本发明涉及一种风能、太阳能管理系统，属于能源系统管理领域。
背景技术：
电力作为现行的主要能源，在日常生活以及工作中都起着举足轻重的作用，随着国民经济的快速发展，全社会用电量以及各个产业用电量也稳定增长，因此用电量的使用趋势不但影响电网经营企业的生产经营决策及经济效益，还会影响到社会经济的趋势分析。与此同时，新能源如太阳能，风能等的利用开发也在较大范围内蓬勃发展，且随着国家电网相关政策的修正修改，越来越多的个人发电项目投入了使用之中。
而根据家庭用电需求、季节气候变化形成的家庭用电历史数据和太阳能发电产能数据以及风能，预测其风光产能和负载消耗，将有利于居民家庭有意识地节约用电、节省家庭开支及减缓电力资源匮乏的紧迫性。与此同时，通过将居民用户负载消耗预测与新能源的产能预测相结合，更能做到太阳能，风能等新能源的充分利用，避免能源的浪费，为用户创造更大的经济效益。
经对现有技术文献的检索发现，现有仅有针对风力发电，太阳能发电和负载预测单个或两个的预测系统，并未有三者合一的预测系统。并多数预测系统仅是简单将不同预测方法进行简单并行运算，没有对最终预测结果进行有效利用。
技术实现要素：
为了解决上述问题，本发明通过提供一种风能、太阳能管理系统。
本发明采用的技术方案一方面为一种风能、太阳能管理系统，包括天气数据采集模块、风能数据采集单元、太阳能数据采集单元、负载数据统计单元和并网管理模块；其中，所述天气数据采集模块、风能数据采集单元、太阳能数据采集单元和负载数据统计单元分别与并网管理模块连接；所述天气数据采集模块采集天气数据并上传至并网管理模块；所述风能数据采集单元采集风能发电系统的变电数据并上传至并网管理模块，标记该变电数据为风能数据；所述太阳能数据采集单元采集太阳能发电系统的变电数据并上传至并网管理模块，标记该变电数据为太阳能数据；所述负载数据统计单元用于获取用电终端的电力使用数据，标记该电力使用数据为负载数据；所述并网管理模块接收风能数据、太阳能数据和负载数据并基于预测模型处理以输出预期电能数据，基于预期电能数据输出能源调度策略。
优选地，所述预测模型基于Elman神经网络或灰色算法。
优选地，所述预期电能数据包括预期天气数据、预期风能数据、预期太阳能数据和预期负载数据，所述能源调度策略用于根据预期负载数据驱动风能发电系统、太阳能发电系统连入储能单元或驱动预备电力单元连入用电终端。
优选地，所述天气数据采集模块包括用于获取网络天气数据的在线采集单元和基于传感器获取天气数据的现场采集单元，基于预设的权值处理在线采集单元和现场采集单元输出的数据并输出合并数据，标记该合并数据为天气数据。
优选地，所述基于灰色算法建立预测模型的步骤包括：生成时间序列，所述时间序列包括天气数据与日期的序列，风能数据与日期的序列，太阳能数据与日期的序列，负载数据与日期的序列；基于累加的方式处理时间序列生成对应的生成序列；计算负载与天气数据、风能数据、太阳能数据的关联度以生成GM模型，标记该GM模型为预测模型。
优选地，所述基于Elman神经网络建立预测模型的步骤包括：获取负载数据和对应的天气数据，根据获取的居民负载历史数据，计算各个月份负载的同期平均数，进而计算所有同期平均数的总平均值后，将每个同期平均数与总平均值相除获得季节指数；采用季节指数对负载历史数据进行修正，将各个月份的负载数据除以对应的季节指数后，获得修正后的负载数据，确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于Elman的神经网络；归一化处理所述负载数据和对应的天气数据，根据归一化处理后的数据对建立的神经网络进行训练，将神经网络的预测误差控制在预设范围内,标记神经网络为预测模型。
优选地，y(k)＝g(w^3*l(k))，l(k)＝f(w^1*c(k)+w^2*(x(k))，c(k)＝l(k-1)；
其中，y(k)表示m维输出节点向量，l(k)表示m维隐含层节点单元向量，x(k)表示u维输入向量，c(k)表示n维反馈状态向量，w^3表示隐含层到输出层的连接权值，w^2表示输入层到隐含层的连接权值，w^1表示承接层到隐含层的连接权值，g(*)表示输出神经元的传递函数，f(*)表示隐含层神经元的传递函数；获取预测日前一周的负载历史数据、预测日的天气数据作为神经网络的输入，采用训练后的神经网络对预测日的负载进行预测，进而将获得的预测数据乘以季节指数后得到负载预测数据。
优选地，归一化处理基于以下公式：Xk＝(Xk-Xmin)/(Xmax-Xmin)，式中，Xk表示居民负荷历史数据序列或历史天气参数数据数列中的第k个参数值，k为自然数，Xmax表示Xk所在数据序列中的最大值，Xmin表示Xk所在数据序列中的最小值。
优选地，所述天气数据包括天气类型、温度、风速、风向和光照强度。
本发明的有益效果为基于Elman神经网络或灰色算法构建的预测模型，基于该预测模型预测将来的负载数据，基于该负载数据对风能发电和太阳能发电系统进行控制以实现变电行为的更高效的管理，有利于提高企业效率。
附图说明
图1所示为基于本发明实施例的一种风能、太阳能管理系统的示意图。
具体实施方式
以下结合实施例对本发明进行说明。
基于发明的实施例，如图1所示一种风能、太阳能管理系统，包括天气数据采集模块、风能数据采集单元、太阳能数据采集单元、负载数据统计单元和并网管理模块；其中，所述天气数据采集模块、风能数据采集单元、太阳能数据采集单元和负载数据统计单元分别与并网管理模块连接；所述天气数据采集模块采集天气数据并上传至并网管理模块；所述风能数据采集单元采集风能发电系统的变电数据并上传至并网管理模块，标记该变电数据为风能数据；所述太阳能数据采集单元采集太阳能发电系统的变电数据并上传至并网管理模块，标记该变电数据为太阳能数据；所述负载数据统计单元用于获取用电终端的电力使用数据，标记该电力使用数据为负载数据；所述并网管理模块接收风能数据、太阳能数据和负载数据并基于预测模型处理以输出预期电能数据，基于预期电能数据输出能源调度策略。
所述预测模型基于Elman神经网络或灰色算法。
所述预期电能数据包括预期天气数据、预期风能数据、预期太阳能数据和预期负载数据，所述能源调度策略用于根据预期负载数据驱动风能发电系统、太阳能发电系统连入储能单元或驱动预备电力单元连入用电终端。
根据预期天气来决定主要使用风能变电还是太阳能变电，如果负载需求不大的话，让变电效率高的来进行发电，另一个发电系统则进行修整之类的活动，如果负载需要很大，则同时使用两个发电系统，或者风能和太阳能都条件不错，则连接进入储能单元以存储多余的能量，如果风能和太阳能的天气条件都不行，则提前联系其他的供电线路，例如水电之类，以满足负载的需求。
所述天气数据采集模块包括用于获取网络天气数据的在线采集单元和基于传感器获取天气数据的现场采集单元，基于预设的权值处理在线采集单元和现场采集单元输出的数据并输出合并数据，标记该合并数据为天气数据。
通过以太网等网络连接方式从中国气象局的天气预报数据库中提取所述预测系统所在区域的天气预报数据；通过现场的气象环境监测记录仪，温湿度传感器，风速风向传感器和太阳总辐射表；给在线的数据和现场的数据设定权值，加权计算之后输出合并数据。
所述基于灰色算法建立预测模型的步骤包括：生成时间序列，所述时间序列包括天气数据与日期的序列，风能数据与日期的序列，太阳能数据与日期的序列，负载数据与日期的序列；基于累加的方式处理时间序列生成对应的生成序列；计算负载与天气数据、风能数据、太阳能数据的关联度以生成GM模型，标记该GM模型为预测模型。
灰色算法主要通过使用针对时间序列的GM建模，它直接将时间序列数据转化为微分方程，利用系统信息，使抽象的模型量化，进而在缺乏系统特性知识的情况下预测系统输出。灰色问题是指对灰色的不确定性系统行为特征值的发展变化进行预测的问题，该不确定系统的原始数列经过一次累加生成后的数列呈现指数增长规律，因而可以用一个连续函数或微分方程进行数据拟合和预测。
所述基于Elman神经网络建立预测模型的步骤包括：获取负载数据和对应的天气数据，根据获取的居民负载历史数据，计算各个月份负载的同期平均数，进而计算所有同期平均数的总平均值后，将每个同期平均数与总平均值相除获得季节指数；采用季节指数对负载历史数据进行修正，将各个月份的负载数据除以对应的季节指数后，获得修正后的负载数据，确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于Elman的神经网络；归一化处理所述负载数据和对应的天气数据，根据归一化处理后的数据对建立的神经网络进行训练，将神经网络的预测误差控制在预设范围内,标记神经网络为预测模型。
所述Elman的神经网络的非线性状态空间表达式包括以下：
y(k)＝g(w^3*l(k))，l(k)＝f(w^1*c(k)+w^2*(x(k))，c(k)＝l(k-1)；其中，y(k)表示m维输出节点向量，l(k)表示m维隐含层节点单元向量，x(k)表示u维输入向量，c(k)表示n维反馈状态向量，w^3表示隐含层到输出层的连接权值，w^2表示输入层到隐含层的连接权值，w^1表示承接层到隐含层的连接权值，g(*)表示输出神经元的传递函数，f(*)表示隐含层神经元的传递函数；获取预测日前一周的负载历史数据、预测日的天气数据作为神经网络的输入，采用训练后的神经网络对预测日的负载进行预测，进而将获得的预测数据乘以季节指数后得到负载预测数据。
归一化处理基于以下公式：Xk＝(Xk-Xmin)/(Xmax-Xmin)，式中，Xk表示居民负荷历史数据序列或历史天气参数数据数列中的第k个参数值，k为自然数，Xmax表示Xk所在数据序列中的最大值，Xmin表示Xk所在数据序列中的最小值。
所述天气数据包括天气类型、温度、风速、风向和光照强度。
针对太阳能发电数据，将其按照季节特征和天气类型进行分类，季节特征即春夏秋冬四类，天气类型即晴，多云，阴天，雨雪四类，合计十六类进行归纳总结，在预测模型得到太阳能发电预测数据后，系统将其与同类信息进行进一步优化，提高太阳能发电预测结果的精度。针对负载消耗数据，将其按照季节特征和天数特征进行分类，季节特征即春夏秋冬四类，天数特征即工作日和节假日两类，合计八类进行归纳总结，在预测模型得到负载消耗预测数据后，系统将其与同类信息进行进一步优化，提高负载消耗预测结果的精度。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。