一种光伏储能系统的充放电方法及其储能系统与流程

本发明涉及光伏储能，具体涉及一种光伏储能系统的充放电方法及其储能系统。

背景技术：

1、光伏储能是将太阳能光伏发电系统与储能技术相结合，将光伏发电产生的电能储存起来，以便在需要的时候供应电力。光伏发电系统发出的电力首先满足自己的负荷使用，多余的电量可以卖给外部电网公司；若光伏所发的电量不足负荷使用，即由外部电网供电补充。随着光伏发电技术的日趋完善和设备成本的不断降低，光伏储能系统已经进入了普通家庭。家用储能系统既要考虑最大化利用太阳能，又不能造成公网电压波动过大。

2、目前主流的用户侧供配电系统在引入光伏能源、用户储能、电动汽车和用户负载时，电动汽车和充电桩通过交流耦合接入系统，光储系统和电动汽车充放电系统按各自的能量管理分开设置运行，需要人为介入使之协调导致效率降低，不能达到整个用户侧系统的智能管理和最优效益。

技术实现思路

1、本发明的目的在于提供一种光伏储能系统的充放电方法及其储能系统，以解决现有技术中光储系统和电动汽车充放电系统按各自的能量管理分开设置运行，需要人为介入使之协调导致效率降低，不能达到整个用户侧系统的智能管理和最优效益的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种光伏储能系统的充放电方法，包括以下步骤：

4、获取光伏储能系统中光伏单元、负载单元、新能源设备单元以及储能单元的电力参数；

5、利用神经网络根据所述电力参数，对光伏单元、负载单元、新能源设备单元与储能单元间的电力参数的映射关系进行深度学习，构建出充电参数预测模型和放电参数预测模型；

6、将充电参数预测模型和充电参数预测模型进行孪生化组合，得到充放电协同模型；

7、光伏储能系统中电池管理单元依据充放电协同模型，对储能单元进行充放电协同控制。

8、作为本发明的一种优选方案，所述光伏单元的电力参数为光伏单元的发电功率，负载单元的电力参数为负载单元的用电功率，新能源设备单元的电力参数包括新能源设备的充电功率和放电功率，储能单元的电力参数包括储能单元的充电功率和放电功率。

9、作为本发明的一种优选方案，所述充电参数预测模型的构建包括：

10、将光伏单元的发电功率、负载单元的用电功率、新能源设备的充电功率和放电功率作为第一神经网络的输入项，将储能单元的充电功率作为第一神经网络的输出项；

11、利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项进行映射关系学习，得到根据光伏单元的发电功率、负载单元的用电功率、新能源设备的充电功率和放电功率预测出储能单元的充电功率的充电参数预测模型；

12、所述充电参数预测模型为：

13、din＝bp1(k1,k2,k3,k4)；

14、式中，din为储能单元的充电功率，k1为光伏单元的发电功率，k2为负载单元的用电功率，k3和k4分别为新能源设备的充电功率和放电功率，bp1为第一神经网络。

15、作为本发明的一种优选方案，所述放电参数预测模型的构建包括：

16、将光伏单元的发电功率、负载单元的用电功率、新能源设备的充电功率和放电功率作为第二神经网络的输入项，将储能单元的放电功率作为第二神经网络的输出项；

17、利用第二神经网络对第二神经网络的输入项和第二神经网络的输出项进行映射关系学习，得到根据光伏单元的发电功率、负载单元的用电功率、新能源设备的充电功率和放电功率预测出储能单元的放电功率的放电参数预测模型；

18、所述放电参数预测模型为：

19、dout＝bp2(k1,k2,k3,k4)；

20、式中，dout为储能单元的放电功率，k1为光伏单元的发电功率，k2为负载单元的用电功率，k3和k4分别为新能源设备的充电功率和放电功率，bp2为第二神经网络。

21、作为本发明的一种优选方案，所述充放电协同模型的构建方法包括：

22、将放电参数预测模型和充电参数预测模型中的输入项和输出项映射关系进行反转改造并组合为孪生网络，所述孪生网络为：

23、

24、式中，din为储能单元的充电功率，dout为储能单元的放电功率，k1为光伏单元的发电功率，k2为负载单元的用电功率，k3和k4分别为新能源设备的充电功率和放电功率，bp1为第一神经网络，bp2为第二神经网络；

25、修正孪生网络的损失函数，基于修正后的损失函数对孪生网络进行重训练，得到所述充放电协同模型。

26、作为本发明的一种优选方案，所述孪生网络的损失函数的修正方法包括：

27、量化放电参数预测模型和充电参数预测模型的预测性能；

28、基于所述预测性能对应设置第一神经网络和第二神经网络的权重；

29、利用第一神经网络和第二神经网络的权重对所述孪生网络的损失函数进行修正，得到修正后的损失函数；

30、所述孪生网络的损失函数为：

31、loss＝ce[(k1,k2,k3,k4)bp1,(k1,k2,k3,k4)bp2]；

32、式中，loss为损失函数值，ce为交叉熵运算符，(k1,k2,k3,k4)bp1为第一神经网络的输出项，(k1,k2,k3,k4)bp2为第二神经网络的输出项，ce[r1*(k1,k2,k3,k4)bp1,r2*(k1,k2,k3,k4)bp2]为r1*(k1,k2,k3,k4)bp1和r2*(k1,k2,k3,k4)bp2之间的交叉熵；

33、所述修正后的损失函数为：

34、loss_amended＝ce[r1*(k1,k2,k3,k4)bp1,r2*(k1,k2,k3,k4)bp2]；

35、式中，loss_amended为修正后的损失函数值，ce为交叉熵运算符，(k1,k2,k3,k4)bp1为第一神经网络的输出项，(k1,k2,k3,k4)bp2为第二神经网络的输出项，r1为第一神经网络的权重，r2为第二神经网络的权重，ce[r1*(k1,k2,k3,k4)bp1,r2*(k1,k2,k3,k4)bp2]为r1*(k1,k2,k3,k4)bp1和r2*(k1,k2,k3,k4)bp2之间的交叉熵。

36、作为本发明的一种优选方案，所述预测性能的量化包括：

37、量化放电参数预测模型和充电参数预测模型的预测精度，所述预测精度为：

38、

39、

40、式中，x1为放电参数预测模型的预测精度，x2为充电参数预测模型的预测精度，lt1为初始储能时刻到当前储能时刻中时刻t1处的放电参数预测模型的损失函数，ft2为初始储能时刻到当前储能时刻中时刻t2处的放电参数预测模型的损失函数，t为当前储能时刻；

41、量化放电参数预测模型和充电参数预测模型的预测精度的预测稳定性，所述预测稳定性为：

42、

43、

44、式中，y1为充电参数预测模型的预测稳定性，y2为放电参数预测模型的预测稳定性，ft1为初始储能时刻到当前储能时刻中时刻t1处的din，ft2为初始储能时刻到当前储能时刻中时刻t2处的dout，t为当前储能时刻，t0为初始储能时刻。

45、作为本发明的一种优选方案，所述第一神经网络和第二神经网络的权重设置方法为：

46、利用softmax函数对所述预测精度和预测稳定性进行决策性组合，得到所述权重；

47、所述权重为：

48、r1＝softmax(x1,y1)；

49、r2＝softmax(x2,y2)；

50、式中，r1为第一神经网络的权重，r2为第二神经网络的权重，x1为放电参数预测模型的预测精度，x2为充电参数预测模型的预测精度，y1为充电参数预测模型的预测稳定性，y2为放电参数预测模型的预测稳定性，softmax为softmax函数，softmax(x1,y1)为在x1和y1中选择最优值，softmax(x2,y2)为在x2和y2中选择最优值。

51、作为本发明的一种优选方案，所述放电参数预测模型和充电参数预测模型的损失函数相同，均为预测值和真实值的交叉熵。

52、作为本发明的一种优选方案，本发明提供了一种光伏储能系统，应用于所述的一种光伏储能系统的充放电方法，系统包括：

53、光伏单元、电池管理单元、储能单元、负载单元和新能源设备单元；

54、光伏单元用于利用光伏发电产生发电功率；

55、储能单元用于储存所述光伏单元产生的发电功率，以及新能源设备单元的充电功率；

56、用于向负载单元和新能源设备单元提供用电功率；

57、电池管理单元用于基于充放电协同模型控制所述储能单元对光伏单元的发电功率和新能源设备单元的充电功率进行存储的充电功率，以及对负载单元和新能源设备单元的用电功率进行供能的放电功率。

58、本发明与现有技术相比较具有如下有益效果：

59、本发明利用神经网络根据所述电力参数，对光伏单元、负载单元、新能源设备单元与储能单元间的电力参数的映射关系进行深度学习，构建出充电参数预测模型和放电参数预测模型；将充电参数预测模型和充电参数预测模型进行孪生化组合，得到充放电协同模型；光伏储能系统中电池管理单元依据充放电协同模型，对储能单元进行充放电协同控制，达到光伏储能的充放电的自主优化控制，无需人为介入，时效性更高。