一种用于光储充电站的电力调度方法及终端

技术领域

本发明涉及电力调度技术领域，尤其涉及一种用于光储充电站的电力调度方法及终端。

背景技术

光储充电站的电力来源为光伏发电和电网购电两种，然后将电力提供给电动汽车充电。其中，电网购电存在峰谷平时段，谷电电费价格低，峰电电费价格高，因此光储充电站可以在谷电时段从电网购电，存储在储能系统中，然后在峰电时段将储能系统中的电力提供给电动汽车充电，从而降低充电站的购电成本，提高充电站收入。

光储充电站在电力调度时存在两个影响因素，分别是未来一段时间内的光伏发电量和用户用电量。光伏发电量受天气、时间、充电站所在地等因素影响而具有不确定性。用户用电量受用户流动和用户习惯而具有不确定性。

因为充电站储能系统的电池存在容量上限，如果在谷电时段将储能电池充满，同时其他时段的光伏发电量大于用户用电量时，就会浪费光伏电量，造成电力成本上升；如果在谷电时段减少储能电池电量，同时其他时段光伏发电量小于用户用电量，则可能要在峰电时段购入电力，造成电力成本上升。因此需要结合峰谷平时段、光伏发电量以及用户用电量，制定最优的电力调度策略，在满足用户用电量的同时，光伏利用率最大，购电成本最低。而目前多数由人工针对所在地峰谷平时段制定储能系统充放电方案，不定期进行人工调整，存在光伏发电量浪费或电力储备不足等情况，导致充电站经济损失。

发明内容

本发明所要解决的技术问题是：提供一种用于光储充电站的电力调度方法及终端，能够在满足用户用电量的同时，光伏利用率最大，且购电成本最低。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种用于光储充电站的电力调度方法，包括步骤：

采集光储充电站的历史用户充电量、历史光伏发电量、历史天气数据以及对应电网的峰谷平时段；

基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型；

获取所述光储充电站的未来天气数据，并基于所述未来天气数据使用所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量；

根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种用于光储充电站的电力调度终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

采集光储充电站的历史用户充电量、历史光伏发电量、历史天气数据以及对应电网的峰谷平时段；

基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型；

获取所述光储充电站的未来天气数据，并基于所述未来天气数据使用所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量；

根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略。

本发明的有益效果在于：基于历史天气数据、历史光伏发电量和历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型，基于未来天气数据使用训练完成的光伏发电量预测模型和用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量，根据其和峰谷平时段确定电力调度策略，以此考虑了光储充站点所在地的峰谷平时段、充电站光伏发电量和用户用电量的波动性，结合人工智能技术确定电力调度策略，无需人工制定，确保了电力调度策略的准确性和可靠性，从而能够在满足用户用电量的同时，光伏利用率最大，购电成本最低，进而降低充电站运营成本以及人工维护成本。

附图说明

图1为本发明实施例的一种用于光储充电站的电力调度方法的步骤流程图；

图2为本发明实施例的一种用于光储充电站的电力调度终端的结构示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，本发明实施例提供了一种用于光储充电站的电力调度方法，包括步骤：

采集光储充电站的历史用户充电量、历史光伏发电量、历史天气数据以及对应电网的峰谷平时段；

基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型；

获取所述光储充电站的未来天气数据，并基于所述未来天气数据使用所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量；

根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略。

从上述描述可知，本发明的有益效果在于：基于历史天气数据、历史光伏发电量和历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型，基于未来天气数据使用训练完成的光伏发电量预测模型和用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量，根据其和峰谷平时段确定电力调度策略，以此考虑了光储充站点所在地的峰谷平时段、充电站光伏发电量和用户用电量的波动性，结合人工智能技术确定电力调度策略，无需人工制定，确保了电力调度策略的准确性和可靠性，从而能够在满足用户用电量的同时，光伏利用率最大，购电成本最低，进而降低充电站运营成本以及人工维护成本。

进一步地，所述基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型包括：

计算所述历史天气数据和所述历史光伏发电量的第一相关系数，并根据所述第一相关系数从所述历史天气数据中确定与所述历史光伏发电量对应的第一相关特征；

计算所述历史天气数据和所述历史用户充电量的第二相关系数，并根据所述第二相关系数从所述历史天气数据中确定与所述历史用户充电量对应的第二相关特征；

根据所述第一相关特征和所述历史光伏发电量对光伏发电量预测模型进行训练，得到训练完成的光伏发电量预测模型；

根据所述第二相关特征和所述历史用户充电量对用户用电量预测模型进行训练，得到训练完成的用户用电量预测模型。

由上述描述可知，从历史天气数据中排除不相关的特征，只留下与历史光伏发电量和历史用户用电量相关的特征，利用这部分相关特征和历史光伏发电量以及历史用户充电量对模型进行训练，能够使模型充分学习到天气数据对光伏发电量和用户用电量的影响程度，以此提高了模型的准确性。

进一步地，所述计算所述历史天气数据和所述历史光伏发电量的第一相关系数，并根据所述第一相关系数从所述历史天气数据中确定与所述历史光伏发电量对应的第一相关特征包括：

将所述历史天气数据中的每一天气因素确定为第一初始特征；

计算每一所述第一初始特征和所述历史光伏发电量的第一相关系数；

根据所述第一相关系数确定第一相关性强度；

从所述历史天气数据中排除第一相关性强度为不相关的第一初始特征，并将剩余的第一初始特征确定为与所述历史光伏发电量对应的第一相关特征。

由上述描述可知，从历史天气数据中排除第一相关性强度为不相关的第一初始特征，并将剩余的第一初始特征确定为与历史光伏发电量对应的第一相关特征，后续只利用相关特征和历史光伏发电量进行模型训练，在提高模型精确度的同时，提高模型训练效率。

进一步地，所述第一相关系数r为：

式中，n表示样本数量，X

由上述描述可知，第一相关系数表示了历史天气数据中的每一天气因素对历史光伏发电量的影响程度，根据相关系数能够有效地排除无关联的天气因素，避免无效的算法计算。

进一步地，所述根据所述第一相关特征和所述历史光伏发电量对光伏发电量预测模型进行训练，得到训练完成的光伏发电量预测模型包括：

将所述第一相关特征和所述历史光伏发电量划分为第一训练集和第一测试集；

将所述第一训练集输入多个预设算法对光伏发电量预测模型进行训练，得到多个初始训练后的光伏发电量预测模型；

将所述第一测试集输入所述多个初始训练后的光伏发电量预测模型计算每一所述初始训练后的光伏发电量预测模型的第一测试值；

从所述第一测试值中将最大的测试值对应的预设算法确定为目标算法；

根据所述第一相关特征和所述历史光伏发电量使用所述目标算法对光伏发电量预测模型进行训练，得到训练完成的光伏发电量预测模型。

由上述描述可知，利用测试集确定出训练效果最优的目标算法，根据第一相关特征和历史光伏发电量使用目标算法对光伏发电量预测模型进行训练，使得训练出的预测模型精确度最高，预测的光伏发电量更加准确、可靠。

进一步地，所述第一测试值R2_score为：

式中，m表示第一测试集的样本数量，f

由上述描述可知，第一测试值为0-1之间的数，越接近1则表示模型效果越好，通过第一测试值可有效确定出训练效果最佳的算法，从而提高预测模型的精确度。

进一步地，所述预测光伏发电量为未来24小时中每一整点对应的预测光伏发电量；

所述预测用户用电量为未来24小时中每一整点对应的预测用户用电量；

所述根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略包括：

根据所述峰谷平时段将所述未来24小时划分为谷电时段、平电时段和峰电时段；

对于所述谷电时段，根据当前的谷电时段到下一谷电时段之间的预测用户用电量之和以及预测光伏发电量之和确定所述谷电时段对应的第一后续时段电网购电量；

基于所述第一后续时段电网购电量确定所述谷电时段的电力调度策略；

对于所述平电时段，根据当前的平电时段的预测用户用电量之和以及预测光伏发电量之和确定所述平电时段对应的当前时段缺少用电量；

根据当前的平电时段到下一谷电时段之间的预测用户用电量之和以及预测光伏发电量之和确定所述平电时段对应的第二后续时段电网购电量；

基于所述当前时段缺少用电量和所述第二后续时段电网购电量确定所述平电时段的电力调度策略；

对于所述峰电时段，确定所述峰电时段的电力调度策略为用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当所述储能电池剩余电量不足时，则从所述电网购电。

由上述描述可知，对于谷电时段、峰电时段以及平电时段，分别采用不同的判断标准，以得到对应的电力调度策略，从而使得电力调度能够在满足用户用电量的同时，光伏利用率最大，购电成本最低。

进一步地，所述基于所述第一后续时段电网购电量确定所述谷电时段的电力调度策略包括：

获取储能电池的电池容量上限；

若所述第一后续时段电网购电量等于第一预设值，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电；

若所述第一后续时段电网购电量大于所述第一预设值，且小于或等于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述第一后续时段电网购电量，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电；

若所述第一后续时段电网购电量大于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述电池容量上限，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电。

由上述描述可知，利用后续时段电网购电量确定谷电时段的电力调度策略，确保了谷电时段对光伏发电的充分利用，且尽可能降低购电成本。

进一步地，所述基于所述当前时段缺少用电量和所述第二后续时段电网购电量确定所述平电时段的电力调度策略包括：

获取当前的平电时段的储能电池的剩余电量和电池容量上限；

若所述剩余电量大于或等于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量小于第二预设值，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量大于或等于所述第二预设值并小于或等于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述第二后续时段电网购电量，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量大于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述电池容量上限，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电。

由上述描述可知，利用当前时段缺少用电量和第二后续时段电网购电量确定平电时段的电力调度策略，以此能够在平电时段实现合理的电力调度，提高电力调度策略的经济性和可行性。

请参照图2，本发明另一实施例提供了一种用于光储充电站的电力调度终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述用于光储充电站的电力调度方法中的各个步骤。

本发明上述的一种用于光储充电站的电力调度方法及终端适用于需要对光储充电站进行电力调度的场景，以下通过具体实施方式进行说明：

实施例一

定义变量如下：

请参照图1，本实施例的一种用于光储充电站的电力调度方法，包括步骤：

S1、采集光储充电站的历史用户充电量、历史光伏发电量、历史天气数据以及对应电网的峰谷平时段；

其中，所述历史用户充电量为历史每个小时的用户充电量，所述历史光伏发电量为历史每个小时的光伏发电量，所述历史天气数据为历史每个小时的天气数据。所述历史天气数据可从第三方天气平台采集。

在一种可选的实施方式中，过滤所述历史用户充电量、历史光伏发电量和历史天气数据中的异常数据，以此可以滤除由于充电站设备维护、停机等情况造成的异常数据。

S2、基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型，具体包括：

S21、计算所述历史天气数据和所述历史光伏发电量的第一相关系数，并根据所述第一相关系数从所述历史天气数据中确定与所述历史光伏发电量对应的第一相关特征，具体包括：

S211、将所述历史天气数据中的每一天气因素确定为第一初始特征；

其中，所述天气因素包括辐照度、温度、湿度、空气质量、天气类型(如晴、阴、小雨等)、风速、风力、风向、气压、降雨概率、日出时间、日落时间等；由于天气具有周期性，还需考虑日期时间因素，因此所述历史天气数据包括对应的日期编号和时间编号，比如1月1日日期编号为1，1月2日日期编号为2，12月31日日期编号为365，0点时间编号为0，1点时间编号为1，23点时间编号为23，并将日期编号和时间编号同样作为第一初始特征，与所述天气因素对应。

S212、计算每一所述第一初始特征和所述历史光伏发电量的第一相关系数；

其中，所述第一相关系数r为：

式中，n表示样本数量，X

S213、根据所述第一相关系数确定第一相关性强度；

具体的，按照预设的相关系数与相关性强度对照表根据所述第一相关系数确定第一相关性强度，参照表1。

表1相关系数与相关性强度对照表

S214、从所述历史天气数据中排除第一相关性强度为不相关的第一初始特征，并将剩余的第一初始特征确定为与所述历史光伏发电量对应的第一相关特征。

具体的，从所述历史天气数据中排除第一相关性强度为不相关的第一初始特征，并将第一相关性强度为低相关、显著相关和高度相关的第一初始特征确定为与所述历史光伏发电量对应的第一相关特征。

S22、计算所述历史天气数据和所述历史用户充电量的第二相关系数，并根据所述第二相关系数从所述历史天气数据中确定与所述历史用户充电量对应的第二相关特征，具体包括：

其中，所述第二相关系数的计算方式与所述第一相关系数相同。

S221、将所述历史天气数据中的每一天气因素确定为第二初始特征，并将日期编号和时间编号同样作为第一初始特征，与所述天气因素对应，根据所述日期编号可确定当天是否法定节假日、是否为周末。

S222、计算每一所述第二初始特征和所述历史用户充电量的第二相关系数，计算方式同步骤S212；

S223、根据所述第二相关系数确定第二相关性强度；

其中，按照所述预设的相关系数与相关性强度对照表根据所述第二相关系数确定第二相关性强度。

S224、从所述历史天气数据中排除第二相关性强度为不相关的第二初始特征，并将剩余的第二初始特征确定为与所述历史用户充电量对应的第二相关特征。

S23、根据所述第一相关特征和所述历史光伏发电量对光伏发电量预测模型进行训练，得到训练完成的光伏发电量预测模型，具体包括：

S231、将所述第一相关特征和所述历史光伏发电量划分为第一训练集和第一测试集；

具体的，将所述第一相关特征和所述历史光伏发电量划分为80％的第一训练集和20％的第一测试集。

S232、将所述第一训练集输入多个预设算法对光伏发电量预测模型进行训练，得到多个初始训练后的光伏发电量预测模型，即每一所述初始训练后的光伏发电量预测模型对应的预设算法不同；

其中，所述预设算法包括LSTM(长短期记忆，Long short-term memory)、随机森林、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)、XGBoost(ExtremeGradient Boosting，极端梯度提升)等。

S233、将所述第一测试集输入所述多个初始训练后的光伏发电量预测模型计算每一所述初始训练后的光伏发电量预测模型的第一测试值；

其中，所述第一测试值R2_score为：

式中，m表示第一测试集的样本数量，f

S234、从所述第一测试值中将最大的测试值对应的预设算法确定为目标算法；

S235、根据所述第一相关特征和所述历史光伏发电量使用所述目标算法对光伏发电量预测模型进行训练，得到训练完成的光伏发电量预测模型。

S24、根据所述第二相关特征和所述历史用户充电量对用户用电量预测模型进行训练，得到训练完成的用户用电量预测模型，具体包括：

S241、将所述第二相关特征和所述历史用户充电量划分为第二训练集和第二测试集；

具体的，将所述第二相关特征和所述历史用户充电量划分为80％的第二训练集和20％的第二测试集。

S242、将所述第二训练集输入多个所述预设算法对用户充电量预测模型进行训练，得到多个初始训练后的用户充电量预测模型；

S243、将所述第二测试集输入所述多个初始训练后的用户充电量预测模型计算每一所述初始训练后的用户充电量预测模型的第二测试值；

其中，所述第二测试值R2_score′为：

式中，m′表示第二测试集的样本数量，f

S244、从所述第二测试值中将最大的测试值对应的预设算法确定为目标算法；

S245、根据所述第二相关特征和所述历史用户充电量使用所述目标算法对用户充电量预测模型进行训练，得到训练完成的用户充电量预测模型。

其中，使用人工智能算法结合充电站历史每个小时的用户用电量、光伏发电量和天气数据，训练用户用电量预测模型以及光伏发电量预测模型。由于每个充电站的经营场所、用户群体等条件不同，为了排除干扰因素，每个充电站需要用各自的数据独立训练模型，从而提高模型精度，即每个光储充电站各自对应两个训练完成的用户用电量预测模型以及光伏发电量预测模型。

S3、获取所述光储充电站的未来天气数据，并基于所述未来天气数据使用所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量；

其中，所述预测光伏发电量为未来24小时中每一整点对应的预测光伏发电量；所述预测用户用电量为未来24小时中每一整点对应的预测用户用电量，所述未来天气数据为未来24小时中每一整点对应的天气数据，即第二天每个小时的天气数据；

S4、根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略，具体包括：

S41、根据所述峰谷平时段将所述未来24小时划分为谷电时段、平电时段和峰电时段；

在一种可选的实施方式中，所述峰谷平时段为00:00～08:00谷电0.5元/千瓦时、08:00～18:00峰电1.0元/千瓦时、18:00～22:00平电0.8元/千瓦时、22:00～24:00谷电0.5元/千瓦时。

S42、对于所述谷电时段，根据当前的谷电时段到下一谷电时段之间的预测用户用电量之和以及预测光伏发电量之和确定所述谷电时段对应的第一后续时段电网购电量；

其中，当前的谷电时段即当前正在确定电力调度策略的谷电时段；

具体的，对于所述谷电时段，将当前的谷电时段到下一谷电时段之间的预测用户用电量之和(afterUseSOC)减去当前的谷电时段到下一谷电时段之间的预测光伏发电量之和(afterSunSOC)，得到所述谷电时段对应的第一后续时段电网购电量(afterLackSOC)。

比如，当前的谷电时段为00:00～08:00，下一谷电时段为22:00～24:00，那么将08:00～22:00之间的预测用户用电量之和减去预测光伏发电量之和，得到00:00～08:00对应的第一后续时段电网购电量。

S43、基于所述第一后续时段电网购电量确定所述谷电时段的电力调度策略，具体包括：

S431、获取储能电池的电池容量上限(maxSOC)；

S432、若所述第一后续时段电网购电量等于第一预设值，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电；

其中，所述第一预设值为0。

S433、若所述第一后续时段电网购电量大于所述第一预设值，且小于或等于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述第一后续时段电网购电量，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电；

S434、若所述第一后续时段电网购电量大于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述电池容量上限，且用户充电最先使用光伏发电，当光伏发电量不足时，则从所述电网购电。

S44、对于所述平电时段，根据当前的平电时段的预测用户用电量之和以及预测光伏发电量之和确定所述平电时段对应的当前时段缺少用电量；

具体的，对于所述平电时段，将当前的平电时段的预测用户用电量之和(currUseSOC)减去当前的平电时段的预测光伏发电量之和(currSunSOC)，得到平电时段对应的当前时段缺少用电量(currLackSOC)。

比如，当前的平电时段为18:00～22:00，那么将18:00～22:00的预测用户用电量之和减去18:00～22:00的预测光伏发电量之和，得到18:00～22:00对应的当前时段缺少用电量。

S45、根据当前的平电时段到下一谷电时段之间的预测用户用电量之和以及预测光伏发电量之和确定所述平电时段对应的第二后续时段电网购电量；

具体的，将当前的平电时段到下一谷电时段之间的预测用户用电量之和减去当前的平电时段到下一谷电时段之间的预测光伏发电量之和，得到所述平电时段对应的第二后续时段电网购电量。

比如，当前的平电时段为18:00～22:00，下一谷电时段为22:00～24:00，那么将22:00的预测用户用电量之和减去22:00的预测光伏发电量之和，得到18:00～22:00对应的第二后续时段电网购电量。

S46、基于所述当前时段缺少用电量和所述第二后续时段电网购电量确定所述平电时段的电力调度策略，具体包括：

S461、获取当前的平电时段的储能电池的剩余电量(currSOC)和电池容量上限；

S462、若所述剩余电量大于或等于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

S463、若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量小于第二预设值，则确定所述谷电时段的电力调度策略为无需对所述储能电池充电，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

其中，所述第二预设值为0。

S464、若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量大于或等于所述第二预设值并小于或等于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述第二后续时段电网购电量，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电；

S465、若所述剩余电量小于所述当前时段缺少用电量和所述第二后续时段电网购电量之和，且所述第二后续时段电网购电量大于所述电池容量上限，则确定所述谷电时段的电力调度策略为对所述储能电池充电，直至储能电池电量等于所述电池容量上限，且用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当储能电池剩余电量不足时，则从所述电网购电。

S47、对于所述峰电时段，确定所述峰电时段的电力调度策略为用户充电最先使用光伏发电，当光伏发电量不足时，则使用储能电池，当所述储能电池剩余电量不足时，则从所述电网购电。

在另一种可选的实施方式中，还包括：S5、定期采集所述光储充电站的近期光伏发电量和近期用户用电量以及近期天气数据，将所述近期光伏发电量和近期用户用电量以及近期天气数据输入所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型进行迭代训练，从而提高模型精度。

实施例二

请参照图2，本实施例的一种用于光储充电站的电力调度终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的用于光储充电站的电力调度方法中的各个步骤。

综上所述，本发明提供的一种用于光储充电站的电力调度方法及终端，采集光储充电站的历史用户充电量、历史光伏发电量、历史天气数据以及对应电网的峰谷平时段；基于所述历史天气数据、所述历史光伏发电量和所述历史用户充电量分别对光伏发电量预测模型和用户用电量预测模型进行训练，得到训练完成的光伏发电量预测模型和训练完成的用户用电量预测模型；获取所述光储充电站的未来天气数据，并基于所述未来天气数据使用所述训练完成的光伏发电量预测模型和所述训练完成的用户用电量预测模型分别进行预测，得到预测光伏发电量和预测用户用电量；根据所述预测光伏发电量、所述预测用户用电量和所述峰谷平时段确定电力调度策略，具体的，利用测试集确定出训练效果最优的目标算法，根据第一相关特征和历史光伏发电量使用目标算法对光伏发电量预测模型进行训练，使得训练出的预测模型精确度最高，预测的光伏发电量更加准确、可靠，用户用电量预测模型也是同理，同时考虑了光储充站点所在地的峰谷平时段、充电站光伏发电量和用户用电量的波动性，结合人工智能技术确定电力调度策略，无需人工制定，确保了电力调度策略的准确性和可靠性，从而能够在满足用户用电量的同时，光伏利用率最大，购电成本最低，进而降低充电站运营成本以及人工维护成本。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。