【技术实现步骤摘要】
本专利技术涉及光伏，具体是一种光伏储能电池组动作智能调控方法和系统。
技术介绍
1、随着光伏技术的飞速发展，以太阳能作为主要能量源并结合市电、发电机等能量源的光伏储能系统，在各种应用场景中得到了越来越广泛的利用。无论是家庭用电、野外营地，还是应急救援和偏远地区供电，光伏储能系统都提供了稳定、环保的电力支持。在家庭应用中，它可以作为主要或备用的电力来源，确保家庭用电的稳定性和可靠性。在野外营地和应急救援场景中，光伏储能系统能够提供必需的电力支持，满足照明、通讯、医疗设备等基本用电需求。此外，光伏储能系统还被广泛应用于移动房车、船舶电力供应、农业灌溉系统等多种领域。
2、光伏储能系统主要由以下几个关键部件组成。（1）太阳能光伏板，将太阳能转化为直流电，通过电缆传输至储能逆变一体机。（2）磷酸铁锂电池组：包括若干个并联的磷酸铁锂单体电池单元，负责接收并储存光伏板产生的电能；此外，它还可以从市电电网或备用发电机组接收并储存电能，确保在日照不足或用电高峰期有充足的电力供应。（3）智能控制系统：用于管理电池组的充放电过程，对来自光伏板的电能进行管理和分配，确保系统的高效运行和电池的长预期寿命。（4）光伏离网逆变器：将磷酸铁锂电池组中的直流电转换为交流电，适用于绝大多数家庭和工业用电设备；逆变器的高效转换确保电能损失最小化，提升系统的整体效率。（5）用电设施：光伏离网逆变器产生的交流电用于向各种用电设施供电，这些设施可以包括照明系统、办公设备、家用电器、农业设备等，满足多种场景下的用电需求。
3、在光伏储能系统中，电池
技术实现思路
1、鉴于上述问题，本专利技术的目的是提供一种光伏储能电池组动作智能调控方法和系统。本专利技术实时采集光伏储能电池组内每个电池单元的状态数据，并利用智能体模型进行状态数据分析和目标预测性评估，针对每个电池单元实现单体充放电动作的调控和参数优化。本专利技术准确预测预定时间内电池组的供电需求，进而通过对电池单元的独立监测与控制，确保能源供应与需求之间的最佳匹配。本专利技术动态调整电池单元的充放电策略，不仅优化了能量供应效率，而且有效延长了电池组整体的使用寿命。通过精细化单体管理，提升了光伏储能电池组在复杂应用环境下的性能和可靠性。
2、本专利技术提供了光伏储能电池组动作智能调控方法，其特征在于，包括以下步骤：
3、步骤s101：根据季节、预估时段、天气预报的外界因素，确定供电预测模式，进而结合属于同一供电预测模式下的历史数据，预测未来预定时间内的供电需求；
4、步骤s102：通过多类型传感器，实时采集光伏储能电池组内每个电池单元的实时参数，并针对每个电池单元生成预期寿命的表示；
5、步骤s103：根据预测的供电需求以及光伏储能电池组内每个电池单元的电池预期寿命量化表示值，建立供电需求面向各个电池单元分配模型；
6、步骤s104：将电池组各个电池单元分配的供电需求作为状态观测量，输入经过训练后的实现电池组优化管理的智能体模型，获得针对电池组每个电池单元的控制动作参数和目标评估结果；根据所述控制动作参数对电池组的每个电池单元的充放电动作进行控制。
7、优选的是，步骤s101中，根据季节、预估时段、天气预报的外界因素，作为预测性神经网络的输入量，该预测性神经网络的输出为供电预测模式，进而结合属于同一供电预测模式下的历史数据，采用线性回归预测未来预定时间内的光伏储能供电需求。
8、优选的是，将季节数据表示s，该季节数据是将季节阶段转换为对应的数值或热值编码；预估时段数据表示为t，是从每日0点至24点期间以每个小时为区间的区间序号；天气预报数据表示为w，是包括温度、湿度、云量、空气颗粒物信息的数组；预测性神经网络的输入层输入季节数据、预估时段数据和天气预报数据组合的总特征量，预测性神经网络的隐藏层设置多层，每层使用的激活函数为relu或sigmoid函数；输出层输出表示供电预测模式的预测类别量，神经网络的输出表示为，其中为神经网络的权重矩阵，为偏置；使用历史数据作为训练集，训练样本包括输入的特征量和对应的供电预测模式的类别标签，训练过程中采用反向传播算法和梯度下降优化神经网络的权重；使用训练好的神经网络，将新的季节、时段和天气预报数据作为输入，输出供电预测模式的类别。
9、优选的是，从历史数据中选择与供电预测模式属于同一类别的历史数据点，将这些历史数据点的供电需求作为因变量，将时间作为自变量，则线性回归预测的模型形式为：，其中为截距，为斜率，为误差项，通过历史数据点求得和的值，进而能够预测未来预定时间内的光伏储能供电需求。
10、优选的是，步骤s102中，光伏储能电池组内每个电池单元的实时参数包括：每个电池单元的电压、电流、soc、温度、本次充电量、本次放电量、内阻值。
11、优选的是，步骤s102中，针对每个电池单元，利用电池单元模型函数，根据电池单元的实时参数获得电池预期寿命的定量化表示；电池单元模型函数分解为若干个寿命影响因素的子函数，表示为：；其中，表示电池预期寿命的量化表示值，函数表示电压、电流、soc、温度对电池预期寿命的影响函数；函数表示本次充电量和本次放电量对电池预期寿命的影响函数；函数表示内阻对电池预期寿命的影响函数。
12、优选的是，步骤s103中，分配模型表示为：，其中，为时间区间分配给第个电池单元的供电需求；为分配的决策函数，实现供电需求与电池单元预期寿命之间的最佳匹配；为预测时间区间的供电需求为各个电池单元的电池预期寿命。
13、优选的是，步骤s104中，智能体模型的状态空间表示为，将所述电池组各个电池单元分配的供电需求作为状态空间中的状态观测量；本文档来自技高网...
【技术保护点】
1.一种光伏储能电池组动作智能调控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤S101中，根据季节、预估时段、天气预报的外界因素，作为预测性神经网络的输入量，该预测性神经网络的输出为供电预测模式，进而结合属于同一供电预测模式下的历史数据，采用线性回归预测未来预定时间内的光伏储能供电需求。
3.根据权利要求2所述的光伏储能电池组动作智能调控方法，其特征在于，将季节数据表示s，该季节数据是将季节阶段转换为对应的数值或热值编码；预估时段数据表示为t，是从每日0点至24点期间以每个小时为区间的区间序号；天气预报数据表示为w，是包括温度、湿度、云量、空气颗粒物信息的数组；预测性神经网络的输入层输入季节数据、预估时段数据和天气预报数据组合的总特征量，预测性神经网络的隐藏层设置多层，每层使用的激活函数为ReLU或Sigmoid函数；输出层输出表示供电预测模式的预测类别量，神经网络的输出表示为，其中为神经网络的权重矩阵，为偏置；使用历史数据作为训练集，训练样本包括输入的特征量和对应的供电预测模式的类别标签，训练
4.根据权利要求3所述的光伏储能电池组动作智能调控方法，其特征在于，从历史数据中选择与供电预测模式属于同一类别的历史数据点，将这些历史数据点的供电需求作为因变量，将时间作为自变量，则线性回归预测的模型形式为：，其中为截距，为斜率，为误差项，通过历史数据点求得和的值，进而能够预测未来预定时间内的光伏储能供电需求。
5.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤S102中，光伏储能电池组内每个电池单元的实时参数包括：每个电池单元的电压、电流、SOC、温度、本次充电量、本次放电量、内阻值。
6.根据权利要求5所述的光伏储能电池组动作智能调控方法，其特征在于，步骤S102中，针对每个电池单元，利用电池单元模型函数，根据电池单元的实时参数获得电池预期寿命的定量化表示；电池单元模型函数分解为若干个寿命影响因素的子函数，表示为：；其中，表示电池预期寿命的量化表示值，函数表示电压、电流、SOC、温度对电池预期寿命的影响函数；函数表示本次充电量和本次放电量对电池预期寿命的影响函数；函数表示内阻对电池预期寿命的影响函数。
7.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤S103中，分配模型表示为：，其中，为时间区间分配给第个电池单元的供电需求；为分配的决策函数，实现供电需求与电池单元预期寿命之间的最佳匹配；为预测时间区间的供电需求为各个电池单元的电池预期寿命。
8.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤S104中，智能体模型的状态空间表示为，将所述电池组各个电池单元分配的供电需求作为状态空间中的状态观测量；控制动作空间，其中电池组中每个电池单元的充放电状态动作切换以及充放电功率参数作为该空间的控制动作；智能体模型响应于状态观测量决定控制动作的响应函数定义为，其中是该响应函数实现自主学习机制而采用的深度神经网络的网络参数张量；智能体模型针对包括能源供需平衡、电池组寿命和安全性的多个优化目标，基于状态观测量进行目标评估，定义目标评估函数为，其中为该目标评估函数的深度神经网络的网络参数张量；通过智能体训练，获得响应函数和目标评估函数，通过其中深度神经网络的网络参数张量和训练后的赋值和，实现响应函数根据电池组的状态观测量输出针对电池组的控制动作，且电池组的状态观测量通过目标评估函数能够获得目标评估的持续优化结果。
9.根据权利要求8所述的光伏储能电池组动作智能调控方法，其特征在于，所述智能体模型的训练过程包括：初始化输入智能体模型的状态观测量，并且初始化智能体模型响应于状态观测量而决定控制动作的响应函数，这里该响应函数的深度神经网络的网络参数张量初始化为；初始化智能体模型的目标评估函数，该目标评估函数的深度神经网络的网络参数张量初始化为；预定共执行N个回合的智能体模型训练，且每个回合n中（），按照本回合的时间步t（这里，是回合n的最大时间步数），根据该时间步t的状态观测量，以及响应函数的深度神经网络在本时间步t通过训练调参后的网络参数张量，通过响应函数计算本时间步t的控制动作，进而观测在本时间步t的控制动作执行后，下一步时间步t+1的状态观测量；基于本时间步t和下一时间步t+1的状态观测量和，通过目标评估函数进行目标评估，目标评估结果，，其中目标评估函数的深度神经网络在时间步t通过训练调...
【技术特征摘要】
1.一种光伏储能电池组动作智能调控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤s101中，根据季节、预估时段、天气预报的外界因素，作为预测性神经网络的输入量，该预测性神经网络的输出为供电预测模式，进而结合属于同一供电预测模式下的历史数据，采用线性回归预测未来预定时间内的光伏储能供电需求。
3.根据权利要求2所述的光伏储能电池组动作智能调控方法，其特征在于，将季节数据表示s，该季节数据是将季节阶段转换为对应的数值或热值编码；预估时段数据表示为t，是从每日0点至24点期间以每个小时为区间的区间序号；天气预报数据表示为w，是包括温度、湿度、云量、空气颗粒物信息的数组；预测性神经网络的输入层输入季节数据、预估时段数据和天气预报数据组合的总特征量，预测性神经网络的隐藏层设置多层，每层使用的激活函数为relu或sigmoid函数；输出层输出表示供电预测模式的预测类别量，神经网络的输出表示为，其中为神经网络的权重矩阵，为偏置；使用历史数据作为训练集，训练样本包括输入的特征量和对应的供电预测模式的类别标签，训练过程中采用反向传播算法和梯度下降优化神经网络的权重；使用训练好的神经网络，将新的季节、时段和天气预报数据作为输入，输出供电预测模式的类别。
4.根据权利要求3所述的光伏储能电池组动作智能调控方法，其特征在于，从历史数据中选择与供电预测模式属于同一类别的历史数据点，将这些历史数据点的供电需求作为因变量，将时间作为自变量，则线性回归预测的模型形式为：，其中为截距，为斜率，为误差项，通过历史数据点求得和的值，进而能够预测未来预定时间内的光伏储能供电需求。
5.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤s102中，光伏储能电池组内每个电池单元的实时参数包括：每个电池单元的电压、电流、soc、温度、本次充电量、本次放电量、内阻值。
6.根据权利要求5所述的光伏储能电池组动作智能调控方法，其特征在于，步骤s102中，针对每个电池单元，利用电池单元模型函数，根据电池单元的实时参数获得电池预期寿命的定量化表示；电池单元模型函数分解为若干个寿命影响因素的子函数，表示为：；其中，表示电池预期寿命的量化表示值，函数表示电压、电流、soc、温度对电池预期寿命的影响函数；函数表示本次充电量和本次放电量对电池预期寿命的影响函数；函数表示内阻对电池预期寿命的影响函数。
7.根据权利要求1所述的光伏储能电池组动作智能调控方法，其特征在于，步骤s103中，分配模型表示为：，其中，为时间区间分配给第个电池单元的供电需求；为分配的决策函数，实现...
【专利技术属性】
技术研发人员：熊芸，王春莲，
申请(专利权)人：深圳市天德普储能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。