基于数字孪生模型的光伏储能系统仿真方法及系统技术方案

本发明专利技术涉及系统仿真技术领域，尤其为基于数字孪生模型的光伏储能系统仿真方法及系统，包括如下步骤：S1：采集光伏储能系统各能源设备历史数据；S2：基于改进的CNN

【技术实现步骤摘要】
基于数字孪生模型的光伏储能系统仿真方法及系统


[0001]本专利技术涉及系统仿真
，尤其是基于数字孪生模型的光伏储能系统仿真方法及系统。

技术介绍

[0002]以电力为核心的综合能源系统包括多种能量生产、传输、存储和消费网络，结构复杂、设备繁多、技术庞杂，具有典型的非线性随机特征与多尺度动态特征。然而，传统数学模型已经难以满足现有技术的规划设计、监测分析和运行优化的要求，需要进一步提高数学模型中能源设备的建模精度；通过人工智能算法对海量系统数据进行分析，能够实现光伏储能系统能源设备的高精度建模并能通过采集物理设备的实时数据对仿真模型不断优化。人工智能算法是构建光伏储能系统数字孪生模型的重要支撑技术，为精确构建光伏储能系统能源设备的数字孪生仿真模型提供了数字化与智能化基础。
[0003]现有技术基于CNN
‑
BP神经网络进行能源设备数据的训练和建模，基于CNN的深层网络组合预测模型的预测效果在预测时的精度较高，但是CNN的权重训练影响模型的预测效果，且权重训练不当易导致模型的过拟合，降低模型的精度，增大模型的预测误差。

技术实现思路

[0004]本专利技术的目的是通过提出基于数字孪生模型的光伏储能系统仿真方法及系统，以解决上述
技术介绍
中提出的缺陷。
[0005]本专利技术采用的技术方案如下：提供基于数字孪生模型的光伏储能系统仿真方法，包括如下步骤：S1：采集光伏储能系统各能源设备历史数据；S2：基于改进的CNN
‑
BP神经网络搭建光伏储能系统的数值孪生模型；S3：输入光伏储能系统各能源设备更新的数据至数值孪生模型中进行仿真；S4：基于仿真结果进行数值孪生模型的修正；所述S2中将历史数据实体映射至改进的CNN
‑
BP神经网络中搭建数值孪生模型；所述改进的CNN
‑
BP神经网络中，在CNN算法中，基于具有自调整功能的重采样算法进行光伏储能系统各能源设备历史数据的自编码采集。
[0006]作为本专利技术的一种优选技术方案：所述历史数据包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量。
[0007]作为本专利技术的一种优选技术方案：所述重采样算法具体如下：其中，为获取的光伏储能系统各能源设备历史数据权重值，为权重平衡值，为最终权重，为权重因子的索引参数，为索引次数。
[0008]作为本专利技术的一种优选技术方案：所述重采样算法中，将历史数据中的各个数据的最终权重引入时间步进行更新，得到各个数据的实时权重。
[0009]作为本专利技术的一种优选技术方案：所述引入时间步进行更新具体如下：计算梯度：更新一阶矩估计和二阶矩估计：计算偏差修正的一阶矩估计和二阶矩估计：更新权重：；其中，为时间步的梯度，为时刻的实际权重，为时刻的权重梯度函数，为一阶矩估计的指数衰减率，为二阶矩估计的指数衰减率，为一阶矩估计在时刻的值，为一阶矩估计在时刻的值，为二阶矩估计在时刻的值，为二阶矩估计在时刻的值，为更新后的时刻的权重，为偏差修正后的一阶矩估计在时刻的值，为偏差修正后的二阶矩估计在时刻的值，为学习率。
[0010]作为本专利技术的一种优选技术方案：所述S3中，所述改进的CNN
‑
BP神经网络中，所述CNN算法具体如下：设样本在网络输出层的损失函数为：其中，为网络输出层神经元的个数，为第个神经元上的输出，为目标函数的理想输出；将损失函数对第个神经元输出求偏导：将损失函数对特征层求偏导：其中，为最后的特征层，为隐含至输入的权重；调整算子为：其中，为对应层输出，为对应层偏置；卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子为：其中，为上一层的输出。
[0011]作为本专利技术的一种优选技术方案：所述CNN算法中，基于改进灰狼优化算法进行权重的优化。
[0012]作为本专利技术的一种优选技术方案：所述改进灰狼优化算法具体如下：
设定CNN网络的输出误差为适应度函数，当误差最小时为适应度函数最优值，设定狼为头狼，狼为狼群下任继承者，为第二等级，听从于头狼，狼为第三等级，将狼设为最优候选解；在狼、狼、狼的带领下狼群想狩猎包围猎物，捕食过程中灰狼搜寻猎物的行为如下所示：如下所示：其中，为猎物的距离，为第次算法迭代时猎物的位置，、分别为第次算法迭代、第次算法迭代时灰狼的位置，为算法迭代次数；为间的随机向量，为系数向量；为系数向量；其中，为间的随机向量，为收敛因子，为最大迭代次数；发现猎物位置时，狼和狼在狼的带领下逐渐包围猎物，对于每一只狼，根据下式计算其位置更新方向：式计算其位置更新方向：式计算其位置更新方向：式计算其位置更新方向：式计算其位置更新方向：式计算其位置更新方向：其中，、、分别为狼、狼、狼与其他个体间的距离；、、为随机变量，、、分别为狼、狼、狼的当前位置，为位置向量，、、分别为狼、狼和狼前进的补偿及方向；根据上式动态更新狼、狼、狼的位置比例权重及下一步位置：
其中，、、分别为狼、狼、狼的位置比例权重，为包围猎物过程中第次算法迭代时灰狼个体更新的位置；按照上式更新其他灰狼位置，判断是否满足终止条件，不满足则继续迭代，直到满足结束条件，输出最优灰狼个体狼的位置，并输出对应的权重值。
[0013]作为本专利技术的一种优选技术方案：所述改进的CNN
‑
BP神经网络中，将经过改进灰狼优化算法优化的CNN算法的输出输入至BP神经网络中，各层神经元通过权值和阈值形成全互联连接，基于改进灰狼优化算法调整权值和阈值，使得改进的CNN
‑
BP神经网络的输出值和期望值的误差最小，并通过回归层输出最终结果进行修正。
[0014]提供基于数字孪生模型的光伏储能系统仿真系统，基于上述的基于数字孪生模型的光伏储能系统仿真方法，包括：数据采集模块：用于采集光伏储能系统各能源设备历史数据；模型搭建模块：用于基于改进的CNN
‑
BP神经网络搭建光伏储能系统的数值孪生模型；系统仿真模块：用于输入光伏储能系统各能源设备更新的数据至数值孪生模型中进行仿真；模型修正模块：用于基于仿真结果进行数值孪生模型的修正。
[0015]本专利技术提供的基于数字孪生模型的光伏储能系统仿真方法及系统，与现有技术相比，其有益效果有：本专利技术基于改进的CNN
‑
BP神经网络搭建光伏储能系统的数字孪生模型，其中，通过改进灰狼优化算法改进的CNN算法采集光伏储能系统各能源设备历史数据，能够维持算法的全局搜索和局部开发的平衡，并且提升算法的动态调整能力，能够满足光伏储能系统的高维、复杂的多模态问题；再通过BP神经网络对CNN算法的输出进行拟合修正，能够提升数字孪生模型的精度，降低模型的预测误差。
附图说明
[0016]图1为本专利技术优选实施例的方法流程图；图2为本专利技术优选实施例中系统框图。
[0017]图中各个标记的意义为：100、数据采集模块；200、模型搭建模块；300、系统仿真模块；400、模型修正模块。
具体实施方式
[0018]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生模型的光伏储能系统仿真方法，其特征在于，包括如下步骤：S1：采集光伏储能系统各能源设备历史数据；S2：基于改进的CNN
‑
BP神经网络搭建光伏储能系统的数值孪生模型；S3：输入光伏储能系统各能源设备更新的数据至数值孪生模型中进行仿真；S4：基于仿真结果进行数值孪生模型的修正；所述S2中将历史数据实体映射至改进的CNN
‑
BP神经网络中搭建数值孪生模型；所述改进的CNN
‑
BP神经网络中，在CNN算法中，基于具有自调整功能的重采样算法进行光伏储能系统各能源设备历史数据的自编码采集。2.根据权利要求1所述的基于数字孪生模型的光伏储能系统仿真方法，其特征在于：所述历史数据包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量。3.根据权利要求2所述的基于数字孪生模型的光伏储能系统仿真方法，其特征在于：所述重采样算法具体如下：其中，为获取的光伏储能系统各能源设备历史数据权重值，为权重平衡值，为最终权重，为权重因子的索引参数，为索引次数。4.根据权利要求3所述的基于数字孪生模型的光伏储能系统仿真方法，其特征在于：所述重采样算法中，将历史数据中的各个数据的最终权重引入时间步进行更新，得到各个数据的实时权重。5.根据权利要求4所述的基于数字孪生模型的光伏储能系统仿真方法，其特征在于：所述引入时间步进行更新具体如下：计算梯度：更新一阶矩估计和二阶矩估计：计算偏差修正的一阶矩估计和二阶矩估计：更新权重：；其中，为时间步的梯度，为时刻的实际权重，为时刻的权重梯度函数，为一阶矩估计的指数衰减率，为二阶矩估计的指数衰减率，为一阶矩估计在时刻的值，为一阶矩估计在时刻的值，为二阶矩估计在时刻的值，为二阶矩估计在时刻的值，为更新后的时刻的权重，为偏差修正后的一阶矩估计在时刻的值，为偏差修正后的二阶矩估计在时刻的值，为学习率。6.根据权利要求5所述的基于数字孪生模型的光伏储能系统仿真方法，其特征在于：所述S3中，所述改进的CNN
‑
BP神经网络中，所述CNN算法具体如下：设样本在网络输出层的损失函数为：其中，为网络输出层神经元的个数，为第个神经元上的输出，为目标函数的理想输
出；将损失函数对第个神经元输出求偏导：将损失函数对特征层求偏导：其中，为最后的特征层，为隐含至输入的权重；调整算子为：其中，为对应层输出，为对应层偏置；卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子为：其中，为上一层的输出。...

【专利技术属性】
技术研发人员：周立专，孙海龙，
申请(专利权)人：北京国科恒通数字能源技术有限公司，
类型：发明
国别省市：