System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于光伏新能源技术改进领域,尤其涉及一种提高储能系统发电自用率的方法。
技术介绍
1、光伏发电技术和产业不仅是当今能源的一个重要补充,更具备成为未来主要能源来源的潜力。随着科技和社会的发展,需要的能源越来越多,常规能源越来越少,而可再生能源的利用会节约很多的常规能源,太阳能作为新能源的一种,占据明显的优势,具有长足发展的趋势,太阳能为光伏发电或利用光能聚焦加热等,能够节约能源、环保等优势,目前,太阳能光伏发电发展迅速,各种光伏储能系统频繁不断促进产业不断前进。
2、现有光伏储能系统的组成部分为:光伏模块,逆变器模块,储能模块以及电网。光伏模块的作用是将太阳能转化为电能,逆变器模块的作用是将光伏模块或者储能模块的单项直流电变成三项交流电;以及,将输入端的电压进行升压;电网的作用是当光伏模块以及储能模块没有电能输出时接入。
技术实现思路
1、本专利技术的目的在于提供一种提高储能系统发电自用率的方法,旨在解决现有的光伏储能系统,光伏pv板发出来的电通过微型逆变器直接供给到家庭电网中,但是微型逆变器通常设置固定的输出功率,当家庭用电并未占满微型逆变器的输出功率时,多余的电量将会自动汇入进电网中从而浪费掉的技术问题。
2、本专利技术是这样实现的,一种提高储能系统发电自用率的方法,所述提高储能系统发电自用率的方法包括以下步骤:
3、s1、系统收集用户的历史用电数据并对用电数据进行预处理;
4、s2、对太阳能板发电功率的预测、能量存储控制
5、s3、通过选择的学习算法对历史用电数据进行训练并建立供电策略的预测模型;
6、s4、通过部分历史数据作为测试集对训练好的供电策略模型进行验证和评估;
7、s5、根据训练好的供电策略模型系统按照实时用电需求和光伏发电情况自动调整供电策略;
8、s6、系统根据用户实时用电情况和光伏发电情况实时反馈和调整供电策略。
9、本专利技术的进一步技术方案是:所述步骤s1中还包括以下步骤:
10、s11、对系统收集的历史用电数据进行清洗;
11、s12、将历史用电数据进行转换和归一化处理;
12、s13、对历史用电数据进行数据平滑和采样处理;
13、s14、将经过转换和归一化处理或数据平滑和采样处理的历史用电数据提取特征划分类别;
14、s15、将经过上述处理后的历史用电数据划分为训练集和测试集。
15、本专利技术的进一步技术方案是:所述步骤s11中包括以下步骤:
16、s111、删除重复数据点;
17、s112、通过插值法进行填补或删除具有缺失值的数据点;
18、s113、利用统计方法或异常检测算法识别和处理异常数据。
19、本专利技术的进一步技术方案是:所述步骤s12中包括如下步骤:
20、s121、通过对数转换减小指数增长或衰减趋势数据的尺度差异;
21、s122、将数据最大-最小归一化和标准化处理。
22、本专利技术的进一步技术方案是:所述步骤s13中对用电数据通过计算一段时间内的平均值减小波动性和采样频率降低。
23、本专利技术的进一步技术方案是:所述步骤s15中将数据集80%划分为训练集, 20%划分为测试集。
24、本专利技术的进一步技术方案是:所述步骤s2中太阳能板发电功率的预测选择回归算法、能量存储控制策略优化选择强化学习算法及负载需求预测采用时间序列预测算法。
25、本专利技术的进一步技术方案是:所述步骤s3中还包括以下步骤:
26、s31、根据各个模块选择的学习算法初始化模型参数;
27、s32、将划分的训练集和测试集的数据导入模型中使用训练集数据对模型进行训练。
28、本专利技术的进一步技术方案是:所述太阳能板发电功率的预测选择回归算法包括以下步骤:
29、s211、随机初始化参数;
30、s212、前向传播;
31、s213、计算损失;
32、s214、反向传播;
33、s215、重复执行s212-s214步骤将模型调整到最优化状态完成训练;
34、所述能量存储控制策略优化选择强化学习算法中使用q-learning算法,q-learning算法的通过迭代更新q值函数,直至收敛到最优解,其包括以下步骤:
35、s221、初始化q值函数;
36、s222、与环境交互;
37、s223、更新q值函数;
38、s224、重复执行s222- s223步骤至q值函数收敛或达到指定的训练次数;
39、s225、通过在每个状态下选择具有最大q值的动作制定最优的能量存储控制策略。
40、本专利技术的进一步技术方案是:所述负载需求预测采用时间序列预测算法中使用arima算法进行负载预测,其包括以下步骤:
41、s231、对负载需求数据进行平稳性检验;
42、s232、根据自相关图(acf)和偏自相关图(pacf)来选择arima模型的参数;
43、s233、根据选择的arima模型参数对历史负载需求数据进行训练获得arima模型。
44、本专利技术的有益效果是:本方法中通过实时自动调节微型逆变器输出至负载端的功率,从而令从太阳能板发出的电量经由微型逆变器输出至负载端的功率刚好能覆盖负载端的功率,而太阳能板产生的多余的电量则通过mppt汇入储能设备中。
本文档来自技高网...【技术保护点】
1.一种提高储能系统发电自用率的方法,其特征在于,所述提高储能系统发电自用率的方法包括以下步骤:
2.根据权利要求1所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S1中还包括以下步骤:
3.根据权利要求2所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S11中包括以下步骤:
4.根据权利要求3所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S12中包括如下步骤:
5.根据权利要求4所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S13中对用电数据通过计算一段时间内的平均值减小波动性和采样频率降低。
6. 根据权利要求2所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S15中将数据集80%划分为训练集, 20%划分为测试集。
7.根据权利要求1所述的提高储能系统发电自用率的方法,其特征在于,所述步骤S2中太阳能板发电功率的预测选择回归算法、能量存储控制策略优化选择强化学习算法及负载需求预测采用时间序列预测算法。
8.根据权利要求1所述的提高储能系统发电自用率
9.根据权利要求7所述的提高储能系统发电自用率的方法,其特征在于,所述太阳能板发电功率的预测选择回归算法包括以下步骤:
10.根据权利要求7所述的提高储能系统发电自用率的方法,其特征在于,所述负载需求预测采用时间序列预测算法中使用ARIMA算法进行负载预测,其包括以下步骤:
...【技术特征摘要】
1.一种提高储能系统发电自用率的方法,其特征在于,所述提高储能系统发电自用率的方法包括以下步骤:
2.根据权利要求1所述的提高储能系统发电自用率的方法,其特征在于,所述步骤s1中还包括以下步骤:
3.根据权利要求2所述的提高储能系统发电自用率的方法,其特征在于,所述步骤s11中包括以下步骤:
4.根据权利要求3所述的提高储能系统发电自用率的方法,其特征在于,所述步骤s12中包括如下步骤:
5.根据权利要求4所述的提高储能系统发电自用率的方法,其特征在于,所述步骤s13中对用电数据通过计算一段时间内的平均值减小波动性和采样频率降低。
6. 根据权利要求2所述的提高储能系统发电自用率的方法,其特征在于,所述步...
【专利技术属性】
技术研发人员:谭海锋,卢文,刘兵斌,
申请(专利权)人:广州疆海科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。