一种能源管理方法及智能光储装置与流程

本发明属于储能装置，具体涉及一种智能光储装置。

背景技术：

移动通信铁塔很多处于较难达到的区域，这些区域的供电可靠性较低或者没有供电。铁塔基站都配备ups系统，在电网停电后可以确保通信设备约15分钟的不间断供电。当电网停电时间超过15分钟，则需要人工运送柴油机到现场为通信设备供电。这样的供电方式运维效率低下并且成本很高。

技术实现要素：

本发明的特征和优点在下文的描述中部分地陈述，或者可从该描述显而易见，或者可通过实践本发明而学习。

为克服现有技术的问题，本发明提供一种能源管理方法，应用于能源管理系统(ems)，包括：

s1、获取预测光照度和温度值；

s2、根据训练出的光伏最大出力关系式获取所述预测光照度和温度值对应的预测光伏最大出力；

s3、在并网模式下，根据储能单元的soc(荷电量)状态及所述预测光伏最大出力，生成储能充放电指令。

优选地，所述步骤s1中采用时间序列预测神经网络获取预测光照度和温度值；所述步骤s2中采用bp神经网络训练出光伏最大出力关系式。

优选地，所述步骤s3包括：在离网模式下，根据所述预测光伏最大出力获取预测mppt(最大功率点跟踪)点的功率值，并据此确定光伏机的下垂曲线。

根据本发明的另一个方面，提供一种智能光储装置，包括能源管理系统，所述能源管理系统包括：

人工智能算法模块，用于获取预测光照度和温度值，并结合根据训练出的光伏最大出力关系式获取所述预测光照度和温度值对应的预测光伏最大出力；

控制指令生成模块，用于在并网模式下，根据储能单元的soc(荷电量)状态及所述预测光伏最大出力，生成储能充放电指令。

优选地，所述人工智能算法模块采用时间序列预测神经网络获取预测光照度和温度值，采用bp神经网络训练出光伏最大出力关系式。

优选地，所述人工智能算法模块用于在离网模式下，根据所述预测光伏最大出力获取预测mppt(最大功率点跟踪)点的功率值，并据此确定光伏机的下垂曲线。

优选地，所述智能光储装置包括通讯控制单元、处理单元和储能单元，所述通讯控制单元、处理单元和储能单元、能源管理系统通过通信线相互连接在一起；所述处理单元通过电气连接线与光伏系统及交流母线相连；所述处理单元用于接收能源管理系统的指令并执行。

优选地，所述处理单元包括相连的交流侧逆变器与直流侧变换器；所述交流侧逆变器用于与光伏系统电气相连；所述直流侧变换器用于与储能单元相连；所述储能单元包括1至5个储能电池。

优选地，所述交流侧逆变器包括dc/dc模块、dc/ac模块以及电容，所述dc/dc模块、dc/ac模块通过所述电容进行电气连接。

优选地，所述处理单元包括通过电气依次相连的光伏逆变器、储能变流器、直流配电柜；所述储能单元包括多个在交流侧进行并联的储能电池。

本发明提供一种云端虚拟电厂，包括并接到交流供电系统的光伏系统和多个如本发明任一实施例所述的光储智能装置。

附图说明

图1为本发明实施例的能源管理方法的流程示意图；

图2为本发明实施例的智能光储装置的结构示意图；

图3为本发明实施例的下垂曲线控制的示意图；

图4为本发明一实施例的智能光储装置的结构示意图；

图5为图4所示智能光储装置中交流侧逆变器的结构示意图；

图6为本发明一实施例的智能光储装置的结构示意图；

图7为本发明实施例的云端虚拟电厂结构示意图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

如图1所示，本发明提供一种能源管理方法，应用于能源管理系统(ems)，包括：

s1、获取预测光照度和温度值；

在具体实施时，可以采用时间序列预测神经网络(longshorttermmemory，lstm)获取获取预测光照度和温度值，lstm最重要的功能是利用历史数据去预测未来的光照度和温度。

s2、根据训练出的光伏最大出力关系式获取所述预测光照度和温度值对应的预测光伏最大出力；

本实施例利用bp神经网络训练出光伏最大出力关系式f＝f(光照度，温度)，利用预测光照度和温度值代入bp神经网络训练出的光伏最大出力关系式即可获取预测光伏的最大出力。在运行过程中，可以不断的自我学习并修正控制参数，从而适应不断变化的运行环境(例如光伏系统的衰减、电池系统的内阻变化等)，准确地得出预测光伏发电功率。采用上述方法可以使光伏预测精度高于95％，从而确保在并离网运行的工况下，整个系统经济性最优。

s3、在并网模式下，根据储能单元的soc(荷电量)状态及所述预测光伏最大出力，生成储能充放电指令；

当储能单元的soc小于预设阈值，且预测光伏最大出力大于负荷出力时，生成储能充电指令，使储能单元进行充电操作；当储能单元的soc大于或等于预设阈值，或预测光伏最大出力小于负荷出力时，生成储能放电指令，使储能单元进行放电操作；从而提高光伏系统自发自用比例。

在步骤s3中，若处于离网模式下，则可以根据所述预测光伏最大出力获取预测mppt(最大功率点跟踪)点的功率值，并据此确定光伏机的下垂曲线。

在具体操作时，确定光伏机的下垂曲线是指确定下垂曲线的斜率kp及平移值delatkp，从而使光伏机出力接近mppt出力点。其中，deltakp，这个值不断迭代变化，最后达到目标值。

在具体实施时，可以先通过mppt点的功率值将下垂曲线斜率kp由kp2调整为kp1，如图3a所示。再将斜率为kp1的下垂曲线平移delatkp，如图3b所示，使光伏机出力接近mppt出力点；从而确保了系统在离网运行时，无论光伏系统出力变化率多大，都能保证系统安全稳定运行。

如图2所示，本发明提供一种智能光储装置，包括：能源管理系统(energymanagementsystem，ems)10、通讯控制单元20、处理单元30、储能单元40。能源管理系统10、通讯控制单元20、处理单元30、储能单元40通过通信线相互连接在一起。此外，处理单元30还通过电气连接线与光伏系统及交流母线相连。处理单元30用于接收能源管理系统的指令并执行。光伏系统中包括光伏机。

上述能源管理系统10、通讯控制单元20、处理单元30、储能单元40可以高度集成在一个柜体中。

能源管理系统10能自动控制整个智能光储装置在并离网切换的过程中实现完全无缝切换，提高用户的供电可靠性。能源管理系统10中包括人工智能算法模块以及控制指令生成模块。

本实施例中，该人工智能算法模块中应用了两个神经网络，其中之一是常规的bp神经网络，利用bp神经网络训练出光伏最大出力f＝f(光照度，温度)的关系，另外一个是时间序列预测神经网络(longshorttermmemory，lstm)，lstm最重要的功能是利用历史数据去预测未来的光照度和温度，利用预测到的光照度和温度带入bp神经网络预测光伏的最大出力。该人工智能算法使得系统能够在运行过程当中不断的自我学习并修正控制参数，从而适应不断变化的运行环境(例如光伏系统的衰减、电池系统的内阻变化等)，准确地得出光伏最大出力，生成储能充放电指令。更具体地，当储能单元的soc小于预设阈值，且预测光伏最大出力大于负荷出力时，使储能单元进行充电操作；当储能单元的soc大于或等于预设阈值，或预测光伏最大出力小于负荷出力时，使储能单元进行放电操作；从而提高光伏系统自发自用比例。通过人工智能预测光伏发电功率，光伏预测精度高于95％，可以确保在并离网运行的工况下，整个系统经济性最优。

此外，人工智能算法模块还可以预测在离网模式下的mppt点的值，并据此确定光伏机下垂曲线的斜率kp和平移值delatkp，从而使光伏机出力接近mppt出力点。其中，deltakp，这个值不断迭代变化，最后达到目标值。

控制指令生成模块用于在并网模式下根据储能单元的soc(荷电量)状态及所述预测光伏最大出力，生成储能充放电指令，当储能单元的soc小于预设阈值，且预测光伏最大出力大于负荷出力时，生成储能充电指令，使储能单元进行充电操作；当储能单元的soc大于或等于预设阈值，或预测光伏最大出力小于负荷出力时，生成储能放电指令，使储能单元进行放电操作。指令经由通讯控制单元发送到处理单元30，从而提高光伏系统的自发自用比例，提升系统的投资回报率。控制指令生成模块用于在离网模式下将光伏机下垂曲线的斜率kp和平移值delatkp生成光伏出力的指令，该指令经由通讯控制单元发送到处理单元30。

在本发明的另一实施中，能源管理系统10包括人工智能算法模块、控制指令生成模块、指令接收模块。人工智能算法模块、控制指令生成模块与上述人工智能算法模块、控制指令生成模块一致，在此不再赘述。指令接收模块与上述控制模块相连，指令接收模块用于接收控制调度指令，控制指令生成模块根据电网调度调节储能出力，和负荷用电生成相应的控制指令来满足控制调度指令，使得智能光储装置参与电网的调频、调压和负荷侧响应，为业主带来额外的经济效益。

能源管理系统可以协调控制光伏系统和储能单元的综合出力，使得系统能够参与电网的一次调频、二次调频(agc)和调压。通过内部v/f控制环使整个系统一次调频响应时间在80ms以内。其中，一次调频和调压是内部自动控制的，二次调频是接受电网调度指令的。

处理单元30在离网模式下可以作为电压源运行v/f，在大电网断电情况下能给负荷提供不间断电力。在离网模式下，处理单元30会进入下垂控制模式，在下垂控制模式中，可以根据mppt点的功率值pmppt，确定光伏机的下垂曲线斜率kp，调节下垂控制的delatkp，使光伏机出力最大限度接近mppt点(预留出预测的误差)。

在具体实施时，可以先通过mppt点的功率值将下垂曲线斜率kp由kp2调整为kp1，如图3a所示。再将斜率为kp1的下垂曲线平移delatkp，如图3b所示，使光伏机出力接近mppt出力点；从而确保了系统在离网运行时，无论光伏系统出力变化率多大，都能保证系统安全稳定运行。

处理单元30在并网模式下，根据能源管理系统下发的指令使得光伏系统与储能系统能够带起全部负荷，控制光伏系统、储能系统和大电网的交换功率。

可见，在能源管理系统10中，人工智能算法预测光伏发电功率，并依据预测数据对储能充放电进行实时控制，从而确保大电网在停电的情况下，用户能够不断电运行，提高用户的供电可靠性。

储能单元40包括多个储能电池，每个储能电池内嵌bms(电池管理系统)，bms为主动均衡系统，最大均衡电流能够达到5a。此外，ems系统能够利用人工智能聚类classification算法，自动检测出需要均衡电芯和损坏电芯并实时计算电池的soc和soh。

请参照图4，本实施例提供的智能光储装置，包括：通过通信线相连的能源管理系统11、通讯控制单元12、交流侧逆变器13、直流侧变换器14、储能单元15。

上述能源管理系统11与图2中的能源管理系统10一致，在此不再赘述。本实施例中，处理单元包括交流侧逆变器13、直流侧变换器14。交流侧逆变器13用于与380v交流母线17及光伏系统18通过电气连接线相连，直流侧变换器则与48v直流母线16通过电气连接线相连。直流侧变换器14通过电气连接线与储能单元15相连。储能单元包括至少为两个储能单元15，例如是2个、5个。

请同时参照图5，交流侧逆变器13包括dc/dc模块31、dc/ac模块32以及电容33，dc/dc模块31、dc/ac模块32通过电容33进行电气连接，dc/dc模块31用于与光伏系统相连，dc/ac模块32用于与电网相连。

在并网运行时，光伏机工作在pq模式，dc/dc进行mppt算法，dc/ac运行在电流源工作模式下。在离网模式下，光伏机工作在v/f模式，前端dc/dc控制电容侧的母线电压到720v，dc/ac侧工作在电压源模式或者下垂控制模式。在下垂控制模式中，可以根据mppt点的功率值，调节下垂曲线斜率kp，根据负荷功率和mppt点的功率值，调节下垂控制的delatkp，使光伏及处理接近mppt出力点。

请参照图6，本实施例提供的智能光储装置，包括：通过通信线相连的能源管理系统21、通讯控制单元22、光伏逆变器23、储能变流器24、交直流配电柜25、储能单元26。

上述能源管理系统21与图1中的能源管理系统10一致，在此不再赘述。本实施例中，处理单元包括光伏逆变器23、储能变流器24、交直流配电柜25组成。光伏逆变器23用于光伏系统28通过电气连接线相连，交直流配电柜25则与380v交流母线27通过电气连接线相连。光伏逆变器23、储能变流器24、交直流配电柜25通过电气连接线连接在一起。储能单元包括多个储能电池26。多个储能电池26在交流侧进行并联。此时，储能变流器24进行mppt算法，在下垂控制的后半段有ems来控制。

与图4对应的实施例相比，本实施例采用的是全交流系统，没有直流系统了。相比较现在市场上主流的光储一体机，本实施例提供的智能光储装置少一级dc/ac变换，其转换效率高出约3％，成本低约10％，给用户带来更多的收益。且其配置更为灵活，可以针对现有分布式光伏的存量市场进行配置，可以最优化每个系统的配置。

需要说明的是，在具体实施时，根据光伏系统的容量和逆变器容量以及储能单元的容量(电池的容量和dc/dc的容量可以设置多种标准化产品，例如是三种标准化产品，该三种标准化产品可以十分方便的进行级联扩展，从而满足用户特定的需求。同时，在每一个标准化集成系统中，其模块也是标准化模块，可以在内部方便的进行扩展。

如图7所示，本发明提供一种云端虚拟电厂，能参与电网的电力辅助服务。该云端模拟发电厂包括并接到交流供电系统的光伏系统50、负载模组60和多个如上述任一实施例所述的光储智能装置70，光伏系统50包括光伏机51光储智能装置将数据上传到云端(图中未显示)后，通过云端调度，给每个光储智能装置的电站下发调度指令。正常工作模式下，基站配电箱的开关电源开关处于断开状态，其他开关均处于闭合状态。在光伏系统中的光伏机故障时，断开电网开关和负载开关，闭合开关电源开关，基站完全恢复市电供电。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。