本發明涉及電量智能調度，具體地說，涉及基于ai技術的分布式光伏儲能系統智能調度方法及系統。

背景技術：

1、太陽能是一種間歇性的可再生能源，其發電量受到天氣條件（如晴天、陰天、云層覆蓋等）、季節變化、地理位置等因素的影響，具有較大的不確定性和波動性，這種特性使得光伏系統的發電量難以預測，給電網的穩定運行帶來了挑戰；為了平滑光伏系統的輸出波動，提高能源利用率，通常需要配備儲能裝置。然而，如何高效地管理和調度這些儲能資源，使其既能最大化儲能系統的經濟效益，又能保證電力供應的可靠性，是一個復雜的問題；隨著光伏板使用年限的增長，其光電轉換效率會逐漸下降，這對光伏系統的長期性能和經濟效益產生負面影響。因此，提供基于ai技術的分布式光伏儲能系統智能調度方法及系統。

技術實現思路

1、本發明的目的在于提供基于ai技術的分布式光伏儲能系統智能調度方法及系統，以解決上述背景技術中提出的太陽能波動性和不確定性、能源利用率低、老化的光伏板效率下降的問題。

2、為實現上述目的，本發明目的在于提供了基于ai技術的分布式光伏儲能系統智能調度方法，包括：

3、s1、收集分布式光伏系統的多模態數據；

4、s2、基于多模態數據使用長短期記憶網絡模型預測未來的發電量和用電量，由于光伏板的老化對發電效率有影響，在預測過程中引入光伏板老化衰減模型；

5、s3、基于預測結果，制定儲能系統的初步充放電策略；

6、s4、采用強化學習方法對初步策略進行優化；

7、s5、執行優化后的策略，并進行實時監控來檢測異常情況。

8、作為本技術方案的進一步改進，所述s1中，分布式光伏系統的多模態數據包括光伏板的發電效率、儲能設備的狀態、電網負荷。

9、作為本技術方案的進一步改進，所述s2中，基于多模態數據使用長短期記憶網絡模型預測未來的發電量和用電量，包括以下步驟：

10、s2.1、對多模態數據進行預處理；

11、s2.2、從多模態數據中提取出與發電量和用電量預測相關的特征；

12、s2.3、選擇長短期記憶網絡作為預測模型，并將多模態數據集分為訓練集、驗證集和測試集，構建發電量模型和用電量模型，由于光伏板的老化對發電效率有影響，在發電量模型中引入光伏板老化衰減模型，光伏板老化受光伏板上灰塵厚度和光伏板裂紋長度的影響，將光伏板上灰塵厚度和光伏板裂紋長度參數引入到光伏板老化衰減模型中；

13、s2.4、使用電量差距函數衡量模型預測值與實際值之間的差距，并使用梯度下降法優化電量差距函數，針對海拔高度的影響，對電量差距函數進行優化；

14、s2.5、使用訓練集對電量模型和用電量模型進行訓練；

15、s2.6、通過訓練好的發電量模型和用電量模型實時接收新的輸入數據，預測未來的發電量和用電量。

16、作為本技術方案的進一步改進，所述s2.3中，發電量模型為：

17、；

18、由于光伏板的老化對發電效率有影響，在發電量模型中引入光伏板老化衰減模型：

19、；

20、光伏板老化受光伏板上灰塵厚度和光伏板裂紋長度的影響，將光伏板上灰塵厚度和光伏板裂紋長度參數引入到光伏板老化衰減模型中：

21、；

22、用電量模型為：

23、；

24、其中，表示在時間點預測的發電量；表示在時間點輸入給模型的發電量特征向量；表示引入光伏板老化衰減模型后預測的發電量；表示在時間點預測的用電量；表示在時間點輸入給模型的用電量特征向量；表示時間點；表示將輸入特征和隱藏狀態映射到預測的發電量的函數；表示前一時間點的隱藏狀態；表示模型的參數；表示在時間點的歷史發電量；表示在時間點的歷史發電量；表示光伏板的工作狀態；表示在時間點的光伏板老化程度；表示在時間點的光伏板上灰塵厚度；表示在時間點的光伏板裂紋長度；表示計算綜合的老化衰減程度的函數。

25、作為本技術方案的進一步改進，所述s2.4中，電量差距函數為：

26、；

27、針對海拔高度的影響，對電量差距函數進行優化：

28、；

29、其中，表示模型預測值與實際值之間的差距；表示優化后的電量差距函數值；表示樣本數量；表示在時間點實際的發電量或用電量；表示在時間點預測的發電量或用電量；表示海拔高度影響的權重系數；表示海拔高度的影響系數；表示第個樣本的海拔高度；表示樣本索引；表示時間點。

30、作為本技術方案的進一步改進，所述s3中，基于預測結果，制定儲能系統的初步充放電策略，包括以下步驟：

31、s3.1、根據預測結果，識別出光伏發電的高峰時段和低谷時段；

32、s3.2、分析預測結果中的用戶用電需求，識別出用電高峰時段和低谷時段；

33、s3.3、發電高峰時段，將多余的電能存儲到儲能設備中，在用電高峰時段，使用儲能設備中的電能來滿足用戶需求，在用電低谷時段，如果儲能設備電量不足，從電網購電補充儲能設備；

34、s3.4、根據儲能設備的規格和當前狀態，設定充電速率，根據儲能設備的規格和當前狀態，設定放電速率，設定儲能設備的最大和最小允許電量；

35、s3.5、針對接下來幾個小時的時間段，預測電力供需的具體情況，調整充放電計劃。

36、作為本技術方案的進一步改進，所述s4中，采用強化學習方法對初步策略進行優化，包括以下步驟：

37、s4.1、定義系統的狀態變量，并定義儲能系統可以采取的動作；

38、s4.2、設計反映系統目標的獎勵函數，實現最小化輸電損耗，考慮輸電距離不同造成的輸電損耗不同，對獎勵函數進行優化，并針對遮擋物遮擋太陽造成的光伏板陰影，對獎勵函數進一步優化；

39、s4.3、選擇強化學習算法，并設置算法的超參數；

40、s4.4、使用強化學習算法對初步策略進行迭代訓練，在每個訓練周期，算法根據當前的狀態選擇動作，執行該動作后觀察新的狀態變量和獲得獎勵函數，然后更新優化初步策略。

41、作為本技術方案的進一步改進，所述s4.2中，獎勵函數為：

42、；

43、考慮輸電距離不同造成的輸電損耗不同，對獎勵函數進行優化：

44、；

45、針對遮擋物遮擋太陽造成的光伏板陰影，對獎勵函數進一步優化：

46、；

47、其中，表示系統的輸電損耗；表示考慮輸電距離不同后的輸電損耗；表示針對遮擋物遮擋太陽進行優化后的輸電損耗；表示調整輸電損耗在總獎勵中比重的系數；表示時間段長度；表示時間點；表示時間間隔；表示在時間的輸電距離；表示在時間輸送的電功率；表示調整零負載比例在總獎勵中比重的系數；表示零負載時間；表示最大可能的負載時間；表示與輸電距離相關的系數，用于調整輸電距離對輸電損耗的影響；表示輸電線路的總長度；表示與輸送電功率相關的系數，用于調整輸送電功率對輸電損耗的影響；表示輸送的電功率；表示在時間因遮擋物遮擋而導致的光照校正因子。

48、作為本技術方案的進一步改進，所述s5中，執行優化后的策略，并進行實時監控來檢測異常情況，包括以下步驟：

49、s5.1、將最終優化后的調度策略下發到儲能系統和相關設備；

50、s5.2、通過控制系統實時調整儲能設備的充放電速率和狀態；

51、s5.3、持續從光伏板、儲能設備處收集實時數據，利用收集的實時數據評估系統的當前狀態；

52、s5.4、根據歷史數據，設定收集的實時數據的安全范圍和閾值；

53、s5.5、將實時采集到的實時數據與設定的閾值進行比較，檢測是否存在異常情況，一旦檢測到異常情況，立即觸發報警機制。

54、另一方面，本發明提供了基于ai技術的分布式光伏儲能系統智能調度系統，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行計算機程序實現上述任意一項所述的基于ai技術的分布式光伏儲能系統智能調度方法。

55、與現有技術相比，本發明的有益效果：

56、1、該基于ai技術的分布式光伏儲能系統智能調度方法及系統中，通過集成長短期記憶網絡模型和強化學習算法，該智能調度方法及系統能夠準確預測光伏系統的發電量和用戶側的用電量，同時考慮光伏板的老化衰減模型以及外部環境因素（如海拔高度、云層遮擋等）對發電效率的影響。這種方法及系統不僅有助于合理規劃儲能系統的充放電策略，減少不必要的能量浪費，而且還能有效降低用戶的電費支出，提高整個光伏儲能系統的經濟效益。

57、2、該基于ai技術的分布式光伏儲能系統智能調度方法及系統中，通過對儲能設備的工作狀態進行實時監控，并結合預設的安全閾值來檢測潛在的異常情況，可以及時發現并處理系統運行過程中的問題，比如過充、過放或設備故障等，從而保障系統的長期穩定運行。此外，通過優化的充放電策略，還可以避免頻繁的充放電操作對電池造成損害，延長儲能設備的使用壽命，提升系統的整體安全性。