一种基于物理信息神经网络的光伏系统能量管理方法及系统与流程

本发明涉及分布式光伏发电与智能能量管理，尤其涉及一种基于物理信息神经网络的光伏系统能量管理方法及系统。

背景技术：

1、随着全球能源结构转型和“双碳”战略的深入推进，分布式光伏发电系统在家庭能源供应、工商业光伏、微电网、电动汽车充电站等场景中的应用呈现爆发式增长。然而，光伏出力的间歇性、波动性与负载需求的随机性之间的矛盾日益突出，传统的光伏能量管理技术面临严峻挑战。

2、现有直流微网系统普遍采用分层控制架构。已有技术方案通过判断光伏控制器启动条件和电网控制器工作状态，在寻优模式与稳压模式之间切换来维持母线电压稳定。然而，这种切换控制策略导致mppt效率与母线电压稳定之间存在不可调和的矛盾。

3、而物理信息神经网络（physics-informed neural networks，pinn）通过将物理方程嵌入神经网络的损失函数，使模型在数据拟合的同时遵守物理规律。但是，现有pinn技术与实时能量控制之间存在信息断层。现有pinn方案仅用于离线功率预测，预测结果与实时mppt控制之间存在信息传递断裂。

技术实现思路

1、本发明旨在解决上述问题，提供一种基于物理信息神经网络（pinn）的光伏能量管理方法及系统。

2、为了实现上述目的，本发明采用的技术方案为：

3、一种基于物理信息神经网络的光伏系统能量管理方法，包括：

4、实时采集光伏系统中电参数信息以及温度信息，并基于多源数据构建时序数据集；

5、将时序数据集中实时采集的多源数据输入训练好的pinn网络模型，以得到光伏系统的预测值，预测值用于表征光伏系统在当前环境下的工作参数；

6、根据预测值生成mppt控制指令和负载功率调节指令，mppt控制指令被用于执行以母线电压稳定为约束条件的最大功率点跟踪算法，负载功率调节指令被用于动态调节各负载端口的功率分配。

7、进一步的，包括：

8、训练好的pinn网络模型以光伏电路方程、母线功率平衡微分方程、电池soc动态方程、电池开路电压-soc关系方程、负载功率调节方程以及电池能量缓冲策略方程作为约束嵌入pinn网络模型的损失函数，并经由采集的历史时序数据训练得到；

9、光伏电路方程基于单二极管模型计算预测电压电流值与物理方程之间的残差，母线功率平衡微分方程基于功率平衡微分方程计算功率平衡残差，负载功率调节方程用于表征负载功率预测值是否超出物理可调节范围，电池能量缓冲策略方程用于表征电池充放电功率预测值是否满足充电功率上限、放电功率上限和soc安全范围的约束。

10、进一步的，光伏系统的预测值至少包括：光伏出力预测值、负载需求预测值、soc预测值、母线电压预测值以及负载的可调节功率范围。

11、进一步的，生成mppt控制指令，包括：

12、根据光伏出力预测值以及负载需求预测值得到功率缺额预测值，功率缺额预测值表征为负载需求预测值与光伏出力预测值之间的差值；

13、当母线电压处于预先设定的波动范围边界时，根据功率缺额预测值和电池soc预测值确定mppt控制指令；

14、mppt控制指令至少包括：

15、若soc预测值超过预设阈值则扩大预先设定的母线电压波动范围。

16、进一步的，还包括：根据功率缺额预测值和soc预测值执行电池能量缓冲调度；

17、电池能量缓冲调度至少包括：

18、当功率缺额预测值小于零且soc预测值小于预设soc阈值上限时，电池进入充电状态；

19、当功率缺额预测值大于零且soc>大于预设soc阈值下限时，电池进入放电状态。

20、进一步的，生成负载功率调节指令，包括：

21、根据光伏出力预测值以及负载需求预测值得到功率缺额预测值，功率缺额预测值表征为负载需求预测值与光伏出力预测值之间的差值；

22、根据功率缺额预测值、soc预测值以及负载的可调节功率范围确定负载功率调节指令。

23、进一步的，负载功率调节指令包括：

24、当功率缺额预测值大于零且soc预测值小于预设soc阈值时，按优先级顺序降低负载的功率；

25、当功率缺额预测值小于零且soc预测值大于预设soc阈值时，提前启动可延迟的负载。

26、进一步的，还包括：根据预测值生成电池充放电控制指令。

27、进一步的，生成电池充放电控制指令包括：

28、根据光伏出力预测值以及负载需求预测值得到功率缺额预测值，功率缺额预测值表征为光伏出力预测值与负载需求预测值之间的差值；

29、计算母线电压预测值与目标电压的差值，以得到母线电压偏差值；

30、基于功率缺额预测值和母线电压偏差值确定电池的目标输出功率。

31、本发明还提供了一种基于物理信息神经网络的光伏系统能量管理系统，包括：

32、数据采集融合模块，其被配置为实时采集光伏系统中电参数信息以及温度信息，并基于多源数据构建时序数据集；

33、pinn网络模块，其被配置为输入时序数据集中实时采集的多源数据以得到光伏系统的预测值，预测值用于表征光伏系统在当前环境下的工作参数；

34、能量调度控制模块，其被配置为根据预测值生成mppt控制指令和负载功率调节指令；mppt控制指令被用于执行以母线电压稳定为约束条件的最大功率点跟踪算法，负载功率调节指令被用于动态调节各负载端口的功率分配。

35、本发明与现有技术相比，至少包含以下有益效果：

36、（1）本发明将pinn网络模型从离线预测工具升级为实时控制闭环的核心计算引擎。pinn网络模型的输出通过两条路径直接参与控制决策：一路经能量调度控制模块生成电池充放电指令和负载功率调节指令，另一路经mppt控制器动态调整扰动步长。这种由pinn网络模型预测值多路驱动控制的架构，消除了现有技术中预测与控制之间的信息传递断裂，避免了传统被动响应中母线电压大幅跌落的问题，实现了从预测、决策、控制的全链路实时闭环；

37、（2）构建了涵盖全链路的统一能量状态空间模型，将光伏电路方程、母线功率平衡方程、电池电化学方程、负载功率调节约束方程统一嵌入同一个pinn网络模型中，能够准确捕捉能量在系统各环节中的动态流动和耦合关系；

38、（3）将电池soc和负载功率同时作为pinn网络模型的核心状态变量，通过pinn网络模型的预测能力实现电池与负载的协同优化：当预测到功率缺额时，系统同时执行电池预放电准备和负载功率预降低，形成电池缓冲和负载调节的双重保障；当预测到功率盈余时，系统同时执行电池预充电准备和负载功率预提升，形成电池吸收和负载消耗的双重利用，以此最大化消纳光伏能量，避免弃光浪费；

39、（4）针对变频空调、风机、压缩机等具有功率可调节特性的电器负载，实现了功率的连续动态调节，而非简单的全投/全切。这种连续调节方式既保障了用户的基本用能需求，又实现了功率链路的平衡，显著提升了用户体验和能量利用效率；

40、（5）通过标准化直流接口模块提供多电压等级的直流输出，使变频空调、风机、压缩机等普通家用电器无需内部改造即可直接接入光伏系统，消除了逆变环节的能量损耗，有效提升了系统整体效率。