本技术涉及太阳能储能,尤其是涉及一种光储发电控制方法、系统、计算机设备及介质。
背景技术:
1、随着全球能源消耗的增加和环境污染的加剧,传统能源系统已经无法满足人们对于清洁、高效、可持续的能源需求。光储发电系统作为一种新型发电系统,能够有效地促进能源转型和低碳化。
2、目前,由于太阳光照强度通常会受到天气条件、季节变化、日出日落时间等多个环境因素影响,导致每天的光照量均有所不同,而光储发电系统则需要依赖太阳光照来产生电能,光照量的波动性和随机性对于光储发电系统的性能和效率有着直接的影响。
3、因此,为了便于满足光伏储能装置的储能需求,如何能够综合环境因素并根据实际储能需求提前做出合理的储能调控决策,是目前亟待解决的问题。
技术实现思路
1、为了便于满足光伏储能装置的储能需求,本技术提供了一种光储发电控制方法、系统、计算机设备及介质。
2、第一方面,本技术提供一种光储发电控制方法,采用如下的技术方案:
3、一种光储发电控制方法,应用于光伏储能装置,所述控制方法包括:
4、获取预设未来时段内所述光伏储能装置的储能需求信息;
5、采集当前光储环境信息;
6、根据所述当前光储环境信息,预测得到所述预设未来时段内的光伏发电量;
7、根据所述预设未来时段内的光伏发电量判断是否能够满足所述储能需求,若是,则发送光伏发电控制指令至所述光伏储能装置;
8、若否,则发送光伏发电控制指令和备用电源储能控制指令至所述光伏储能装置;其中,所述光伏发电控制指令用于控制光伏储能装置在所述预设未来时段内进行光伏发电储能,所述备用电源储能控制指令用于控制所述光伏储能装置在预设未来时段内连接至备用电源进行储能。
9、通过采用上述技术方案,当用户需要在未来某个时段内进行光伏储能装置的储能时,即可根据用户需求确定储能需求信息以及对应的预设未来时段,通过采集当前光储环境信息,对该预设未来时段的光伏发电量进行预测,并判断在预设未来时段内能否满足用户的储能需求,若预测到能够满足,则控制光伏储能装置在该预设未来时段内仅进行光伏发电储能即可;若预测到无法满足,则控制光伏储能装置在该预设未来时段内不仅需要进行光伏发电储能,还需要连接至备用电源例如市电等其他能源进行储能,以便于应对太阳光照强度较弱导致光伏发电量不足的情况;通过综合当前光储环境信息预测未来时段内的光伏发电量,并根据实际储能需求提前做出合理的储能调控决策,从而便于满足光伏储能装置的储能需求。
10、可选的,根据所述当前光储环境信息,预测得到所述预设未来时段内的光伏发电量的步骤包括:
11、解析所述当前光储环境信息,得到当前气候数据和当前太阳辐射强度;
12、获取预设历史时段内的历史太阳辐射强度;
13、将所述当前气候数据、所述当前太阳辐射强度和所述预设历史时段内的历史太阳辐射强度输入至预先训练的太阳辐射强度预测模型中,得到预设未来时段内的预测太阳辐射强度;
14、获取所述光伏储能装置的光伏参数信息;
15、根据所述预测太阳辐射强度和所述光伏参数信息,得到所述预设未来时段内的光伏发电量。
16、通过采用上述技术方案,将当前气候数据和当前太阳辐射强度作为光储环境信息,并结合预设历史时段内的历史太阳辐射强度以便于模型捕捉数据的季节性和周期性以及长期趋势等信息,从而提高了预测未来太阳辐射强度的准确性,增强了光伏发电预测和控制的精度。
17、可选的,所述控制方法还包括对所述太阳辐射强度预测模型进行训练的步骤,所述训练的步骤包括:
18、获取样本数据集并进行数据预处理;其中,所述样本数据集包括历史气候数据和历史太阳辐射强度数据;
19、对数据预处理后的样本数据集进行特征提取;其中,特征提取包括提取所述历史太阳辐射强度数据对应的趋势特征和周期性特征,以及提取所述历史气候数据中的气候特征;
20、将所述特征提取后的样本数据集划分为训练集和测试集;
21、将所述训练集输入至预先构建的神经网络模型进行训练,得到太阳辐射强度预测模型;
22、基于所述测试集对所述太阳辐射强度预测模型进行测试,并对所述太阳辐射强度预测模型进行参数校正,得到训练后的太阳辐射强度预测模型。
23、通过采用上述技术方案,根据历史太阳辐射强度数据有助于模型了解太阳辐射强度随时间的变化趋势,结合历史气候数据能够帮助模型了解气候数据对太阳辐射强度的影响,通过对算法模型的优化校正,即可得到最优的太阳辐射强度预测模型。
24、可选的,基于所述测试集对所述太阳辐射强度预测模型进行测试的步骤包括:
25、将所述测试集输入至太阳辐射强度预测模型中,对所述太阳辐射强度预测模型的预测能力进行测试;其中,测试指标包括决定系数、交叉验证均方根误差、预测均方根误差。
26、通过采用上述技术方案,利用测试集对所建模型进行测试,将预测结果与常规测定值进行统计比较,以了解模型泛化性能和避免过拟合;当模型在验证集上表现较好时,使用测试集评估模型的最终性能,结合多个评价指标对太阳辐射强度预测模型的性能和稳定性进行评价,即可确定预测模型的实际预测能力,从而便于对预测模型进行参数校正,进一步提高了预测结果的准确性。
27、可选的,根据所述预测太阳辐射强度和所述光伏参数信息,得到所述预设未来时段内的光伏发电量的步骤包括:
28、解析所述光伏参数信息,得到光伏面积、光伏储能效率和温度修正系数;
29、根据所述光伏面积、光伏储能效率、温度修正系数和所述预设未来时段内的预测太阳辐射强度,得到所述预设未来时段内的光伏发电量。
30、通过采用上述技术方案,在得到预设未来时段内的预测太阳辐射强度后,根据光伏储能装置自身的光伏参数信息即可得到预设未来时段内的光伏发电量,从而为能否满足储能需求提供判断依据。
31、可选的,所述光伏发电控制指令还用于控制光伏储能装置在所述预设未来时段内获取实时光照信息,并根据所述实时光照信息控制所述光伏储能装置的光伏板保持最佳受光角度。
32、通过采用上述技术方案,在进行光伏储能时,通过实时光照信息确定使光伏板受光面积达到最大化的最佳受光角度,并根据该最佳受光角度对光伏板的角度进行自动调整,使其始终处于最大受光面积的状态,从而提高光伏板的发电效率和能量收集效率,保证储能电源的快速储能。
33、第二方面,本技术提供一种光储发电控制系统,采用如下的技术方案:
34、一种光储发电控制系统,应用于光伏储能装置,所述控制系统包括:
35、储能需求信息获取模块,用于获取预设未来时段内所述光伏储能装置的储能需求信息;
36、采集模块,用于采集当前光储环境信息;
37、光伏发电量预测模块,用于根据所述当前光储环境信息,预测得到所述预设未来时段内的光伏发电量;
38、判断模块,用于根据所述预设未来时段内的光伏发电量判断是否能够满足所述储能需求,若是,则输出第一判断结果;若否,则输出第二判断结果;
39、控制模块,用于响应于所述第一判断结果,发送光伏发电控制指令至所述光伏储能装置;
40、控制模块,用于响应于所述第二判断结果,发送光伏发电控制指令和备用电源储能控制指令至所述光伏储能装置;其中,所述光伏发电控制指令用于控制光伏储能装置在所述预设未来时段内进行光伏发电储能,所述备用电源储能控制指令用于控制所述光伏储能装置在预设未来时段内连接至备用电源进行储能。
41、通过采用上述技术方案,当用户需要在未来某个时段内进行光伏储能装置的储能时,即可根据用户需求确定储能需求信息以及对应的预设未来时段,通过采集当前光储环境信息,对该预设未来时段的光伏发电量进行预测,并判断在预设未来时段内能否满足用户的储能需求,若预测到能够满足,则控制光伏储能装置在该预设未来时段内仅进行光伏发电储能即可;若预测到无法满足,则控制光伏储能装置在该预设未来时段内不仅需要进行光伏发电储能,还需要连接至备用电源例如市电等其他能源进行储能,以便于应对太阳光照强度较弱导致光伏发电量不足的情况;通过综合当前光储环境信息预测未来时段内的光伏发电量,并根据实际储能需求提前做出合理的储能调控决策,从而便于满足光伏储能装置的储能需求。
42、可选的,所述光伏发电量预测模块包括:
43、解析单元,用于解析所述当前光储环境信息,得到当前气候数据和当前太阳辐射强度;
44、历史太阳辐射强度获取单元,用于获取预设历史时段内的历史太阳辐射强度;
45、太阳辐射强度预测单元,用于将所述当前气候数据、所述当前太阳辐射强度和所述预设历史时段内的历史太阳辐射强度输入至预先训练的太阳辐射强度预测模型中,得到预设未来时段内的预测太阳辐射强度;
46、光伏参数信息获取单元,用于获取所述光伏储能装置的光伏参数信息;
47、光伏发电量生成单元,用于根据所述预测太阳辐射强度和所述光伏参数信息,得到所述预设未来时段内的光伏发电量。
48、通过采用上述技术方案,将当前气候数据和当前太阳辐射强度作为光储环境信息,并结合预设历史时段内的历史太阳辐射强度以便于模型捕捉数据的季节性和周期性以及长期趋势等信息,从而提高了预测未来太阳辐射强度的准确性,增强了光伏发电预测和控制的精度。
49、第三方面,本技术提供一种计算机设备,采用如下的技术方案:
50、一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
51、第四方面,本技术提供一种计算机可读存储介质,采用如下的技术方案:
52、一种计算机可读存储介质,存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。
53、综上所述,本技术包括以下至少一种有益技术效果:
54、1.通过综合当前光储环境信息预测未来时段内的光伏发电量,并根据实际储能需求提前做出合理的储能调控决策,从而便于满足光伏储能装置的储能需求;
55、2.将当前气候数据和当前太阳辐射强度作为光储环境信息,并结合预设历史时段内的历史太阳辐射强度以便于模型捕捉数据的季节性和周期性以及长期趋势等信息,从而提高了预测未来太阳辐射强度的准确性,增强了光伏发电预测和控制的精度。