【技术实现步骤摘要】
本专利技术属于建筑储能，尤其是涉及一种智能建筑储能方法。
技术介绍
1、随着城市化水平的提高，电能消耗量在建筑能耗中占比越来越大，智能建筑采用太阳能、风能发电的减少自身对于电网电量需求，当前的智能建筑储能管理系统中存在以下两种管理方式：第一，太阳能发电受到天气的影响较大，现有的技术方案是，当发电量大于耗电量时，向电网供电，这种管理方式存在以下问题，无法储存电能，多余的电能全部向电网供电，当发电量不足时，再从电网购电；第二，通过储能系统储存电能，当发电量大于耗电量时，且储能系统处于满电状态时，储能管理系统向电网供电，中管理方式存在以下问题，蓄电池只有夜间使用，且不能根据预测的明日发电量的提前规划向电网的供电计划，导致储能系统反复充放电导致储能系统使用寿命缩短，还会造成电能不充分利用。
技术实现思路
1、有鉴于此，本专利技术旨在提出一种智能建筑储能方法，以期解决上述部分技术问题中的至少之一。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、本专利技术第一方面提供了一种智能建筑储能方法，其特征在于，包括以下步骤：
4、s1、通过能耗预测模型预测明日的建筑耗电量；
5、s2、通过发电量预测模型预测明日的建筑光伏发电量；
6、s3、通过预测建筑耗电量和预测建筑光伏发电量计算当日储能系统的电力负荷；
7、如果明日的建筑耗电量小于明日的建筑发电量，则储能系统向电网输电。
8、进一步的，所述s1包括以下
9、s11、采集建筑的历史电耗数据；
10、s12、提取与电耗相关的特征，与电耗相关的特征包括日期、天气、温度、是否为节假日的标签；
11、s13、将历史电耗数据训练神经网络模型生成能耗预测模型；
12、s14、将明日的日期、天气、温度、是否为节假日的标签输入至能耗预测模型；
13、s15、定期更新模型，将新的实时数据纳入模型中进行训练；
14、s16、输出明日的预测建筑耗电量。
15、进一步的，所述历史电耗数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
16、通过训练集调整神经网络模型参数，然后用测试集验证能耗预测模型的性能。
17、进一步的，所述s1包括以下步骤：
18、s21、收集建筑光伏系统的历史发电数据，历史发电数据包括光照强度、温度、太阳能光伏板的效率；
19、s22、对采集到的历史发电数据进行特征工程，提取与光伏发电相关的特征，与光伏发电相关的特征包括天气条件、日照时长、季节性变化、光照强度、温度、太阳能光伏板的效率；
20、s23、将与光伏发电相关的特征训练循环神经网络生成发电量预测模型；
21、s24、将明天的天气预报数据输入至发电量预测模型；
22、s25、输出明日的预测建筑光伏发电量；
23、进一步的，所述s21中历史发电数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
24、通过训练集调整循环神经网络参数，然后用测试集验证发电量预测模型的性能。
25、进一步的，所述s24中从天气预报中获得明天的天气条件特征、日照时长特征、光照强度特征、温度特征；
26、根据日期获得明天的季节性变特征；
27、根据太阳能光伏板衰减曲线获得明天的太阳能光伏板的效率特征。
28、进一步的，定期更新模型，将新的实时数据纳入模型中进行训练，以保持模型的准确性。
29、本专利技术第二方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行上述第一方面所述的方法。
30、本专利技术第三方面提供了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面所述的方法。
31、本专利技术第四方面提供了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
32、相对于现有技术，本专利技术所述的一种智能建筑储能方法具有以下有益效果：
33、本专利技术所述的一种智能建筑储能方法，通过预测建筑的能耗和光伏发电量来计算储能系统的电力负荷，并根据明天的能耗和发电量来决定储能系统是否向电网输电，能够有效地管理建筑能源，最大化使用太阳能发电并在需要时与电网进行交互，从而提高能源利用效率。
本文档来自技高网...【技术保护点】
1.一种智能建筑储能方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能建筑储能方法，其特征在于：所述S1包括以下步骤：
3.根据权利要求2所述的一种智能建筑储能方法，其特征在于：历史电耗数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
4.根据权利要求1所述的一种智能建筑储能方法，其特征在于：所述S1包括以下步骤：
5.根据权利要求4所述的一种智能建筑储能方法，其特征在于：S21中历史发电数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
6.根据权利要求4所述的一种智能建筑储能方法，其特征在于：S24中从天气预报中获得明天的天气条件特征、日照时长特征、光照强度特征、温度特征；
7.根据权利要求4所述的一种智能建筑储能方法，其特征在于：定期更新模型，将新的实时数据纳入模型中进行训练，以保持模型的准确性。
8.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-7任一
9.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-7任一所述的方法。
10.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种智能建筑储能方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能建筑储能方法，其特征在于：所述s1包括以下步骤：
3.根据权利要求2所述的一种智能建筑储能方法，其特征在于：历史电耗数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
4.根据权利要求1所述的一种智能建筑储能方法，其特征在于：所述s1包括以下步骤：
5.根据权利要求4所述的一种智能建筑储能方法，其特征在于：s21中历史发电数据中70％的数据作为训练集，历史电耗数据中30％的数据作为测试集；
6.根据权利要求4所述的一种智能建筑储能方法，其特征在于：s24中从天气预报中获得明天的天气条件特征、日照时长特征、光照强度特征、...
【专利技术属性】
技术研发人员：卢奕睿，孟凡丽，戚嘉琭，卢嘉瑄，
申请(专利权)人：浙江工业大学，
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。