基于储能双向变流器的储能变流系统及方法

技术领域

本发明涉及交流电网控制调节领域，尤其涉及一种基于储能双向变流器的储能变流系统及方法。

背景技术

因为交流电网挂载的各个负荷的数量以及负荷工作线在实时发生变化，同时交流电网的工作环境也在发生实时变化，导致交流电网的负荷消耗功率也在不断变化，然而单个交流电网能够供应的负荷消耗功率有限，如果交流电网当前挂载的负荷需要的消耗功率超过交流电网能够供应的最大负荷功率，则交流电网当前挂载的各个负荷无法实现各自最佳的工作性能，同时由于交流电网需要一直保持持续供电，在交流电网当前挂载的负荷需要的消耗功率超过交流电网能够供应的最大负荷功率时才对交流电网进行停电以及设备改造，显然不够现实。

由此可见，现有技术存在的缺点是：无法预测未来时间分段内的交流电网挂载的负荷需要消耗的功率，导致无法确定未来时间分段内储能双向变流器是否需要为交流电网进行充电以及无法确定具体的充电功率，使得储能双向变流器无法完成提前配置，进而影响了交流电网的平滑、安全运行。

因此，需要一种能够预测未来时间分段内的交流电网挂载的负荷需要消耗的功率的预测机制，基于预测结果确定是否需要储能双向变流器启动电池储能系统为交流电网进行充电以及确定具体的充电功率，从而保证了交流电网各个时间分段内不同负荷挂载场景下的各个负荷的正常工作性能，进一步保证交流电网的平滑、安全运行。显然，上述现有技术中的各个技术方案无法达到上述技术效果。

发明内容

为了解决现有技术中的技术问题，本发明提供了一种基于储能双向变流器的储能变流系统及方法，通过为每一交流电网设置定制结构且完成定制训练的卷积神经网络模型，为交流电网未来时间分段内的负荷消耗功率提供预测机制，并采用储能双向变流器以基于预测功率确定是否需要启动电池储能系统对所述交流电网执行自适应充电处理，从而弥补所述交流电网本身供应不足的负荷消耗功率，保证所述交流电网的各个负荷的正常工作性能。

根据本发明的第一方面，提供了一种基于储能双向变流器的储能变流系统，所述系统包括：

储能双向变流器，分别与电池储能系统以及交流电网连接，用于在接收到的下一时间分段内的预测负荷消耗功率大于所述交流电网的最大负荷功率时，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理；

电池储能系统，与所述储能双向变流器连接，用于在所述储能双向变流器的控制下对所述交流电网执行充电处理或者放电处理；

交流电网，与所述储能双向变流器连接，用于为所述交流电网的负荷提供小于等于最大负荷功率的功率供应；

功率测量器件，与所述交流电网连接，用于测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额；

信息预测器件，分别与所述功率测量器件以及所述储能双向变流器连接，用于为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率；

其中，测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额包括：过往各个时间分段在下一时间分段之前，且过往各个时间分段以及下一时间分段在时间轴上构成一个完整的时间长度，以及过往各个时间分段以及下一时间分段中每一时间分段的持续时长相等；

其中，为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率包括：过往各个时间分段的数量与所述交流电网的最大负荷功率单调正向关联。

根据本发明的第二方面，提供了一种基于储能双向变流器的储能变流方法，所述方法包括使用如上述的基于储能双向变流器的储能变流系统以采用卷积神经网络模型基于交流电网的最大负荷功率、交流电网的覆盖面积以及交流电网过往各个时间分段分别对应的各个供应负荷功率总额解析未来时间分段所述交流电网的预测负荷消耗功率，从而为储能双向变流器在未来时间分段内是否启动电池储能系统对所述交流电网的自适应充电处理提供功率参考数据。

由此可见，相比较于现有技术，本发明至少需要具备以下几处显著的技术进步：

第一处、采用分别与电池储能系统以及交流电网连接的储能双向变流器，用于在所述交流电网下一时间分段内的预测负荷消耗功率大于所述交流电网的最大负荷功率时，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理，从而保证了交流电网的健壮性和稳定性；

第二处、为每一交流电网设计定制结构的卷积神经网络模型，以基于所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及所述交流电网过往各个时间分段分别对应的各个供应负荷功率总额解析下一时间分段所述交流电网的预测负荷消耗功率，其中，结构的定制表现为过往各个时间分段的数量与交流电网的最大负荷功率单调正向关联，以及交流电网的最大负荷功率和交流电网的覆盖面积这两项个性化的模型输入内容；

第三处、为保证卷积神经网络模型的预测可靠性，在模型使用前对模型执行设定次数的模型训练，所述交流电网的覆盖面积越广，所述设定次数的取值越大。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中：

图1为根据本发明的基于储能双向变流器的储能变流系统的技术流程图。

图2为根据本发明的实施例1示出的基于储能双向变流器的储能变流系统的结构示意图。

图3为根据本发明的实施例2示出的基于储能双向变流器的储能变流系统的结构示意图。

图4为根据本发明的实施例3示出的基于储能双向变流器的储能变流系统的结构示意图。

图5为根据本发明的实施例4示出的基于储能双向变流器的储能变流系统的结构示意图。

图6为根据本发明的实施例5示出的基于储能双向变流器的储能变流系统的结构示意图。

图7为根据本发明的实施例6示出的基于储能双向变流器的储能变流方法的步骤流程图。

具体实施方式

如图1所示，给出了根据本发明示出的基于储能双向变流器的储能变流系统及方法的技术流程图。

在图1中，本发明的具体的技术流程可以拆分成以下三个主要步骤：

首先，采用计算机控制系统为当前的交流电网设置定制结构且完成定制训练的卷积神经网络模型，为交流电网未来时间分段内的负荷消耗功率提供预测机制，其中，结构的定制表现为作为模型输入内容的过往各个时间分段的数量与交流电网的最大负荷功率单调正向关联，以及所述模型输入内容还包括交流电网的最大负荷功率和交流电网的覆盖面积这两项个性化信息；

其中，所述计算机控制系统可以是计算机PC或者移动终端，所述计算机控制系统通过包括WIFI或者GPRS的各种通信模式与储能双向变流器之间建立双向通信链路；

其次，从当前的交流电网处测量作为未来时间分段的下一时间分段之前的各个过往时间分段中，交流电网分别对应的各份负荷消耗功率，从而为后续的未来时间分段内的负荷消耗功率的预测提供基础数据；

再次，采用运行在所述计算机控制系统上的卷积神经网络模型，以基于各个过往时间分段中交流电网分别对应的各份负荷消耗功率以及交流电网的最大负荷功率、交流电网的覆盖面积，预测下一时间分段交流电网的负荷消耗功率；

最后，针对搭建在当前的交流电网以及电池储能系统之间的储能双向变流器，利用预测的下一时间分段交流电网的负荷消耗功率以及交流电网能够提供的最大负荷功率，确定是否需要启动电池储能系统对所述交流电网执行自适应充电处理，从而弥补所述交流电网本身供应不足的负荷消耗功率。

本发明的关键点在于：为不同交流电网设计了定制结构和定制训练机制的卷积神经网络模型，用于获取可靠的未来时间分段的交流电网的负荷消耗功率的预测数据，随后，储能双向变流器利用上述预测数据实现对电池储能系统的自适应充电控制，以保证交流电网的稳定、平滑运行，维护了交流电网挂载的各个负荷的正常工作性能；由此可见，上述的定制设计模型以及自适应充电控制机制是本发明与现有技术之间最为显著的两处区别点。

下面，将对本发明的基于储能双向变流器的储能变流系统及方法以实施例的方式进行具体说明。

实施例1

图2为根据本发明的实施例1示出的基于储能双向变流器的储能变流系统的结构示意图。

如图2所示，所述基于储能双向变流器的储能变流系统包括以下部件：

储能双向变流器，分别与电池储能系统以及交流电网连接，用于在接收到的下一时间分段内的预测负荷消耗功率大于所述交流电网的最大负荷功率时，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理；

示例地，这里的交流电网不仅仅限于各种工业交流电网和各种商用交流电网，也包括一些微型交流电网，例如家用的交流电网；

以一个家庭所在房屋为例，家用交流电网所带的最大负荷的容量，由进户线的截面大小来决定，例如，当进户线是两根4平方铜线的话，也就是单相220伏的电压，4平方铜线的安全载流量大约是30安，这样，这个家用交流电网允许带的最大负荷功率就是220ⅹ30=6600W；

因此，针对这个家庭所使用的家用交流电网，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理包括：在下一时间分段内基于预测负荷消耗功率超出6600W的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理；

电池储能系统，与所述储能双向变流器连接，用于在所述储能双向变流器的控制下对所述交流电网执行充电处理或者放电处理；

交流电网，与所述储能双向变流器连接，用于为所述交流电网的负荷提供小于等于最大负荷功率的功率供应；

功率测量器件，与所述交流电网连接，用于测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额；

信息预测器件，分别与所述功率测量器件以及所述储能双向变流器连接，用于为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率；

其中，测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额包括：过往各个时间分段在下一时间分段之前，且过往各个时间分段以及下一时间分段在时间轴上构成一个完整的时间长度，以及过往各个时间分段以及下一时间分段中每一时间分段的持续时长相等；

示例地，过往各个时间分段以及下一时间分段中每一时间分段的持续时长可以为5分钟到30分钟中的任一取值；

其中，为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率包括：过往各个时间分段的数量与所述交流电网的最大负荷功率单调正向关联；

示例地，所述交流电网的最大负荷功率为6600W时，过往各个时间分段的数量选择为50，所述交流电网的最大负荷功率为8000W时，过往各个时间分段的数量选择为100；以及所述交流电网的最大负荷功率为12000W时，过往各个时间分段的数量选择为150，以保持二者的单调正向关联的数值对应关系；

其中，为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率还包括：所述交流电网的覆盖面积越广，所述设定次数的取值越大；

示例地，所述交流电网的覆盖面积为100平方米时，所述设定次数的取值为30次，所述交流电网的覆盖面积为150平方米时，所述设定次数的取值为60次，所述交流电网的覆盖面积为200平方米时，所述设定次数的取值为120次，以及所述交流电网的覆盖面积为400平方米时，所述设定次数的取值为180次；

其中，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理包括：在下一时间分段内驱动所述电池储能系统将差值功率充入所述交流电网以补充对所述交流电网的负荷的功率供应；

示例地，还是针对上述家庭所使用的家用交流电网，当预测的下一时间分段内上述家庭各个用电负荷的负荷消耗功率为7000W时，在下一时间分段内驱动所述电池储能系统将差值功率充入所述交流电网以补充对所述交流电网的负荷的功率供应包括：在下一时间分段内驱动所述电池储能系统将作为差值功率的400W的功率充入所述家用交流电网以补充对所述家用交流电网的负荷的功率供应，维护上述家庭各个用电负荷的正常工作。

实施例2

图3为根据本发明的实施例2示出的基于储能双向变流器的储能变流系统的结构示意图。

如图3所示，相比较于本发明的实施例1，所述基于储能双向变流器的储能变流系统还包括：

模型训练器件，与所述信息预测器件连接，用于在所述信息预测器件使用所述模型之前，对所述模型执行设定次数的模型训练；

其中，在所述信息预测器件使用所述模型之前，对所述模型执行设定次数的模型训练包括：每一次模型训练中，将某一时间分段对应的功率总额作为所述模型的输出内容，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及所述某一时间分段之前各个时间分段分别对应的各个功率总额作为所述模型的输入内容，完成对一次模型训练；

其中，可以选择采用CPLD芯片、ASIC芯片、FPGA芯片或者SOC芯片来实现所述模型训练器件。

实施例3

图4为根据本发明的实施例3示出的基于储能双向变流器的储能变流系统的结构示意图。

如图4所示，相比较于本发明的实施例1，所述基于储能双向变流器的储能变流系统还包括：

参数存储器件，与所述信息预测器件连接，用于存储已完成设定次数的模型训练后的模型的各项模型参数；

示例地，所述参数存储器件为FLASH存储芯片、MMC存储芯片以及静态存储芯片中的一种。

实施例4

图5为根据本发明的实施例4示出的基于储能双向变流器的储能变流系统的结构示意图。

如图5所示，相比较于本发明的实施例1，所述基于储能双向变流器的储能变流系统还包括：

现场计时器件，分别与所述储能双向变流器以及所述功率测量器件连接，用于分别为所述储能双向变流器以及所述功率测量器件提供现场计时服务；

其中，所述现场计时器件还可以与远端的计时服务器连接，用于实时更新本地的计时数据。

实施例5

图6为根据本发明的实施例5示出的基于储能双向变流器的储能变流系统的结构示意图。

如图6所示，相比较于本发明的实施例1，所述基于储能双向变流器的储能变流系统还包括：

LCD显示阵列，与所述信息预测器件连接，用于显示接收到的下一时间分段内的预测负荷消耗功率；

其中，所述LCD显示阵列可以包括以矩形方式布置的多个LCD显示单元以及同步控制单元，所述同步控制机构分别与所述多个LCD显示单元连接，用于实现对所述多个LCD显示单元的同步显示控制。

接着，将对本发明的各个实施例进行进一步的具体说明。

在根据本发明的各个实施例的基于储能双向变流器的储能变流系统中：

在所述储能双向变流器的控制下对所述交流电网执行充电处理或者放电处理包括：在所述储能双向变流器的控制下对所述交流电网执行充电处理时所述储能双向变流器确定所述电池储能系统对所述交流电网的充电功率。

在根据本发明的各个实施例的基于储能双向变流器的储能变流系统中：

在所述储能双向变流器的控制下对所述交流电网执行充电处理或者放电处理包括：在所述储能双向变流器的控制下对所述交流电网执行放电处理时所述储能双向变流器确定所述电池储能系统对所述交流电网的放电功率。

以及在根据本发明的各个实施例的基于储能双向变流器的储能变流系统中：

所述储能双向变流器还用于在接收到的下一时间分段内的预测负荷消耗功率大于所述交流电网的最大负荷功率时，在下一时间分段内停止所述电池储能系统对所述交流电网的充电处理。

实施例6

在本实施例中，本发明搭建了一种基于储能双向变流器的储能变流方法，所述方法包括使用如上述的基于储能双向变流器的储能变流系统以采用卷积神经网络模型基于交流电网的最大负荷功率、交流电网的覆盖面积以及交流电网过往各个时间分段分别对应的各个供应负荷功率总额解析未来时间分段所述交流电网的预测负荷消耗功率，从而为储能双向变流器在未来时间分段内是否启动电池储能系统对所述交流电网的自适应充电处理提供功率参考数据。

具体地，如图7所示，所述基于储能双向变流器的储能变流方法可以包括以下步骤：

步骤S701：使用储能双向变流器，分别与电池储能系统以及交流电网连接，用于在接收到的下一时间分段内的预测负荷消耗功率大于所述交流电网的最大负荷功率时，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理；

示例地，这里的交流电网不仅仅限于各种工业交流电网和各种商用交流电网，也包括一些微型交流电网，例如家用的交流电网；

以一个家庭所在房屋为例，家用交流电网所带的最大负荷的容量，由进户线的截面大小来决定，例如，当进户线是两根4平方铜线的话，也就是单相220伏的电压，4平方铜线的安全载流量大约是30安，这样，这个家用交流电网允许带的最大负荷功率就是220ⅹ30=6600W；

因此，针对这个家庭所使用的家用交流电网，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理包括：在下一时间分段内基于预测负荷消耗功率超出6600W的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理；

步骤S702：使用电池储能系统，与所述储能双向变流器连接，用于在所述储能双向变流器的控制下对所述交流电网执行充电处理或者放电处理；

步骤S703：使用交流电网，与所述储能双向变流器连接，用于为所述交流电网的负荷提供小于等于最大负荷功率的功率供应；

步骤S704：使用功率测量器件，与所述交流电网连接，用于测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额；

步骤S705：使用信息预测器件，分别与所述功率测量器件以及所述储能双向变流器连接，用于为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率；

其中，测量过往每一时间分段内所述交流电网向其负荷提供的功率总额，以获得过往各个时间分段分别对应的各个功率总额包括：过往各个时间分段在下一时间分段之前，且过往各个时间分段以及下一时间分段在时间轴上构成一个完整的时间长度，以及过往各个时间分段以及下一时间分段中每一时间分段的持续时长相等；

示例地，过往各个时间分段以及下一时间分段中每一时间分段的持续时长可以为5分钟到30分钟中的任一取值；

其中，为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率包括：过往各个时间分段的数量与所述交流电网的最大负荷功率单调正向关联；

示例地，所述交流电网的最大负荷功率为6600W时，过往各个时间分段的数量选择为50，所述交流电网的最大负荷功率为8000W时，过往各个时间分段的数量选择为100；以及所述交流电网的最大负荷功率为12000W时，过往各个时间分段的数量选择为150，以保持二者的单调正向关联的数值对应关系；

其中，为所述交流电网建立卷积神经网络模型，所述模型已完成设定次数的模型训练，将所述交流电网的最大负荷功率、所述交流电网的覆盖面积以及过往各个时间分段分别对应的各个功率总额作为所述模型的输入内容，运行所述模型以获得所述模型输出的下一时间分段内的预测负荷消耗功率还包括：所述交流电网的覆盖面积越广，所述设定次数的取值越大；

示例地，所述交流电网的覆盖面积为100平方米时，所述设定次数的取值为30次，所述交流电网的覆盖面积为150平方米时，所述设定次数的取值为60次，所述交流电网的覆盖面积为200平方米时，所述设定次数的取值为120次，以及所述交流电网的覆盖面积为400平方米时，所述设定次数的取值为180次；

其中，在下一时间分段内基于预测负荷消耗功率超出最大负荷功率的差值功率启动所述电池储能系统对所述交流电网的自适应充电处理包括：在下一时间分段内驱动所述电池储能系统将差值功率充入所述交流电网以补充对所述交流电网的负荷的功率供应；

示例地，还是针对上述家庭所使用的家用交流电网，当预测的下一时间分段内上述家庭各个用电负荷的负荷消耗功率为7000W时，在下一时间分段内驱动所述电池储能系统将差值功率充入所述交流电网以补充对所述交流电网的负荷的功率供应包括：在下一时间分段内驱动所述电池储能系统将作为差值功率的400W的功率充入所述家用交流电网以补充对所述家用交流电网的负荷的功率供应，维护上述家庭各个用电负荷的正常工作。

另外，在本发明中，更具体地，在下一时间分段内驱动所述电池储能系统将差值功率充入所述交流电网以补充对所述交流电网的负荷的功率供应包括：在下一时间分段内的各个均匀间隔的时间点驱动所述电池储能系统将差值功率分散成等额功率分时充入所述交流电网以补充对所述交流电网的负荷的功率供应；

以及在本发明中，更具体地，在下一时间分段内的各个均匀间隔的时间点驱动所述电池储能系统将差值功率分散成等额功率分时充入所述交流电网以补充对所述交流电网的负荷的功率供应包括：在下一时间分段内的各个均匀间隔的时间点的数量乘以所述等额功率等于所述差值功率。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，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，或者对其中部分或者全部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公开各实施例技术方案的范围，其均应涵盖在本公开的权利要求和说明书的范围当中。