风光发电储能系统及其优化配置方法与流程

1.本发明涉及再生能源储能领域，尤其涉及一种风光发电储能系统及其优化配置方法。


背景技术：

2.能源可以进一步分为再生能源和非再生能源两大类型。再生能源包括太阳能、水能、风能、生物质能、波浪能、潮汐能、海洋温差能、地热能等。它们在自然界可以循环再生。是取之不尽，用之不竭的能源，不需要人力参与便会自动再生，是相对于会穷尽的非再生能源的一种能源。因此，对于每一处供电网络来说，附近的再生能源发生机构，例如最近的光伏发电机组阵列以及最近的风力发电机组阵列，都是其首选的储能对象。
3.示例地，中国发明专利公开文本cn102694391a提出一种风光储联合发电系统日前优化调度方法，所述方法包括下列步骤：获取各类优化数据，确定风光储联合发电系统的优化空间；根据实际电网的电网模型建立以有功总电力最大为目标的优化模型；将总有功出力曲线变动关系的惩罚量加入到优化目标中，获得考虑发电曲线平滑的优化调度模型；将模型中的非线性因素线性化，采用对偶单纯形法求解，得出风光储联合发电系统的有功发电曲线，上报至上级调度中心，并得到储能装置的充放电计划，下发子系统执行。采用本发明的方法大大提高了电力资源优化配置能力。
4.示例地，中国发明专利公开文本cn106058900a提出的一种并网风光发电中混合储能容量优化配置方法，所述方法确定以优化蓄电池工作状态为原则，以提高储能系统整体经济性为目标的能量管理策略，基于该能量管理策略分析了并网风光发电系统能量损失率和能量缺失率的计算流程，根据全生命周期费用理论，建立了储能装置的年均费用函数表达式，并建立了以该函数值最小为目标，以系统能量损失率及能量缺失率等运行指标为约束的储能容量优化配置模型，最后运用改进混沌优化算法求解优化配置模型。本发明提出的改进混沌优化算法利用混沌运动具有的遍历性、随机性、规律性，可以有效完成该复杂非线性优化配置模型的计算。
5.然而，上述现有技术都是将风光发电储能作为一个整体进行研究，没有考虑到相比较于太阳辐射量和辐射角度容易预报的光伏发电、风力发电因为风向的多变性和风力的随机性而更不可控的特性，进而导致在进行未来时间分段任一供电网络的储能配置时，风力发电的储能相比较于光伏发电的储能更不可靠，如果将风力发电储能与光伏发电储能处于一个平等的地位进行未来时间分段的储能配置，必然会导致整个风光发电储能数据的不稳定和不可控，从而引起供电网络的负载需求能量与风光发电储能系统配置的储能能量的错配。


技术实现要素：

6.为了解决现有技术中供电网络的负载需求能量与风光发电储能系统配置的储能能量的错配的技术问题，本发明提供了一种风光发电储能系统及其优化配置方法，针对风
力发电的储能相比较于光伏发电的储能更不可靠的特性，采用针对性设计的完成重构的前馈神经网络智能预测当地供电网络最近的光伏发电机组阵列在未来时间分段的储能能量，仅仅在最近的光伏发电机组阵列在未来时间分段的储能能量的倍数小于未来时间分段当地供电网络的负载需求能量时，方对未来时间分段执行启动相对不可靠的最近风力发电机组阵列的风力发电储能供应，否则，在未来时间分段将最近风力发电机组阵列提供给其他供电网络，从而实现了风光发电储能的优化配置。
7.根据本发明的第一方面，提供了一种风光发电储能系统，所述系统包括：无线下载器件，设置在当地供电网络处，用于从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；参数解析器件，用于解析所述光伏发电机组阵列的各项机组参数；重构执行器件，用于对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；储能预测器件，分别与无线下载器件、参数解析器件以及重构执行器件连接，用于采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；优化配置器件，与储能预测器件连接，用于在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。
8.根据本发明的第二方面，提供了一种风光发电储能系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；解析所述光伏发电机组阵列的各项机组参数；对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小
于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。
9.根据本发明的第三方面，提供了一种风光发电储能系统优化配置方法，所述方法包括：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；解析所述光伏发电机组阵列的各项机组参数；对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。
10.相比较于现有技术，本发明至少具备以下三处主要的发明点：发明点一：针对风光发电储能系统中风力发电可靠性低于光伏发电可靠性的特性，智能预测当地供电网络最近的光伏发电机组阵列在未来时间分段的储能能量，仅仅在最近的光伏发电机组阵列在未来时间分段的储能能量的倍数小于未来时间分段当地供电网络的负载需求能量时，方对未来时间分段执行启动相对不可靠的最近风力发电机组阵列的风力发电储能供应，否则，在未来时间分段将最近风力发电机组阵列提供给其他供电网络，从而实现了风光发电储能的优化配置，在保证未来时间分段对供电网络的可靠储能供应的同时，提升风力发电机组阵列的储能能量的利用率；发明点二：采用完成重构的前馈神经网络基于最近光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及最近光伏发电机组阵列的各项机组参数智能预测最近光伏发电机组阵列在下一时间分段内供应的光伏发电储能能量，从而为后续的风光发电储能的优化配置提供关键数据；发明点三：为保证执行智能预测的完成重构的前馈神经网络的预测结果的有效性和稳定性，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，在
对前馈神经网络的每一次训练中，将已知的所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练，以及所述多次训练的次数与最近光伏发电机组阵列中的光伏发电机组的数量正向关联。
附图说明
11.以下将结合附图对本发明的实施例进行描述，其中：图1为根据本发明的风光发电储能系统及其优化配置方法的技术流程图。
12.图2为根据本发明的实施例1示出的风光发电储能系统的结构示意图。
13.图3为根据本发明的实施例2示出的风光发电储能系统的结构示意图。
14.图4为根据本发明的实施例3示出的风光发电储能系统的结构示意图。
15.图5为根据本发明的实施例4示出的风光发电储能系统的结构示意图。
16.图6为根据本发明的实施例5示出的风光发电储能系统的结构示意图。
17.图7为根据本发明的实施例6示出的风光发电储能系统的结构示意图。
18.图8为根据本发明的实施例7示出的风光发电储能系统优化配置方法的步骤流程图。
具体实施方式
19.如图1所示，给出了根据本发明示出的风光发电储能系统及其优化配置方法的技术流程图。
20.如图1所示，本发明的具体的技术流程如下：第一步：获取当地供电网络附近最近的光伏发电机组阵列的各项机组参数以及通过气象预报服务获取所述光伏发电机组阵列未来时间分段所在地理位置的太阳辐射量均值以及辐射角度均值；示例地，可以通过设置在当地供电网络处的无线下载器件，用于从远端的气象管理服务器处下载未来时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；具体地，当地供电网络附近最近的光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，其中，所述光伏发电机组阵列中的各个光伏发电机组结构相同；第二步：采用完成重构的前馈神经网络以基于最近的光伏发电机组阵列的各项机组参数以及通过气象预报服务获取的所述光伏发电机组阵列未来时间分段所在地理位置的太阳辐射量均值以及辐射角度均值智能预测所述光伏发电机组阵列在未来时间分段内能够供应的光伏发电储能能量；具体地，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述最近的光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；
示例地，为了保证完成重构的前馈神经网络的智能预测数据的有效性和稳定性，在对前馈神经网络的每一次训练中，将已知的所述最近的光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述最近的光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练，以及选择的多次训练的次数与所述最近光伏发电机组阵列中的光伏发电机组的数量正向关联，从而适应于各类不同结构的光伏发电机组阵列；第三步：在未来时间分段所述最近的光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于未来时间分段当地供电网络的负载需求能量时，预设倍数的取值大于1且小于设定倍数阈值，说明所述最近的光伏发电机组阵列供应的光伏发电储能能量无法充分保证对未来时间分段当地供电网络的负载需求能量的供应，因此需要求助距离当地供电网络最近的风力发电机组阵列，为未来时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置；相反，在未来时间分段所述最近的光伏发电机组阵列的光伏发电储能能量的预设倍数大于或者等于当前时刻的下一时间分段所述当地供电网络的负载需求能量时，说明所述最近的光伏发电机组阵列供应的光伏发电储能能量能够充分保证对未来时间分段当地供电网络的负载需求能量的供应，因此不需要求助距离当地供电网络最近的风力发电机组阵列，将距离当地供电网络最近的风力发电机组阵列的未来时间分段的储能供应提供给其他供电网络；由此可见，通过上述对风光发电储能系统的优化配置操作，能够在保证对当地供电网络的负载需求能量的充足供应的同时，提升风力发电机组阵列以及光伏发电机组阵列的利用率。
21.本发明的关键点在于：风力发电的储能相比较于光伏发电的储能更不可靠的特性的有效利用、完成重构的前馈神经网络的有效性和稳定性的结构设计、以及基于重构的前馈神经网络的预测结果的针对性优化配置机制。
22.下面，将对本发明的风光发电储能系统及其优化配置方法以实施例的方式进行具体说明。
实施例
23.图2为根据本发明的实施例1示出的风光发电储能系统的结构示意图。
24.如图2所示，所述风光发电储能系统包括以下部件：无线下载器件，设置在当地供电网络处，用于从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；示例地，通过时分双工通信链路或者频分双工通信链路从远端的气象管理服务器处无线下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；参数解析器件，用于解析所述光伏发电机组阵列的各项机组参数；示例地，可以采用多个不同参数解析单元，用于分别解析所述光伏发电机组阵列
的各项机组参数；重构执行器件，用于对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；例如，可以采用数值仿真模式完成对前馈神经网络执行多次训练的重构处理的仿真和测试；储能预测器件，分别与无线下载器件、参数解析器件以及重构执行器件连接，用于采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；示例地，采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量包括：选择使用matlab工具箱实现采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量的智能预测过程；优化配置器件，与储能预测器件连接，用于在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同；其中，所述优化配置器件还用于在当前时刻的下一时间分段所述光伏发电机组阵列的光伏发电储能能量的预设倍数大于或者等于当前时刻的下一时间分段所述当地供电网络的负载需求能量时，将距离当地供电网络最近的风力发电机组阵列的下一时间分段的储能供应提供给其他供电网络；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：在对前馈神经网络的每一次训练中，将已知的所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联；示例地，所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联包括：所述光伏发电机组阵列中的光伏发电机组的数量为20，选择的多次训练的
次数为50，所述光伏发电机组阵列中的光伏发电机组的数量为25，选择的多次训练的次数为60，所述光伏发电机组阵列中的光伏发电机组的数量为30，选择的多次训练的次数为70，以及所述光伏发电机组阵列中的光伏发电机组的数量为35，选择的多次训练的次数为80。
实施例
25.图3为根据本发明的实施例2示出的风光发电储能系统的结构示意图。
26.如图3所示，与图2中的实施例不同，所述风光发电储能系统还包括以下组件：光伏发电机组阵列，比其他光伏发电机组阵列距离所述当地供电网络更近，包括多个结构相同的光伏发电机组；示例地，所述当地供电网络附近可能存在多个光伏发电机组阵列，通过计算每一个光伏发电机组阵列与所述当地供电网络分别对应的定位数据确定每一个光伏发电机组阵列与所述当地供电网络之间的地理距离；这样，将对应的地理距离最短的光伏发电机组阵列作为距离所述当地供电网络最近的光伏发电机组阵列；其中，每一个光伏发电机组包括光伏面板、充放电控制器、储能设备以及逆变器。
实施例
27.图4为根据本发明的实施例3示出的风光发电储能系统的结构示意图。
28.如图4所示，与图2中的实施例不同，所述风光发电储能系统还包括以下组件：风力发电机组阵列，比其他风力发电机组阵列距离所述当地供电网络更近，包括多个结构相同的风力发电机组；示例地，所述当地供电网络附近可能存在多个风力发电机组阵列，通过计算每一个风力发电机组阵列与所述当地供电网络分别对应的定位数据确定每一个风力发电机组阵列与所述当地供电网络之间的地理距离；这样，将对应的地理距离最短的风力发电机组阵列作为距离所述当地供电网络最近的风力发电机组阵列；其中，每一个风力发电机组包括风轮、调向器、塔架、限速安全机构、储能设备以及逆变器。
实施例
29.图5为根据本发明的实施例4示出的风光发电储能系统的结构示意图。
30.如图5所示，与图2中的实施例不同，所述风光发电储能系统还包括以下组件：第一解析器件，与所述优化配置器件连接，用于基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量；示例地，可以采用soc芯片、asic芯片或者cpld芯片来实现所述第一解析器件；其中，基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量包括：采用第一人工智能模型基于过往多天与所述下一时间分段相同的多个时间分段分别对
应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量。
实施例
31.图6为根据本发明的实施例5示出的风光发电储能系统的结构示意图。
32.如图6所示，与图5中的实施例不同，所述风光发电储能系统还包括以下组件：第二解析器件，与所述优化配置器件连接，用于基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量；类似地，可以采用soc芯片、asic芯片或者cpld芯片来实现所述第二解析器件；其中，基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量包括：采用第二人工智能模型基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量。
33.接着，继续对本发明的各个实施例进行详细的描述。
34.在根据本发明的各个实施例的风光发电储能系统中：从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值包括：基于光伏发电机组阵列所在地理位置对应的定位数据从远端的气象管理服务器处下载当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；示例地，基于光伏发电机组阵列所在地理位置对应的定位数据从远端的气象管理服务器处下载当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值包括：基于光伏发电机组阵列所在地理位置对应的定位数据从远端的气象管理服务器处下载的当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值均为二进制数值表示形式；其中，从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值还包括：当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值为对所述下一时间分段进行均匀分割以获得各个时间点，获取各个时间点分别对应的所述光伏发电机组阵列所在地理位置的各份太阳辐射量，将所述各份太阳辐射量去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值；其中，从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值还包括：获取各个时间点分别对应的所述光伏发电机组阵列所在地理位置的各份辐射角度，将所述各份辐射角度去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的辐射角度均值。
35.以及在根据本发明的各个实施例的风光发电储能系统中：在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小
于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值包括：所述设定倍数阈值的取值在0.80-0.95之间；具体地，通过将所述设定倍数阈值的取值在0.80-0.95之间而不是正好为1，能够为所述光伏发电机组阵列的供应量提供足够的冗余量以保证满足当地供电网络的负载供电需求。
实施例
36.图7为根据本发明的实施例6示出的风光发电储能系统的结构方框图。
37.如图7所示，所述风光发电储能系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；示例地，通过时分双工通信链路或者频分双工通信链路从远端的气象管理服务器处无线下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；解析所述光伏发电机组阵列的各项机组参数；示例地，可以采用多个不同参数解析单元，用于分别解析所述光伏发电机组阵列的各项机组参数；对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；例如，可以采用数值仿真模式完成对前馈神经网络执行多次训练的重构处理的仿真和测试；采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；示例地，采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量包括：选择使用matlab工具箱实现采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量的智能预测过程；在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；
其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同；其中，所述优化配置器件还用于在当前时刻的下一时间分段所述光伏发电机组阵列的光伏发电储能能量的预设倍数大于或者等于当前时刻的下一时间分段所述当地供电网络的负载需求能量时，将距离当地供电网络最近的风力发电机组阵列的下一时间分段的储能供应提供给其他供电网络；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：在对前馈神经网络的每一次训练中，将已知的所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练；以及其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联；示例地，所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联包括：所述光伏发电机组阵列中的光伏发电机组的数量为20，选择的多次训练的次数为50，所述光伏发电机组阵列中的光伏发电机组的数量为25，选择的多次训练的次数为60，所述光伏发电机组阵列中的光伏发电机组的数量为30，选择的多次训练的次数为70，以及所述光伏发电机组阵列中的光伏发电机组的数量为35，选择的多次训练的次数为80；如图7所示，示例性地，给出了n个处理器，其中，n为大于等于1的自然数。
实施例
38.图8为根据本发明的实施例7示出的风光发电储能系统优化配置方法的步骤流程图。
39.如图8所示，所述风光发电储能系统优化配置方法包括以下步骤：s801：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；示例地，通过时分双工通信链路或者频分双工通信链路从远端的气象管理服务器处无线下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；s802：解析所述光伏发电机组阵列的各项机组参数；示例地，可以采用多个不同参数解析单元，用于分别解析所述光伏发电机组阵列的各项机组参数；s803：对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏
发电储能能量；例如，可以采用数值仿真模式完成对前馈神经网络执行多次训练的重构处理的仿真和测试；s804：采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；示例地，采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量包括：选择使用matlab工具箱实现采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量的智能预测过程；s805：在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同；其中，所述优化配置器件还用于在当前时刻的下一时间分段所述光伏发电机组阵列的光伏发电储能能量的预设倍数大于或者等于当前时刻的下一时间分段所述当地供电网络的负载需求能量时，将距离当地供电网络最近的风力发电机组阵列的下一时间分段的储能供应提供给其他供电网络；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：在对前馈神经网络的每一次训练中，将已知的所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练；以及其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联；示例地，所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联包括：所述光伏发电机组阵列中的光伏发电机组的数量为20，选择的多次训练的次数为50，所述光伏发电机组阵列中的光伏发电机组的数量为25，选择的多次训练的次数为60，所述光伏发电机组阵列中的光伏发电机组的数量为30，选择的多次训练的次数为70，以及所述光伏发电机组阵列中的光伏发电机组的数量为35，选择的多次训练的次数为80。
40.另外，本发明还可以引用以下具体技术内容以突出本发明的突出性的实质性特点
以及显著性的技术进步：将所述各份太阳辐射量去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值包括：将所述各份太阳辐射量中的最大值和最小值去除后获得的剩余多份太阳辐射量的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值；其中，将所述各份辐射角度去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的辐射角度均值包括：将所述各份辐射角度中的最大值和最小值去除后获得的剩余多份辐射角度的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的辐射角度均值。
41.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的实施方式的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种风光发电储能系统，其特征在于，所述系统包括：无线下载器件，设置在当地供电网络处，用于从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；参数解析器件，用于解析所述光伏发电机组阵列的各项机组参数；重构执行器件，用于对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；储能预测器件，分别与无线下载器件、参数解析器件以及重构执行器件连接，用于采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；优化配置器件，与储能预测器件连接，用于在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。2.如权利要求1所述的风光发电储能系统，其特征在于：所述优化配置器件还用于在当前时刻的下一时间分段所述光伏发电机组阵列的光伏发电储能能量的预设倍数大于或者等于当前时刻的下一时间分段所述当地供电网络的负载需求能量时，将距离当地供电网络最近的风力发电机组阵列的下一时间分段的储能供应提供给其他供电网络；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：在对前馈神经网络的每一次训练中，将已知的所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量作为所述前馈神经网络的单项输出内容，将所述光伏发电机组阵列在某一时间分段之前各个时间分段分别对应的各份光伏发电储能能量作为所述前馈神经网络的各项输入内容，完成对前馈神经网络的本次训练；其中，对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量包括：所述多次训练的次数与所述光伏发电机组阵列中的光伏发电机组的数量正向关联。3.如权利要求2所述的风光发电储能系统，其特征在于，所述系统还包括：光伏发电机组阵列，比其他光伏发电机组阵列距离所述当地供电网络更近，包括多个结构相同的光伏发电机组；其中，每一个光伏发电机组包括光伏面板、充放电控制器、储能设备以及逆变器。4.如权利要求2所述的风光发电储能系统，其特征在于，所述系统还包括：
风力发电机组阵列，比其他风力发电机组阵列距离所述当地供电网络更近，包括多个结构相同的风力发电机组；其中，每一个风力发电机组包括风轮、调向器、塔架、限速安全机构、储能设备以及逆变器。5.如权利要求2所述的风光发电储能系统，其特征在于，所述系统还包括：第一解析器件，与所述优化配置器件连接，用于基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量；其中，基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量包括：采用第一人工智能模型基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述当地供电网络的负载需求能量解析所述下一时间分段所述当地供电网络的负载需求能量。6.如权利要求5所述的风光发电储能系统，其特征在于，所述系统还包括：第二解析器件，与所述优化配置器件连接，用于基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量；其中，基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量包括：采用第二人工智能模型基于过往多天与所述下一时间分段相同的多个时间分段分别对应的所述风力发电机组阵列的风力发电储能能量解析所述下一时间分段所述风力发电机组阵列的风力发电储能能量。7.如权利要求2-6任一所述的风光发电储能系统，其特征在于：从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值包括：基于光伏发电机组阵列所在地理位置对应的定位数据从远端的气象管理服务器处下载当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；其中，从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值还包括：当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值为对所述下一时间分段进行均匀分割以获得各个时间点，获取各个时间点分别对应的所述光伏发电机组阵列所在地理位置的各份太阳辐射量，将所述各份太阳辐射量去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的太阳辐射量均值；其中，从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值还包括：获取各个时间点分别对应的所述光伏发电机组阵列所在地理位置的各份辐射角度，将所述各份辐射角度去除最值后的算术平均值作为当前时刻的下一时间分段所述光伏发电机组阵列所在地理位置的辐射角度均值。8.如权利要求2-6任一所述的风光发电储能系统，其特征在于：
在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值包括：所述设定倍数阈值的取值在0.80-0.95之间。9.一种风光发电储能系统，其特征在于，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；解析所述光伏发电机组阵列的各项机组参数；对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。10.一种风光发电储能系统优化配置方法，其特征在于，所述方法包括：在当地供电网络处从远端的气象管理服务器处下载当前时刻的下一时间分段距离当地供电网络最近的光伏发电机组阵列所在地理位置的太阳辐射量均值以及辐射角度均值；解析所述光伏发电机组阵列的各项机组参数；对前馈神经网络执行多次训练的重构处理以获得完成重构的前馈神经网络，所述前馈神经网络用于智能预测所述光伏发电机组阵列在某一时间分段内供应的光伏发电储能能量；采用完成重构的前馈神经网络基于所述光伏发电机组阵列在当前时刻之前各个时间分段分别对应的各份光伏发电储能能量以及各项机组参数智能预测其下一时间分段内供应的光伏发电储能能量；在下一时间分段所述光伏发电机组阵列供应的光伏发电储能能量的预设倍数小于下一时间分段当地供电网络的负载需求能量时，为下一时间分段当地供电网络进行允许距离当地供电网络最近的风力发电机组阵列的储能供应的提前配置，预设倍数的取值大于1且小于设定倍数阈值；其中，所述光伏发电机组阵列的各项机组参数包括所述光伏发电机组阵列的光伏发电机组的数量、光伏发电机组的最大输出功率、光伏面板的受光平面面积以及光伏面板与水
平面的夹角，以及所述光伏发电机组阵列中的各个光伏发电机组结构相同。

技术总结
本发明涉及一种风光发电储能系统，涉及再生能源储能领域，所述系统包括：储能预测器件，用于智能预测距离当地供电网络最近的光伏发电机组阵列在下一时间分段内供应的光伏发电储能能量；优化配置器件，用于在智能预测数据的预设倍数小于下一时间分段当地供电网络的负载需求能量时，执行允许最近风力发电机组阵列参与储能供应的提前配置。本发明还涉及一种风光发电储能系统优化配置方法。通过本发明，针对负载供电需求与风光发电储能数据错配的技术问题，能够预测当地供电网络最近的光伏发电机组阵列在未来时间分段的储能能量，并基于预测结果确定是否引入最近风力发电机组阵列参与储能供应，从而解决了上述技术问题。从而解决了上述技术问题。从而解决了上述技术问题。


技术研发人员：梁富文 李建华 谢应军
受保护的技术使用者：广州市虎头电池集团股份有限公司
技术研发日：2023.07.06
技术公布日：2023/8/6