一种家用光伏、储能与用能的控制方法与流程
本发明属于光伏、储能与用能的控制领域技术领域，特别是涉及一种家用光伏、储能与用能的控制方法。
背景技术：
国内在家庭能量管理、家庭光伏、用能优化方面已有相关研究、成果报道。例如以wifi网络技术为主，通过嵌入式中央控制器，完成对家用电器的无线操作和家居环境远程监控的解决方案；核工业西南物理研究院的专利(cn204595460u)公开了一种基于wifi的智能家居系统，包括wifi网关、远程查看控制终端和至少一个智能家居监控设备，实现家中环境的监测；北方工业大学的万庆祝撰文介绍了基于实时电价的家庭能量管理系统最优调度研究，在实时电价环境下，提出了一种考虑家庭线路负载率约束的家庭能量调度策略。宁夏大学的马玉娟开展了基于sae的家庭智能用电策略优化研究，通过将电网侧分电时价策略和用户用电行为习惯有机结合，选用家庭用电设备的启动时间为决策变量、家庭总用费用最少为优化目标，建立用电策略的优化模型。
国内研究成果常见是通过智能家居系统对家电设备单独、成组或定时控制实现设备控制、安全防护、家庭通信等功能；研究发电量预测、负荷用电量预测，求解用户费用最小化；研究在最大程度上提高家庭用电效率，降低能耗以达到节约电能的效果等等。
以上发表的研究成果，未针对基于时序的未来用电设备用能特性、新能源发电功率特性和家庭出行特性分析，没有基于家庭绿色用能系统、家庭用电时序匹配，设计满足家庭用能协调优化的策略和方法，没有深入提出以家庭为单元、综合利用家庭储能，提高分布式光伏的消纳能力的方法。
本发明致力于发明一种家用光伏、储能与用能的控制方法，用于解决现有光伏、储能、用能未能针对时序未来用电设备用能特性以及没有基于家庭绿色用能系统、家庭用电时序匹配导致光伏、储能、用能利用率低的问题。
技术实现要素：
本发明的目的在于提供一种家用光伏、储能与用能的控制方法，通过基于储能开展用能优化协调，兼顾家庭用能效率和生活舒适性要求，在用能优化协调中以用户和电网的综合效益的平衡为导向，通过建立优化协调模型，实现降低家庭用能成本和购电功率波动的目标，解决了现有光伏、储能、用能未能针对时序未来用电设备用能特性以及没有基于家庭绿色用能系统、家庭用电时序匹配导致光伏、储能、用能利用率低的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种家用光伏、储能与用能的控制方法，包括如下步骤：
s000：确定固定负荷的用电设备日功率序列；
s001：计算家庭所有固定负荷设备的日功率序列；
s002：采用相似日算法，进行家庭光伏发电日功率序列预测；
s003：计算家庭用能的净负荷日功率序列；
s004：加入家庭可调负荷的负荷功率序列，得到修正的净负荷日功率序列；利用可调负荷的可储能特性，在净负荷功率谷时段进行充电储能；
s005：建立基于储能电池的用能优化模型。
优选地，s000中确定固定负荷的用电设备日功率序列包括如下过程：
a000：选择人工模式或智能模式；若是人工模式，则执行a001；若是智能模式，则执行a004；
a001：确定固定负荷设备在一天内的每个小时的功率：pl，i，1......pl，i，24；
a002：遍历每一个固定负荷设备，确定家庭所有固定负荷设备的日功率序列：pl，i，t(pl，i，1......pl，i，24)；
a003：将家庭所有固定负荷设备的日功率序列设定为人工模式下的固定复核设备工作功率；
a004：采用相似日算法，得到固定负荷设备在一天内的每个小时的功率：pl，i，t(pl，i，1......pl，i，24)；
a005：采用a004中的方法，遍历每一个固定负荷设备，确定家庭所有固定负荷设备的日功率序列：pl，i，t(pl，i，1......pl，i，24)；
其中，pl，i，t为对应设备对应时间的工作功率；i为设备标号；t为时间；s004中的相似日算法与s002中的相似日算法相同。
优选地，s001中计算家庭所有固定负荷设备的日功率序列公式如下：
优选地，s002中采用相似日算法，进行家庭光伏发电日功率序列预测包括：
采用相似日选择算法训练样本；采用增加动量项的bp学习算法与可变学习率的bp学习算法结合的学习算法进行训练；对原始数据进行归一化处理；
其中，采用相似日选择算法训练样本包括如下步骤：
b000：选择出和预测日天气类型、季节类型一致的n条历史记录，形成样本集d；
b001：计算预测日和样本集d中历史记录的气温欧氏距离di，
b002：将气温欧氏距离集{d1，d2......dn}按照值的大小升序排序，最小值所对应的日期为预测日所对应的相似日。
优选地，所述采用增加动量项的bp学习算法与可变学习率的bp学习算法结合的学习算法进行训练具体包括如下步骤：
c000：初始化权值并t赋值为1；
c001：训练样本p赋值为1；
c002：输入训练样本p并计算各层输出值；
c003：判断训练样本p是否大于训练样本数p；若是，则执行c004；若否，则执行c005；
c004：将p+1赋值给p并执行c002；
c005：调整学习率η；
c006：调整特征的连接权值w；
c007：计算各输出层系统误差e(t)；
c008：判断是否e(t)＜ε∪t＞t；若是，训练结束；若否，执行c009；
c009：将t+1赋值给t并执行c001；
其中，学习率调整公式如下：
其中，连接权值w调整如下：
w(t)＝δwbp(t)+σ[w(t-1)-w(t-2)]；
其中，p为训练样本个数，p训练过程中训练样本计数，t为最大训练次数，w为连接权值，w(t)为第t次迭代的权值，δwbp(t)为根据传统bp学习算法第t次迭代的权值改变量，e(t)为第t次迭代的系统误差，ε为系统允许误差，η为学习率。
优选地，所述对原始数据进行归一化处理采用的归一化公式如下：
其中，xn，xmax，xmin分别为原始输入数据、原始输入数据中的最大值、原始输入数据中的最小值；yn，ymax，ymin分别为原始输出数据、原始输出数据中的最大值、原始输出数据中的最小值。
优选地，s003中计算家庭用能的净负荷日功率序列公式如下：
pn，l，t＝pl，t-pv，t。
优选地，s004中加入家庭可调负荷的负荷功率序列，得到修正的净负荷日功率序列；利用可调负荷的可储能特性，在净负荷功率谷时段进行充电储能具体过程如下：
d000：从家庭净负荷功率数据中找到谷值时刻：
pm＝min{p1......pm......pt}；
d001：遍历每一个可调负荷设备，确定每一个可调负荷设备的充电开始时刻及时长：ti，t......ti，duration；
d002：修正净负荷日功率序列：pn，l，to＝pn，l，t-pl，t，i；
其中，电池模型下荷电递推关系如下：
0≤ωc+ωd≤1，ωc，ωd∈{0，1}
其中，soc(t)为储能介质t时间段末的剩余荷电状态；soc(t-1)为储能介质t-1时间段末的剩余荷电状态；pc(t)、pd(t)分别为储能介质t时间段充电放电功率；ρ为储能介质的自放电率；δt为计算窗口时长，t与t-1时刻相差t时长；ηc和ηd分别为整个储能系统的充电和放电效率；ecap为储能系统额定容量；ωc与ωd为充放电控制标志，充电或放电时：ωc+ωd＝1；浮充时：ωc+ωd＝0。
优选地，所述储能系统电量与soc关系为：e(t)＝soc(t)ecap；
其中，所述电池模型的约束条件包括电量约束和功率约束；
所述电量约束通过荷电状态进行表征，对荷电状态约束如下：
socmin≤soc(t)≤socmax；
其中socmin，socmax分别为电池储能系统电量约束的下限和上限；
其中，功率约束条件如下：
最大充电功率允许值：
最大放电功率允许值：
其中，min{.}为取最小值函数；pc，max(t)和pd，max(t)分别为储能系统的最大充、放电功率；pc，max和pd，max分别为储能系统允许的最大持续充、放电功率。
优选地，s005中建立基于储能电池的用能优化模型的具体过程如下：
e000：建立模型的目标函数如下所示：
其中，t为进行功率优化协调的时段；pl(t)为t时段家庭用能系统的净功率值；pbess(t)为t时段储能的充放电功率值，其中正值为充电，负值为放电；
e001：使用ibmcplex软件建模，确定电池的pbess(t)值。
本发明具有以下有益效果：
1、本发明通过基于储能开展用能优化协调，兼顾家庭用能效率和生活舒适性要求，降低光伏发电与用户负荷在时间上的不匹配问题，在用能优化协调中以用户和电网的综合效益的平衡为导向，通过建立优化协调模型，实现降低家庭用能成本和购电功率波动的目标；
2、本发明基于储能功率双向特性、可定制设备用电计划的家庭用能协调优化策略，实现了基于时序匹配的用能协调优化算法，能够以家庭用能控制系统app为平台载体实现对家庭绿色用能的协调控制，项目对普通家庭用能优化提供现实解决方法，提高了光伏、储能与用能的高效控制，提高了节能效率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种家用光伏、储能与用能的控制方法的流程图；
图2为本发明的s000中确定固定负荷的用电设备日功率序列的流程图；
图3为本发明的采用增加动量项的bp学习算法与可变学习率的bp学习算法结合的学习算法进行训练的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种家用光伏、储能与用能的控制方法，包括如下步骤：
s000：确定固定负荷的用电设备日功率序列；
s001：计算家庭所有固定负荷设备的日功率序列；
s002：采用相似日算法，进行家庭光伏发电日功率序列预测；
s003：计算家庭用能的净负荷日功率序列；
s004：加入家庭可调负荷的负荷功率序列，得到修正的净负荷日功率序列；利用可调负荷的可储能特性，在净负荷功率谷时段进行充电储能；
s005：建立基于储能电池的用能优化模型。
其中，s000中确定固定负荷的用电设备日功率序列包括如下过程：
a000：选择人工模式或智能模式；若是人工模式，则执行a001；若是智能模式，则执行a004；
a001：确定固定负荷设备在一天内的每个小时的功率：pl，i，1......pl，i，24；
a002：遍历每一个固定负荷设备，确定家庭所有固定负荷设备的日功率序列：pl，i，t(pl，i，1......pl，i，24)；
a003：将家庭所有固定负荷设备的日功率序列pl，i，t(pl，i，1......pl，i，24)设定为人工模式下的固定复核设备工作功率；
a004：采用相似日算法，得到固定负荷设备在一天内的每个小时的功率：pl，i，1......pl，i，24；
a005：采用a004中的方法，遍历每一个固定负荷设备，确定家庭所有固定负荷设备的日功率序列：pl，i，t(pl，i，1......pl，i，24)；
其中，pl，i，t为对应设备对应时间的工作功率；i为设备标号；t为时间；s004中的相似日算法与s002中的相似日算法相同。
其中，s001中计算家庭所有固定负荷设备的日功率序列公式如下：
其中，s002中采用相似日算法，进行家庭光伏发电日功率序列预测包括：
采用相似日选择算法训练样本；采用增加动量项的bp学习算法与可变学习率的bp学习算法结合的学习算法进行训练；对原始数据进行归一化处理；
其中，采用相似日选择算法训练样本包括如下步骤：
b000：选择出和预测日天气类型、季节类型一致的n条历史记录，形成样本集d；
b001：计算预测日和样本集d中历史记录的气温欧氏距离di，
b002：将气温欧氏距离集{d1，d2......dn}按照值的大小升序排序，最小值所对应的日期为预测日所对应的相似日。
其中，采用增加动量项的bp学习算法与可变学习率的bp学习算法结合的学习算法进行训练具体包括如下步骤：
c000：初始化权值w并t赋值为1；
c001：训练样本p赋值为1；
c002：输入训练样本p并计算各层输出值；
c003：判断训练样本p是否大于训练样本数p；若是，则执行c004；若否，则执行c005；
c004：将p+1赋值给p并执行c002；
c005：调整学习率η；
c006：调整特征的连接权值w；
c007：计算各输出层系统误差e(t)；
c008：判断是否e(t)＜ε∪t＞t；若是，训练结束；若否，执行c009；
c009：将t+1赋值给t并执行c001；
其中，学习率调整公式如下：
其中，连接权值w调整如下：
w(t)＝δwbp(t)+σ[w(t-1)-w(t-2)]；
其中，p为训练样本个数，p训练过程中训练样本计数，t为最大训练次数，w为连接权值，w(t)为第t次迭代的权值，δwbp(t)为根据传统bp学习算法第t次迭代的权值改变量，e(t)为第t次迭代的系统误差，ε为系统允许误差，η为学习率。
其中，对原始数据进行归一化处理采用的归一化公式如下：
其中，xn，xmax，xmin分别为原始输入数据、原始输入数据中的最大值、原始输入数据中的最小值；yn，ymax，ymin分别为原始输出数据、原始输出数据中的最大值、原始输出数据中的最小值。
其中，s003中计算家庭用能的净负荷日功率序列公式如下：
pn，l，t＝pl，t-pv，t。
其中，s004中加入家庭可调负荷的负荷功率序列，得到修正的净负荷日功率序列；利用可调负荷的可储能特性，在净负荷功率谷时段进行充电储能具体过程如下：
d000：从家庭净负荷功率数据中找到谷值时刻：
pm＝min{p1......pm......pt}；
d001：遍历每一个可调负荷设备，确定每一个可调负荷设备的充电开始时刻及时长：ti，t......ti，duration；
d002：修正净负荷日功率序列：pn，l，to＝pn，l，t-pl，t，i；
其中，电池模型下荷电递推关系如下：
0≤ωc+ωd≤1，ωc，ωd∈{0，1}
其中，soc(t)为储能介质t时间段末的剩余荷电状态；soc(t-1)为储能介质t-1时间段末的剩余荷电状态；pc(t)、pd(t)分别为储能介质t时间段充电放电功率；ρ为储能介质的自放电率；δt为计算窗口时长，t与t-1时刻相差t时长；ηc和ηd分别为整个储能系统的充电和放电效率；ecap为储能系统额定容量；ωc与ωd为充放电控制标志，充电或放电时：ωc+ωd＝1；浮充时：ωc+ωd＝0。
其中，储能系统电量与soc关系为：e(t)＝soc(t)ecap。
其中，电池模型的约束条件包括电量约束和功率约束；
电量约束通过荷电状态进行表征，对荷电状态约束如下：
socmin≤soc(t)≤socmax；其中socmin，socmax分别为电池储能系统电量约束的下限和上限；
其中，功率约束条件如下：
最大充电功率允许值：
最大放电功率允许值：
其中，min{.}为取最小值函数；pc，max(t)和pd，max(t)分别为储能系统的最大充、放电功率；pc，max和pd，max分别为储能系统允许的最大持续充、放电功率。
其中，s005中建立基于储能电池的用能优化模型的具体过程如下：
e000：建立模型的目标函数如下所示：
其中，t为进行功率优化协调的时段；pl(t)为t时段家庭用能系统的净功率值；pbess(t)为t时段储能的充放电功率值，其中正值为充电，负值为放电；
e001：使用ibmcplex软件建模，确定电池的pbess(t)值。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
- 还没有人留言评论。精彩留言会获得点赞！