一种基于分布式光储的配电网远程安全运维方法

摘要

本发明公开了一种基于分布式光储的配电网系统，包括分布式光储结构和控制装置，控制装置包括计算端和采集端，计算端包括计算机、比较器、负载功率采集模块和光伏功率预测模块，采集端包括微控制器、PWM脉冲控制模块、光强传感器、温度传感器和风速传感器。本发明还公开了一种基于分布式光储的配电网远程安全运维方法，包括步骤一、预测光伏电池输出功率；步骤二、负载功率检测；步骤三、远程控制蓄电池充放电；步骤四、蓄电池组SOC预测与控制。本发明在计算光伏电池输出功率时，对光强函数和温度函数进行融合，并采用变权权重对光强因素和温度因素进行跟随调整，采用神经网络预测模型对光伏电池输出功率进行预测，预测结果清晰准确。

权利要求

1.一种基于分布式光储的配电网远程安全运维方法，其特征在于：包括分布式光储结构和控制装置，所述分布式光储结构包括接入直流母线的蓄电池组(3)和多个光伏发电机组(1)，所述光伏发电机组(1)与直流母线之间接有DC/DC变换器(2)，所述蓄电池组(3)与直流母线之间接有变流器(4)，所述直流母线与交流母线之间接有逆变器(5)，所述交流母线接有多个交流负载(6)；

所述控制装置包括计算端和多个分布光伏发电机组(1)周侧的采集端，所述计算端包括计算机(7)和与所述计算机(7)输入端相接的比较器(10)，所述比较器(10)的输入端接有用于监测多个交流负载(6)负载功率值总和的负载功率采集模块(8)和用于计算光伏发电机组(1)输出功率总和的光伏功率预测模块(9)，计算机(7)的输出端还接有过充预警电路(17)和过放预警电路(18)，所述采集端包括微控制器(19)，所述微控制器(19)的输出端接有用于控制变流器(4)通断的PWM脉冲控制模块(13)，所述微控制器(19)的输入端接有光强传感器(20)、温度传感器(21)和风速传感器(22)，所述计算机(7)和微控制器(19)之间依次接有第一无线通信模块(11)和第二无线通信模块(12)；

还包括聚光器和聚光器驱动模块(16)，所述聚光器驱动模块(16)与微控制器(19)的输出端相接；

所述变流器(4)为buck‑boost变换器；

该方法包括以下步骤：

步骤一、预测光伏电池输出功率Ppre‑p：步骤101、构造光强函数m(st)，其中 m(st)表示t时刻的光伏发电机组(1)受光强影响的输出功率，st表示t时刻光强传感器(20)采集到的光强，Ar表示第r个光伏发电电池的面积，ηr表示第r个光伏发电电池的光电转换效率，φT表示光强修正系数，β表示折扣系数，Tset表示温度设定值；

步骤102、构造温度函数m(Tt)，其中：m(Tt)表示t时刻的光伏发电机组(1)受光伏组件板温影响的输出功率，Tt表示t时刻的光伏组件板温，TR表示经温度传感器(21)采集到的环境温度，TN表示NOCT条件下光伏组件板温，Wt表示t时刻经风速传感器采集到的风速， 均表示拟合系数；

步骤103、计算变权权重：计算机(7)根据公式 计算变权权重，其中 表示光强函数的变权权重， 表示光强函数的初始权重， 表示温度函数的变权权重， 表示温度函数的初始权重；

步骤104、对多历史时刻的m(st)和m(Tt)进行信息融合，得到融合特征集M，M＝{m1,…mt,…,mn}，将融合特征集M分为训练集和测试集，mt表示t时刻的m(st)和t时刻m(Tt)的融合值，1≤t≤n；

步骤105、在光伏功率预测模块(9)内构建神经网络预测模型；

步骤106、通过训练集训练预测模型：使用训练集数据训练神经网络，按照极小化误差的方法调整卷积神经网络的权值参数；

步骤107、通过测试集进行模型评估：直到测试集的预测准确率满足精度要求，精度要求为95％以上；

步骤108、实时获取当前时刻光强st’和温度Tt’，根据步骤101‑104计算当前t’时刻的融合值mt’；

步骤109、将当前t’时刻的融合值mt’输入到神经网络预测模型，神经网络预测模型输出当前时刻光伏电池输出功率预测值Ppre‑p；

步骤二、负载功率检测：负载功率采集模块(8)用于监测当前时刻多个交流负载(6)的负载功率值总和Ptes‑p，并将监测得到的当前时刻负载功率值总和Ptes‑p发送给比较器(10)；

步骤三、远程控制蓄电池充放电：

比较器(10)对当前时刻光伏电池输出功率预测值Ppre‑p和当前时刻负载功率值总和Ptes‑p进行比较，若Ppre‑p>Ptes‑p，则蓄电池组(3)充电，进入步骤301；若Ppre‑p

步骤301、计算机(7)通过第一无线通信模块(11)和第二无线通信模块(12)将PWM脉冲指令发送给PWM脉冲控制模块(13)，变流器(4)开关关断，电感上产生反向电动势，使二极管从截止变成导通，蓄电池组(3)充电；

步骤302、计算机(7)通过第一无线通信模块(11)和第二无线通信模块(12)将PWM脉冲指令发送给PWM脉冲控制模块(13)，变流器(4)开关导通，电感储能，电容放电，蓄电池组(3)放电；

步骤四、蓄电池组SOC预测与控制；

获取蓄电池组(3)当前功率Ppre‑B，若Ppre‑B>Pc‑max‑B，进入步骤401；若Pc‑min‑B

步骤401、计算机(7)通过第一无线通信模块(11)和第二无线通信模块(12)将PWM脉冲指令发送给PWM脉冲控制模块(13)，变流器(4)关断，蓄电池组(3)停止充电；

步骤402、计算机(7)发送控制指令给过充预警电路(17)，过充预警电路(17)报警；

步骤403、计算机(7)发送控制指令给过放预警电路(18)，过放预警电路(18)报警；

步骤404、计算机(7)通过第一无线通信模块(11)和第二无线通信模块(12)将PWM脉冲指令发送给PWM脉冲控制模块(13)，变流器(4)关断，蓄电池组(3)停止放电。

2.按照权利要求1所述的方法，其特征在于：步骤四中，蓄电池组(3)当前功率Ppre‑B由蓄电池电能检测模块检测得到，蓄电池电能检测模块串接在蓄电池组(3)与变流器(4)之间，蓄电池电能检测模块的使能引脚与计算机(7)相接。

3.按照权利要求1所述的方法，其特征在于：步骤104中，

4.按照权利要求1所述的方法，其特征在于：步骤105中，神经网络预测模型的基本结构为：输入层、卷积层、池化层、卷积层、池化层、全连接层、dropout、全连接层。

5.按照权利要求1所述的方法，其特征在于：步骤101中折扣系数 其中Vt表示直流电网在t时刻的直流电压，Ve表示直流电网的电压额定值，λ表示直流电网的最大电压差百分比。

说明书

一种基于分布式光储的配电网远程安全运维方法

技术领域

[0001] 本发明属于配电技术领域，具体涉及一种基于分布式光储的配电网远程安全运维方法。

背景技术

[0002] 为达成对能源日趋险峻及污染态势日渐严重的实质解决，全球针对光伏进行了广泛而深入的研究，其研究重心主要集中在独立式、并网型及分布式等。其中，1)独立式光伏，
又称离网光伏，主要以独立地运行方式来为较偏远地区、信号电源、路灯等供电；2)并网型
光伏，主要是国家级的大型式电站，由大电网汇集起各个电站所发的电能，再将其同一调配
给各用户用电；3)分布式光伏(Distributed Photovoltaic，D光伏)，又称分散式发电或分
布式供能，其一般是一种在接近配网侧或负荷处配置、主要以户用侧自发自足方式来运行、
剩余电能输送给配网并具有调节稳定特点的发电装置。

[0003] 对于并网光伏和独立式光伏系统所存在的一些问题，使得分布式光伏系统具有很重要的应用前景和很高的研究价值。分布式光伏发展前景广阔，其应用将改变城市在全新
能源结构中扮演的角色，即能源的生产、消费及交易三者合为一体。任何一个简单建筑都可
作为一个独立的分布式光伏电站，有了分布式光伏自发自用，它会摆脱对电网依赖，实现能
源就近供应。

[0004] 由于太阳能电池的输出功率随环境变化而不停的改变，加入蓄电池的光伏系统可以很好的减少能源波动，起到防止弃光限电的作用。但是蓄电池等储能装置的价格较贵，往
往占整个光伏系统造价的较大部分。而且加入蓄电池的光伏系统在能量管理的控制方面有
很高的要求，才能给额定负载较稳定的工作条件。所以设计好的充放电控制技术，减少蓄电
池充放电电压和电流的波动来降低对储能装置的损害，延长其工作寿命并保持直流母线电
压的稳定是光储系统中又一个研究热点。

[0005] 由于光伏发电的发电效率与环境温度、云、灰尘等环境因素有关，它们的变化都有可能导致光伏模块输出功率不稳定，且具有间歇性，因此大量接入会给电力系统的规划、运
行、调度和控制带来诸多不确定的问题。因此考虑多因素影响也是提高光伏模块发电效率
的重要手段。

发明内容

[0006] 本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于分布式光储的配电网远程安全运维方法，其结构简单、设计合理，在计算光伏电池输出功率时，
对光强函数和温度函数进行融合，并采用变权权重对光强因素和温度因素进行跟随调整，
采用神经网络预测模型对光伏电池输出功率进行预测，预测结果清晰准确。

[0007] 为解决上述技术问题，本发明采用的技术方案是：本发明的一种基于分布式光储的配电网远程安全运维方法，其特征在于：包括分布式光储结构和控制装置，所述分布式光
储结构包括接入直流母线的蓄电池组和多个光伏发电机组，所述光伏发电机组与直流母线
之间接有DC/DC变换器，所述蓄电池组与直流母线之间接有变流器，所述直流母线与交流母
线之间接有逆变器，所述交流母线接有多个交流负载；所述控制装置包括计算端和多个分
布光伏发电机组周侧的采集端，所述计算端包括计算机和与所述计算机输入端相接的比较
器，所述比较器的输入端接有用于监测多个交流负载的负载功率值总和的负载功率采集模
块和用于计算光伏发电机组输出功率总和的光伏功率预测模块，计算机的输出端还接有过
充预警电路和过放预警电路，所述采集端包括微控制器，所述微控制器的输出端接有用于
控制变流器通断的PWM脉冲控制模块，所述微控制器的输入端接有光强传感器、温度传感器
和风速传感器，所述计算机和微控制器之间依次接有第一无线通信模块和第二无线通信模
块；

[0008] 还包括聚光器和聚光器驱动模块，所述聚光器驱动模块与微控制器的输出端相接；

[0009] 所述变流器为buck‑boost变换器；

[0010] 该方法包括以下步骤：步骤一、预测光伏电池输出功率Ppre‑p：

[0011] 步骤101、构造光强函数m(st)，其中 m(st) 表示t时刻的光伏发电机组(1)受光强影响的输出功率，st表示t时刻光强传感器(20)采集到的光
强，Ar表示第r个光伏发电电池的面积，ηr表示第 r个光伏发电电池的光电转换效率，φT表
示光强修正系数，β表示折扣系数；

[0012] 步骤102、构造温度函数m(Tt)，其中：

[0013]

[0014] m(Tt)表示t时刻的光伏发电机组(1)受光伏组件板温影响的输出功率， Tt表示t时刻的光伏组件板温，TR表示经温度传感器(21)采集到的环境温度，TN表示NOCT条件下光伏组
件板温，Wt表示t时刻经风速传感器采集到的风速， 均表示拟合系
数；

[0015] 步骤103、计算变权权重：计算机根据公式 计算变权权重，其中 表示光强函数的变权权重， 表示光强函数的
初始权重， 表示温度函数的变权权重， 表示温度函数的初始权重；

[0016] 步骤104、对多历史时刻的m(st)和m(Tt)进行信息融合，得到融合特征集 M，M＝{m1,…mt,…,mn}，将融合特征集M分为训练集和测试集，mt表示t时刻的m(st)和t时刻m(Tt)
的融合值，1≤t≤n；

[0017] 步骤105、在光伏功率预测模块内构建神经网络预测模型；

[0018] 步骤106、通过训练集训练预测模型：使用训练集数据训练神经网络，按照极小化误差的方法调整卷积神经网络的权值参数；

[0019] 步骤107、通过测试集进行模型评估：直到测试集的预测准确率满足精度要求，精度要求为95％以上；

[0020] 步骤108、实时获取当前时刻光强st’和温度Tt’，根据步骤101‑104计算当前t’时刻的融合值mt’；

[0021] 步骤109、将当前t’时刻的融合值mt’输入到神经网络预测模型，神经网络预测模型输出当前时刻光伏电池输出功率预测值Ppre‑p；

[0022] 步骤二、负载功率检测：负载功率采集模块用于监测当前时刻多个交流负载的负载功率值总和Ptes‑p，并将监测得到的当前时刻负载功率值总和Ptes‑p发送给比较器；

[0023] 步骤三、远程控制蓄电池充放电：

[0024] 比较器对当前时刻光伏电池输出功率预测值Ppre‑p和当前时刻负载功率值总和Ptes‑p进行比较，若Ppre‑p>Ptes‑p，则蓄电池组充电，进入步骤301；若 Ppre‑p

[0025] 步骤301、计算机通过第一无线通信模块和第二无线通信模块将PWM脉冲指令发送给PWM脉冲控制模块，变流器开关关断，电感上产生反向电动势，使二极管从截止变成导通，
蓄电池组充电；

[0026] 步骤302、计算机通过第一无线通信模块和第二无线通信模块将PWM脉冲指令发送给PWM脉冲控制模块，变流器开关导通，电感储能，电容放电，蓄电池组放电；

[0027] 步骤四、蓄电池组SOC预测与控制；

[0028] 获取蓄电池组当前功率Ppre‑B，若Ppre‑B>Pc‑max‑B，进入步骤401；若 Pc‑min‑B

[0029] 步骤401、计算机通过第一无线通信模块和第二无线通信模块将PWM脉冲指令发送给PWM脉冲控制模块，变流器关断，蓄电池组停止充电；

[0030] 步骤402、计算机发送控制指令给过充预警电路，过充预警电路报警；

[0031] 步骤403、计算机发送控制指令给过放预警电路，过放预警电路报警；

[0032] 步骤404、计算机通过第一无线通信模块和第二无线通信模块将PWM脉冲指令发送给PWM脉冲控制模块，变流器关断，蓄电池组停止放电。

[0033] 上述的方法，其特征在于：步骤四中，蓄电池组当前功率Ppre‑B由蓄电池电能检测模块检测得到，蓄电池电能检测模块串接在蓄电池组与变流器之间，蓄电池电能检测模块的
使能引脚与计算机相接。

[0034] 上述的方法，其特征在于：步骤104中，

[0035] 上述的方法，其特征在于：步骤105中，神经网络预测模型的基本结构为：输入层、卷积层、池化层、卷积层、池化层、全连接层、dropout、全连接层。

[0036] 上述的方法，其特征在于：步骤101中折扣系数 其中Vt表示直流电网在t时刻的直流电压，Ve表示直流电网的电压额定值，λ表示直流电网的最大电压差百分比。

[0037] 本发明与现有技术相比具有以下优点：

[0038] 1、本发明的结构简单、设计合理，实现及使用操作方便。

[0039] 2、本发明在计算光伏电池输出功率时，同时考虑光强和温度因素，对光强函数和温度函数进行融合，避免信息丢失和失真，并采用变权权重对光强因素和温度因素进行跟
随调整，适用性高，使用效果好。

[0040] 3、本发明采用神经网络预测模型对光伏电池输出功率进行预测，预测结果清晰准确，提高了预测精度。

[0041] 综上所述，本发明结构简单、设计合理，在计算光伏电池输出功率时，对光强函数和温度函数进行融合，并采用变权权重对光强因素和温度因素进行跟随调整，采用神经网
络预测模型对光伏电池输出功率进行预测，预测结果清晰准确。

[0042] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0043] 图1为本发明分布式光储结构的电路原理框图。

[0044] 图2为本发明控制装置的电路原理框图。

[0045] 图3为本发明的方法流程图。

[0046] 附图标记说明：

[0047] 1—光伏发电机组； 2—DC/DC变换器； 3—蓄电池组；4—变流器； 5—逆变器； 6—交流负载；
7—计算机； 8—负载功率采集模块； 9—光伏功率预测模块；
10—比较器； 11—第一无线通信模块； 12—第二无线通信模块；
13—PWM脉冲控制模块； 16—聚光器驱动模块； 17—过充预警电路；
18—过放预警电路； 19—微控制器； 20—光强传感器；
21—温度传感器； 22—风速传感器。  

具体实施方式

[0048] 下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

[0049] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

[0050] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0051] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里
图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不
必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方
法、产品或设备固有的其它步骤或单元。

[0052] 为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位
之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器
件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下
方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并
且对这里所使用的空间相对描述作出相应解释。

[0053] 如图1至图3所示，本发明包括分布式光储结构和控制装置，所述分布式光储结构包括接入直流母线的蓄电池组3和多个光伏发电机组1，所述光伏发电机组1与直流母线之
间接有DC/DC变换器2，所述蓄电池组3与直流母线之间接有变流器4，所述直流母线与交流
母线之间接有逆变器5，所述交流母线接有多个交流负载6；所述控制装置包括计算端和多
个分布光伏发电机组1周侧的采集端，所述计算端包括计算机7和与所述计算机7输入端相
接的比较器10，所述比较器10的输入端接有用于监测多个交流负载6负载功率值总和的负
载功率采集模块8和用于计算光伏发电机组1输出功率总和的光伏功率预测模块9，计算机7
的输出端还接有过充预警电路17和过放预警电路18，所述采集端包括微控制器19，所述微
控制器19的输出端接有用于控制变流器4通断的PWM脉冲控制模块13，所述微控制器19的输
入端接有光强传感器20、温度传感器21和风速传感器22，所述计算机7和微控制器19之间依
次接有第一无线通信模块11和第二无线通信模块12。

[0054] 需要说明的是，本发明中，传感器均为现有技术设备，可以直接购置并与计算机7或微控制器19连接使用。

[0055] 实际使用时，光伏发电机组1的个数为多个，多个光伏发电机组1分布在不同的位置，采集端跟随光伏发电机组1的位置，布设在光伏发电机组1 的周侧。计算机7布设在远程
监控中心，第一无线通信模块11和第二无线通信模块12为蓝牙模块、wifi模块、4G模块或
ZigBee模块。

[0056] 光强传感器20采用TSL2560T光强传感器。

[0057] 光伏发电机组1将光能转换为电能，电能经DC/DC变换器2并入直流母线，直流母线经逆变器5将电能并入交流母线并向交流负载供电。负载功率采集模块8用于监测多个交流
负载6负载功率值总和，光伏功率预测模块9 用于计算多个光伏发电机组1的输出功率总
和，比较器10用于比较负载功率值总和和光伏发电机组1的输出功率总和的大小。

[0058] 若负载功率值总和大于光伏发电机组1的输出功率总和，计算机7通过第一无线通信模块11和第二无线通信模块12将控制指令发送给微控制器19，微控制器19发送PWM脉冲
给变流器4，蓄电池组3向交流负载6放电。若负载功率值总和小于光伏发电机组1的输出功
率总和，计算机7通过第一无线通信模块11和第二无线通信模块12将控制指令发送给微控
制器19，微控制器19发送PWM脉冲给变流器4，蓄电池组3充电。

[0059] 本实施例中，还包括聚光器和聚光器驱动模块16，所述聚光器驱动模块 16与微控制器19的输出端相接。聚光器与光伏组件转动连接。

[0060] 实际使用时，当蓄电池组3过充，微控制器19控制聚光器驱动模块16，聚光器驱动模块16带动聚光器转动，使得聚光器的光口远离光伏组件，降低充电效率。

[0061] 本实施例中，所述变流器4为buck‑boost变换器。BUCK‑BOOST电路是一种常用的DC/DC变换电路，其输出电压既可低于也可高于输入电压。当功率管Q1闭合时，电感L1直接
接到电源两端，此时电感电流逐渐上升，电容 C放电。当功率管Q1关断时，输入端VIN给输入
电容充电。由于电感的电流不能突变，电感L1通过续流管D1给输出电容COUT及负载RL供电。
系统稳定工作后，电感伏秒守恒。

[0062] 因此通过控制功率管Q1闭合与导通，可以控制蓄电池组4的充放电。

[0063] 本发明还包括一种基于分布式光储的配电网远程安全运维方法，包括以下步骤：

[0064] 步骤一、预测光伏电池输出功率Ppre‑p：

[0065] 步骤101、构造光强函数m(st)，其中 m(st) 表示t时刻的光伏发电机组(1)受光强影响的输出功率，st表示t时刻光强传感器(20)采集到的光
强，Ar表示第r个光伏发电电池的面积，ηr表示第 r个光伏发电电池的光电转换效率， 表
示光强修正系数，β表示折扣系数。

[0066] 由于光强受温度影响，因此构造光强函数m(st)的时候，考虑温度对光强的影响，在光强函数m(st)中加入光强修正系数φT，光强修正系数φT基于温度Tt取值，使得光强函
数m(st)更接近真实。

[0067] 根据公式 可以看出，当温度Tt大于温度设定值Tset时，小于1，当温度Tt小于温度设定值Tset时，

[0068] 大于1，符合实验理论，即温度越高，光伏效率越低。该公式中，‑15℃≤Tt≤40℃，Tset＝26℃。

[0069] 同时加入折扣系数对光强修正系数φT进行修正，折扣系数 其中Vt表示直流电网在t时刻的直流电压，Ve表示直流电网的电压额定值，λ表示直流电网的最大电压
差百分比,λ＝10％。

[0070] 步骤102、构造温度函数m(Tt)，其中：

[0071]

[0072] m(Tt)表示t时刻的光伏发电机组(1)受光伏组件板温影响的输出功率， Tt表示t时刻的光伏组件板温，TR表示经温度传感器(21)采集到的环境温度，TN表示NOCT条件下光伏组
件板温，Wt表示t时刻经风速传感器采集到的风速，φ1、φ2、φ3、φ4均表示拟合系数。

[0073] 传统计算公式中， 由于温度与风速息息相关，因此本申请在计算光伏组件板温Tt的时候，考虑风速对温度的影响。从公式中可以看出，当风速等于
1m/s时，本申请中Tt的计算公式与传统公式一样。

[0074] 步骤103、计算变权权重：计算机7根据公式 计算变权权重，其中 表示光强函数的变权权重， 表示光强函
数的初始权重， 表示温度函数的变权权重， 表示温度函数的初始权重。

[0075] 实际使用时， 和 的取值有两种方法，一种是 另一种是，

[0076] 由于光强和温度实时变化，因此从计算公式上可以看出， 和 为变权权重，且跟随光强和温度的大小值进行变化，适应性好。

[0077] 步骤104、对多历史时刻的m(st)和m(Tt)进行信息融合，得到融合特征集 M，M＝{m1,…mt,…,mn}，将融合特征集M分为训练集和测试集，mt表示t时刻的m(st)和t时刻m(Tt)
的融合值，1≤t≤n。

[0078] 由于m(st)和m(Tt)的信息侧重点不同，为了避免信息丢失和失真，对m(st) 和m(Tt)进行加权融合， 使用效果好。

[0079] 步骤105、在光伏功率预测模块9内构建神经网络预测模型；神经网络预测模型的基本结构为：输入层、卷积层、池化层、卷积层、池化层、全连接层、dropout、全连接层。

[0080] 神经网络预测模型可选用AlexNet网络、VGG系列网络或ResNet系列网络。

[0081] 步骤106、通过训练集训练预测模型：使用训练集数据训练神经网络，按照极小化误差的方法调整卷积神经网络的权值参数；

[0082] 步骤107、通过测试集进行模型评估：直到测试集的预测准确率满足精度要求，精度要求为95％以上；

[0083] 步骤108、实时获取当前时刻光强st’和温度Tt’，根据步骤101‑104计算当前t’时刻的融合值mt’；

[0084] 步骤109、将当前t’时刻的融合值mt’输入到神经网络预测模型，神经网络预测模型输出当前时刻光伏电池输出功率预测值Ppre‑p；

[0085] 步骤二、负载功率检测：负载功率采集模块8用于监测当前时刻多个交流负载6的负载功率值总和Ptes‑p，并将监测得到的当前时刻负载功率值总和 Ptes‑p发送给比较器10；

[0086] 步骤三、远程控制蓄电池充放电：

[0087] 比较器10对当前时刻光伏电池输出功率预测值Ppre‑p和当前时刻负载功率值总和Ptes‑p进行比较，若Ppre‑p>Ptes‑p，则蓄电池组3充电，进入步骤301；若Ppre‑p3放电，进入步骤302；

[0088] 步骤301、计算机7通过第一无线通信模块11和第二无线通信模块12 将PWM脉冲指令发送给PWM脉冲控制模块13，变流器4采用buck‑boost变流器，变流器4开关关断，电感上
产生反向电动势，使二极管从截止变成导通，蓄电池组3充电；

[0089] 步骤302、计算机7通过第一无线通信模块11和第二无线通信模块12 将PWM脉冲指令发送给PWM脉冲控制模块13，变流器4开关导通，电感储能，电容放电，蓄电池组3放电；

[0090] 步骤四、蓄电池组SOC预测；

[0091] 蓄电池组3当前功率Ppre‑B由蓄电池电能检测模块检测得到，蓄电池电能检测模块串接在蓄电池组3与变流器4之间，蓄电池电能检测模块的使能引脚与计算机7相接。蓄电池
电能检测模块获取蓄电池组3当前功率Ppre‑B，若 Ppre‑B>Pc‑max‑B，进入步骤401；若Pc‑min‑B

[0092] 实际使用时，蓄电池组3当前功率Ppre‑B还可以采用(检测电压‑充电电压‑放电电压)乘以电流计算得到。

[0093] 步骤401、计算机7通过第一无线通信模块11和第二无线通信模块12 将PWM脉冲指令发送给PWM脉冲控制模块13，变流器4关断，蓄电池组3停止充电；

[0094] 步骤402、计算机7发送控制指令给过充预警电路17，过充预警电路17 报警；

[0095] 步骤403、计算机7发送控制指令给过放预警电路18，过放预警电路18 报警；

[0096] 步骤404、计算机7通过第一无线通信模块11和第二无线通信模块12 将PWM脉冲指令发送给PWM脉冲控制模块13，变流器4关断，蓄电池组3停止放电。

[0097] 以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方
案的保护范围内。