(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210963607.4 (22)申请日 2022.08.11 (71)申请人 广西大学 地址 530004 广西壮 族自治区南宁市大 学 东路100号 申请人 润建股份有限公司 (72)发明人 郑含博　唐钰本　杜齐　胡永乐　 郭文豪　陈俊江　万海斌　覃团发　 (74)专利代理 机构 武汉维盾知识产权代理事务 所(普通合伙) 42244 专利代理师 蒋悦 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 基于概率预测的光伏储能系统能量管理方 法 (57)摘要 一种基于概率预测的光伏储能系统能量管 理方法， 本方法使用长短期记忆 （LS TM） 神经网络 获得光伏概率预测， 并基于copu la函数模型的方 法对多元分布进行采样生 成预测场景， 根据预测 结果在满足负载需求和储能特性前提下， 以收益 最大成本最小为目标， 利用模型预测控制提供实 时优化。 本发明能够量化预测的不确定性， 降低 传统点预测带来的鲁棒性优化损失， 提高了储能 系统的安全性可靠性， 实现了光伏能源的高效消 纳利用。 权利要求书3页 说明书6页 附图5页 CN 115423153 A 2022.12.02 CN 115423153 A 1.一种基于概 率预测的光伏储能系统能量管理方法， 其特 征在于包括以下步骤： S1， 进行光伏预测场景生成， 使用LSTM神经网络获得概率预测， 选择预测地点的包括温 度、 风速、 云量、 云层类型和 湿度在内的多项数据作为输入变量， 同时加入太阳辐射数值的 历史信息作为输入变量； 太阳辐射数值作为输出； S2， 对所有输入变量进行归一 化处理， 统一量纲， 去除单位， 按时间周期性输入； 定义预测误差的统计参数模型来假设不确定性的分布， 并使用LSTM神经网络来预测参 数指定分布； 针对预测结果， 求 解出预测结果的统计学参数； S3， 将所有的输入变量的历史数据作为预测的输入， 将历史数据集70％划分为训练集， 30％划分为验证集， 且在训练期间添加权重噪声， 以确保数据中的噪声信息， 设定网络类 型、 预测范围m、 隐含层 层数和神经元数量； 使用训练集完成训练， 为估计点预测的统计质量， 计算预测与实际观测值的对应程度； 采用均方根 误差用作误差度量， 输出 预测目标分布的指定分位数q； S4， 使用基于copula函数模型的方法， 对每个输入变量的边际分布进行建模， 收集输入 变量的历史数据， 通过对单变量边际分布使用概率积分变换， 将每个变量ui的数据点被转 化为D立方的[0,1]D， 从而估计copula密度； 得到多元分布后， 基于 copula模型和原 始数据的依赖结构得到： u＝(ui,...,uD)∈[0,1]D， 使用copula模型分两步生成多元随机向量， 生成依赖随机数， 从均匀 分布U(0,1)中采 样 得 到 表 示 一 组 u ， 即 为 生 成 的 依 赖 随 机 数 ； 根 据 条 件 分 布 函 数 依次生成 S5， 基于来自概率预测的边际分布， 使用逆变换采样将单位D立方的生成变量转换为原 始变量维度， 得到预测的场景伏发电场景及对应的分位数； S6， 根据光伏预测、 分时电价 图和负荷变化 图， 并基于MPC算法进行光伏储能系 统能量 管理； 基于固定的光伏系统尺寸， 确定 输出功率Ppv与辐照度S等变量的关系 储能系统状态模型包括电池和转换器， 计算能量转换、 荷电状态、 电池循环损耗成本CBE 和荷电状态SOC， 基于分时电价Rgrids计算电网充放电成本Cgrids， 根据储能系统的动态特性， 建立状态空间模型； S7， 建立系统约束， 约束条件包括SOC上下限、 电池充放电流限制、 初始SOC与结束SOC相 等或近似相等； 确定目标函数J表示 为： 式中， α， β 分别为点预测和50％概率预测处的权重系数； CBE为电池损耗成本， Cgrids是电 网充放电成本； S8， 设定分时电价和储能设备参数， 目标初始S OC值， 选择MPC的步长、 预测步数、 控制步 数进行仿真， 求 解目标函数， 输出控制变量PBE； 基于预测结果， 完成控制操作。权　利　要　求　书 1/3 页 2 CN 115423153 A 22.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 所述步骤S2中， 以10mi n为时间尺度输入变量进行光伏出力预测。 3.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 所述步骤S3中， 设定预测范围为24小时， m＝14 4。 4.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 所述步骤S7中， 系统约束 进行软约束修 正后如下： 式中， SOC表示荷电状态， SOCmin表示最小荷电状态， PBE表示电池输出功率， Pdis_max表示 最大放电功率： Pch_max表示最大充电功率。 5.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 所述步骤S7中， 根据能量管理目标需要， 增加函数权重系数α 提高预期收益， 减少系统保 守性成本 。 6.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 所述步骤S8中， 根据预测时长， 负载变化情况和计算需要， 选择MPC的步长分别为15min、 30min和1h。 7.根据权利要求1所述的一种基于概率预测的光伏储能系统能量管理方法， 其特征在 于： 步骤S6中， 当光伏系统的尺寸确定时， 其输出功率Ppv与辐照度等变量的关系为: Ppv＝ ηpvηtPPV_nominalS/Snominal 式中， Ppv为预测光伏发电量， ηpv为光伏板转换效率， ηt为温度影响的转换效率， PPV_nominal表示标称下的情况输出功率， S表示预测得出的辐照度， Snominal表示标称下的辐照 度； 储能系统状态模型包括电池和转换器， 其能量 转换为: PBE＝Pload‑Ppv‑Pgrids 式中PBE为储能系统输出功率， Pgrids为光伏储能系统与电网交换功率， Pload为负载消耗 功率； 储能系统的荷电状态计算 为: SOCk+1＝SOCk‑ηBEPBE_k/PBE_nominal 式中， SOCk+1为k+1时刻电池的荷电状态， ηBE为电池的能量转换效率， PBE_nominal表示标称 下电池的额定功率； 以锂电池为主的储能系统， 电池循环损耗成本 CBE计算为： 式中， CBE_total为电池的总购置成本， LBE为电池全寿命周其的有效循环次数； 基于分时电价Rgrids的电网充放电成本 Cgrids计算为： Cgrids＝PgridsRgrids 根据储能系统的动态特性， 建立状态空间模型为： x(k+1)＝f(x(k),u(k) )权　利　要　求　书 2/3 页 3 CN 115423153 A 3