一种基于用能数据的近零能耗建筑社区储能系统及方法与流程

1.本发明属于涉及近零能耗建筑社区储能技术，具体是一种基于用能数据的近零能耗建筑社区储能系统及方法。


背景技术：

2.近零能耗建筑社区是一种注重能源效率和环境可持续性的建筑概念，旨在最大限度地减少能源消耗并提高能源利用效率。光伏系统作为其中重要的能源供应方式之一，通过将太阳能转化为电能来满足社区的电力需求。然而，在光伏系统的建造和规划过程中，如何确定合适的光伏板面积以及储能系统的最大储能值是关键问题。
3.当前，光伏系统的建造和规划通常基于一般性的设计标准和经验值，缺乏对具体社区用能数据的精确分析和优化。这导致以下不足之处：
4.发电量浪费：缺乏基于用能数据的光伏板面积规划，可能导致光伏系统发电量超过社区实际需求，从而造成能源的浪费。
5.社区供电不足：若光伏系统规模不足，无法满足社区的电力需求，会导致能源短缺和不稳定的供电情况。
6.能源利用效率低：当前的光伏系统建造和规划缺乏针对储能系统的优化，未能充分利用储能技术来平衡供需差异，造成能源利用效率的低下。
7.为此，本发明提出一种基于用能数据的近零能耗建筑社区储能系统及方法。


技术实现要素：

8.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于用能数据的近零能耗建筑社区储能系统及方法，避免发电量的浪费以及社区供电的不足，提高了近零能耗建筑社区的用电效率。
9.为实现上述目的，根据本发明的实施例1提出一种基于用能数据的近零能耗建筑社区储能系统，包括包括光伏特征收集模块、光伏发电模型训练模块、社区能量信息收集模块以及社区储能分析模块；其中，各个模块之间通过有线和/或无线网络方式连接；
10.其中，所述光伏特征收集模块主要用于收集各个测试地区的模型训练数据；
11.其中，所述模型训练数据包括环境特征数据以及光伏发电功率数据；
12.所述环境特征数据包括在每个预设的用能时间周期中，若干测试地区的平均光照强度、太阳光谱平均分布、平均温度、光伏组件转换效率以及光伏电池的材料；所述测试地区为预先选择的具有不同环境特征数据的各个测试地点，以获取训练数据；
13.其中，所述用能时间周期是指预先将一年划分为若干个时间周期，每个时间周期作为一个用能时间周期；
14.其中，所述平均光照强度为在每个用能时间周期中，光照强度的平均值；光照强度使用光照强度传感器实时获得，对该用能时间周期中所有时刻的光照强度之和除以该用能时间周期的时长，获得平均光照强度；
15.其中，所述太阳光谱平均分布是指在采样的不同波长值下，太阳光的平均能量密度值；对于不同的波长值，该用能时间周期的平均能量密度值根据该波长值对应的能量密度值之和除以该用能时间周期的时长；
16.其中，所述平均温度为在每个用能时间周期中，温度的平均值；温度使用温度传感器实时获得，对该用能时间周期中所有时刻的温度之和除以该用能时间周期的时长，获得平均温度；
17.其中，所述光伏组件转换效率为光伏组件的固有属性值，在光伏组件类型选定时，光伏组件转换效率即已确定；
18.其中，所述光伏电池的材料包括单晶硅、多晶硅以及非晶硅，将单晶硅、多晶硅以及非晶硅分别使用离散数值表示；
19.其中，所述光伏发电功率数据为每个测试地区中，在每个预设的用能时间周期中，对应的环境特征数据所产生的单位面积的功率值；功率通过功率传感器实时获得，对该用能时间周期中所有时刻的功率之和除以使用的光伏板的面积，获得单位面积的功率值；
20.光伏特征收集模块将收集的各个测试地区的模型训练数据发送至光伏发电模型训练模块；
21.其中，所述光伏发电模型训练模块主要用于使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型；
22.训练出预测光伏单位面积的功率值的机器学习模型的方式为：
23.将用能时间周期的编号标记为j，将第j个用能时间周期的所有测试地区的环境特征数据集合标记为cj，环境特征数据集合cj中每组环境特征数据集合的编号标记为cj；将第j个用能时间周期的环境特征数据集合cj对应的单位面积的功率值集合标记为bj；
24.对于第j个用能时间周期，将每组环境特征数据组合为特征向量的形式，特征向量中的元素包括平均光照强度、太阳的每个波长值下的平均能量密度值、平均温度、光伏组件转换效率以及光伏电池的材料；所有特征向量的集合作为机器学习模型的输入，所述机器学习模型以对每组环境特征数据预测的单位面积的功率值作为输出，对于第cj组环境特征数据以第cj组单位面积的功率值作为预测目标，以最小化所有预测的单位面积的功率值的预测误差度之和作为训练目标；其中，预测误差度的计算公式为；zcj＝(acj-wcj)2，其中，zcj为预测误差度，acj为第cj组环境特征数据对应的预测的单位面积的功率值，wcj为第cj组环境特征数据对应的单位面积的功率值集合bj中第cj个单位面积的功率值；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；
25.所述光伏发电模型训练模块将训练完成的每个用能时间周期对应的机器学习模型发送至社区储能分析模块；
26.其中，所述社区能量信息收集模块主要用于收集近零能耗建筑社区的用能数据以及应用环境特征数据；
27.所述用能数据包括每个用能时间周期中，近零能耗建筑社区的用电量；所述近零能耗建筑社区的用电量是指使用功率传感器采集的每个用能时间周期中使用的功率总量；
28.所述应用环境特征数据包括该近零能耗建筑社区在各个用能时间周期中的环境特征数据；
29.所述社区能量信息收集模块将近零能耗建筑社区的用能数据以及应用环境特征
数据发送至社区储能分析模块；
30.其中，所述社区储能分析模块主要用于基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积以及储能系统的最大储能值；
31.计算在近零能耗建筑社区需要设置的光伏板的面积的方式为：
32.将应用环境特征数据中各个用能时间周期的环境特征数据组合为特征向量的形式，并输入至对应的机器学习模型中，获得对各个用能时间周期中，预测的生成的单位面积的功率值；
33.将第j个用能时间周期中，预测的生成的单位面积的功率值标记为sj，将第j个用能时间周期中，近零能耗建筑社区的用电量标记为yj；
34.为需要的光伏板面积设置面积变量x，面积变量x的计算公式为
35.计算第j个用能时间周期中，储能电力zj；其中，储能电力zj的计算公式为zj＝sj*x-yj；
36.计算储能系统最大储能值的方式为：
37.讲用能时间周期的数量标记为j；
38.对于第j个用能时间周期，从该用能时间周期开始，计算其后j个剩余储能值，将第k个剩余储能值标记为wjk，其中，k＝0,1,
…
j-1；剩余储能值wjk的计算公式为其中％为取余函数；
39.从所有用能时间周期的所有剩余储能值wjk中找出最大的剩余储能值wjk，该最大剩余储能值即为储能系统的最大储能值。
40.根据本发明的实施例2提出一种基于用能数据的近零能耗建筑社区储能方法，包括以下步骤：
41.步骤一：收集各个测试地区的模型训练数据；
42.步骤二：使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型；
43.步骤三：收集近零能耗建筑社区的用能数据以及应用环境特征数据；
44.步骤四：基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积，基于光伏板的面积获得储能系统的最大储能值。
45.与现有技术相比，本发明的有益效果是：
46.本发明通过预先收集各个测试地区的模型训练数据，使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型，收集近零能耗建筑社区的用能数据以及应用环境特征数据，基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积，再基于光伏板的面积获得储能系统的最大储能值；在近零能耗建筑社区的光伏系统建造前，为其规划出合适的光伏板面积以及储能系统的最大储能值，避免发电量的浪费以及社区供电的不足，提高了近零能耗建筑社区的用电效率。
附图说明
47.图1为本发明的实施例1中近零能耗建筑社区储能系统的模块连接图；
48.图2为本发明的实施例2中近零能耗建筑社区储能方法的流程图。
具体实施方式
49.下面将结合实施例对本发明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做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。
50.如图1所示，一种基于用能数据的近零能耗建筑社区储能系统，包括光伏特征收集模块、光伏发电模型训练模块、社区能量信息收集模块以及社区储能分析模块；其中，各个模块之间通过有线和/或无线网络方式连接；
51.其中，所述光伏特征收集模块主要用于收集各个测试地区的模型训练数据；
52.其中，所述模型训练数据包括环境特征数据以及光伏发电功率数据；
53.在一个优选的实施例中，所述环境特征数据包括在每个预设的用能时间周期中，若干测试地区的平均光照强度、太阳光谱平均分布、平均温度、光伏组件转换效率以及光伏电池的材料；所述测试地区为预先选择的具有不同环境特征数据的各个测试地点，以获取训练数据；
54.其中，所述用能时间周期是指预先将一年划分为若干个时间周期，每个时间周期作为一个用能时间周期；对一年划分的方式可以根据实际需求或光伏组件发电规律以及社区用能习惯进行具体划分，例如按月划分或按季度划分；
55.其中，所述平均光照强度为在每个用能时间周期中，光照强度的平均值；光照强度使用光照强度传感器实时获得，对该用能时间周期中所有时刻的光照强度之和除以该用能时间周期的时长，获得平均光照强度；
56.太阳光谱的能量密度分布指的是太阳辐射能量在不同波长范围内的分布情况；太阳光谱可以分为可见光、紫外线和红外线等不同波长范围，每个波长范围对应的能量密度不同；能量密度的分布形式可以用太阳光谱曲线来表示，该曲线显示了太阳辐射在不同波长下的能量密度；太阳光谱曲线通常以波长为横轴，能量密度为纵轴；因此，可以通过对太阳光谱的能量密度分布进行波长采样以离散化，获得不同波长值下的能量密度值；
57.其中，所述太阳光谱平均分布是指在采样的不同波长值下，太阳光的平均能量密度值；对于不同的波长值，该用能时间周期的平均能量密度值根据该波长值对应的能量密度值之和除以该用能时间周期的时长；
58.其中，所述平均温度为在每个用能时间周期中，温度的平均值；温度使用温度传感器实时获得，对该用能时间周期中所有时刻的温度之和除以该用能时间周期的时长，获得平均温度；
59.其中，所述光伏组件转换效率为光伏组件的固有属性值，在光伏组件类型选定时，光伏组件转换效率即已确定；
60.其中，所述光伏电池的材料包括单晶硅、多晶硅以及非晶硅，将单晶硅、多晶硅以及非晶硅分别使用离散数值表示；例如，单晶硅为0，多晶硅为1，非晶硅为2；
61.其中，所述光伏发电功率数据为每个测试地区中，在每个预设的用能时间周期中，对应的环境特征数据所产生的单位面积的功率值；功率通过功率传感器实时获得，对该用
能时间周期中所有时刻的功率之和除以使用的光伏板的面积，获得单位面积的功率值；
62.光伏特征收集模块将收集的各个测试地区的模型训练数据发送至光伏发电模型训练模块；
63.其中，所述光伏发电模型训练模块主要用于使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型；
64.在一个优选的实施例中，训练出预测光伏单位面积的功率值的机器学习模型的方式为：
65.将用能时间周期的编号标记为j，将第j个用能时间周期的所有测试地区的环境特征数据集合标记为cj，环境特征数据集合cj中每组环境特征数据集合的编号标记为cj；将第j个用能时间周期的环境特征数据集合cj对应的单位面积的功率值集合标记为bj；可以理解的是，单位面积的功率值集合bj中第cj个单位面积的功率值对应第cj组环境特征数据；
66.对于第j个用能时间周期，将每组环境特征数据组合为特征向量的形式，特征向量中的元素包括平均光照强度、太阳的每个波长值下的平均能量密度值、平均温度、光伏组件转换效率以及光伏电池的材料；所有特征向量的集合作为机器学习模型的输入，所述机器学习模型以对每组环境特征数据预测的单位面积的功率值作为输出，对于第cj组环境特征数据以第cj组单位面积的功率值作为预测目标，以最小化所有预测的单位面积的功率值的预测误差度之和作为训练目标；其中，预测误差度的计算公式为；zcj＝(acj-wcj)2，其中，zcj为预测误差度，acj为第cj组环境特征数据对应的预测的单位面积的功率值，wcj为第cj组环境特征数据对应的单位面积的功率值集合bj中第cj个单位面积的功率值；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；优选的，所述机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
67.需要说明的是，机器学习模型的其他的模型参数，例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现，不断地进行实验调优后获得；
68.所述光伏发电模型训练模块将训练完成的每个用能时间周期对应的机器学习模型发送至社区储能分析模块；
69.其中，所述社区能量信息收集模块主要用于收集近零能耗建筑社区的用能数据以及应用环境特征数据；
70.在一个优选的实施例中，所述用能数据包括每个用能时间周期中，近零能耗建筑社区的用电量；所述近零能耗建筑社区的用电量是指使用功率传感器采集的每个用能时间周期中使用的功率总量；
71.所述应用环境特征数据包括该近零能耗建筑社区在各个用能时间周期中的环境特征数据；
72.所述社区能量信息收集模块将近零能耗建筑社区的用能数据以及应用环境特征数据发送至社区储能分析模块；
73.其中，所述社区储能分析模块主要用于基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积以及储能系统的最大储能值；
74.在一个优选的实施例中，计算在近零能耗建筑社区需要设置的光伏板的面积的方式为：
75.将应用环境特征数据中各个用能时间周期的环境特征数据组合为特征向量的形式，并输入至对应的机器学习模型中，获得对各个用能时间周期中，预测的生成的单位面积的功率值；
76.将第j个用能时间周期中，预测的生成的单位面积的功率值标记为sj，将第j个用能时间周期中，近零能耗建筑社区的用电量标记为yj；
77.为需要的光伏板面积设置面积变量x，则第j个用能时间周期中，产生的总功率值为sj*x；近零能耗建筑社区一年产生的总功率值为∑jx*sj,需要的总用电量为∑jyj；因此，面积变量x的计算公式为
78.需要理解的是，当可以在满足用电需求时，不会浪费产生电力浪费，但是在第j个用能时间周期中，若用电量小于产生的电量，则需要将多余电力使用储能系统进行存储，若用电量大于产生的电量，则需要从储能系统中调取存储的电力，因此储能设备的最大储能值需要足够大，避免电力因储能设备蓄满而浪费；
79.计算第j个用能时间周期中，储能电力zj；其中，储能电力zj的计算公式为zj＝sj*x-yj；若zj小于0，则说明需要释放的电力值为|zj|；
80.计算储能系统的最大储能值；
81.计算最大储能值的方式为：
82.讲用能时间周期的数量标记为j；
83.对于第j个用能时间周期，从该用能时间周期开始，计算其后j个剩余储能值，将第k个剩余储能值标记为wjk，其中，k＝0,1,
…
j-1；剩余储能值wjk的计算公式为其中％为取余函数；可以理解的是，wjk是指从第j个用能时间周期开始储能，至其后的第k个用能时间周期时，所能存储的电力值；
84.从所有用能时间周期的所有剩余储能值wjk中找出最大的剩余储能值wjk，该最大剩余储能值即为储能系统的最大储能值。
85.如图2所示，一种基于用能数据的近零能耗建筑社区储能方法，包括以下步骤：
86.步骤一：收集各个测试地区的模型训练数据；
87.步骤二：使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型；
88.步骤三：收集近零能耗建筑社区的用能数据以及应用环境特征数据；
89.步骤四：基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积，基于光伏板的面积获得储能系统的最大储能值。
90.上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
91.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改
或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：
1.一种基于用能数据的近零能耗建筑社区储能系统，其特征在于，包括光伏特征收集模块、光伏发电模型训练模块、社区能量信息收集模块以及社区储能分析模块；其中，各个模块之间通过有线和/或无线网络方式连接；光伏特征收集模块，收集各个测试地区的模型训练数据，并将收集的各个测试地区的模型训练数据发送至光伏发电模型训练模块；光伏发电模型训练模块，使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型，并将训练完成的每个用能时间周期对应的机器学习模型发送至社区储能分析模块；社区能量信息收集模块，收集近零能耗建筑社区的用能数据以及应用环境特征数据，并将近零能耗建筑社区的用能数据以及应用环境特征数据发送至社区储能分析模块；社区储能分析模块，基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积以及储能系统的最大储能值。2.根据权利要求1所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，所述模型训练数据包括环境特征数据以及光伏发电功率数据；所述环境特征数据包括在每个预设的用能时间周期中，若干测试地区的平均光照强度、太阳光谱平均分布、平均温度、光伏组件转换效率以及光伏电池的材料；所述测试地区为预先选择的具有不同环境特征数据的各个测试地点，以获取训练数据；所述用能时间周期是指预先将一年划分为若干个时间周期，每个时间周期作为一个用能时间周期。3.根据权利要求2所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，所述平均光照强度为在每个用能时间周期中，光照强度的平均值；光照强度使用光照强度传感器实时获得，对该用能时间周期中所有时刻的光照强度之和除以该用能时间周期的时长，获得平均光照强度；所述太阳光谱平均分布是指在采样的不同波长值下，太阳光的平均能量密度值；对于不同的波长值，该用能时间周期的平均能量密度值根据该波长值对应的能量密度值之和除以该用能时间周期的时长；所述平均温度为在每个用能时间周期中，温度的平均值；温度使用温度传感器实时获得，对该用能时间周期中所有时刻的温度之和除以该用能时间周期的时长，获得平均温度；所述光伏组件转换效率为光伏组件的固有属性值；所述光伏电池的材料包括单晶硅、多晶硅以及非晶硅，将单晶硅、多晶硅以及非晶硅分别使用离散数值表示；所述光伏发电功率数据为每个测试地区中，在每个预设的用能时间周期中，对应的环境特征数据所产生的单位面积的功率值；功率通过功率传感器实时获得，对该用能时间周期中所有时刻的功率之和除以使用的光伏板的面积，获得单位面积的功率值。4.根据权利要求3所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，训练出预测光伏单位面积的功率值的机器学习模型的方式为：将用能时间周期的编号标记为j，将第j个用能时间周期的所有测试地区的环境特征数据集合标记为cj，环境特征数据集合cj中每组环境特征数据集合的编号标记为cj；将第j个用能时间周期的环境特征数据集合cj对应的单位面积的功率值集合标记为bj；
对于第j个用能时间周期，将每组环境特征数据组合为特征向量的形式，特征向量中的元素包括平均光照强度、太阳的每个波长值下的平均能量密度值、平均温度、光伏组件转换效率以及光伏电池的材料；所有特征向量的集合作为机器学习模型的输入，所述机器学习模型以对每组环境特征数据预测的单位面积的功率值作为输出，对于第cj组环境特征数据以第cj组单位面积的功率值作为预测目标，以最小化所有预测的单位面积的功率值的预测误差度之和作为训练目标；其中，预测误差度的计算公式为；zcj＝(acj-wcj)2，其中，zcj为预测误差度，acj为第cj组环境特征数据对应的预测的单位面积的功率值，wcj为第cj组环境特征数据对应的单位面积的功率值集合bj中第cj个单位面积的功率值；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。5.根据权利要求4所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，所述用能数据包括每个用能时间周期中，近零能耗建筑社区的用电量；所述近零能耗建筑社区的用电量是指使用功率传感器采集的每个用能时间周期中使用的功率总量；所述应用环境特征数据包括该近零能耗建筑社区在各个用能时间周期中的环境特征数据。6.根据权利要求5所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，计算在近零能耗建筑社区需要设置的光伏板的面积的方式为：将应用环境特征数据中各个用能时间周期的环境特征数据组合为特征向量的形式，并输入至对应的机器学习模型中，获得对各个用能时间周期中，预测的生成的单位面积的功率值；将第j个用能时间周期中，预测的生成的单位面积的功率值标记为sj，将第j个用能时间周期中，近零能耗建筑社区的用电量标记为yj；为需要的光伏板面积设置面积变量x，面积变量x的计算公式为7.根据权利要求6所述的一种基于用能数据的近零能耗建筑社区储能系统及方法，其特征在于，计算储能系统最大储能值的方式为：讲用能时间周期的数量标记为j；对于第j个用能时间周期，从该用能时间周期开始，计算其后j个剩余储能值，将第k个剩余储能值标记为wjk，其中，k＝0,1,
…
j-1；剩余储能值wjk的计算公式为其中％为取余函数；从所有用能时间周期的所有剩余储能值wjk中找出最大的剩余储能值wjk，该最大剩余储能值即为储能系统的最大储能值。8.一种基于用能数据的近零能耗建筑社区储能方法，其基于权利要求1-7中任意一项权利要求所述的一种基于用能数据的近零能耗建筑社区储能系统实现，其特征在于，包括以下步骤：步骤一：收集各个测试地区的模型训练数据；步骤二：使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型；步骤三：收集近零能耗建筑社区的用能数据以及应用环境特征数据；步骤四：基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社
区需要设置的光伏板的面积，基于光伏板的面积获得储能系统的最大储能值。

技术总结
本发明公开了一种基于用能数据的近零能耗建筑社区储能系统及方法，涉及近零能耗建筑社区储能技术领域，通过设置光伏特征收集模块收集各个测试地区的模型训练数据，设置光伏发电模型训练模块使用模型训练数据训练出预测光伏单位面积的功率值的机器学习模型，设置社区能量信息收集模块收集近零能耗建筑社区的用能数据以及应用环境特征数据，设置社区储能分析模块，基于用能数据、应用环境特征数据以及机器学习模型，计算在近零能耗建筑社区需要设置的光伏板的面积以及储能系统的最大储能值；避免发电量的浪费以及社区供电的不足，提高了近零能耗建筑社区的用电效率。高了近零能耗建筑社区的用电效率。高了近零能耗建筑社区的用电效率。


技术研发人员：陈廷敏
受保护的技术使用者：宁夏中昊银晨能源技术服务有限公司
技术研发日：2023.05.22
技术公布日：2023/8/21