本發(fā)明涉及光伏式幕墻儲(chǔ)能的熱管理領(lǐng)域，更具體地說，它涉及一種光伏式幕墻的儲(chǔ)能管理系統(tǒng)。

背景技術(shù)：

1、光伏幕墻在進(jìn)行儲(chǔ)能過程中，需要將光能進(jìn)行能量轉(zhuǎn)換存儲(chǔ)，分布式光伏的增長可能會(huì)對配電網(wǎng)造成電壓管理問題和熱管理問題，如過電壓、欠電壓、線路和變壓器反向過載等，光伏組件在轉(zhuǎn)換太陽能進(jìn)行儲(chǔ)能時(shí)會(huì)產(chǎn)生額外的熱能，需要有效的熱管理系統(tǒng)來維持光伏組件的適宜工作溫度，保證系統(tǒng)高效運(yùn)行。

2、熱管理不當(dāng)可能導(dǎo)致光伏組件和其他電力設(shè)備過熱，影響其性能和壽命。設(shè)備性能下降可能會(huì)導(dǎo)致電網(wǎng)中的電壓波動(dòng)和不穩(wěn)定。光伏組件在局部遮擋或散熱不良的情況下可能產(chǎn)生熱斑，這會(huì)導(dǎo)致局部溫度升高，影響組件的電性能，甚至損壞電池片，進(jìn)而引起電壓不穩(wěn)定，儲(chǔ)能系統(tǒng)的熱問題如果得不到妥善管理，可能會(huì)影響其充放電效率，進(jìn)而影響電網(wǎng)的穩(wěn)定性，因此，如何獲取光伏幕墻儲(chǔ)能時(shí)的熱管理方案，是現(xiàn)在迫切需要去解決的。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明的目的在于提供一種光伏式幕墻的儲(chǔ)能管理系統(tǒng)，實(shí)現(xiàn)光伏幕墻儲(chǔ)能時(shí)熱管理方案的快速準(zhǔn)確輸出。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：一種光伏式幕墻的儲(chǔ)能管理系統(tǒng)，所述光伏式幕墻的儲(chǔ)能管理系統(tǒng)包括：

3、數(shù)據(jù)采集模塊：通過環(huán)境因子將幕墻劃分為個(gè)關(guān)照區(qū)域，采集每個(gè)關(guān)照區(qū)域內(nèi)的光伏組件數(shù)據(jù)、儲(chǔ)能組件數(shù)據(jù)和熱管理數(shù)據(jù)，并將光伏組件數(shù)據(jù)和儲(chǔ)能組件數(shù)據(jù)組成原始數(shù)據(jù)集；

4、時(shí)間預(yù)測模塊：獲取當(dāng)前時(shí)間點(diǎn)上的原始數(shù)據(jù)集，通過溫度預(yù)測模型預(yù)測下一時(shí)間點(diǎn)上儲(chǔ)能組件和光伏組件的溫度，對預(yù)測得到的溫度進(jìn)行等級劃分為第一等級和第二等級，并通過管理方案輸出模塊對第一等級的場景進(jìn)行熱管理調(diào)控；

5、管理方案輸出模塊：獲取策略豐富集，通過尋優(yōu)算法獲取策略豐富集中的最佳管理方案并進(jìn)行輸出，根據(jù)輸出的最佳管理方案對光伏幕墻的儲(chǔ)能進(jìn)行熱管理；

6、各個(gè)模塊之間通過有線和/或無線的方式進(jìn)行連接。

7、優(yōu)選地，所述光伏組件數(shù)據(jù)包括光伏組件上的電壓、溫度、功率、輻照度、工作狀態(tài)和電流，儲(chǔ)能組件數(shù)據(jù)包括儲(chǔ)能組件上的電池電壓、電池電流、電池溫度、荷電狀態(tài)、健康狀態(tài)和充放電循環(huán)次數(shù)，熱管理數(shù)據(jù)包括環(huán)境溫度、散熱器溫度、風(fēng)速、冷卻液溫度和冷卻系統(tǒng)運(yùn)行狀態(tài)。

8、優(yōu)選地，所述通過環(huán)境因子將幕墻劃分為個(gè)區(qū)域的方式包括：

9、在幕墻上選定一個(gè)基點(diǎn)，以基點(diǎn)為中心，通過范圍函數(shù)確定圈定的初始區(qū)域，根據(jù)圈定的初始區(qū)域，自適應(yīng)調(diào)整基點(diǎn)的位置，直到相鄰的兩個(gè)初始區(qū)域距離小于設(shè)定數(shù)值時(shí)停止；并將當(dāng)前基點(diǎn)的位置固定，根據(jù)初始區(qū)域劃分關(guān)照區(qū)域，且相鄰的關(guān)照區(qū)域無縫相接；

10、定義范圍函數(shù)；

11、其中，表示初始區(qū)域的半徑，為光伏組件的工作狀態(tài)值，若正常工作，則，若故障或者停機(jī)，則；為單位輻照度，為關(guān)照區(qū)域內(nèi)幕墻的有效光伏面積，為關(guān)照區(qū)域內(nèi)幕墻的輸出功率，為關(guān)照區(qū)域的面積，和表示調(diào)節(jié)參數(shù)。

12、優(yōu)選地，所述通過溫度預(yù)測模型預(yù)測下一時(shí)間點(diǎn)上儲(chǔ)能組件和光伏組件的溫度，具體包括：

13、收集組原始數(shù)據(jù)集，對原始數(shù)據(jù)集進(jìn)行聚類處理獲取樣本集；

14、定義溫度預(yù)測模型；

15、其中，、和表示權(quán)重系數(shù)，表示第1個(gè)弱模型的預(yù)測值，表示第2個(gè)弱模型的預(yù)測值，表示第3個(gè)弱模型的預(yù)測值；

16、設(shè)定權(quán)重系數(shù)；

17、其中，表示權(quán)重系數(shù)的索引，且1,2,3，表示第q個(gè)弱模型在上一時(shí)間點(diǎn)處的預(yù)測值，為上一時(shí)間點(diǎn)處溫度實(shí)際的測量值，q為弱模型的索引，且1,2,3，為額定權(quán)重值；

18、定義第一個(gè)弱模型使用自回歸積分滑動(dòng)平均，且；

19、和為調(diào)教參數(shù)，為噪聲項(xiàng)，為初始噪聲項(xiàng)，表示時(shí)間點(diǎn)處的儲(chǔ)能組件數(shù)據(jù)或者光伏組件數(shù)據(jù)，表示項(xiàng)數(shù)，表示時(shí)間上的索引；

20、定義第二個(gè)弱模型使用隨機(jī)森林構(gòu)建個(gè)決策樹，并獲取決策樹的平均值；

21、其中，表示時(shí)間點(diǎn)上第個(gè)決策樹的預(yù)測值，為決策樹的索引，為決策樹的數(shù)量；

22、定義第三個(gè)弱模型使用xgboost進(jìn)行梯度提升，通過不斷迭代來減少預(yù)測誤差，；

23、其中，表示迭代次數(shù)，表示時(shí)間點(diǎn)上第次迭代的弱學(xué)習(xí)器，為迭代次數(shù)的索引；

24、將樣本集劃分為訓(xùn)練集和測試集，使用訓(xùn)練集對溫度預(yù)測模型進(jìn)行訓(xùn)練，使用測試集數(shù)據(jù)進(jìn)行評估，評估標(biāo)準(zhǔn)為均方誤差小于預(yù)先設(shè)定的閾值時(shí)停止，進(jìn)而得到訓(xùn)練好的溫度預(yù)測模型；

25、將當(dāng)前時(shí)間點(diǎn)t上的原始數(shù)據(jù)集輸入到訓(xùn)練好的溫度預(yù)測模型中，預(yù)測得到下一時(shí)間點(diǎn)上儲(chǔ)能組件和光伏組件的溫度。

26、優(yōu)選地，所述對原始數(shù)據(jù)集進(jìn)行聚類處理獲取樣本集的方法包括：

27、收集個(gè)連續(xù)歷史時(shí)間點(diǎn)上的原始數(shù)據(jù)集，并進(jìn)行標(biāo)準(zhǔn)化和歸一化處理；

28、使用滑動(dòng)窗口將原始數(shù)據(jù)集劃分為h_k個(gè)片段，進(jìn)而獲取h_k個(gè)子時(shí)序集，設(shè)定滑動(dòng)窗口的長度，設(shè)定滑動(dòng)窗口內(nèi)以標(biāo)準(zhǔn)差為統(tǒng)計(jì)特征；

29、使用改進(jìn)的dbscan方法對h_k個(gè)子時(shí)序集進(jìn)行聚類分析，設(shè)定鄰域半徑和點(diǎn)數(shù)取值范圍，若鄰域內(nèi)的子時(shí)序集的數(shù)量在點(diǎn)數(shù)取值范圍，則判斷該子時(shí)序集為核心點(diǎn)，否則為游離點(diǎn)；

30、其中，表示構(gòu)成一個(gè)簇的最小子時(shí)序集數(shù)量，表示構(gòu)成一個(gè)簇的最大子時(shí)序集數(shù)量；

31、計(jì)算任意兩個(gè)核心點(diǎn)之間的距離，若距離小于閾值l_k，則將兩個(gè)核心點(diǎn)以及鄰域內(nèi)的子時(shí)序集歸入同一簇，并遞歸地?cái)U(kuò)展這些簇，直到簇內(nèi)子時(shí)序集數(shù)量達(dá)到最大子時(shí)序集數(shù)量時(shí)停止；

32、將標(biāo)記為游離點(diǎn)的子時(shí)序集刪除；

33、鄰域半徑表示每個(gè)子時(shí)序集的鄰域范圍，即以該子時(shí)序集為中心的球形區(qū)域的半徑，繪制可視化距離圖，在距離圖中，計(jì)算每個(gè)子時(shí)序集到其k_op個(gè)最近鄰的距離，選取距離圖中的突變位置作為值；

34、點(diǎn)數(shù)取值范圍、閾值l_k均通過經(jīng)驗(yàn)規(guī)則進(jìn)行選擇；

35、設(shè)定h_k個(gè)子時(shí)序集被劃分為h_df簇，每一簇作為一個(gè)子樣本組，收集所有的子樣本組獲取樣本集。

36、優(yōu)選地，所述滑動(dòng)窗口的長度，獲取方法包括：

37、設(shè)定待選數(shù)據(jù)集，待選數(shù)據(jù)集由不同的待選數(shù)值組成，將每個(gè)待選數(shù)值預(yù)先設(shè)定為滑動(dòng)窗口的長度，使用預(yù)先設(shè)定的滑動(dòng)窗口長度將原始數(shù)據(jù)集劃分為h_k個(gè)子時(shí)序集；

38、計(jì)算每個(gè)片段內(nèi)的數(shù)據(jù)密度，其中，表示第個(gè)光伏組件數(shù)據(jù)或者儲(chǔ)能組件數(shù)據(jù)與第個(gè)光伏組件數(shù)據(jù)或者儲(chǔ)能組件數(shù)據(jù)之間的距離，表示滑動(dòng)窗口內(nèi)光伏組件數(shù)據(jù)或者儲(chǔ)能組件數(shù)據(jù)的數(shù)量，表示常數(shù)，

39、計(jì)算每個(gè)片段內(nèi)的數(shù)據(jù)波動(dòng)性，其中，表示第個(gè)光伏組件數(shù)據(jù)或者儲(chǔ)能組件數(shù)據(jù)，表示滑動(dòng)窗口內(nèi)光伏組件數(shù)據(jù)或者儲(chǔ)能組件數(shù)據(jù)的均值，表示數(shù)據(jù)讀取的索引；

40、采集所有待選數(shù)值對應(yīng)滑動(dòng)窗口長度中的數(shù)據(jù)密度和數(shù)據(jù)波動(dòng)性，提取數(shù)據(jù)密度和數(shù)據(jù)波動(dòng)性之和最小的待選數(shù)值，將其設(shè)定為滑動(dòng)窗口的長度。

41、優(yōu)選地，所述對預(yù)測得到的溫度進(jìn)行等級劃分的方法包括：

42、若預(yù)測得到下一時(shí)間點(diǎn)上的溫度大于閾值a_f，則判定為第一等級，第一等級標(biāo)記為危險(xiǎn)示警，處于異常工作狀態(tài)，需要進(jìn)行熱管理調(diào)控，啟動(dòng)管理方案輸出模塊；

43、若預(yù)測得到下一時(shí)間點(diǎn)上的溫度小于等于閾值a_f，則判定為第二等級，第二等級標(biāo)記為安全可控，處于正常工作狀態(tài)，不需要進(jìn)行熱管理調(diào)控。

44、優(yōu)選地，所述獲取策略豐富集的方法包括：

45、構(gòu)建方案爆炸模型，方案爆炸模型基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)；

46、設(shè)定原數(shù)據(jù)集為當(dāng)前時(shí)間點(diǎn)上的熱管理數(shù)據(jù)和預(yù)測得到的下一時(shí)間點(diǎn)處儲(chǔ)能組件和光伏組件的溫度，原數(shù)據(jù)集為方案爆炸模型的輸入，方案爆炸模型的輸出為策略豐富集，策略豐富集中包括g_e組光伏幕墻的儲(chǔ)能熱管理方案；

47、設(shè)定馴化數(shù)據(jù)集包括a_q組馴化子集，每組馴化子集包括歷史時(shí)間點(diǎn)上的原數(shù)據(jù)集與對應(yīng)的策略豐富集，使用馴化數(shù)據(jù)集訓(xùn)練方案爆炸模型，將準(zhǔn)確率作為評定標(biāo)準(zhǔn)，當(dāng)準(zhǔn)確率達(dá)到98%時(shí)停止訓(xùn)練，得到訓(xùn)練好的方案爆炸模型；

48、時(shí)間點(diǎn)t上的原數(shù)據(jù)集輸入到訓(xùn)練好的方案爆炸模型中，獲取策略豐富集。

49、優(yōu)選地，所述通過尋優(yōu)算法獲取策略豐富集中的最佳管理方案，具體包括：

50、定義尋優(yōu)目標(biāo)為散熱效率最高和能源使用最少；

51、使用粒子群優(yōu)化算法尋找最佳管理方案，初始化粒子數(shù)量為r_o；

52、設(shè)定粒子的速度更新公式：；

53、其中，表示第輪迭代時(shí)粒子的速度，表示第輪迭代時(shí)粒子的位置，是粒子的局部最佳位置，是全局最佳位置，表示慣性權(quán)重，、是學(xué)習(xí)因子，、是介于0到1之間的隨機(jī)因子，、、和、均通過經(jīng)驗(yàn)或者實(shí)驗(yàn)數(shù)據(jù)分析進(jìn)行設(shè)定，表示最大限制速度；

54、設(shè)定位置更新公式為：；

55、其中，為第輪迭代時(shí)粒子的位置；

56、設(shè)定約束條件為：散熱效率大于閾值fg_o1，能源使用小于閾值fg_o2；

57、粒子的位置和速度通過公式進(jìn)行更新，優(yōu)化粒子的狀態(tài)以找到最優(yōu)解，記最優(yōu)解為最佳管理方案。

58、優(yōu)選地，所述儲(chǔ)能熱管理方案包括風(fēng)速參數(shù)設(shè)置、冷卻系統(tǒng)運(yùn)行狀態(tài)設(shè)置和冷卻液溫度設(shè)置參數(shù)。

59、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

60、本發(fā)明中，通過集成自回歸積分滑動(dòng)平均、隨機(jī)森林和xgboost結(jié)合多個(gè)弱模型的優(yōu)勢，通過自適應(yīng)權(quán)重系數(shù)設(shè)定，根據(jù)各個(gè)弱模型的精度進(jìn)行權(quán)重的動(dòng)態(tài)調(diào)整，從而提高時(shí)間序列預(yù)測的精度。在時(shí)間序列數(shù)據(jù)中進(jìn)行聚類處理的目的是將具有相似特征的時(shí)間序列數(shù)據(jù)段聚集在一起，從而在不破壞時(shí)間序列順序的前提下，利用這些相似性來改進(jìn)模型的訓(xùn)練，使模型快速收斂，進(jìn)而提高訓(xùn)練效率和預(yù)測效果，實(shí)現(xiàn)后續(xù)數(shù)據(jù)深度分析的高質(zhì)量輸入，通過方案爆炸模型創(chuàng)建多個(gè)可實(shí)行的儲(chǔ)能熱管理方案，提高方案的可選擇性，根據(jù)特定的限制條件，自動(dòng)化生產(chǎn)豐富的調(diào)控方案，增強(qiáng)方案選擇的多可能性和最優(yōu)性，本發(fā)明所實(shí)現(xiàn)的通過尋優(yōu)算法獲取策略豐富集中的最佳管理方案并進(jìn)行輸出，根據(jù)輸出的最佳管理方案對光伏幕墻的儲(chǔ)能進(jìn)行熱管理；自適應(yīng)的調(diào)控優(yōu)化機(jī)制，不斷提升智能分析的整體效率，多模塊相互協(xié)作，能夠?qū)崿F(xiàn)數(shù)據(jù)的全面采集、處理和分析，提供檢測數(shù)據(jù)實(shí)時(shí)、精準(zhǔn)的分析。