一种基于储能逆变器的输出功率控制系统及控制方法与流程
- 国知局
- 2024-08-02 15:59:19
本发明属于自动化控制,具体而言,涉及一种基于储能逆变器的输出功率控制系统及控制方法。
背景技术:
1、储能逆变器是一种能够将直流电转换为交流电并存储电能的装置,在离网环境中扮演着重要的角色。然而,在某些情况下,诸如突发性负载增加可能导致逆变器超负载运行,从而影响其性能和安全性。为了应对这一挑战,研发出一种基于储能逆变器的输出功率控制系统变得至关重要。
2、在以往的技术中,通常是通过实时监测逆变器的负载情况,并根据需要手动调整逆变器的工作参数来应对负载变化。然而,这种方法存在着响应速度慢、效率低下的问题。同时对于某些重要的用电设备,当需要电源的持续输出时,亦需要储能逆变器的输出功率能及时响应。
3、查阅相关的公开技术,公开号为cn116826837a的技术方案提出一种储能逆变器的控制方法,通过获取多个储能逆变器的参数并检测这些参数是否具有异常,从而控制储能逆变器的功率以及各接口的通断;公告号为 kr101106413b1的技术方案提出一种储能逆变器系统的电路方案,通过特殊的电路设计,优化储能逆变器自身的能耗消耗,提高能效比;公开号为au2021221722a1提出一种储能逆变器的设计方案,提出通过多个控制器调节输出电路中的多路电平,以使得逆变器的功率输出趋于平稳。
4、以上技术方案均提出了各种控制储能逆变器的电路技术方案,但对于目前对储能逆变器的应用工况更为复杂的使用场景,尚需要提出更为智能化的控制技术方案。
5、背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
技术实现思路
1、本发明的目的在于,提供一种基于储能逆变器的输出功率控制系统及方法,旨在使储能逆变器在短时间内承受超过额定功率的负载而不损坏或造成安全问题。控制系统采用深度神经网络对多个用电器的总工作功率进行预测;当预测到工作总功率可能会超出储能逆变器的额定功率时,系统会提前将逆变器切换到超功率模式。在超功率模式下,逆变器通过调整输出电压,以确保输出功率稳定在额定功率范围内,同时尽可能地降低对设备的损耗和风险。这种模式的智能控制使得逆变器能够迅速适应负载变化,保障设备的稳定运行,提高了系统的可靠性和安全性。
2、本发明采用如下技术方案:一种基于储能逆变器的输出功率控制系统,所述控制系统通信耦合到一个或以上储能逆变器,并且包括:
3、至少一个处理器;
4、一种存储有机器可读指令的非暂时性计算机可读介质,所述机器可读指令使所述处理器执行:
5、访问一个或以上用电器的工作参数以及工作功率;所述工作功率指一个时间段的多个时间步长中,所述用电器的功率实时检测值;
6、使用深度学习神经网络预测用电器在后续每个时间段的多个时间步长的工作功率,以产生多个预测负载;
7、基于一个或以上用电器的所述预测负载,计算在后续一个或以上时间段内可能出现的用电器的工作功率总和,记为极限功率pout;并基于极限功率pout由控制程序设置储能逆变器的工作参数,以控制储能逆变器为下一个时间段中可能出现的极限功率pout大宇额定功率的情况,提前启用超功率模式;
8、其中,所述超功率模式是指执行以下操作:
9、获得负载的极限功率pout;
10、当极限功率pout大于额定功率prated时,计算将当极限功率pout调节到额定功率prated时,加载到负载所需要的超功率模式逆变电压vturbo,然后将储能逆变器的逆变输出电压调节到电压vturbo;
11、以所述额定功率prated作为控制环路的给定,利用控制器基于超功率模式逆变电压vturbo的指定浮动范围内调控储能逆变器的实际输出功率;
12、优选的,所述机器可读指令还包括使得所述处理器执行以下操作的指令:在运行所述超功率模式时,还包括执行:切断对指定用电器的供电;
13、优选的,所述机器可读指令还包括使得所述处理器执行以下操作的指令:计算在后续时间段中,一个或以上用电器的使用收益,以综合考虑所述储能逆变器的供电能力,以使得每一个时间段的所述使用收益最大化;
14、优选的,在计算所述使用收益时,包括由用户对一个或以上的用电器的权重值进行设定;
15、优选的,所述机器可读指令还包括使得所述处理器执行以下操作的指令:在运行所述超功率模式时,还包括执行:在当前时间段的实际输出功率p小于额定功率prated后,在下一时间段恢复储能逆变器的额定输出电压;
16、优选的,所述机器可读指令还包括使得所述处理器执行以下操作的指令:利用用电器的历史工作参数以及历史工作功率训练所述深度学习神经网络;其中,所述历史工作参数以及历史工作功率带有时间标签的历史数值;
17、优选的,所述深度学习神经网络为长短期记忆神经网络;
18、进一步的,提出一种基于储能逆变器的输出功率控制方法;所述控制方法应用于所述一种基于储能逆变器的输出功率控制系统;所述控制方法包括以下步骤:
19、s100:访问一个或以上用电器的工作参数以及工作功率;
20、s200:使用深度学习神经网络预测用电器在后续每个时间段的多个时间步长的工作功率,以产生多个预测负载;
21、s300:基于一个或以上用电器的所述预测负载,计算在后续一个或以上时间段内可能出现的用电器的工作功率总和,记为极限功率pout;并基于极限功率pout由控制程序设置储能逆变器的工作参数,以控制储能逆变器提前启用超功率模式;
22、优选的,所述控制方法还包括以下步骤:
23、s400:在当前时间段结束后,计算一个或多个用电器的工作功率,并与之前预测的当前时间段的一个或多个用电器的工作功率做比对,以计算预测偏差值;将所述预测偏差值返回控制系统,以更新所述深度学习神经网络。
24、本发明所取得的有益效果是:
25、本技术方案的控制系统通过通过深度学习神经网络预测在后续过程中用电器的工作功率,提前识别可能的超负载情况;在预测到即将发生超功率工作时,系统能够提前切换储能逆变器到超功率模式;这种智能预测与提前切换机制显著提升了系统的响应速度,确保在负载突增时储能逆变器能够迅速适应变化,避免因功率激增导致的故障或安全问题;
26、本技术方案的控制系统在在超功率模式下,储能逆变器通过调整输出电压,将负载功率限制在额定功率范围内,同时尽可能降低设备的损耗和风险;通过动态调控储能逆变器的工作参数,该方案能够在保证系统稳定运行的同时,优化能源利用效率,延长设备使用寿命,保障设备在高负载情况下的安全运行;
27、本技术方案的控制系统不仅适用于常规运行环境,还能在突发负载变化或复杂电力需求情况下提供可靠的供电保障;通过结合用户设定的用电器权重值和历史工作参数,系统能够进行深度学习模型的持续优化,提高预测精度和控制效果;
28、本技术方案的控制系统的软、硬件部分采用模块化设计,系统中硬件部分的各工作模块、部件,以及软件部分的指令、参数、算法均可以通过后期进行方便的替换和/或升级,从而降低本系统的搭建成本与维护成本。
本文地址:https://www.jishuxx.com/zhuanli/20240801/248782.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。