網路包括輸入層、隱藏層以及輸出層，利用輸入層接收氣象資訊和發電量並將其輸出至隱藏層，利用隱藏層運行輻狀基底函數以根據氣象資訊和發電量運算出初始發電量，並加權初始發電量以輸出預估發電量
承上所述，本發明之微電網能源管理系統及其方法，利用輻狀基底神經網路以根據氣象資訊和發電量運算太陽能電板的預估發電量，接者利用太陽能及需量係數函式及多半區間演算法以根據儲能電池的儲備電量、電子裝 置的需要電量及預估發電量運算最佳需要電量，根據最佳需要電量、預估發電量和儲備電量預估儲能電池的剩餘電量。透過前述配置，最佳化太陽能電板的發電量及儲能電池的儲備電量，使電子裝置的運行更為順暢。
10:氣象站
20:太陽能發電機
21:太陽能發電板
22:儲能電池
23:電力轉換器
30:電子裝置
31:電燈
32:冷氣
40:雲端資料庫
50:電腦
51:處理器
52:記憶體
60:智慧插座
61:電表
62:溫度/濕度計
63:除溼機
64:熱水瓶
65:煙霧感測器
70:行動裝置
C1~Cm:各神經元中心點
EE:預估發電量
fm、fL、fH:時間係數
GE:發電量
HL:隱藏層
IL:輸入層
L:fH和fL之間的差距
MBA:多半區間演算法
NE:最佳需要電量
Nβ:剩餘電量
OL:輸出層
RBFNN:輻狀基底神經網路
SE:儲備電量
S11~S15:步驟
WI:氣象資訊
WV:工作電壓
W1~Wm:加權係數
X1~Xn:輸入向量
y:網路輸出值
Z1~Zm:神經元的輸出
第1圖為本發明之微電網能源管理系統之第一實施例的配置圖。
第2圖為本發明之輻狀基底神經網路的示意圖。
第3圖為本發明之預估發電量和實際發電量的數據圖。
第4圖為本發明之多半區間演算法的示意圖。
第5圖為本發明之微電網能源管理方法的流程圖。
第6圖和第7圖為本發明之微電網能源管理系統之第二實施例的配置圖。
第8圖至第10圖為本發明之微電網能源管理系統之靜態需要電量的數據圖。
第11圖至第13圖為本發明之微電網能源管理系統之動態需要電量的數據圖。
本發明之優點、特徵以及達到之技術方法將參照例示性實施例及所附圖式進行更詳細地描述而更容易理解，且本發明可以不同形式來實現，故不應被理解僅限於此處所陳述的實施例，相反地，對所屬技術領域具有通常知識者而言，所提供的實施例將使本揭露更加透徹與全面且完整地傳達本發明的範疇，且本發明將僅為所附加的申請專利範圍所定義。
應當理解的是，儘管術語「第一」、「第二」等在本發明中可用於描述各種元件、部件、區域、層及/或部分，但是這些元件、部件、區域、層及/或部分不應受這些術語的限制。這些術語僅用於將一個元件、部件、區域、層及/或部分與另一個元件、部件、區域、層及/或部分區分開。因此，下文討論的「第一元件」、「第一部件」、「第一區域」、「第一層」及/或「第一部分」可以被稱為「第二元件」、「第二部件」、「第二區域」、「第二層」及/或「第二部分」，而不悖離本發明的精神和教示。
另外，術語「包括」及/或「包含」指所述特徵、區域、整體、步驟、操作、元件及/或部件的存在，但不排除一個或多個其他特徵、區域、整體、步驟、操作、元件、部件及/或其組合的存在或添加。
除非另有定義，本發明所使用的所有術語(包括技術和科學術語)具有與本發明所屬技術領域的普通技術人員通常理解的相同含義。將進一步理解的是，諸如在通常使用的字典中定義的那些術語應當被解釋為具有與它們在相關技術和本發明的上下文中的含義一致的定義，並且將不被解釋為理想化或過度正式的意義，除非本文中明確地這樣定義。
鑑於集中式發電模式下的缺點，離散式發電(distributed generation)開始逐漸成為焦點，離散式發電多以再生能源為主，再生能源包括太陽能發電、水力風電以及風力發電。微電網能源管理系統根據離散式發電的概念而發展出來適用於用電規模較小的個體戶，由於水力風電以及風力發電的設備相當龐大而不適合個體戶使用，因此微電網能源管理系統通常使用太陽能發電的設備作為發電來源，微電網能源管理系統於電力不穩時(市電無法正常供電)仍能供電至電子裝置以使其正常運作，且由於太陽能發電設備的發電，有效地降低購買市 電，達成節省電費和節約能源的目的，此外，微電網能源管理系統具有調節尖峰用電的作用，有效地降低尖峰用電時的用電需求。
請參閱第1圖，其為本發明之微電網能源管理系統之第一實施例的配置圖。如第1圖所示，本發明之微電網能源管理系統，其包括氣象站10、太陽能發電機20、複數個電子裝置30、雲端資料庫40以及電腦50。氣象站10提供氣象資訊WI，氣象資訊WI包括衛星雲圖、雲量變化以及雲層反射率，當然其也可為任何能影響太陽發電之相關氣象資訊，而未侷限於本發明所列舉的範圍。太陽能發電機20具有太陽能發電板21和儲能電池22，太陽能發電板21吸收太陽輻射能來產生發電量GE，儲能電池22可例如為鋰離子電池而具有儲備電量SE，太陽能發電板21和儲能電池22的數目可根據實際所需而有調整，而未侷限於本發明所陳述的範圍。複數個電子裝置30分別電性連接太陽能發電機20且分別具有工作電壓WV，氣象站10、太陽能發電機20及複數個電子裝置30以通訊協定互相連接。雲端資料庫40透過通訊協定連接氣象站10、太陽能發電機20和複數個電子裝置30，雲端資料庫40儲存氣象資訊WI、發電量GE、儲備電量SE以及複數個工作電壓WV；雲端資料庫40包括資料庫和伺服器，雲端資料庫40具備儲存資料和伺服器的功能。電腦50網路連接雲端資料庫40以接收氣象資訊WI、發電量GE、儲備電量SE以及複數個工作電壓WV，電腦50包括處理器51及記憶體52。
處理器51根據複數個工作電壓WV運算需要電量，記憶體52備有輻狀基底神經網路RBFNN及多半區間演算法MBA，輻狀基底神經網路RBFNN被處理器51運行以根據氣象資訊WI和發電量GE運算預估發電量EE，處理器51運行太陽能及需量係數函式及多半區間演算法MBA以根據儲備電量SE、需要電量及預估發電量EE運算最佳需要電量NE，處理器51根據最佳需要電量NE、預估 發電量EE和儲備電量SE預估儲能電池22的剩餘電量Nβ(如第3圖所示)，同時，電腦50將預估發電量EE、最佳需要電量NE和剩餘電量Nβ傳送至雲端資料庫40儲存。其中，處理器51如何利用輻狀基底神經網路RBFNN運算預估發電量EE及如何運行太陽能及需量係數函式及多半區間演算法MBA運算最佳需要電量NE將於後文描述。
請參閱第2圖，其為本發明之輻狀基底神經網路的示意圖。如第2圖所示，輻狀基底神經網路RBFNN包括輸入層IL、隱藏層HL及輸出層OL，輸入層IL計算輸入向量X1~Xn和隱藏層HL各神經元中心點C1~Cm的距離，經輻狀基底函數後獲得隱藏層HL各神經元的輸出Z1~Zm，其可表示如下式。
Z j (x)=Ø(∥x-C j ∥)j=1,2,3....,m其中，Ø()為輻狀基底函數，C j 為隱藏層HL第j神經元中心點，∥x-C j ∥為x與C j 間之歐氏距離，本發明所採用的輻狀基底函數為高斯函數，則網路輸出值y可表示如下。
Figure 109135530-A0305-02-0009-1
 其中，m為各神經元中心點個數，d max 所有中心點間最大的距離值，W1~Wm為加權係數。
根據前述，可將氣象資訊WI和發電量GE作為輸入層IL的輸入向量X1~Xn，隱藏層HL再利用輻狀基底函數運算出輸入向量X1~Xn和隱藏層HL各 神經元中心點C1~Cm的距離以輸出初始發電量，隱藏層HL加權初始發電量以輸出預估發電量EE至輸出層OL。
請參閱第3圖，其為本發明之預估發電量和實際發電量的數據圖。如第3圖所示，設定功率8KW的太陽能發電板21和21度的儲能電池22之參數，並將其帶入輻狀基底神經網路RBFNN，取得預估發電量EE，並發現預估發電量EE和太陽能發電板21的實際發電量相當接近。其中，誤差值為預估發電量EE和太陽能發電板21的實際發電量之差值。
需提及的是，太陽能及需量係數函式如下：
Figure 109135530-A0305-02-0010-2
((Lβ t +PV t )-R)=Nβ
Nβ
Figure 109135530-A0305-02-0010-21
0.9Allβ∥Nβ
Figure 109135530-A0305-02-0010-22
0.01Allβ其中，R為最佳需要電量NE，T為總時間，t為當下時間，δ為時間係數，Lβ為當下儲能電池22的剩餘電量，Allβ為儲能電池22總電量，sill為門檻值，mppt為發電量，α為最低需要電量，Lβ t 為當下剩餘電量，PV t 為當下太陽能發電板21的發電量GE，Nβ為新的儲能電池22的剩餘電量。
請參閱第4圖，其為本發明之多半區間演算法的示意圖。如第4圖所示，並搭配太陽能及需量係數函式，先將有限區間(fL,fH)平分成四段，fm、fL、fH分別為不同的三個等分點，fm=1/2(fL+fH)，fL為時間係數的最小值，fH為時間係數的最大值，L為fH和fL之間的差距，第n-1點可表示為fn-1=fL+(n-1)*L/2n，第n點可表示為fn=fH-(n-1)*L/2n，求出T(f)的最小值minT(f)，將最小值minT(f)帶入nfm，將nfm減去fm求得標竿值e，以標竿值e更新有限區間(fL,fH)的範圍。
Figure 109135530-A0305-02-0011-3
nf m =minT(f)
e=nfm-fm
Figure 109135530-A0305-02-0011-4
請參閱第5圖，其為本發明之微電網能源管理方法的流程圖。如第5圖所示，搭配第1圖說明本發明之微電網能源管理方法如下：S11步驟：氣象站10提供氣象資訊WI至雲端資料庫40，太陽能發電機20提供發電量GE和儲備電量SE至雲端資料庫40，雲端資料庫40也接收複數個電子裝置30的工作電壓WV，雲端資料庫40再將氣象資訊WI、發電量GE、儲備電量SE以及複數個工作電壓WV至電腦50，電腦50的處理器51根據複數個工作電壓WV運算需要電量。
S12步驟：運行如第2圖所示之輻狀基底神經網路RBFNN以根據氣象資訊WI和發電量GE運算預估發電量EE。
S13步驟：取得預估發電量EE，並將其代入太陽能及需量係數函式。
S14步驟：再將儲備電量SE和需要電量代入太陽能及需量係數函式，利用如第4圖所示之多半區間演算法MBA求得最佳的時間係數，以運算出最佳需要電量NE。
S15步驟：根據最佳需要電量NE、預估發電量EE以及儲備電量SE運算出儲能電池22的剩餘電量Nβ，根據最佳需要電量NE、預估發電量EE和剩餘電量Nβ的配置有效地利用太陽能發電機20的發電量GE，並使複數個電子裝置30仍能正常運作，達到需要電量控制的效果。
根據本發明所述之微電網能源管理系統及其方法，當市電無法正常供電至複數個電子裝置30，調度太陽能發電機20的發電量GE和儲備電量SE，太陽能發電機20根據雲端資料庫40的最佳需要電量NE供電至複數個電子裝置30，使各電子裝置30仍能正常運作而不致於停擺。
請參閱第6圖和第7圖，其為本發明之微電網能源管理系統之第二實施例的配置圖。如第6圖和第7圖所示，本發明之第二實施例與第一實施例之不同之處：更包括複數個智慧插座60、電表61、溫度/濕度計62、除溼機63、熱水瓶64、煙霧感測器65以及行動裝置70，太陽能發電機20包括電力轉換器23。
如第6圖所示，各智慧插座60具有通訊晶片以Wifi連接雲端資料庫40，或者，智慧插座60也可wifi連接路由器，路由器網路連接雲端資料庫40，網路連接包括網際網路(Internet)、Wi-Fi、WiMax(Worldwide Interoperability for Microwave Access)、紫蜂(ZigBee)、藍芽(bluetooth)、NB-IoT(Narrow Band IoT)或LoRa(Long Range)，當然也可為其他網路連接，並未侷限於本發明所列舉的範圍。多個電子裝置30可例如為電燈31和冷氣32(當然電子裝置30也可為其他家電產品，而未侷限於本發明所列舉的範圍)，電燈31、冷氣32、太陽能發電機20和 氣象站10和雲端資料庫40以modbus通訊連接，電燈31、冷氣32、太陽能發電機20和氣象站10也以modbus互相通訊連接，電燈31、冷氣32、太陽能發電機20和氣象站10和雲端資料庫40也可為其他通訊協定，而未侷限於本發明所列舉的範圍。
如第7圖所示，電表61、溫度/濕度計62、除溼機63、熱水瓶64、煙霧感測器65分別加裝智慧插座60，太陽能發電板21吸收太陽輻射能來產生發電量GE，電力轉換器23將部分發電量GE轉換為直流電儲存於儲能電池22，電力轉換器23將部分發電量GE轉換為交流電並傳輸其至各智慧插座60，使電表61、溫度/濕度計62、除溼機63、熱水瓶64和煙霧感測器65能正常運作；多個電力感測單元設置於電力轉換器23並網路連接雲端資料庫40，當各電力感測單元感測到直流電或交流電時，電力感測單元回傳直流電或交流電的數值至雲端資料庫40，電腦50根據直流電或交流電的數值判斷太陽能發電機20是否正常運作。
行動裝置70網路連接雲端資料庫40，行動裝置70可藉由雲端資料庫40控制熱水瓶64定時啟動來加熱水以節省電費，行動裝置70可藉由雲端資料庫40得知此時的電表61的度數和溫度/濕度計62所記錄的溫度值和濕度值，行動裝置70可藉由雲端資料庫40控制除溼機63開啟時間和關閉時間，行動裝置70的使用者也可根據溫度值和濕度值並藉由雲端資料庫40的輔助來開啟冷氣32。舉例來說，行動裝置70的使用者根據溫度值(其可例如為30度)判斷環境過熱，行動裝置70的使用者藉由雲端資料庫40的輔助來啟動冷氣32以降溫，行動裝置70的使用者根據濕度值(其可例如為70%)判斷過於潮濕，行動裝置70的使用者藉由雲端資料庫40的輔助來啟動冷氣32或除溼機63進行除溼。
煙霧感測器65鄰近設置於多個電子裝置30(其可包括電燈31、冷氣32)，煙霧感測器65網路連接電腦50，當煙霧感測器65感測煙霧時，煙霧感測器65傳送警告通知至行動裝置70，通知行動裝置70的使用者有火災的可能性，煙霧感測器65傳送煙霧感測訊號至電腦50，處理器51透過雲端資料庫40傳送停止訊號至多個電子裝置30和電表61、溫度/濕度計62、除溼機63及熱水瓶64，使各電子裝置30和電表61、溫度/濕度計62、除溼機63及熱水瓶64皆停止作動。
於另一實施例中，將各電子裝置30和電表61、溫度/濕度計62、除溼機63、熱水瓶64以及煙霧感測器65按照使用時間和必要性分為第一等級、第二等級、第三等級、第四等級及第五等級，第一等級的電子裝置30為生存必須裝置而需長時間維持開啟(例如電力裝置和網路裝置)，第二等級的電子裝置30則於使用中幾乎不關閉(例如冰箱和照明)，第三等級的電子裝置30則在日常生活中使用較長的時間(例如冷氣或電視)，第四等級和第五等級的電子裝置30為非必要使用家電產品(例如咖啡機)，太陽能發電機20的電力轉換器23根據第一等級、第二等級、第三等級、第四等級及第五等級並利用雲端資料庫40所儲存的最佳需要電量NE供電至各電子裝置30和電表61、溫度/濕度計62、除溼機63、熱水瓶64及煙霧感測器65。
請參閱第8圖至第10圖，其為本發明之微電網能源管理系統之靜態需要電量的數據圖。為驗證本發明之微電網能源管理系統之成果，將靜態需要電量放入本發明之微電網能源管理系統進行運算，其測試條件為太陽能發電板21的功率為6000W，太陽能初始光設定上午6點，太陽能結束設定為18點， 儲能電池22以30%、50%、90%三種來做為初始值設定，計算不同設定下所可使用的需要電量為多少。
如第8圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，靜態需要電量如(b)部分所示從2500W以上降低至2000W和2500W之間，儲能電池22的儲備電量SE如(c)部分所示以90%作為初始值設定，將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和靜態需要電量代入太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE，由於太陽能發電機20在夜間(18點~00點)時並未產生發電量GE而使預估發電量EE降低，此時將第一等級的電子裝置30維持正常運作即可，第三等級至第五等級的電子裝置30卸載即可。
如第9圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，靜態需要電量如(b)部分所示從1000W和1500W之間上升至2000W和2500W之間，儲能電池22的儲備電量SE如(c)部分所示以50%作為初始值設定，將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和靜態需要電量代入太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE，由於太陽能發電機20在夜間(18點~00點)時並未產生發電量GE而使預估發電量EE降低，此時將第一等級的電子裝置30維持正常運作即可，第三等級至第五等級的電子裝置30卸載即可。
如第10圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，靜態需要電量如(b)部分所示從500W和1000W之間上升至2000W和2500W之間，儲能電池22的儲備電量SE如(c)部分所示以30%作為初始值設定，將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和靜態需要電量代入太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE，由於太陽能發電機20在夜間(18點~00點)時並未產生發電量GE而使預估發電量EE降低，此時將第一等級的電子裝置30維持正常運作即可，第三等級至第五等級的電子裝置30卸載即可。
請參閱第11圖至第13圖，其為本發明之微電網能源管理系統之動態需要電量的數據圖。為驗證本發明之微電網能源管理系統之成果，將動態需要電量放入本發明之微電網能源管理系統進行運算，其測試條件為太陽能發電板21的功率為6000W，太陽能初始光設定上午6點，太陽能結束設定為18點，儲能電池22以30%、50%、90%三種來做為初始值設定，計算不同設定下所可使用的需要電量為多少。
如第11圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，動態需要電量如(b)部分所示，儲能電池22的儲備電量SE如(c)部分所示以90%作為初始值設定，當儲能電池22的儲備電量SE達50%以上，提高動態需要電量，動態需要電量的最高點並非在發電量GE的最高點；將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和動態需要電量代入 太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE。
如第12圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，動態需要電量如(b)部分所示，儲能電池22的儲備電量SE如(c)部分所示以50%作為初始值設定，當儲能電池22的儲備電量SE達50%以上，提高動態需要電量，動態需要電量的最高點並非在發電量GE的最高點；將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和動態需要電量代入太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE。
如第13圖所示，搭配第1圖說明，太陽能發電機20的發電量GE如(a)部分所示最大功率為6000W，動態需要電量如(b)部分所示，儲能電池22的儲備電量SE如(c)部分所示以30%作為初始值設定，當儲能電池22的儲備電量SE達50%以上，提高動態需要電量，動態需要電量的最高點並非在發電量GE的最高點；將實際太陽能發電機20的發電量GE和天氣資料WI利用輻狀基底神經網路RBFNN運算預估發電量EE，將預估發電量EE和動態需要電量代入太陽能及需量係數函式，分別計算夜間(00點~06點)、日間(06點~18點)以及夜間(18點~00點)時最佳需要電量NE。
另，若各電子裝置30和電表61、溫度/濕度計62、除溼機63、熱水瓶64以及煙霧感測器65的需要電量大於最佳需要電量NE的配置時(各電子裝置30和電表61、溫度/濕度計62、除溼機63、熱水瓶64以及煙霧感測器65皆在重載時)，則可適當地添加虛擬備容量(其來源：當下最佳需要電量NE的配置大於需 要電量時，將最佳需要電量NE和需要電量之差作為虛擬備容量)，使最佳需要電量NE的電量值上升，以應付實際情況。
觀前所述，本發明之微電網能源管理系統及其方法，利用輻狀基底神經網路RBFNN以根據氣象資訊WI和發電量GE運算太陽能電板20的預估發電量EE，接者利用太陽能及需量係數函式及多半區間演算法MBA以根據儲能電池22的儲備電量SE、電子裝置30的需要電量及預估發電量EE運算最佳需要電量NE，根據最佳需要電量NE、預估發電量EE和儲備電量SE預估儲能電池22的剩餘電量Nβ。透過前述配置，最佳化太陽能電板20的發電量GE及儲能電池22的儲備電量SE，使電子裝置30的運行更為順暢。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
10:氣象站
20:太陽能發電機
21:太陽能發電板
22:儲能電池
30:電子裝置
40:雲端資料庫
50:電腦
51:處理器
52:記憶體
EE:預估發電量
GE:發電量
MBA:多半區間演算法
NE:最佳需要電量
Nβ:剩餘電量
RBFNN:輻狀基底神經網路
SE:儲備電量
WI:氣象資訊
WV:工作電壓

Claims (11)

  1. 一種微電網能源管理系統，其包括：一氣象站，提供一氣象資訊；一太陽能發電機，具有一太陽能發電板和一儲能電池，該太陽能發電板吸收一太陽輻射能來產生一發電量，該儲能電池具有一儲備電量；複數個電子裝置，分別電性連接該太陽能發電機且分別具有一工作電壓；一雲端資料庫，透過一通訊協定連接該氣象站、該太陽能發電機和該複數個電子裝置，該雲端資料庫儲存該氣象資訊、該發電量、該儲備電量以及複數個工作電壓；以及一電腦，網路連接該雲端資料庫以接收該氣象資訊、該發電量、該儲備電量以及複數個工作電壓，該電腦包括一處理器及一記憶體，該處理器根據該複數個工作電壓運算一需要電量，該記憶體備有一輻狀基底神經網路(radial basis function neural network)及一多半區間演算法，該輻狀基底神經網路被該處理器運行以根據該氣象資訊和該發電量運算一預估發電量，該處理器運行一太陽能及需量係數函式及該多半區間演算法以根據該儲備電量、該需要電量及該預估發電量運算一最佳需要電量；其中，該太陽能及需量係數函式包含：
    Figure 109135530-A0305-02-0021-5
     ((Lβ t +PV t)-R)=Nβ Nβ
    Figure 109135530-A0305-02-0022-23
    0.9Allβ∥Nβ
    Figure 109135530-A0305-02-0022-24
    0.01Allβ R為該最佳需要電量，T為總時間，t為當下時間，δ為時間係數，Lβ為當下該儲能電池的剩餘電量，Allβ為該儲能電池的總電量，sill為門檻值，mppt為發電量，α為最低需要電量，Lβ t 為當下剩餘電量，PV t 為當下該太陽能發電板的發電量，Nβ為新的儲能電池的剩餘電量；其中，該多半區間演算法搭配該太陽能及需量係數函式，先將有限區間(fL,fH)平分成四段，fm、fL、fH分別為不同的三個等分點，fm=1/2(fL+fH)，fL為時間係數的最小值，fH為時間係數的最大值，L為fH和fL之間的差距，第n-1點可表示為fn-1=fL+(n-1)*L/2n，第n點可表示為fn=fH-(n-1)*L/2n，求出T(f)的最小值minT(f)，將最小值minT(f)帶入nfm，將nfm減去fm求得標竿值e，以標竿值e更新有限區間(fL,fH)的範圍。
  2. 如請求項1所述之微電網能源管理系統，其中，該處理器根據該最佳需要電量、該預估發電量和該儲備電量預估該儲能電池的一剩餘電量。
  3. 如請求項2所述之微電網能源管理系統，該電腦將該預估發電量、該最佳需要電量和該剩餘電量傳送至該雲端資料庫儲存。
  4. 如請求項3所述之微電網能源管理系統，當一市電無法供電至該複數個電子裝置，該太陽能發電機根據該雲端資料庫的該最佳需要電量供電至該複數個電子裝置。
  5. 如請求項4所述之微電網能源管理系統，該複數個電子裝置 分為一第一等級、一第二等級、一第三等級、一第四等級及一第五等級，該第二等級的該電子裝置於使用中幾乎不關閉，該第三等級的該電子裝置在日常生活中使用較長的時間，該第四等級及該第五等級的該電子裝置為非必要使用家電產品，該第一等級的該電子裝置為維持開啟狀態，該太陽能發電機依據該第一等級、該第二等級、該第三等級、該第四等級及該第五等級分配該最佳需要電量至該複數個電子裝置。
  6. 如請求項1所述之微電網能源管理系統，進一步包括一煙霧感測器，該煙霧感測器鄰近設置於該複數個電子裝置以感測一煙霧，該煙霧感測器網路連接該電腦，當該煙霧感測器感測該煙霧時，該煙霧感測器傳送一煙霧感測訊號至該電腦，該處理器透過該雲端資料庫傳送一停止訊號至該複數個電子裝置，該複數個電子裝置停止作動。
  7. 如請求項1所述之微電網能源管理系統，進一步包括複數個智慧插座，各該複數個智慧插座具有一通訊晶片以網路連接於該雲端資料庫。
  8. 如請求項1所述之微電網能源管理系統，其中，該氣象站、該太陽能發電機及該複數個電子裝置以該通訊協定互相連接。
  9. 如請求項1所述之微電網能源管理系統，其中，該輻狀基底神經網路包括一輸入層、一隱藏層以及一輸出層，該輸入層接收該氣象資訊和該發電量並將其輸出至該隱藏層，該隱藏層運行一輻狀基底函數以根據該氣象資訊和該發電量運算 出一初始發電量，該隱藏層加權該初始發電量以輸出該預估發電量至該輸出層。
  10. 一種微電網能源管理方法，其包括：藉由一氣象站提供一氣象資訊、藉由一太陽能發電機提供一發電量、一儲備電量以及藉由一電腦的一處理器運算一需要電量；藉由該處理器運行一輻狀基底神經網路以根據該氣象資訊和該發電量運算一預估發電量；藉由該處理器運行一太陽能及需量係數函式及一多半區間演算法以根據該儲備電量、該需要電量及該預估發電量運算一最佳需要電量；以及該處理器根據該最佳需要電量、該預估發電量和該儲備電量取得一剩餘電量；其中，該太陽能及需量係數函式包含：
    Figure 109135530-A0305-02-0024-7
     ((Lβ t +PV t )-R)=Nβ Nβ
    Figure 109135530-A0305-02-0024-25
    0.9Allβ∥Nβ
    Figure 109135530-A0305-02-0024-26
    0.01Allβ R為該最佳需要電量，T為總時間，t為當下時間，δ為時間係數，Lβ為當下該儲能電池的剩餘電量，Allβ為該儲能電池的總電量，sill為門檻值，mppt為發電量，α為最低需要電量，Lβ t 為當下剩餘電量，PV t 為當下該太陽能發電板的發電量，Nβ為新的儲能電池的剩餘電量；其中，該多半區間演算法搭配該太陽能及需量係數函式，先 將有限區間(fL,fH)平分成四段，fm、fL、fH分別為不同的三個等分點，fm=1/2(fL+fH)，fL為時間係數的最小值，fH為時間係數的最大值，L為fH和f1之間的差距，第n-1點可表示為fn-1=fL+(n-1)*L/2n，第n點可表示為fn=fH-(n-1)*L/2n，求出T(f)的最小值minT(f)，將最小值minT(f)帶入nfm，將nfm減去fm求得標竿值e，以標竿值e更新有限區間(fL,fH)的範圍。
  11. 如請求項10所述之微電網管理方法，其中，該輻狀基底神經網路包括一輸入層、一隱藏層以及一輸出層，利用該輸入層接收該氣象資訊和該發電量並將其輸出至該隱藏層，利用該隱藏層運行一輻狀基底函數以根據該氣象資訊和該發電量運算出一初始發電量，並加權該初始發電量以輸出該預估發電量。
TW109135530A 2020-10-14 2020-10-14 微電網能源管理系統及其方法 TWI785397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109135530A TWI785397B (zh) 2020-10-14 2020-10-14 微電網能源管理系統及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109135530A TWI785397B (zh) 2020-10-14 2020-10-14 微電網能源管理系統及其方法

Publications (2)

Publication Number Publication Date
TW202215352A TW202215352A (zh) 2022-04-16
TWI785397B true TWI785397B (zh) 2022-12-01

Family

ID=82197246

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109135530A TWI785397B (zh) 2020-10-14 2020-10-14 微電網能源管理系統及其方法

Country Status (1)

Country Link
TW (1) TWI785397B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI816613B (zh) * 2022-11-30 2023-09-21 陳正一 多微電網電力調度系統及多微電網電力調度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202715163U (zh) * 2012-08-28 2013-02-06 中国五冶集团有限公司 一种自动消防系统
TWI426616B (zh) * 2010-09-13 2014-02-11
TWI609546B (zh) * 2009-08-24 2017-12-21 通路實業集團國際公司 無線通信方法、電力分配系統及其儲存媒介
TWI614965B (zh) * 2014-06-27 2018-02-11 英特爾公司 用於智慧型無線充電的系統與方法
TWM557471U (zh) * 2017-11-20 2018-03-21 林家宏 智慧插座
CN109884896A (zh) * 2019-03-12 2019-06-14 河海大学常州校区 一种基于相似日辐照预测的光伏跟踪系统优化跟踪方法
TWI696972B (zh) * 2019-01-31 2020-06-21 潔能氏新能源股份有限公司 智慧電力分配系統與方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI609546B (zh) * 2009-08-24 2017-12-21 通路實業集團國際公司 無線通信方法、電力分配系統及其儲存媒介
TWI426616B (zh) * 2010-09-13 2014-02-11
CN202715163U (zh) * 2012-08-28 2013-02-06 中国五冶集团有限公司 一种自动消防系统
TWI614965B (zh) * 2014-06-27 2018-02-11 英特爾公司 用於智慧型無線充電的系統與方法
TWM557471U (zh) * 2017-11-20 2018-03-21 林家宏 智慧插座
TWI696972B (zh) * 2019-01-31 2020-06-21 潔能氏新能源股份有限公司 智慧電力分配系統與方法
CN109884896A (zh) * 2019-03-12 2019-06-14 河海大学常州校区 一种基于相似日辐照预测的光伏跟踪系统优化跟踪方法

Also Published As

Publication number Publication date
TW202215352A (zh) 2022-04-16

Similar Documents

Publication Publication Date Title
Anvari‐Moghaddam et al. Efficient energy management for a grid‐tied residential microgrid
Wang et al. Coordinated dispatch of virtual energy storage systems in LV grids for voltage regulation
Kusakana Optimal scheduled power flow for distributed photovoltaic/wind/diesel generators with battery storage system
Yang et al. Energy regulating and fluctuation stabilizing by air source heat pump and battery energy storage system in microgrid
Boynuegri et al. Energy management algorithm for smart home with renewable energy sources
CN107112763A (zh) 电网网络网关聚合
Masaki et al. A hierarchical predictive control for supercapacitor-retrofitted grid-connected hybrid renewable systems
Xu et al. Demand side management for smart grid based on smart home appliances with renewable energy sources and an energy storage system
CN111144620A (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
Sanjareh et al. A novel approach for sizing thermal and electrical energy storage systems for energy management of islanded residential microgrid
Bagheri‐Sanjareh et al. Energy management of islanded microgrid by coordinated application of thermal and electrical energy storage systems
Fadlullah et al. Evolution of smart grids
Park et al. Battery management for grid-connected PV systems with a battery
Liu et al. Photovoltaics and energy storage integrated flexible direct current distribution systems of buildings: definition, technology review, and application
Xu et al. Design optimization of hybrid renewable energy systems for sustainable building development based on energy-hub
TWI785397B (zh) 微電網能源管理系統及其方法
Rastegarpour et al. A distributed predictive control of energy resources in radiant floor buildings
Roy et al. Economic dispatch for grid-connected wind power with battery-supercapacitor hybrid energy storage system
Ganthia et al. Simulation model of PV system function in stand-alone mode for grid blackout area
Zhang et al. Two-Stage Capacity Determination Framework for Residential Second-Life BESSs Considering Cloud Energy Storage Service
JP2022500986A (ja) マイクロインバータ及びコントローラ
Sameti Electrical energy efficient building through distributed generation
Zhao et al. Energy management scheme of single‐phase electric energy router with two‐layer intelligent control combined with optimal scheduling of battery
Wu et al. Research on optimal storage capacity of DC micro‐grid system in PV station
CN113489008A (zh) 一种基于实时动态修正的多类型供用能系统等值方法