一种基于分布式光储的配电网系统及远程安全运维方法技术方案

本发明专利技术公开了一种基于分布式光储的配电网系统，包括分布式光储结构和控制装置，控制装置包括计算端和采集端，计算端包括计算机、比较器、负载功率采集模块和光伏功率预测模块，采集端包括微控制器、PWM脉冲控制模块、光强传感器、温度传感器和风速传感器。本发明专利技术还公开了一种基于分布式光储的配电网远程安全运维方法，包括步骤一、预测光伏电池输出功率；步骤二、负载功率检测；步骤三、远程控制蓄电池充放电；步骤四、蓄电池组SOC预测与控制。本发明专利技术在计算光伏电池输出功率时，对光强函数和温度函数进行融合，并采用变权权重对光强因素和温度因素进行跟随调整，采用神经网络预测模型对光伏电池输出功率进行预测，预测结果清晰准确。确。确。

【技术实现步骤摘要】
一种基于分布式光储的配电网系统及远程安全运维方法


[0001]本专利技术属于，
，具体涉及一种基于分布式光储的配电网系统及远程安全运维方法。

技术介绍

[0002]为达成对能源日趋险峻及污染态势日渐严重的实质解决，全球针对光伏进行了广泛而深入的研究，其研究重心主要集中在独立式、并网型及分布式等。其中，1）独立式光伏，又称离网光伏，主要以独立地运行方式来为较偏远地区、信号电源、路灯等供电；2）并网型光伏，主要是国家级的大型式电站，由大电网汇集起各个电站所发的电能，再将其同一调配给各用户用电；3）分布式光伏（Distributed Photovoltaic，D光伏），又称分散式发电或分布式供能，其一般是一种在接近配网侧或负荷处配置、主要以户用侧自发自足方式来运行、剩余电能输送给配网并具有调节稳定特点的发电装置。
[0003]对于并网光伏和独立式光伏系统所存在的一些问题，使得分布式光伏系统具有很重要的应用前景和很高的研究价值。分布式光伏发展前景广阔，其应用将改变城市在全新能源结构中扮演的角色，即能源的生产、消费及交易三者合为一体。任何一个简单建筑都可作为一个独立的分布式光伏电站，有了分布式光伏自发自用，它会摆脱对电网依赖，实现能源就近供应。
[0004]由于太阳能电池的输出功率随环境变化而不停的改变，加入蓄电池的光伏系统可以很好的减少能源波动，起到防止弃光限电的作用。但是蓄电池等储能装置的价格较贵，往往占整个光伏系统造价的较大部分。而且加入蓄电池的光伏系统在能量管理的控制方面有很高的要求，才能给额定负载较稳定的工作条件。所以设计好的充放电控制技术，减少蓄电池充放电电压和电流的波动来降低对储能装置的损害，延长其工作寿命并保持直流母线电压的稳定是光储系统中又一个研究热点。
[0005]由于光伏发电的发电效率与环境温度、云、灰尘等环境因素有关，它们的变化都有可能导致光伏模块输出功率不稳定，且具有间歇性，因此大量接入会给电力系统的规划、运行、调度和控制带来诸多不确定的问题。因此考虑多因素影响也是提高光伏模块发电效率的重要手段。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于分布式光储的配电网系统及远程安全运维方法，其结构简单、设计合理，在计算光伏电池输出功率时，对光强函数和温度函数进行融合，并采用变权权重对光强因素和温度因素进行跟随调整，采用神经网络预测模型对光伏电池输出功率进行预测，预测结果清晰准确。
[0007]为解决上述技术问题，本专利技术采用的技术方案是：一种基于分布式光储的配电网系统，其特征在于：包括分布式光储结构和控制装置，所述分布式光储结构包括接入直流母线的蓄电池组和多个光伏发电机组，所述光伏发电机组与直流母线之间接有DC/DC变换器，
所述蓄电池组与直流母线之间接有变流器，所述直流母线与交流母线之间接有逆变器，所述交流母线接有多个交流负载；所述控制装置包括计算端和多个分布光伏发电机组周侧的采集端，所述计算端包括计算机和与所述计算机输入端相接的比较器，所述比较器的输入端接有用于监测多个交流负载的负载功率值总和的负载功率采集模块和用于计算光伏发电机组输出功率总和的光伏功率预测模块，计算机的输出端还接有过充预警电路和过放预警电路，所述采集端包括微控制器，所述微控制器的输出端接有用于控制变流器通断的PWM脉冲控制模块，所述微控制器的输入端接有光强传感器、温度传感器和风速传感器，所述计算机和微控制器之间依次接有第一无线通信模块和第二无线通信模块。
[0008]上述的一种基于分布式光储的配电网系统，其特征在于：还包括聚光器和聚光器驱动模块，所述聚光器驱动模块与微控制器的输出端相接。
[0009]上述的一种基于分布式光储的配电网系统，其特征在于：所述变流器为buck
‑
boost变换器。
[0010]本专利技术的一种基于分布式光储的配电网远程安全运维方法，其特征在于：包括以下步骤：步骤一、预测光伏电池输出功率P
pre
‑
p
：步骤101、构造光强函数m(s
t
)，其中，m(s
t
)表示t时刻的光伏发电机组受光强影响的输出功率，s
t
表示t时刻光强传感器采集到的光强，A
r
表示第r个光伏发电电池的面积，η
r
表示第r个光伏发电电池的光电转换效率，
ϕ
T
表示光强修正系数，β表示折扣系数；步骤102、构造温度函数m(T
t
)，其中，m(T
t
)表示t时刻的光伏发电机组受光伏组件板温影响的输出功率，T
t
表示t时刻的光伏组件板温，T
R
表示经温度传感器采集到的环境温度，T
N
表示NOCT条件下光伏组件板温，W
t
表示t时刻经风速传感器采集到的风速，φ1、φ2、φ3、φ4均表示拟合系数；步骤103、计算变权权重：计算机根据公式计算变权权重，其中，表示光强函数的变权权重，表示光强函数的初始权重，表示温度函数的变权权重，表示温度函数的初始权重；步骤104、对多历史时刻的m(s
t
)和m(T
t
)进行信息融合，得到融合特征集M，M={m1,
…
m
t
,
…
,m
n
}，将融合特征集M分为训练集和测试集，m
t
表示t时刻的m(s
t
)和t时刻m(T
t
)的融合值，1≤t≤n；步骤105、在光伏功率预测模块内构建神经网络预测模型；步骤106、通过训练集训练预测模型：使用训练集数据训练神经网络，按照极小化
误差的方法调整卷积神经网络的权值参数；步骤107、通过测试集进行模型评估：直到测试集的预测准确率满足精度要求，精度要求为95％以上；步骤108、实时获取当前时刻光强s
t
’
和温度T
t
’
，根据步骤101
‑
104计算当前t
’
时刻的融合值m
t
’
；步骤109、将当前t
’
时刻的融合值m
t
’
输入到神经网络预测模型，神经网络预测模型输出当前时刻光伏电池输出功率预测值P
pre
‑
p
；步骤二、负载功率检测：负载功率采集模块用于监测当前时刻多个交流负载的负载功率值总和P
tes
‑
p
，并将监测得到的当前时刻负载功率值总和P
tes
‑
p
发送给比较器；步骤三、远程控制蓄电池充放电：比较器对当前时刻光伏电池输出功率预测值P
pre
‑
p
和当前时刻负载功率值总和P
tes
‑
p
进行比较，若P...

【技术保护点】

【技术特征摘要】
1.一种基于分布式光储的配电网系统，其特征在于：包括分布式光储结构和控制装置，所述分布式光储结构包括接入直流母线的蓄电池组（3）和多个光伏发电机组（1），所述光伏发电机组（1）与直流母线之间接有DC/DC变换器（2），所述蓄电池组（3）与直流母线之间接有变流器（4），所述直流母线与交流母线之间接有逆变器（5），所述交流母线接有多个交流负载（6）；所述控制装置包括计算端和多个分布光伏发电机组（1）周侧的采集端，所述计算端包括计算机（7）和与所述计算机（7）输入端相接的比较器（10），所述比较器（10）的输入端接有用于监测多个交流负载（6）负载功率值总和的负载功率采集模块（8）和用于计算光伏发电机组（1）输出功率总和的光伏功率预测模块（9），计算机（7）的输出端还接有过充预警电路（17）和过放预警电路（18），所述采集端包括微控制器（19），所述微控制器（19）的输出端接有用于控制变流器（4）通断的PWM脉冲控制模块（13），所述微控制器（19）的输入端接有光强传感器（20）、温度传感器（21）和风速传感器（22），所述计算机（7）和微控制器（19）之间依次接有第一无线通信模块（11）和第二无线通信模块（12）。2.按照权利要求1所述的一种基于分布式光储的配电网系统，其特征在于：还包括聚光器和聚光器驱动模块（16），所述聚光器驱动模块（16）与微控制器（19）的输出端相接。3.按照权利要求1所述的一种基于分布式光储的配电网系统，其特征在于：所述变流器（4）为buck
‑
boost变换器。4.一种基于分布式光储的配电网远程安全运维方法，其特征在于：包括以下步骤：步骤一、预测光伏电池输出功率P
pre
‑
p
：步骤101、构造光强函数m(s
t
)，其中，m(s
t
)表示t时刻的光伏发电机组（1）受光强影响的输出功率，s
t
表示t时刻光强传感器（20）采集到的光强，A
r
表示第r个光伏发电电池的面积，η
r
表示第r个光伏发电电池的光电转换效率，
ϕ
T
表示光强修正系数，β表示折扣系数；步骤102、构造温度函数m(T
t
)，其中：；m(T
t
)表示t时刻的光伏发电机组（1）受光伏组件板温影响的输出功率，T
t
表示t时刻的光伏组件板温，T
R
表示经温度传感器（21）采集到的环境温度，T
N
表示NOCT条件下光伏组件板温，W
t
表示t时刻经风速传感器采集到的风速，φ1、φ2、φ3、φ4均表示拟合系数；步骤103、计算变权权重：计算机（7）根据公式计算变权权重，其中，表示光强函数的变权权重，表示光强函数的初始权重，表示温度函数的变权权重，表示温度函数的初始权重；
步骤104、对多历史时刻的m(s
t
)和m(T
t
)进行信息融合，得到融合特征集M，M={m1,
…
m
t
,
…
,m
n
}，将融合特征集M分为训练集和测试集，m
t
表示t时刻的m(s
t
)和t时刻m(T
t
)的融合值，1≤t≤n；步骤105、在光伏功率预测模块（9）内构建神经网络预测模型；步骤106、通过训练集训练预测模型：使用训练集数据训练神经网络，按照极小化误差的方法调整卷积神经网络的权值参数；步骤107、通过测试集进行模型评估：直到测试集的预测准确率满足精度要求，精度要求为95％以上；步骤108、实时获取当前时刻光强s
t
’
和温度T
t
’
，根据步骤101
‑
104计算当前t
’
时刻的融合值m
t
’
；步骤109、将当前t
’
时刻的融合值m
t
’
输入到神经网络预测模型，神经网络预测模型输出当前时刻光伏电池输出功率预测值P
pr...

【专利技术属性】
技术研发人员：郭睿，
申请(专利权)人：北京信云筑科技有限责任公司，
类型：发明
国别省市：