本發(fā)明涉及能源調度，具體而言，涉及一種戶用光伏儲能系統(tǒng)能源調度方法及相關設備。

背景技術：

1、光伏技術是目前最為成熟和廣泛應用的可再生能源技術之一，具有很大的發(fā)展?jié)摿Α＝陙?，全球范圍內對可再生能源的需求日益增長，光伏等可再生能源正在加速替代傳統(tǒng)的化石能源。戶用光伏儲能系統(tǒng)是光伏發(fā)電并入電網的一種重要形式，逐漸成為研究的熱點。為了實現其能源管理的收益最大化，需要一個的能源管理系統(tǒng)合理地規(guī)劃發(fā)電、用電及并網。目前的能源管理系統(tǒng)通常策略較為單一，一般將光伏多余的能源存儲于儲能電池中，或直接并網。策略的缺失導致在進行戶用光伏儲能系統(tǒng)能源調度時難以實現不同的電價區(qū)間進行取電或并網，能源調度的準確性較低，用戶從戶用光伏儲能系統(tǒng)中得到的收益不高，降低了用戶對戶用光伏系統(tǒng)的體驗，進而影響光伏產業(yè)的發(fā)展。

技術實現思路

1、本發(fā)明的主要目的在于提供一種戶用光伏儲能系統(tǒng)能源調度方法及相關設備，以至少解決現有的能源管理策略單一，導致在進行戶用光伏儲能系統(tǒng)能源調度時難以實現不同的電價區(qū)間進行取電或并網，導致用戶從戶用光伏能源系統(tǒng)中獲取到的收益較低的問題。

2、根據本發(fā)明的一個方面，提供了一種戶用光伏儲能系統(tǒng)能源調度方法，包括：

3、基于天氣數據及歷史光伏數據，利用預先基于卷積神經網絡與長短時記憶網絡構建的光伏預測模型獲取光伏發(fā)電功率；

4、基于天氣數據及歷史負載數據，利用預先基于卷積神經網絡與長短期記憶網絡構建的負載預測模型獲取負載需求功率；

5、創(chuàng)建策略矩陣，根據所述策略矩陣、所述光伏發(fā)電功率及所述負載需求功率進行功率分配模擬并通過粒子群算法對模擬結果進行迭代優(yōu)化，得到最優(yōu)功率分配結果。

6、進一步地，基于天氣數據及歷史光伏數據，利用預先基于卷積神經網絡與長短時記憶網絡構建的光伏預測模型獲取光伏發(fā)電功率，包括：

7、獲取天氣數據歷史光伏數據；

8、通過皮爾遜相關性分析方法分別對所述天氣數據及所述歷史光伏數據進行分析得到天氣相關特征與歷史光伏特征；

9、通過所述光伏預測模型的卷積層對所述天氣相關特征進行處理得到光伏關鍵特征；

10、通過所述光伏預測模型的長短期記憶網絡層對所述光伏關鍵特征進行處理得到光伏功率時序特征；

11、將所述光伏功率時序特征與所述歷史光伏特征進行融合并通過所述光伏預測模型的卷積層進行處理得到光伏發(fā)電功率。

12、進一步地，基于天氣數據及歷史負載數據，利用預先基于卷積神經網絡與長短期記憶網絡構建的負載預測模型獲取負載需求功率，包括：

13、獲取歷史負載數據；

14、通過皮爾遜相關性分析方法分別對所述天氣數據及所述歷史負載數據進行分析得到天氣相關特征與歷史負載特征；

15、通過所述負載預測模型的卷積層對所述天氣相關特征及歷史負載特征進行處理得到光伏關鍵特征與負載關鍵特征；

16、通過所述負載預測模型的長短期記憶網絡層分別對所述光伏關鍵特征與負載關鍵特征進行處理得到光伏功率時序特征和負載功率時序特征；

17、將所述光伏功率時序特征與所述負載功率時序特征進行融合得到負載需求功率。

18、進一步地，創(chuàng)建策略矩陣，根據所述策略矩陣、所述光伏發(fā)電功率及所述負載需求功率進行功率分配模擬，包括：

19、基于功率分配需求創(chuàng)建對應的策略矩陣；

20、讀取所述光伏發(fā)電功率對應的光伏發(fā)電功率曲線，以及所述負載需求功率對應的負載需求功率曲線；

21、基于所述光伏發(fā)電功率曲線與所述負載需求功率曲線中提取每個時間步長的光伏發(fā)電功率與負載需求功率；

22、根據外部充放電功率與儲能電池模型參數計算電池功率分配曲線，所述電池功率分配曲線包括電池狀態(tài)變化曲線；

23、基于每個時間步長的所述光伏發(fā)電功率與所述負載需求功率結合當前逆變器運行模式計算逆變器對應的逆變器功率分配曲線，所述逆變器功率分配曲線包括充電功率曲線、放電功率曲線、買電功率曲線和賣電功率曲線；

24、根據所述策略矩陣、所述電池分配功率曲線和逆變器功率分配曲線得到功率分配模擬結果。

25、進一步地，所述逆變器運行模式包括儲能優(yōu)先模式、并網優(yōu)先模式、自發(fā)自用模式、買電儲能模式和儲能賣電模式。

26、進一步地，通過粒子群算法對模擬結果進行迭代優(yōu)化，得到最優(yōu)功率分配結果，包括：

27、根據所述功率分配模擬結果生成粒子群；

28、判斷大型負載的控制模式，若為固定時段模式，則將所有粒子的大負載開關策略全部更改為用戶設置，若為固定時長模式則執(zhí)行下一步；

29、隨機生成每個粒子的初始速度；

30、基于每個粒子進行功率分配模擬得到每個粒子對應的電費支出，并判斷大型負載的控制模式，若為固定時段模式則執(zhí)行下一步，若為固定時長模式則對粒子賦予懲罰系數；

31、更新每個粒子的個體最優(yōu)電費支出和策略矩陣，同時更新全局最優(yōu)；

32、計算每個粒子的距離和方向，結合每個粒子的距離和方向基于學習因子進行加權更新粒子速度，使每個粒子向個體及全局最優(yōu)解移動；

33、判斷是否收斂或達到最大迭代次數，若為收斂或未達到最大迭代次數，則返回隨機生成每個粒子的初始速度的步驟，若達到最大迭代次數則輸出全局最優(yōu)解矩陣及全局最優(yōu)解支出。

34、進一步地，更新每個粒子的個體最優(yōu)電費支出和策略矩陣，同時更新全局最優(yōu)，包括：

35、對于每個粒子，若其對應的當天電費支出少于其經過的最優(yōu)電費支出，則將其作為個體最優(yōu)策略矩陣，將其對應的當天電費支出作為個體最優(yōu)電費支出；

36、對于每個粒子，若其對應的當天電費支出少于所有粒子經過的最優(yōu)電費支出，則將其作為全局最優(yōu)策略矩陣，將其對應的當天電費支出作為全局最優(yōu)電費支出。

37、根據本發(fā)明實施例的另一個方面，還提供了一種戶用光伏儲能系統(tǒng)能源調度裝置，包括：

38、光伏預測模塊，用于基于天氣數據及歷史光伏數據，利用預先基于卷積神經網絡與長短時記憶網絡構建的光伏預測模型獲取光伏發(fā)電功率；

39、負載預測模塊，用于基于天氣數據及歷史負載數據，利用預先基于卷積神經網絡與長短期記憶網絡構建的負載預測模型獲取負載需求功率；

40、模擬光伏儲能系統(tǒng)模塊，用于根據策略矩陣、光伏發(fā)電功率及負載需求功率進行功率分配模擬；

41、策略推算模塊，用于通過粒子群算法對模擬結果進行迭代優(yōu)化，得到最優(yōu)功率分配結果。

42、根據本發(fā)明實施例的另一個方面，還提供了一種電子設備，包括：處理器，以及存儲程序的存儲器，進一步地，所述程序包括指令，所述指令在由所述處理器執(zhí)行時使所述處理器執(zhí)行發(fā)明實施例所述的戶用光伏儲能系統(tǒng)能源調度方法。

43、根據本發(fā)明實施例的另一個方面，還提供了一種存儲有計算機指令的非瞬時機器可讀介質，進一步地，所述計算機指令用于使所述計算機執(zhí)行發(fā)明實施例所述的戶用光伏儲能系統(tǒng)能源調度方法。

44、在本發(fā)明中，通過結合卷積神經網絡（cnn）與長短時記憶網絡（lstm）構建的光伏預測模型，能夠充分利用天氣數據和歷史光伏數據中的時間序列特性及空間特征，實現對光伏發(fā)電功率的精準預測，更能捕捉復雜多變的天氣因素對光伏發(fā)電的影響，從而提高預測的準確性。利用cnn與lstm構建的負載預測模型，結合天氣數據和歷史負載數據，能夠更科學地預測未來的負載需求功率，有助于優(yōu)化儲能和并網策略，以滿足不同時間段的用電需求。不僅預測了光伏發(fā)電功率和負載需求功率，還通過模擬功率分配結果來初步確定功率分配方案，考慮了發(fā)電與用電之間的動態(tài)平衡。通過構建策略矩陣并利用粒子群算法尋找最優(yōu)解，實現了能源調度的智能化和精細化，能夠在復雜的多維空間內快速找到全局最優(yōu)解或近似最優(yōu)解，從而確保能源調度方案在最大化用戶收益的同時，也能適應電價波動等市場變化。通過在預測、分配和調度等方面都進行優(yōu)化，使得戶用光伏儲能系統(tǒng)能夠更準確地響應市場需求，合理安排發(fā)電、用電和并網時間，從而最大化用戶的經濟收益。