一种太阳能储能的智能调控方法及系统与流程

1.本发明涉及太阳能应用领域，特别是涉及一种太阳能储能的智能调控方法及系统。


背景技术：

2.目前多数绿色工厂采用自建太阳能电站来实现绿色生产，将太阳能中的一部分进行上网售卖产生一定的利润，另一部分进行储能用于厂区的能耗供应，然而现有技术中并不能合理分配绿色工厂的太阳能电站上网与储能。


技术实现要素：

3.本发明的目的是提供一种太阳能储能的智能调控方法及系统，本发明能够合理分配绿色工厂的太阳能电站上网与储能。
4.为实现上述目的，本发明提供了如下方案：本发明提供了一种太阳能储能的智能调控方法，所述智能调控方法包括以下步骤：获取已知调控参数，所述已知调控参数包括：太阳能发电功率、厂区的用电功率总需求、储能系统对外供应功率系数、太阳能发电的上网价格和电网用电的价格；根据所述已知调控参数，构建适应度函数，所述适应度函数为关于太阳能上网发电带来的收益与厂区额外用电费用差值的函数；确定所述适应度函数最大时对应的太阳能发电上网因子；根据所述太阳能发电上网因子，对太阳能储能进行智能调控。
5.可选的，所述确定所述适应度函数最大时对应的太阳能发电上网因子，具体包括：根据不同时段的太阳能发电上网因子，构建粒子群，所述粒子群的参数包括：粒子的个数、粒子的大小、粒子搜寻空间、粒子的空间位置、粒子的速度、个体粒子的局部最优位置和整个粒子群的全局最优位置，所述个体粒子的局部最优位置为所述粒子的空间位置的集合，所述整个粒子群的全局最优位置为所述个体粒子的局部最优位置的集合；对所述粒子群的参数进行初始化，得到初始化后的参数；将所述初始化后的参数代入所述适应度函数，得到初始适应度函数值；设定最大迭代次数；对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置；根据所述更新后的粒子的速度和所述更新后的粒子的空间位置，确定更新后的个体粒子的局部最优位置和更新后的整个粒子群的全局最优位置；根据所述更新后的整个粒子群的全局最优位置，确定更新后的适应度函数值；判断更新后的适应度函数值是否大于初始适应度函数值，得到第一判断结果；若所述第一判断结果为是，则将更新后的适应度函数值对应的粒子的速度和粒子
的空间位置参与下一次迭代；若所述第一判断结果为否，则将初始适应度函数值对应的粒子的速度和粒子的空间位置作为更新后的粒子的速度和粒子的空间位置参与下一次迭代；判断迭代次数是否达到最大迭代次数，得到第二判断结果；若所述第二判断结果为否，则返回步骤“对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置”；若所述第二判断结果为是，则输出最终整个粒子群的全局最优位置；根据所述最终整个粒子群的全局最优位置，确定所述适应度函数最大时对应的太阳能发电上网因子。
6.可选的，所述适应度函数的计算公式为：其中，max(f(α))为适应度函数的最大值，α(t)为t时刻的太阳能发电上网因子，p(t)为t时刻的太阳能发电功率，，l为光照强度，a为太阳能发电的上网价格，p
需
(t)为t时刻的厂区的用电功率总需求，γ为储能系统对外供应功率系数，b为电网用电的价格。
7.可选的，所述粒子的速度的迭代更新公式为：v
αi
(k)=β(k)v
αi
(k-1)+r1×
c1(k)
×
(p
αi
(k-1)-x
αi
(k-1))+r2×
c2(k)
×
(p
αg
(k-1)-x
αi
(k-1))其中，k为迭代次数，v
αi
(k)为第k次迭代对应的粒子的速度，β(k)为第k次迭代对应的改进权重因子，，β0为惯性权重，k
max
为最大迭代次数，v
αi
(k-1)为第k-1次迭代对应的粒子的速度，r1为第一随机系数，c1(k)为第k次迭代对应的改进认知因子，，c1=2.0，c
1初
=0.8，p
αi
(k-1)为第k-1次迭代对应的第i个个体粒子的局部最优位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，r2为第二随机系数，c2(k)为第k次迭代对应的改进社会因子，，c2=0.5，c
2初
=2.0，p
αg
(k-1)为第k-1次迭代对应的整个粒子群的全局最优位置。
8.可选的，所述粒子的空间位置的迭代更新公式为：x
αi
(k)=x
αi
(k-1)+v
αi
(k)其中，x
αi
(k)为第k次迭代对应的第i个粒子的空间位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，v
αi
(k)为第k次迭代对应的粒子的速度。
9.本发明还提供了一种太阳能储能的智能调控系统，所述智能调控系统包括：调控参数获取单元，用于获取已知调控参数，所述已知调控参数包括：太阳能发电功率、厂区的用电功率总需求、储能系统对外供应功率系数、太阳能发电的上网价格和电网用电的价格；适应度函数构建单元，用于根据所述已知调控参数，构建适应度函数，所述适应度
函数为关于太阳能上网发电带来的收益与厂区额外用电费用差值的函数；太阳能发电上网因子确定单元，用于确定所述适应度函数最大时对应的太阳能发电上网因子；智能调控单元，用于根据所述太阳能发电上网因子，对太阳能储能进行智能调控。
10.可选的，所述太阳能发电上网因子确定单元包括：粒子群构建模块，用于根据不同时段的太阳能发电上网因子，构建粒子群，所述粒子群的参数包括：粒子的个数、粒子的大小、粒子搜寻空间、粒子的空间位置、粒子的速度、个体粒子的局部最优位置和整个粒子群的全局最优位置，所述个体粒子的局部最优位置为所述粒子的空间位置的集合，所述整个粒子群的全局最优位置为所述个体粒子的局部最优位置的集合；初始化模块，用于对所述粒子群的参数进行初始化，得到初始化后的参数；初始适应度函数值确定模块，用于将所述初始化后的参数代入所述适应度函数，得到初始适应度函数值；最大迭代次数设定模块，用于设定最大迭代次数；迭代更新模块，用于对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置；局部最优位置和全局最优位置确定模块，用于根据所述更新后的粒子的速度和所述更新后的粒子的空间位置，确定更新后的个体粒子的局部最优位置和更新后的整个粒子群的全局最优位置；更新后的适应度函数值确定模块，用于根据所述更新后的整个粒子群的全局最优位置，确定更新后的适应度函数值；第一判断模块，用于判断更新后的适应度函数值是否大于初始适应度函数值，得到第一判断结果；第一迭代参与模块，用于当所述第一判断结果为是时，将更新后的适应度函数值对应的粒子的速度和粒子的空间位置参与下一次迭代；第二迭代参与模块，用于当所述第一判断结果为否时，将初始适应度函数值对应的粒子的速度和粒子的空间位置作为更新后的粒子的速度和粒子的空间位置参与下一次迭代；第二判断模块，用于判断迭代次数是否达到最大迭代次数，得到第二判断结果；返回模块，用于当所述第二判断结果为否时，返回所述迭代更新模块；输出模块，用于当所述第二判断结果为是时，输出最终整个粒子群的全局最优位置；太阳能发电上网因子确定模块，用于根据所述最终整个粒子群的全局最优位置，确定所述适应度函数最大时对应的太阳能发电上网因子。
11.可选的，所述适应度函数的计算公式为：其中，max(f(α))为适应度函数的最大值，α(t)为t时刻的太阳能发电上网因子，p
(t)为t时刻的太阳能发电功率，，l为光照强度，a为太阳能发电的上网价格，p
需
(t)为t时刻的厂区的用电功率总需求，γ为储能系统对外供应功率系数，b为电网用电的价格。
12.可选的，所述粒子的速度的迭代更新公式为：v
αi
(k)=β(k)v
αi
(k-1)+r1×
c1(k)
×
(p
αi
(k-1)-x
αi
(k-1))+r2×
c2(k)
×
(p
αg
(k-1)-x
αi
(k-1))其中，k为迭代次数，v
αi
(k)为第k次迭代对应的粒子的速度，β(k)为第k次迭代对应的改进权重因子，，β0为惯性权重，k
max
为最大迭代次数，v
αi
(k-1)为第k-1次迭代对应的粒子的速度，r1为第一随机系数，c1(k)为第k次迭代对应的改进认知因子，，c1=2.0，c
1初
=0.8，p
αi
(k-1)为第k-1次迭代对应的第i个个体粒子的局部最优位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，r2为第二随机系数，c2(k)为第k次迭代对应的改进社会因子，，c2=0.5，c
2初
=2.0，p
αg
(k-1)为第k-1次迭代对应的整个粒子群的全局最优位置。
13.可选的，所述粒子的空间位置的迭代更新公式为：x
αi
(k)=x
αi
(k-1)+v
αi
(k)其中，x
αi
(k)为第k次迭代对应的第i个粒子的空间位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，v
αi
(k)为第k次迭代对应的粒子的速度。
14.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种太阳能储能的智能调控方法及系统，所述智能调控方法包括以下步骤：获取已知调控参数，所述已知调控参数包括：太阳能发电功率、厂区的用电功率总需求、储能系统对外供应功率系数、太阳能发电的上网价格和电网用电的价格；根据所述已知调控参数，构建适应度函数，所述适应度函数为关于太阳能上网发电带来的收益与厂区额外用电费用差值的函数；确定所述适应度函数最大时对应的太阳能发电上网因子；根据所述太阳能发电上网因子，对太阳能储能进行智能调控。本发明根据已知调控参数构建了关于太阳能上网发电带来的收益与厂区额外用电费用的适应度函数，通过适应度函数能够确定最优的太阳能发电上网因子，进而根据最优的太阳能发电上网因子对太阳能储能进行智能调控。与现有技术相比，本发明能够在太阳能发生变化时，合理分配绿色工厂的太阳能电站上网与储能，同时在绿色工厂用电发生变化时，也能够合理分配绿色工厂的太阳能电站上网与储能。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
16.图1为本发明实施例1提供的一种太阳能储能的智能调控方法的流程图；图2为确定适应度函数最大时对应的太阳能发电上网因子的流程图；图3为本发明实施例2提供的一种太阳能储能的智能调控系统的结构框图；图4为太阳能发电上网因子确定单元的结构框图。
具体实施方式
17.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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
18.本发明的目的是提供一种太阳能储能的智能调控方法及系统，本发明能够合理分配绿色工厂的太阳能电站上网与储能。
19.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
20.实施例1：请参阅图1，本发明提供了一种太阳能储能的智能调控方法，所述智能调控方法包括以下步骤：s1：获取已知调控参数，所述已知调控参数包括：太阳能发电功率、厂区的用电功率总需求、储能系统对外供应功率系数、太阳能发电的上网价格和电网用电的价格；s2：根据所述已知调控参数，构建适应度函数，所述适应度函数为关于太阳能上网发电带来的收益与厂区额外用电费用差值的函数；所述适应度函数的计算公式为：其中，max(f(α))为适应度函数的最大值，α(t)为t时刻的太阳能发电上网因子，p(t)为t时刻的太阳能发电功率，，l为光照强度，所述光照强度根据天气预报系统提供的日照曲线获得，a为太阳能发电的上网价格，p
需
(t)为t时刻的厂区的用电功率总需求，γ为储能系统对外供应功率系数，在本实施例中γ=0.95，b为电网用电的价格。
21.s3：确定所述适应度函数最大时对应的太阳能发电上网因子；如图2所示，在步骤s3中，所述确定所述适应度函数最大时对应的太阳能发电上网因子，具体包括：s31：根据不同时段的太阳能发电上网因子，构建粒子群s，s=(α1，α2，
…
，αn)，所述粒子群的参数包括：粒子的个数n，其中，n=1，2，
…
24，粒子的大小(α1，α2，
…
，αn)、粒子搜寻空间(d维的空间)、粒子的空间位置x
αi
=(x
α1
，x
α2
，
…
，x
αid
)、粒子的速度v
αi
=(v
α1
，v
α2
，
…
，v
αid
)，其中，i=1，2，
…
n，1≤d≤d，个体粒子的局部最优位置p
αi
=(p
α1
，p
α2
，
…
，p
αid
)和整个粒子群的全局最优位置p
αg
=(p
αg1
，p
αg2
，
…
，p
αgd
)，所述个体粒子的局部最优位置为所述粒子的空间位置的集合，所述整个粒子群的全局最优位置为所述个体粒子的局部最优位置的集合，即p
αi
=(x
αi
)的最优集合，p
αg
=(p
αi
)的最优集合；s32：对所述粒子群的参数进行初始化，得到初始化后的参数；具体的，对粒子的速
度更新公式中的第k次迭代对应的改进权重因子β(k)中的β0进行设定，第k次迭代对应的改进认知因子c1(k)和第k次迭代对应的改进学习因子c2(k)中的c1，c
1初
，c2和c
2初
初进行设定，随机初始化粒子的速度v
αi
、粒子的空间位置x
αi
、粒子的局部最优解p
αi
、群体的全局最优解p
αg
。
22.s33：将所述初始化后的参数代入所述适应度函数，得到初始适应度函数值；s34：设定最大迭代次数k
max
；s35：对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置；具体的，所述粒子的速度的迭代更新公式为：v
αi
(k)=β(k)v
αi
(k-1)+r1×
c1(k)
×
(p
αi
(k-1)-x
αi
(k-1))+r2×
c2(k)
×
(p
αg
(k-1)-x
αi
(k-1))其中，k为迭代次数，v
αi
(k)为第k次迭代对应的粒子的速度，β(k)为第k次迭代对应的改进权重因子，，β0为惯性权重，k
max
为最大迭代次数，v
αi
(k-1)为第k-1次迭代对应的粒子的速度，r1为第一随机系数，取值在[0，1]范围内，c1(k)为第k次迭代对应的改进认知因子，，c1=2.0，c
1初
=0.8，p
αi
(k-1)为第k-1次迭代对应的第i个个体粒子的局部最优位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，r2为第二随机系数，取值在[0，1]范围内，c2(k)为第k次迭代对应的改进社会因子，，c2=0.5，c
2初
=2.0，p
αg
(k-1)为第k-1次迭代对应的整个粒子群的全局最优位置。
[0023]
所述粒子的空间位置的迭代更新公式为：x
αi
(k)=x
αi
(k-1)+v
αi
(k)其中，x
αi
(k)为第k次迭代对应的第i个粒子的空间位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，v
αi
(k)为第k次迭代对应的粒子的速度。
[0024]
s36：根据所述更新后的粒子的速度和所述更新后的粒子的空间位置，确定更新后的个体粒子的局部最优位置和更新后的整个粒子群的全局最优位置；s37：根据所述更新后的整个粒子群的全局最优位置，确定更新后的适应度函数值；s38：判断更新后的适应度函数值是否大于初始适应度函数值，得到第一判断结果；s39：若所述第一判断结果为是，则将更新后的适应度函数值对应的粒子的速度和粒子的空间位置参与下一次迭代；s310：若所述第一判断结果为否，则将初始适应度函数值对应的粒子的速度和粒子的空间位置作为更新后的粒子的速度和粒子的空间位置参与下一次迭代；s311：判断迭代次数是否达到最大迭代次数，得到第二判断结果；s312：若所述第二判断结果为否，则返回步骤“对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置”；
s313：若所述第二判断结果为是，则输出最终整个粒子群的全局最优位置；s314：根据所述最终整个粒子群的全局最优位置，确定所述适应度函数最大时对应的太阳能发电上网因子，即整个粒子群的全局最优位置p
αg
(k)也就是此时对应的α的最优解集合。
[0025]
s4：根据所述太阳能发电上网因子，对太阳能储能进行智能调控。
[0026]
本发明采用改进的粒子群算法，能够给出太阳能变化时，绿色工厂太阳能电站上网与储能的合理分配；同时，采用改进的粒子群算法，能够给出绿色工厂用电变化时太阳能电站上网与储能的合理分配；另外，引入改进权重因子、改进认知因子和改进社会因子，使得迭代更加的精准，得到的结果更逼近现实。
[0027]
实施例2：请参阅图3，本发明提供了一种太阳能储能的智能调控系统，所述智能调控系统包括：调控参数获取单元1，用于获取已知调控参数，所述已知调控参数包括：太阳能发电功率、厂区的用电功率总需求、储能系统对外供应功率系数、太阳能发电的上网价格和电网用电的价格；适应度函数构建单元2，用于根据所述已知调控参数，构建适应度函数，所述适应度函数为关于太阳能上网发电带来的收益与厂区额外用电费用差值的函数；所述适应度函数的计算公式为：其中，max(f(α))为适应度函数的最大值，α(t)为t时刻的太阳能发电上网因子，p(t)为t时刻的太阳能发电功率，，l为光照强度，a为太阳能发电的上网价格，p
需
(t)为t时刻的厂区的用电功率总需求，γ为储能系统对外供应功率系数，b为电网用电的价格。
[0028]
太阳能发电上网因子确定单元3，用于确定所述适应度函数最大时对应的太阳能发电上网因子；智能调控单元4，用于根据所述太阳能发电上网因子，对太阳能储能进行智能调控。
[0029]
如图4所示，所述太阳能发电上网因子确定单元3包括：粒子群构建模块31，用于根据不同时段的太阳能发电上网因子，构建粒子群，所述粒子群的参数包括：粒子的个数、粒子的大小、粒子搜寻空间、粒子的空间位置、粒子的速度、个体粒子的局部最优位置和整个粒子群的全局最优位置，所述个体粒子的局部最优位置为所述粒子的空间位置的集合，所述整个粒子群的全局最优位置为所述个体粒子的局部最优位置的集合；初始化模块32，用于对所述粒子群的参数进行初始化，得到初始化后的参数；初始适应度函数值确定模块33，用于将所述初始化后的参数代入所述适应度函数，得到初始适应度函数值；最大迭代次数设定模块34，用于设定最大迭代次数；
迭代更新模块35，用于对粒子的速度和粒子的空间位置进行迭代更新，得到更新后的粒子的速度和更新后的粒子的空间位置；所述粒子的速度的迭代更新公式为：v
αi
(k)=β(k)v
αi
(k-1)+r1×
c1(k)
×
(p
αi
(k-1)-x
αi
(k-1))+r2×
c2(k)
×
(p
αg
(k-1)-x
αi
(k-1))其中，k为迭代次数，v
αi
(k)为第k次迭代对应的粒子的速度，β(k)为第k次迭代对应的改进权重因子，，β0为惯性权重，k
max
为最大迭代次数，v
αi
(k-1)为第k-1次迭代对应的粒子的速度，r1为第一随机系数，c1(k)为第k次迭代对应的改进认知因子，，c1=2.0，c
1初
=0.8，p
αi
(k-1)为第k-1次迭代对应的第i个个体粒子的局部最优位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，r2为第二随机系数，c2(k)为第k次迭代对应的改进社会因子，，c2=0.5，c
2初
=2.0，p
αg
(k-1)为第k-1次迭代对应的整个粒子群的全局最优位置。
[0030]
所述粒子的空间位置的迭代更新公式为：x
αi
(k)=x
αi
(k-1)+v
αi
(k)其中，x
αi
(k)为第k次迭代对应的第i个粒子的空间位置，x
αi
(k-1)为第k-1次迭代对应的第i个粒子的空间位置，v
αi
(k)为第k次迭代对应的粒子的速度。
[0031]
局部最优位置和全局最优位置确定模块36，用于根据所述更新后的粒子的速度和所述更新后的粒子的空间位置，确定更新后的个体粒子的局部最优位置和更新后的整个粒子群的全局最优位置；更新后的适应度函数值确定模块37，用于根据所述更新后的整个粒子群的全局最优位置，确定更新后的适应度函数值；第一判断模块38，用于判断更新后的适应度函数值是否大于初始适应度函数值，得到第一判断结果；第一迭代参与模块39，用于当所述第一判断结果为是时，将更新后的适应度函数值对应的粒子的速度和粒子的空间位置参与下一次迭代；第二迭代参与模块310，用于当所述第一判断结果为否时，将初始适应度函数值对应的粒子的速度和粒子的空间位置作为更新后的粒子的速度和粒子的空间位置参与下一次迭代；第二判断模块311，用于判断迭代次数是否达到最大迭代次数，得到第二判断结果；返回模块312，用于当所述第二判断结果为否时，返回所述迭代更新模块；输出模块313，用于当所述第二判断结果为是时，输出最终整个粒子群的全局最优位置；太阳能发电上网因子确定模块314，用于根据所述最终整个粒子群的全局最优位置，确定所述适应度函数最大时对应的太阳能发电上网因子。
[0032]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0033]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理位置本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理位置为对本发明的限制。