本发明涉及光伏电站储能,具体为一种光伏储能方法和系统。
背景技术:
1、在清洁能源需求迫切以及光伏电力成本快速下降的趋势中,光伏获得广泛应用。除了集中式和分布式工商业发电站的建设投用,光伏也走进了人们的家庭生活,大量光伏发电系统被安装至户用建筑上,为日常生活提供电力。未来将可能与其他户用系统设备(如新能源汽车、智能家居等)联接,构建低碳化、智能化的生活生态。
2、因光伏发电受昼夜、季节、光照、温度等自然因素的影响,具有波动性、随机性和间歇性等特点,往往需要储能系统与光伏组合,提高光伏供电的稳定性,以及提高光伏发电的利用率。然而现有的光伏储能系统存在以下问题:
3、1、大多数通过对深度学习网络模型进行训练,从而获取容量优化方案,但未对深度学习网络模型进行超参数优化,导致训练结果的精确度和准确度不高;
4、2、大多通过实时采集能源需求数据进行容量优化方案的预测,未考虑天气因素对发电量的影响,导致预测的容量优化方案的准确度和稳定度下降;
5、3、大多直接使用收集的数据,并未对数据进行处理,数据存在噪音和异常值,从而对模型训练和预测容量优化方案造成干扰。
技术实现思路
1、本发明的目的在于提供一种光伏储能方法和系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种光伏储能方法,包括以下步骤:
3、步骤s1:通过tpot工具,对用于容量优化的深度学习网络模型进行超参数优化,并将所述深度学习网络模型确定为优化学习网络模型。
4、步骤s2:对所述优化学习网络模型进行训练,生成容量优化模型。
5、步骤s3:使用所述容量优化模型输出最佳容量优化方案。
6、所述步骤s1具体包括以下步骤:
7、步骤s1.1:确定所述深度学习网络模型的网络结构。
8、所述网络结构包括隐藏层数量、每层的神经元数量、激活函数及优化器。
9、步骤s1.2:确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
10、所述超参数包括学习率、批量大小、正则化参数及随机失活率,所述搜索空间包括最大值和最小值。
11、步骤s1.3:设置所述tpot工具的主要参数。
12、所述主要参数包括迭代次数、个体的初始数量、新个体数、突变率和交叉速率,所述迭代次数为创建新个体的次数,所述个体用于创建所述新个体,所述新个体数为每次迭代创造的所述新个体的数量,所述突变率为出现属性值随机更改的概率,所述交叉速率为每次迭代应用交叉操作的概率。
13、步骤s1.4:所述tpot工具输出所述优化学习网络模型
14、所述步骤s2具体包括以下步骤:
15、步骤s2.1:收集历史数据集,并对所述历史数据集进行预处理。
16、所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
17、所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
18、将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
19、所述预处理包括数据清洗、数据归一化及数据增强。
20、步骤s2.2:利用所述第一数据集对所述优化学习网络模型进行训练,生成第一模型。
21、步骤s2.3:利用所述第二数据集对所述优化学习网络模型进行训练,生成所述第二模型。
22、步骤s2.4:将所述第一模型与所述第二模型结合,构建所述容量优化模型。
23、所述步骤s3具体包括以下步骤:
24、步骤s3.1:收集实时数据集,并对所述实时数据集进行所述预处理。
25、所述实时数据集包括实时天气数据及实时能源需求数据。
26、所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
27、步骤s3.2:将所述实时天气数据输入至所述第一模型,所述第一模型输出预测能源需求数据。
28、所述预测能源需求数据包括预测发电量及预测负荷需求。
29、步骤s3.3:将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
30、所述融合能源需求数据包括融合发电量及融合负荷需求。
31、步骤s3.4:将所述融合能源需求数据输入至所述第二模型,所述第二模型输出所述最佳容量优化方案。
32、所述最佳容量优化方案包括最佳光伏储能容量及最佳充放电策略。
33、所述步骤s1.4具体包括以下步骤:
34、步骤s1.4.1:将所述网络结构和所述搜索空间作为所述tpot工具的输入。
35、步骤s1.4.2:所述tpot工具使用遗传算法搜索超参数组合。
36、步骤s1.4.3:所述tpot工具生成初始种群,其中每个个体代表一个超参数组合。
37、步骤s1.4.4:对每个所述超参数组合进行准确率评估,得到评估结果。
38、步骤s1.4.5:根据所述评估结果,所述tpot工具选择部分个体进行交叉和变异操作,生成新个体。
39、步骤s1.4.6:重复所述步骤1.4.4和所述步骤s1.4.5,直到达到所述迭代次数。
40、步骤s1.4.7:所述tpot工具通过遗传算法,输出具有最优超参数组合的所述优化学习网络。
41、本发明提供如下技术方案:一种光伏储能系统,包括控制器、存储单元、网络优化单元、数据单元、模型训练单元及方案获取单元。
42、所述控制器与所述存储单元双向连接,所述网络优化单元与所述控制器双向连接,所述数据单元与所述存储单元双向连接,所述模型训练单元与所述存储单元双向连接,所述方案获取单元与所述存储单元双向连接。
43、所述控制器,用于控制所述光伏储能系统的执行程序,以实现以下步骤:
44、用于对深度学习网络模型进行超参数优化,获得优化学习网络模型。
45、训练所述优化学习网络模型,生成容量优化模型。
46、获取最佳容量优化方案。
47、所述存储单元包括:
48、网络模型存储模块,用于存储所述网络优化单元的数据。
49、数据存储模块,用于存储所述数据单元的数据。
50、优化模型存储模块,用于存储所述模型训练单元的数据。
51、优化方案存储模块,用于存储所述方案获取单元的数据。
52、所述网络优化单元,用于对所述深度学习网络模型进行超参数优化,获得所述优化学习网络模型。
53、所述网络优化单元包括:
54、结构确定模块,用于确定所述深度学习网络模型的网络结构。
55、超参数模块,用于确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
56、参数设置模块,用于设置所述tpot工具的主要参数。
57、模型输出模块,用于所述tpot工具通过遗传算法,得到所述优化学习网络模型。
58、所述数据单元包括:
59、数据收集模块,用于收集历史数据集及实时数据集。
60、数据预处理模块,用于对所述历史数据集及所述实时数据集进行预处理,所述预处理包括数据清洗、数据归一化及数据增强。
61、所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
62、所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
63、将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
64、所述实时数据集包括实时天气数据及实时能源需求数据。
65、所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
66、所述模型训练单元,用于训练所述优化学习网络模型,生成所述容量优化模型。
67、所述模型训练单元包括:
68、第一模型模块,用于根据所述第一数据集,生成第一模型。
69、第二模型模块,用于根据所述第二数据集,生成第二模型。
70、模型构建模块,用于将所述第一模型与所述第二模型结合,构建所述容量优化模型。
71、所述方案获取单元,用于获取所述最佳容量优化方案。
72、所述方案获取单元包括:
73、预测模块,用于根据所述实时天气数据,获取预测能源需求数据。
74、融合模块,用于将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
75、方案输出模块,用于根据所述融合能源需求数据,输出所述最佳容量优化方案。
76、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
77、与现有技术相比,本发明的有益效果是:
78、1、通过使用tpot工具对深度学习网络模型进行超参数优化,可以提高训练结果的精确度和准确度,优化后的超参数可以更好地适应数据集和模型结构,从而提高模型的性能;
79、2、通过加入由天气数据得到的预测能源需求数据,将预测能源需求数据与实时能源需求数据进行加权平均后,再使用得到的融合能源需求数据进行容量优化方案预测,从而提高预测的准确性和稳定性;
80、3、通过对收集的数据进行清洗、归一化和数据增强等预处理步骤,可以去除数据中的噪音和异常值,提高数据的质量和准确性,从而减少对模型训练和预测的干扰,提高模型的稳定性和可靠性。