基于强化学习的光伏发电储能系统灵活控制方法及装置制造方法及图纸

本发明专利技术涉及光伏发电领域，具体涉及一种基于强化学习的光伏发电储能系统灵活控制方法及装置。该方法及装置包括：实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控。本发明专利技术能够有效减缓储能系统功率在最大功率点处的波动。减缓储能系统功率在最大功率点处的波动。减缓储能系统功率在最大功率点处的波动。

【技术实现步骤摘要】
基于强化学习的光伏发电储能系统灵活控制方法及装置


[0001]本专利技术涉及光伏发电领域，具体而言，涉及一种基于强化学习的光伏发电储能系统灵活控制方法及装置。

技术介绍

[0002]传统的光伏发电储能系统控制是基于特定的物理模型，让其功率始终高于目标值，利用率不高。现有技术则是使用逼近技术将其建模，但其决策效率低、灵活性不足、决策明显滞后等问题较为明显。另外现有技术中发电端与储能端相互调控机制不足。

技术实现思路

[0003]本专利技术实施例提供了一种基于强化学习的光伏发电储能系统灵活控制方法及装置，以有效减缓储能系统功率在最大功率点处的波动。
[0004]根据本专利技术的一实施例，提供了一种基于强化学习的光伏发电储能系统灵活控制方法，包括以下步骤：
[0005]S101:实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；
[0006]S102:利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控。
[0007]进一步地，步骤S101包括：
[0008]实时获取光伏发电储能系统内光伏电池的输出电流与输出电压，进行复合型的最大功率点跟踪MPPT，并通过PWM占空比调整输出全局最优电压值。
[0009]进一步地，步骤S102包括：
[0010]获取时段最大功率，通过强化学习马尔科夫决策过程的建模与模型训练，以充电效率、温度、能量利用率为激励因素，对光伏发电储能系统的充电电压阈值进行智能调控。
[0011]进一步地，方法还包括：
[0012]S100:构建光伏发电储能系统，其中光伏发电储能系统为集中式发电或分布式发电，其内的光伏板光伏电池输出不稳定、波动大的电压电流。
[0013]进一步地，方法还包括：
[0014]S103:光伏发电储能系统中，每一个储能单元在评价网络中除了输入自己的状态信息、动作信息之外，还获取光伏单元的状态信息与动作信息。
[0015]进一步地，储能单元自己的状态信息包括电压、电流、温度信息。
[0016]根据本专利技术的另一实施例，提供了一种基于强化学习的光伏发电储能系统灵活控制装置，包括：
[0017]电压控制模型，用于实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；
[0018]智能调控模块，用于利用强化学习进行建模与模型训练，对光伏发电储能系统的
充电电压阈值进行智能调控。
[0019]进一步地，装置还包括：
[0020]评价网络模块，用于在光伏发电储能系统中，每一个储能单元在评价网络中除了输入自己的状态信息、动作信息之外，还获取光伏单元的状态信息与动作信息。
[0021]一种存储介质，存储介质存储有能够实现上述任意一项基于强化学习的光伏发电储能系统灵活控制方法的程序文件。
[0022]一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于强化学习的光伏发电储能系统灵活控制方法。
[0023]本专利技术实施例中的基于强化学习的光伏发电储能系统灵活控制方法及装置，实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控，有效减缓储能系统功率在最大功率点处的波动。
附图说明
[0024]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0025]图1为本专利技术基于强化学习的光伏发电储能系统灵活控制方法的流程图；
[0026]图2为本专利技术基于强化学习的光伏发电储能系统灵活控制方法的优选流程图；
[0027]图3为本专利技术基于强化学习的光伏发电储能系统灵活控制方法的优选流程图；
[0028]图4为本专利技术基于强化学习的光伏发电储能系统灵活控制装置的模块图；
[0029]图5为本专利技术基于强化学习的光伏发电储能系统灵活控制装置的优选模块图。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0031]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]实施例1
[0033]根据本专利技术一实施例，提供了一种基于强化学习的光伏发电储能系统灵活控制方法，参见图1，包括以下步骤：
[0034]S101:实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占
空比调整全局最优电压值；
[0035]S102:利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控。
[0036]本专利技术实施例中的基于强化学习的光伏发电储能系统灵活控制方法，实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控，有效减缓储能系统功率在最大功率点处的波动。
[0037]其中，步骤S101包括：
[0038]实时获取光伏发电储能系统内光伏电池的输出电流与输出电压，进行复合型的最大功率点跟踪MPPT，并通过PWM占空比调整输出全局最优电压值。
[0039]其中，步骤S102包括：
[0040]获取时段最大功率，通过强化学习马尔科夫决策过程的建模与模型训练，以充电效率、温度、能量利用率为激励因素，对光伏发电储能系统的充电电压阈值进行智能调控。
[0041]其中，参见图2，方法还包括：
[0042]S100:构建光伏发电储能系统，其中光伏发电储能系统为集中式发电或分布式发电，其内的光伏板光伏电池输出不稳定、波动大的电压电流。
[0043]其中，参见图3，方法还包括：
[0044]S103:光伏发电储能系统中，每一个储能单元在评价网络中除了输入自己的状态信息、动作信息之外，还获取光伏单元的状态信息与动作信息。
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化学习的光伏发电储能系统灵活控制方法，其特征在于，包括以下步骤：S101:实时获取光伏发电储能系统的状态信息，对其进行最大功率点跟踪，通过占空比调整全局最优电压值；S102:利用强化学习进行建模与模型训练，对光伏发电储能系统的充电电压阈值进行智能调控。2.根据权利要求1所述的基于强化学习的光伏发电储能系统灵活控制方法，其特征在于，步骤S101包括：实时获取光伏发电储能系统内光伏电池的输出电流与输出电压，进行复合型的最大功率点跟踪MPPT，并通过PWM占空比调整输出全局最优电压值。3.根据权利要求1所述的基于强化学习的光伏发电储能系统灵活控制方法，其特征在于，步骤S102包括：获取时段最大功率，通过强化学习马尔科夫决策过程的建模与模型训练，以充电效率、温度、能量利用率为激励因素，对光伏发电储能系统的充电电压阈值进行智能调控。4.根据权利要求1所述的基于强化学习的光伏发电储能系统灵活控制方法，其特征在于，所述方法还包括：S100:构建光伏发电储能系统，其中光伏发电储能系统为集中式发电或分布式发电，其内的光伏板光伏电池输出不稳定、波动大的电压电流。5.根据权利要求1所述的基于强化学习的光伏发电储能系统灵活控制方法，其特征在于，所述方法还包括：S...

【专利技术属性】
技术研发人员：杨之乐，李冰，邓蕴晔，郭媛君，冯伟，王尧，张豪，刘潇，陈梓健，
申请(专利权)人：广东碳中和研究院韶关，
类型：发明
国别省市：