一种分布式光伏电站智能监控平台及方法发明专利

专利名称：一种分布式光伏电站智能监控平台及方法

专利类型：发明专利

专利申请号：CN202410288975.2

专利申请（专利权）人：信阳师范学院
权利人地址：河南省信阳市浉河区南湖路237号

专利发明（设计）人：朱晓蕊,耿晓菊,刘杨,刘江峰,韩会丽

专利摘要：本发明公开了一种分布式光伏电站智能监控平台及方法包括传感器模块、数据处理模块、智能控制模块、用户界面模块。通过构建故障预测模型对光伏电站的状态和未来发展进行精准预测，更好地了解光伏电站的运行状况，提前发现并做出相应调整。构建数据分析算法，根据当前状态和环境变化实时调整光伏电站的运行参数、发电功率和负荷需求，以最大化系统的效益并与电网消纳能力相匹配，更高效地利用光伏发电资源，减少能源浪费，提高能源的利用率，降低电网的负荷压力。

主权利要求：
1.一种分布式光伏电站监控方法，其特征在于：包括以下步骤：(1)监测电站内多个检测点的实时数据，数据通过互联网传输到集中的云计算平台；(2)使用存储在所述云计算平台上的故障预测模型与历史数据结合对实时数据进行分析，以识别潜在故障；(3)构建数据分析算法进行实时数据分析，优化和调整光伏电站的出力，与当前电网的消纳能力相匹配；
(4)通过用户界面向运营人员展示分析结果和设备的运营状况；
通过训练故障预测模型以分析设备性能数据，从而预测损坏风险，故障预测模型的具体构建过程如下：(1)将光伏组件包括温度、光照强度、电流、电压、功率输出在内的各项性能指标作为设性能指标集合为{X,X,…,X}，发电站的整体健康状态可以作为目标变量Y；
(2)基于光伏发电站领域知识确定各性能指标之间的影响关系，构建节点之间的有向边表示这些影响关系，定义每个节点的条件概率表，描述不同节点之间的依赖关系，以及这些指标对健康状态的影响，为结构中的每一条边Xi→X，定义条件概率分布P(X|Xi)；
(3)从历史数据中学习参数，通过监测历史数据中不同时间点的性能指标和健康状态，估算节点之间的条件概率分布，对于每个节点的条件概率表，通过给定Xi的父节点值时，得到Xi的条件概率分布P(Xi|Parents(Xi))；
对于设定每条边Xi→X，其条件概率表中的参数为θi，参数θi通过统计各个组合在历史数据中出现的频次来估计，通过下面的公式计算：θi＝(N(xi＝xi,Parents(Xi)＝πi))/(N(Parents(Xi)＝πi))其中N(·)表示计数函数；
(4)根据实时监测的性能数据，基于贝叶斯网络计算发电站出现故障的后验概率，通过反复更新概率分布，实时地进行故障预测和风险评估，为了计算后验分布P(Y|X＝x,…,X＝x)，使用链式法则和联合分布来计算：P(Y|X＝x,...,X＝x)＝(P(Y,X＝x,...,X＝x))/(P(X＝x,...,X＝x))使用变量消除方法遍历决策图并顺序计算每个变量的边缘分布，以此提供全面可靠的对于不同故障情况的概率分布；
(5)将后验分布P(Y|X＝x,…,X＝x)转换为风险评分，定义损失函数 其中Y是真实健康状态，是预测状态，为了最小化期望损失，使用后验分布来做出最优的健康状态预测：得出的健康状态概率作为风险评估的依据，根据
不同故障状态的概率，结合损失函数，评估发电站产生故障的风险；
所述数据分析算法的构建过程如下：
(1)设定时间序列数据{Xt}，Xt表示在时间t的特征向量，预测光伏发电量Pv(t)和电网负荷需求D(t)；通过以下方式对光伏发电量及电网负荷需求进行预测：h_t,c_t＝LSTM(X_t,h_{t‑1},c_{t‑1}；θ),其中h_t是在时间t的隐藏状态，c_t是在时间t的单元状态，θ是网络参数；
对于输出层，引入注意力机制来确定预测的重要特征：
其中 和 是预测出的光伏发电量和电网负荷需求，
Attention是注意力机制的函数，φ是输出层的参数；通过最小化如平均绝对误差以及均方误差的损失函数对模型进行训练；
(2)定义优化问题来平衡电站发电和电网需求，目标函数定义为经济效益最大化：约束条件用来确保电力消纳和运维的可行性，对于所有的时间t：
其中 表示在时刻t预测的光伏发电功率，Gmin(t)、Gmax(t)分别表示t时刻光伏发电系统允许的最小和最大发电功率， 表示时刻t预测的负荷需求，Grid_Cap(t)为电网容量的上限，Egrid(t)时刻t电网的能量水平；
(3)通过引入量子计算原理来增强神经网络的能力，使用量子位作为处理单元，当构建一个用于预测电网需求与光伏发电量匹配问题的DQN时，设计如下量子神经网络：Yt＝DQN(Xt；θ),其中Yt是输出层，预测未来电网需求与光伏发电量，Xt是输入特征向量，θ是量子网络的参数；
(4)根据光伏电站的实时运行情况，不断收集包括各种传感器数据、光伏发电功率、负荷需求在内的数据，构成当前时刻的状态s_t和动作a_t；基于模型s_(t+1)～GP(s_t,a_t；
Σ,L,σ2),利用当前状态和动作，预测下一个状态s_(t+1)的概率分布；将预测得到的s_(t+
1)与当前电网的消纳能力进行比较，如果预测的光伏发电功率超过电网的容量上限，调整动作a_t，确保光伏电站的输入符合电网的容量限制；通过强化学习算法，根据当前状态s_t、动作a_t和预测的下一状态s_(t+1)，更新和优化运行决策策略，适应电网的消纳能力。
2.根据权利要求1所述的分布式光伏电站监控方法，其特征在于：包括实时更新电站与电网之间的通信以实现动态电力管理。 说明书 : 一种分布式光伏电站智能监控平台及方法技术领域[0001] 本发明涉及分布式光伏技术领域，尤其涉及一种分布式光伏电站智能监控平台及方法。背景技术[0002] 传统的光伏电站监控主要依靠人工巡检和数据记录，不仅工作量大、效率低，而且容易忽略潜在的故障和问题。随着光伏电站的规模和数量的不断扩大和增多，监测和管理的需求也越来越迫切。随着物联网技术的发展，为分布式光伏电站的实时监测、分析和管理提供了技术支持。在早期的光伏电站监控中，使用传感器和监测设备来收集光伏电站的关键数据，但数据采集和传输方式相对简单粗糙，一般使用有线通信方式。随着云计算技术和大数据分析技术的发展，光伏电站数据可以通过无线网络传输到云服务器中进行存储和处理，实现了大体量数据的实时监测和分析，同时通过分析历史数据实现光伏电站性能预测，提前发现潜在问题并制定相应的应对策略。[0003] 然而，尽管现有的分布式光伏电站监控平台可以实现实时数据监测以及整个光伏电站性能和效率的提升，但是其仍然存在诸多技术缺陷，至少包括如下几个突出的方面：1.现有监控平台不能有效的解决及时准确判断设备损坏或发电异常等情况，导致设备仪器损坏时不能及时了解情况进行维修，增加了停机时间和损失，甚至影响光伏发电装置的正常运行。2.对于分布式光伏电站的数据处理和分析不足，目前的监控平台无法根据各个光伏电站的出力值，下发各个光伏电站的出力计划，并实时计算当前电网对光伏的消纳能力，在优化各地区分布式光伏电站的运行还存在欠缺。3.常见的监控系统普遍存在扩展性差、功能单一等问题，检修维护人员只能通过狭小的液晶显示屏完成一些基本的监测和控制操作，在用户体验方面还有待进一步提升。发明内容[0004] 本发明要解决的技术问题时针对现有技术的种种不足，提供一种分布式光伏电站智能监控平台及方法。[0005] 为解决上述技术问题，本发明所采取的技术方案如下。[0006] 一种分布式光伏电站智能监控系统，包括以下技术模块：a.传感器模块，用于实时监测电站设备状态的传感器模块；b.数据处理模块，用于接收通过互联网传输的来自所述传感器模块的数据，并将数据存储于云平台，通过预设的学习模型对电站设备可能出现的故障进行预测；c.智能控制模块，通过数据处理模块的分析结果，对光伏电站中的光伏设备进行自动控制；d.用户界面模块，展示所述智能处理模块的分析结果和提示维护信息。[0007] 作为本发明的一种优选技术方案，所述传感器模块包括热成像传感器、振动分析传感器和电流监测传感器。[0008] 作为本发明的一种优选技术方案，所述智能控制模块进一步具有与电网运营商通信的功能，用于根据分析结果调节光伏电站的出力以优化电网负荷。[0009] 作为本发明的一种优选技术方案，所述数据处理模块自动调整光伏电站运行参数以最大化发电效率和减少设备损坏风险。[0010] 作为本发明的一种优选技术方案，所述用户界面模块适配包括手机、平板和笔记本电脑在内的多种设备，并通过图形化展示操作信息；同时包括自动通知维护人员的响应机制，在检测到潜在设备问题及故障时触发。[0011] 一种分布式光伏电站监控方法，用于配套执行分布式光伏电站智能监控系统，包括以下步骤：(1)监测电站内多个检测点的实时数据，数据通过互联网传输到集中的云计算平台；(2)使用存储在所述云计算平台上的故障预测模型与历史数据结合对实时数据进行分析，以识别潜在故障；(3)构建数据分析算法进行实时数据分析，优化和调整光伏电站的出力，与当前电网的消纳能力相匹配；(4)通过用户界面向运营人员展示分析结果和设备的运营状况。[0012] 作为本发明的一种优选技术方案，通过训练故障预测模型以分析设备性能数据，从而预测损坏风险，故障预测模型的具体构建过程如下：[0013] (1)将光伏组件包括温度、光照强度、电流、电压、功率输出在内的各项性能指标作为设性能指标集合为{X,X,…,X}，发电站的整体健康状态可以作为目标变量Y；[0014] (2)基于光伏发电站领域知识确定各性能指标之间的影响关系，构建节点之间的有向边表示这些影响关系，定义每个节点的条件概率表，描述不同节点之间的依赖关系，以及这些指标对健康状态的影响，为结构中的每一条边Xi→X，定义条件概率分布P(X|Xi)；[0015] (3)从历史数据中学习参数，通过监测历史数据中不同时间点的性能指标和健康状态，估算节点之间的条件概率分布，对于每个节点的条件概率表，通过给定Xi的父节点值时，得到Xi的条件概率分布P(Xi|Parents(Xi))；[0016] 对于设定每条边Xi→X，其条件概率表中的参数为θi，参数θi通过统计各个组合在历史数据中出现的频次来估计，通过下面的公式计算：[0017] θi＝(N(xi＝xi,Parents(Xi)＝πi))/(N(Parents(Xi)＝πi))[0018] 其中N(·)表示计数函数；[0019] (4)根据实时监测的性能数据，基于贝叶斯网络计算发电站出现故障的后验概率，通过反复更新概率分布，可以实时地进行故障预测和风险评估，[0020] 为了计算后验分布P(Y|X＝x,…,X＝x)，使用链式法则和联合分布来计算：[0021] P(Y|X＝x,...,X＝x)＝(P(Y,X＝x,...,X＝x))/(P(X＝x,...,X＝x))[0022] 使用变量消除方法遍历决策图并顺序计算每个变量的边缘分布，以此提供全面可靠的对于不同故障情况的概率分布；[0023] (5)将后验分布P(Y|X＝x,…,X＝x)转换为风险评分，定义损失函数 其中Y是真实健康状态，是预测状态，为了最小化期望损失，使用后验分布来做出最优的健康状态预测：[0024] 得出的健康状态概率可以作为风险评估的依据，根据不同故障状态的概率，结合损失函数，评估发电站产生故障的风险。[0025] 作为本发明的一种优选技术方案，基于故障预测模型和风险指数，制定相应的故障预测和维护决策策略，当风险指数超过阈值时，预警管理人员并启动维护流程；同时通过持续监测实时获取设备性能数据，更新能量景观模型，并根据最新的数据重新计算风险指数，实现动态的故障预测和维护决策。[0026] 作为本发明的一种优选技术方案，所述数据分析算法的构建过程如下：[0027] (1)设定时间序列数据{Xt}，Xt表示在时间t的特征向量，预测光伏发电量Pv(t)和电网负荷需求D(t)；通过以下方式对光伏发电量及电网负荷需求进行预测：[0028] h_t,c_t＝LSTM(X_t,h_{t‑1},c_{t‑1}；θ),其中h_t是在时间t的隐藏状态，c_t是在时间t的单元状态，θ是网络参数；[0029] 对 于 输 出 层 ，引 入 注 意 力 机 制 来 确 定 预 测 的 重 要 特 征 ：其中 和 是预测出的光伏发电量和电网负荷需求，Attention是注意力机制的函数，φ是输出层的参数；[0030] 通过最小化如平均绝对误差以及均方误差的损失函数对模型进行训练；[0031] (2)定义优化问题来平衡电站发电和电网需求，目标函数定义为经济效益最大化：[0032][0033] 约束条件用来确保电力消纳和运维的可行性，对于所有的时间t：[0034][0035][0036][0037] 其中 表示在时刻t预测的光伏发电功率，Gmin(t)、Gmax(t)分别表示t时刻光伏发电系统允许的最小和最大发电功率， 表示时刻t预测的负荷需求，Grid_Cap(t)为电网容量的上限，Egrid(t)时刻t电网的能量水平；[0038] (3)通过引入量子计算原理来增强神经网络的能力，使用量子位作为处理单元，当构建一个用于预测电网需求与光伏发电量匹配问题的DQN时，设计如下量子神经网络：[0039] Yt＝DQN(Xt；θ),其中Yt是输出层，预测未来电网需求与光伏发电量，Xt是输入特征向量，θ是量子网络的参数；[0040] (4)根据光伏电站的实时运行情况，不断收集包括各种传感器数据、光伏发电功率、负荷需求在内的数据，构成当前时刻的状态s_t和动作a_t；基于模型s_(t+1)～GP(s_t,a_t；Σ,L,σ2),Σ是协方差矩阵，L表示长度尺度，σ2是噪声方差，利用当前状态和动作，预测下一个状态s_(t+1)的概率分布；将预测得到的s_(t+1)与当前电网的消纳能力进行比较，如果预测的光伏发电功率超过电网的容量上限，调整动作a_t，确保光伏电站的输入符合电网的容量限制；通过强化学习算法，根据当前状态s_t、动作a_t和预测的下一状态s_(t+1)，更新和优化运行决策策略，适应电网的消纳能力。[0041] 作为本发明的一种优选技术方案，包括实时更新电站与电网之间的通信以实现动态电力管理。[0042] 采用上述技术方案所产生的有益效果在于：本发明通过构建故障预测模型能够对光伏电站的状态和未来发展进行更精准的预测，更好地了解光伏电站的运行状况，提前发现问题并做出相应调整。通过构建数据分析算法进行实时数据分析，根据当前状态和环境变化实时调整光伏电站的运行参数，以最大化系统的效益并与电网消纳能力相匹配。实时调整光伏电站的发电功率和负荷需求，系统可以更高效地利用光伏发电资源，减少能源浪费，提高能源的利用率，降低电网的负荷压力。本发明借助强化学习算法，光伏电站的管理和监控变得更加智能化和自动化，减轻了操作人员的工作负担，提高了系统的运行效率和可靠性，用户体验得到进一步提升。具体实施方式[0043] 以下实施例详细说明了本发明。本发明所使用的各项设备均为常规市售产品，均能够通过市场购买直接获得。在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。[0044] 如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。[0045] 实施例1[0046] 一种分布式光伏电站智能监控系统，包括传感器模块、数据处理模块、智能控制模块、用户界面模块。[0047] 传感器模块包括热成像传感器、振动分析传感器和电流监测传感器。其中热成像传感器用于检测电站设备的温度分布，识别过热点，这可以指示电气连接问题或设备故障；振动分析传感器用于监测光伏电站机械部件的振动频率和幅度，从而分析机械设备的健康状态；电流监测传感器负责记录设备的电流大小，从而检测电流异常，即可能导致故障的电路问题，同时传感器模块还包括光强传感器、温度传感器等。这些传感器集成到设备上，并实时传输监测到的数据到数据处理模块。[0048] 数据处理模块开发或适用现有的中间件来作为传感器数据的接收点，确保数据的有效接收和前处理，使用边缘计算设备或数据中心收集传感器模块传输的数据，数据存储于云平台，利用分布式数据库管理系统确保数据可靠性和可访问性。利用云计算的弹性存储和计算能力来实现数据的长期存储与高效运算，支持大数据处理框架如ApacheHadoop或Spark。运用机器学习和数据分析技术，分析历史和实时数据以预测潜在的故障和设备性能下降，同时也用于优化日常发电效率、设定维护计划。[0049] 智能控制模块与各传感器和执行器相连，以便于收到数据处理模块的指令后，立即实施调整；通过数据处理模块的分析结果，对光伏电站中的光伏设备进行自动控制；根据需求峰谷、天气预报和电网要求等数据调整光伏电站的出力。与电网运营商的通信可能通过标准化接口进行，例如采用开放式通信标准，让系统能够实现需求响应和出力调节。考虑到数据安全性和操作的稳定性，智能控制模块有良好的安全机制。[0050] 用户界面模块，展示所述智能处理模块的分析结果和提示维护信息。开发跨平台兼容的应用程序，以在手机、平板和笔记本电脑等设备上工作，确保在不同终端设备上有良好的使用体验。设计直观的图形用户界面，以可视化展示设备状态、警报和性能统计信息。实现推送通知系统，当检测到设备异常或故障时，自动发送提示到相关维护和运营人员的设备上。提供维护日志记录与故障报告功能，便于追踪和解析历史问题。组件化设计，使得信息展示、维护提醒等功能模块可以独立使用也可以组合使用，以满足不同用户需求。提供API接口供第三方维护系统接入，以实现更深入的系统集成和自动化。[0051] 实施例2[0052] 收集光伏发电站的历史数据，包括光伏组件的温度、光照强度、电流、电压、功率输出等性能指标的实时监测数据，以及相应的发电站的健康状态数据。对收集到的数据进行包括处理缺失值、异常值和噪声等数据清洗和预处理，以及包括特征选择、特征提取、特征转换等特征工程处理，以便更好地反映光伏组件的性能特征和整体健康状态。利用领域知识和统计方法来对特征进行筛选和变换，以提高特征的表达能力和预测能力。[0053] 将性能指标集合{X,X,…,X}作为输入特征，发电站的整体健康状态作为目标变量Y，建立预测模型。根据光伏发电站领域知识和实际经验，确定各性能指标之间可能存在的影响关系。例如，温度会影响光伏组件的电流和电压，光照强度影响光伏组件的功率输出等。并建立节点之间的有向边，表示这些影响关系，例如X→X表示温度对光照强度的影响等。[0054] 对于每个节点Xi，定义其条件概率分布P(Xi|PA(Xi))，其中PA(Xi)表示Xi的父节点集合。对于每条边Xi→X，定义条件概率分布P(X|Xi)，表示在给定Xi的条件下，X的概率分布。这些条件概率表可以通过历史数据的统计计算得出，或者根据专业知识和经验进行设定。对于每个节点X[0055] ，其条件概率分布P(X|Xi)可以通过最大似然估计等方法来确定。例如，可以统计在Xi取某个取值的条件下，X取各个可能取值的频率，然后归一化得到概率值。对于可能存在离散值和连续值的性能指标，需要分别处理条件概率分布的确定。在定义条件概率表时，可以通过条件概率分布来描述不同节点之间的依赖关系。例如，如果光照强度对功率输出有较大影响，则在条件概率分布中这种依赖关系会得到体现。[0056] 设定每条边Xi→X，其条件概率表中的参数为θi，可以表示在给定父节点Xi的情况下，子节点X取不同取值的概率分布，从历史数据中学习这些参数，通过统计各个组合在历史数据中出现的频次来估计。[0057] 对于每个节点Xi，其条件概率表可以表示为P(Xi|Parents(Xi))，其中Parents(Xi)表示Xi的父节点集合。对于一个节点Xi的一个父节点集合πi，以及在这个父节点集合下Xi取值为xi的历史数据出现次数N(xi＝xi，Parents(Xi)＝πi)，出现各个可能取值的数据总数N(Parents(Xi)＝πi)，可以使用最大似然估计方法来计算参数θi，具体的，参数θi的估计值可以用下列公式计算：[0058] θi＝(N(xi＝xi，Parents(Xi)＝πi))/(N(Parents(Xi)＝πi))。[0059] 在监测到实时的性能数据后，我们可以利用贝叶斯网络模型来计算发电站出现故障的后验概率P(Y|X＝x，...，X＝x)。[0060] 根据贝叶斯定理，后验概率可以通过联合分布和条件分布来计算：[0061] P(Y|X＝x，…，X＝x)＝(P(Y，X＝x，…，X＝x))/(P(X＝x，…，X＝x))[0062] 在计算后验概率时，需要计算联合分布P(Y，X＝x，...，X＝x)和边缘分布P(X＝x，...，X＝x[0063] )。对于较复杂的贝叶斯网络模型，计算联合分布和边缘分布可能会很困难。因此，使用变量消除方法来处理这些分布，以通过计算顺序计算每个变量的边缘分布，在最后计算目标变量的后验概率。在变量消除方法中，我们遍历决策图并计算每个变量的边缘分布，并利用这些分布来计算目标变量的后验概率。变量消除的顺序对计算效率有重大影响，选择最优变量消除顺序，以最大限度地减少计算复杂度。使用启发式算法或搜索策略来寻找最优顺序。随着实时监测数据的不断更新，需要及时更新概率分布，并重新计算后验概率，以便实时进行预测和风险评估。使用递增式算法来更新概率分布，以在不重复计算概率分布的情况下高效地更新后验概率分布和边缘分布。[0064] 在进行风险评估时，我们可以将后验分布P(Y|X＝x,…,X＝x)转换为风险评分，通过定义损失函数 来衡量实际健康状态Y和预测状态 之间的损失。然后，利用后验分布来做出最优的健康状态预测，以最小化期望损失，即找到使期望损失最小化的预测健康状态[0065] 定义一个损失函数 用于衡量预测健康状态 和实际健康状态Y之间的差异。期望损失表示在所有可能的预测状态 下，对损失函数的期望值。我们希望找到使期望损失最小的预测健康状态 以最小化风险： 即找到使期望损失最小的预测健康状态。通过计算后验分布P(Y|X＝x,…,X＝x)，可以得到不同健康状态的概率分布，这些概率可以作为风险评估的依据。根据预测的健康状态 和定义的损失函数 可以对不同故障状态的概率进行评估，从而得出发电站产生故障的风险水平。[0066] 实施例3[0067] 在时间序列数据{Xt}中，每个时间点的特征向量Xt通过以下方式对光伏发电量及电网负荷需求进行预测：h_t,c_t＝LSTM(X_t,h_{t‑1},c_{t‑1}；θ),其中h_t是在时间t的隐藏状态，c_t是在时间t的单元状态，θ是网络参数；引入注意力机制来确定预测的重要特征，通过注意力机制函数Attention(h_t)，对隐藏状态h_t进行加权，从而凸显在预测中更重要的特征：[0068] 其中 和 是预测出的光伏发电量和电网负荷需求，φ是输出层的参数。[0069] 在训练过程中，通过最小化损失函数来优化模型参数，通常使用平均绝对误差或均方误差等损失函数来衡量预测值与真实值之间的误差。通过反向传播算法和梯度下降等优化算法，更新网络参数θ和φ，使得模型能够更准确地预测光伏发电量和电网负荷需求。[0070] 在平衡电站发电和电网需求方面，定义一个优化问题，目标是最大化经济效益。目标函数代表着经济效益最大化的目标，表示为： 其中 表示在时刻t预测的光伏发电功率，C(t)表示该时刻的电价，Cop(t)表示其它成本，如发电成本等。因此，该目标函数旨在最大化由光伏发电所带来的收益，同时减少其他成本的影响。[0071] 约束条件主要用来确保电力消纳和运维的可行性，确保光伏发电量和电网负荷需求的平衡。对于所有的时间t，约束条件包括：[0072] 光伏发电量 必须满足光伏发电系统允许的最小和最大发电功率，即[0073] 电网负荷需求 必须小于等于电网容量的上限Grid_Cap(t)；[0074] 电网能量水平Egrid(t+1)等于电网能量水平Egrid(t)加上光伏发电量 减去负荷需求 即[0075] 通过引入量子计算原理来增强神经网络的能力，使用量子位作为处理单元，当构建一个用于预测电网需求与光伏发电量匹配问题的DQN时，设计如下量子神经网络：[0076] Yt＝DQN(Xt；θ),其中Yt是输出层，预测未来电网需求与光伏发电量，Xt是输入特征向量，θ是量子网络的参数。[0077] 根据光伏电站的实时运行情况，不断收集包括各种传感器数据、光伏发电功率、负荷需求在内的数据，构成当前时刻的状态s_t和动作a_t；基于模型s_(t+1)～GP(s_t,a_t；2Σ,L,σ),利用当前状态和动作，预测下一个状态s_(t+1)的概率分布；将预测得到的s_(t+1)与当前电网的消纳能力进行比较，如果预测的光伏发电功率超过电网的容量上限，调整动作a_t，确保光伏电站的输入符合电网的容量限制；通过强化学习算法，根据当前状态s_t、动作a_t和预测的下一状态s_(t+1)，更新和优化运行决策策略，适应电网的消纳能力。[0078] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在各个实施例中，技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0079] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

专利地区：河南

专利申请日期：2024-03-14

专利公开日期：2024-08-20

专利公告号：CN118174453B