一种光伏电站收益优化方法、装置、设备及介质与流程

本发明属于光伏发电，具体涉及一种光伏电站收益优化方法、装置、设备及介质。

背景技术：

1、在全球范围内，光伏发电技术已成为可再生能源领域的核心组成部分，特别是在推动能源结构转型和应对气候变化方面扮演了重要角色。光伏项目能够将太阳能转换为电能，为住宅、商业和工业提供清洁能源。然而，由于太阳辐射的不确定性以及电力市场价格的波动，光伏发电项目的能源管理和经济性优化成为了一个持续的挑战。此外，随着电力市场的自由化和电价的动态变化，如何实现在不同时间段内最大化经济效益，成为光伏发电领域研究的热点。目前，光伏项目的电量生产和消耗管理，通常基于单一的神经网络算法或优化算法执行。长短期记忆(long short-term memory，lstm)神经网络算法是同类算法中对时间记忆最有效的一种，适用于光伏发电等与时间强关联的场景，混合整数线性规划算法可以考虑多种限制条件，最大限度的实现最优解。两种方法各有无法替代的优势，然而，单一的解决方案无法有效整合市场电价信号，以动态调整发电策略以应对市场高峰和低谷时段的电价差异。因此，这些技术在提高光伏项目的经济回报和市场适应性方面存在局限性。利用组合算法可以整合优势，充分考虑限制条件的情况下，实现经济效益最大化，适应电价波动和实际气象条件的快速变化。

2、现有技术在光伏系统收益优化方面存在预测精度不足、优化效果不理想、预测与优化未能有效结合等缺陷和不足，具体为：

3、无法处理复杂非线性关系：传统的统计预测方法(如时间序列分析、arima模型等)在面对光伏发电数据的高度非线性和随机性时，往往难以提供高精度的预测结果。光伏发电量受到多种因素(如天气、温度、光照强度等)的影响，传统统计方法难以充分捕捉和建模这些复杂的非线性关系。

4、无法适应光伏数据特点：机器学习模型(如支持向量机、随机森林等)通常需要大量高质量的历史数据进行训练，而光伏发电系统的数据可能存在缺失或不完整的问题。因此，针对光伏数据数据缺乏结合预测与优化的综合方法：许多方法仅在预测或优化方面有所突破，缺乏将高精度预测与优化算法有机结合的系统性方法，导致难以充分利用预测结果进行优化决策。在面对实时变化的光伏发电情况时，传统方法难以及时更新预测结果和优化方案，无法适应快速变化的实际运行环境。未结合电力市场电价的动态变化以及高峰和低谷时段的电价差异，导致光伏投资回报计算不够准确，无法为投资者提供准确的收益参考。

技术实现思路

1、本发明的目的在于提供一种光伏电站收益优化方法、装置、设备及介质，以至少解决现有技术中在光伏系统收益优化方面存在预测精度不足、优化效果不理想、预测与优化未能有效结合等问题之一。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明第一方面，提供了一种光伏电站收益优化方法，包括如下步骤：

4、获取目标光伏电站所处地区的预测天气数据，将所述预测天气数据输入到预先训练好的光伏发电预测模型中，所述光伏发电预测模型输出未来时间段的光伏预测发电量；

5、获取目标光伏电站向电网售电的历史售电价格，将所述历史售电价格输入到预先训练好的售电价格预测模型中，所述售电价格预测模型输出未来时间段内目标光伏电站向电网售电的预测售电价格；

6、基于光伏预测发电量和预测售电价格，构建经济收益优化模型；其中，所述经济收益优化模型包括以经济收益最大为目标的目标函数，以及所述目标函数对应的约束条件；

7、求解所述经济收益优化模型，得到使光伏电站经济收益最大的购电策略。

8、进一步的，所述光伏发电预测模型采用如下方法进行训练：

9、获取光伏电站所处地区的历史天气数据，以及与所述历史天气数据所对应的历史发电量数据；

10、基于所述历史天气数据和历史发电量数据构建训练集；

11、基于lstm算法建立发电量预测模型；

12、基于所述训练集，采用反向传播算法对发电量预测模型进行训练，得到训练好的所述光伏发电预测模型。

13、进一步的，获取光伏电站所处地区的历史天气数据，以及与所述历史天气数据所对应的历史发电量数据之后，对所述历史天气数据和历史发电量数据进行清洗，处理缺失值和异常值；

14、确定所述历史天气数据中影响发电量的关键特征，将所述关键特征进行标准化处理，得到标准化关键特征，将标准化关键特征和对应的历史发电量数据构建为用于模型训练的训练集。

15、进一步的，所述售电价格预测模型基于自回归积分滑动平均模型构建并训练得到。

16、进一步的，所述售电价格预测模型基于自回归积分滑动平均模型构建得到，包括：

17、获取历史电价时间序列数据，对所述历史电价时间序列数据进行差分处理，确定使所述历史电价时间序列数据平稳的差分阶数；

18、确定自回归阶数和移动平均阶数；

19、根据确定的所述差分阶数、自回归阶数和移动平均阶数，构建自回归积分滑动平均模型。

20、进一步的，所述经济收益优化模型的目标函数如下：

21、

22、其中，z表示光伏电站在各时段的总收益；t为时间周期，t为时段，t＝1,2,3,……t；为时段t的预测售电价格；为时段t的已知电网企业购电价格；st是时段t内的售电量；bt是时段t内的购电量，购电量作为优化变量。

23、进一步的，所述目标函数对应的约束条件包括：

24、电力平衡约束：

25、

26、发电量限制：

27、

28、购电量和售电量限制：

29、

30、其中，pt是t时段的光伏预测发电量；bt是t时段的购电量；st是t时段的售电量；ut代表时段t的内部使用电量；bmax是购电量上限；smax是售电量上限。

31、本发明第二方面，提供了一种光伏电站收益优化装置，包括：

32、第一获取模块，用于获取目标光伏电站所处地区的预测天气数据，将所述预测天气数据输入到预先训练好的光伏发电预测模型中，所述光伏发电预测模型输出未来时间段的光伏预测发电量；

33、第二获取模块，用于获取目标光伏电站向电网售电的历史售电价格，将所述历史售电价格输入到预先训练好的售电价格预测模型中，所述售电价格预测模型输出未来时间段内目标光伏电站向电网售电的预测售电价格；

34、模型构建模块，用于基于光伏预测发电量和预测售电价格，构建经济收益优化模型；其中，所述经济收益优化模型包括以经济收益最大为目标的目标函数，以及所述目标函数对应的约束条件；

35、模型求解模块，用于求解所述经济收益优化模型，得到使光伏电站经济收益最大的购电策略。

36、本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上述的光伏电站收益优化方法。

37、本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述的光伏电站收益优化方法。

38、与现有技术相比较，本发明的有益效果如下：

39、本发明能够根据天气情况和历史数据精确预测发电量，并优化电力输出与市场需求之间的匹配，减少能源浪费和未利用资源，综合考虑光伏发电量、电网电价、用户储能系统等多方面因素，全面提升用户光伏的整体收益。

40、本发明通过光伏电站收益优化方法综合考虑天气预测、电价预测以及电站实际运行情况，构建准确、高效的经济收益优化模型，并求解出最优的购电策略，以实现光伏电站经济收益的最大化。对于提高光伏电站的运营效率、降低运营成本、促进可再生能源的可持续发展具有重要意义。

41、本发明运用的lstm模型能够处理光伏发电量数据中的时间序列特性，应对光伏发电系统的数据可能存在缺失或不完整的问题。模型可以灵活地处理多种输入特征(如天气、温度、光照强度等)，捕捉其非线性关系，适应不同的环境变化，预测结果更加可靠，精确计算光伏收益与投资回报年限，为投资者提供了明确的投资依据。

42、本发明利用混合整数线性规划(milp)进行优化计算，确保在电价高峰时最大化售电收益，同时在低价时节约购电成本，从而在全天范围内优化经济收益。通过预测模型和实时数据分析，动态地调整电力购买，实现成本管理动态化，进一步减少运营成本，实现经济效益最大化。