1.本发明属于电力技术领域，涉及一种模型和数据驱动的光伏储能系统控制方法。
背景技术：
2.由于太阳能具有能源总量大、资源易开发、清洁无污染等优点，光伏相关技术正在成为各国研究和利用的重点。由于光伏发电具有较大的随机性和波动性，需要结合储能系统，提供持续稳定的电能输出，并维持母线电压稳定，减少输出电流电压波动。
3.光伏储能系统连接的负载通常连接至直流母线，基于直流母线电压保持电压稳定，调整输入电流改变负载功率。光伏发电系统使用最大功率点跟踪(mppt)技术，调整光伏与直流母线连接的直流-直流(dc-dc)转换器到达最大输出功率；储能系统通常使用双环比例-积分环节(pi)控制器，基于外环电压参考值和内环电流参考值，调整与直流母线连接的dc-dc转换器的电压和电流；或使用模型预测控制(mpc)，基于状态空间及其预测和参考值，限制储能系统的最大输出输入电压电流，维持荷电状态(soc)在安全范围内。
4.当前光伏储能控制方法的一个弊端在于：当储能系统的控制采用外环电压、内环电流的双环pi控制，积分和微分环节需要进行参数整定校正，面对多输入多输出情况时尤其需要反复调整；且pi控制不能直接完成约束控制，无法直接控制储能系统的soc状态，可能导致储能系统过度充电放电，降低设备寿命和安全性。当储能系统的控制采用mpc时，依赖于建立准确的状态空间模型，且需要实时消耗较大的计算资源，从而带来额外的电能损耗和成本。
技术实现要素：
5.本发明所要解决的技术问题是提供一种模型和数据驱动的光伏储能系统控制方法，针对光伏储能系统的dc-dc转换器控制，建立状态空间模型，利用mpc控制器仿真，基于仿真数据进行人工神经网络模型(ann)离线训练在线使用，减少母线电压的稳定误差，提高了电压电流的响应速度，维持储能系统的soc在安全范围内，降低控制系统的功耗。
6.为解决上述技术问题，本发明所采用的技术方案是：一种模型和数据驱动的光伏储能系统控制方法，它包括如下步骤：
7.s1，拓扑，对于光伏储能系统，分析拓扑结构，包括光伏发电组件与含光伏mppt的dc-dc转换器，储能系统及双向dc-dc转换器，直流母线，直流负载，交流负载及逆变器；
8.s2，构建动态模型，对于储能系统与mpc控制器，基于物理特性，构建仿真动态模型；对于负载，以p
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以p
pv
表示实时输出功率；根据基尔霍夫定律，列写电路方程；
9.s3，建立空间模型，对于mpc控制器，通过s2的电路方程，根据储能系统拓扑结构，建立状态空间模型，根据仿真实时数据输入i
l
，vc；
10.s4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
11.s5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
12.s6，求解，最优化求解目标函数j，解的u使得j最小，输出u；
13.s7，评价，训练ann模型，ann由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ann模型基于储能系统物理仿真模型获得的训练数据集进行离线训练获得；评价ann模型的拟合性能，采用拟合优度r2作为评价指标；
14.s8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ann模型和mpc控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且
±
10％以内误差占比大于95％时，表明ann模型在线用于光伏储能系统控制。
15.在s3中，状态方程的函数根据需要进行预设，用于调整输入输出。
16.在s5中，j的函数根据需要进行预设，用于调整控制目标。
17.在s7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ann模型拟合效果。
18.本发明的主要有益效果在于：
19.基于光伏储能系统拓扑结构、物理特性，构建动态模型，可用于仿真验证系统可靠性、稳定性。
20.利用mpc控制器仿真，减少母线电压的稳定误差，提高了电压电流的响应速度，限制最大电压电流输出，维持储能系统的soc在安全范围内，保障系统安全性。
21.利用仿真数据进行ann离线训练在线使用，增强控制系统拓展性和普适性，提高控制系统运算速度，降低控制系统的功耗。
附图说明
22.下面结合附图和实施例对本发明作进一步说明。
23.图1为本发明实施例中光伏储能系统及其控制的示意图。
24.图2为本发明实施例中储能系统与mpc控制器的结构图。
25.图3为本发明实施例中mpc控制的流程图。
26.图4为本发明实施例中ann原理的示意图。
27.图5为本发明实施例中ann训练的示意图。
28.图6为本发明实施例中ann-mpc控制构建的流程图。
具体实施方式
29.如图1～图6中，一种模型和数据驱动的光伏储能系统控制方法，它包括如下步骤：
30.s1，拓扑，如图1所示，对于光伏储能系统，分析拓扑结构，包括光伏发电组件与含光伏mppt的dc-dc转换器，储能系统及双向dc-dc转换器，直流母线，直流负载，交流负载及逆变器；
31.优选地，光伏组件经mppt后经过dc-dc转换器提供电能；直流负载通过连接直流母
线获取电能；交流负载经逆变器转换后从直流母线上获取电能；储能系统基于光伏发电与负载用电的差值，经dc-dc转换器为负载侧提供电能，或从光伏处吸收电能。
32.s2，构建动态模型，如图2所示，对于储能系统与mpc控制器，基于物理特性，构建仿真动态模型；对于负载，以p
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以p
pv
表示实时输出功率；根据基尔霍夫定律，列写电路方程；
33.优选地，对于负载，以p
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以p
pv
表示实时输出功率；
34.根据基尔霍夫定律，列写电路方程：
[0035][0036][0037]
式中：i
l
为电感电流；vc为电容器电压；e为储能设备电压；u为占空比；
[0038]
将i
l
，vc输入至mpc控制器中，经计算后输出u经脉冲宽度调制(pwm)发生器至控制电路。
[0039]
s3，建立空间模型，如图3所示，对于mpc控制器，通过s2的电路方程，根据储能系统拓扑结构，建立状态空间模型，根据仿真实时数据输入i
l
，vc；
[0040]
优选地，根据储能系统拓扑结构，建立状态空间模型：
[0041][0042]
式中，x为状态变量，包括i
l
，vc，u为控制变量；
[0043]
根据仿真实时数据输入i
l
，vc。
[0044]
s4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
[0045]
s5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
[0046]
优选地，
[0047]
式中：i是数据编号，t+τ表示t时刻对t+τ时刻的预测，是预测值，是参考值。
[0048]
s6，求解，最优化求解目标函数j，解的u使得j最小，输出u；
[0049]
优选地，pwm发生器基于占空比u，生成pwm信号发送至控制电路，调整储能系统输出电流电压。
[0050]
s7，评价，如图4所示，训练ann模型，ann由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ann模型基于储能系统物理仿真模型获得的训练数据集进行离线训练获得；评价ann模型的拟合性能，采用拟合优度r2作为评价指标；
[0051]
优选地，如图5～6所示，训练ann模型包括以下步骤：
[0052]
将mpc仿真模型数据样本，按70％训练集、15％验证集、15％测试集的比例进行分配；
[0053]
ann模型基于储能系统物理仿真模型获得的训练数据集进行离线训练获得。
[0054]
根据输入输出量，分别确定输入层和输出层的节点数。根据mpc输入的状态空间模型，确定隐藏层层数；
[0055]
根据训练结果，调整神经元数量及其权重、偏差；
[0056]
评价ann模型的拟合性能，采用拟合优度r2作为评价指标。其计算式为：
[0057][0058]
式中：i是数据编号，ui是实际值，是预测值，是实际数据均值。
[0059]
通过试验，本发明实施例中设定ann模型结构包括：
[0060]
1)输入层：含3个输入节点，分别对应i
l
，vc，v
re
输入量
[0061]
2)输出层：含1个输出节点，对应u
[0062]
3)隐藏层：含1个隐藏层，每层包含5个神经元。
[0063]
将训练好的ann表示为：
[0064]
u＝f
ann
(i
l
,vc,v
re
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)。
[0065]
s8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ann模型和mpc控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且
±
10％以内误差占比大于95％时，表明ann模型在线用于光伏储能系统控制。
[0066]
在s3中，状态方程的函数根据需要进行预设，用于调整输入输出。
[0067]
在s5中，j的函数根据需要进行预设，用于调整控制目标。
[0068]
在s7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ann模型拟合效果。
[0069]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。