本发明涉及控制器技术领域，尤其涉及一种基于嵌入式的用户侧储能优化控制器及控制方法。
背景技术：
：
电能是我们生活中不可或缺的能源，随着经济技术的发展和人们生活水平的提高，电能的需求也与日俱增，对于企业用户来说，伴随着用电量的增加，高额的用电费用也成为其所困扰的一大难题。近年来，随着新能源和储能设备的不断发展，电价也采用分时电价的交费制度，这为解决企业用户的高额用电问题带来了契机。
目前国家出台相关政策，鼓励在用户侧安装储能设备，随着储能设备应用的增加，储能控制器的需求也不断增多。在现有企业用户的储能应用中，储能控制器控制储能设备在电价低时充电，在电价高时将存储的电能回馈给电网以赚取电价差，但是随着新能源的引入和用户用电功率的变化，这种单一的储能控制器并不能很好地满足用户的需求，也无法为用户带来更高的经济效益。
技术实现要素：
本发明的目的在于提供一种基于嵌入式的用户侧储能优化控制器及控制方法，以解决现有技术中导致的控制器无法帮助用户的用电进行经济性优化控制的缺陷。
第一方面，提供了一种基于嵌入式的用户侧储能优化控制器，包括用户用电网络、与所述用户用电网络连接的优化控制器以及与所述优化控制器连接的云平台；
所述优化控制器包括：
cpu模块：用于获取用户用电数据并根据数据进行计算得出储能设备最优充放电策略；
采集模块：与所述cpu模块连接，用于采集用户用电信息、储能电池电量信息以及气象数据；
存储模块：与所述cpu模块连接，用于存储采集到的信息以及cpu计算处理后的信息；
通讯模块：与所述cpu模块连接，用于实现设备间的通讯以及将采集和处理后的数据发送到云平台上；
控制模块：与所述cpu模块连接，用于控制储能设备充放电；
显示模块：与所述cpu模块练级，用于提供人机交互的界面；
电源模块：与上述所述模块连接，用于提供电力支持。
结合第一方面，进一步的，所述用户用电网络包括储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块。
结合第一方面，进一步的，所述cpu模块包括四核cortex-a9的exynos4412处理器，装有linux操作系统。
结合第一方面，进一步的，所述采集模块包括交流电流传感器、交流电压传感器、直流电流传感器、直流电压传感器、电量传感器、光强传感器、温度传感器、风速传感器以及风向传感器中的一种或多种。
结合第一方面，进一步的，所述存储模块包括ddr3存储器、nandflash存储器以及外接存储器的一种或多种。
第二方面,提供一种基于嵌入式的用户侧储能优化控制方法，所述方法包括如下步骤：
获取发电功率的历史数据、气象数据以及用户用电特征数据；
根据发电功率的历史数据和气象数据预测发电功率；
根据预测的发电功率以及用电特征数据，计算得出充放电策略。
结合第二方面，进一步的，所述发电功率的历史数据包括光伏发电功率的历史数据以及风力发电功率的历史数据中的一种或多种；
所述气象数据包括月份、辐照强度、温度、湿度、风力、气压以及风向中的一种或多种。
结合第二方面，进一步的，所述发电功率预测方法包括如下步骤：
采集光伏发电与风力发电所在地的气象数据；
根据采集到的数据建立短期功率预测模型，预测出光伏发电与风力发电一天的发电功率。
结合第二方面，进一步的，所述充放电策略的计算方法包括如下步骤：
获取用户用电数据、用电量、用电功率、光伏发电功率、风力发电功率以及电价表；
根据采集到的数据构建经济模型；
通过经济模型结合约束条件制定出最优的储能设备充放电策略。
结合第二方面，进一步的，所述经济模型的构建方法包括如下步骤：
将储能设备一天的充放电功率采用正态分布表示；
根据储能设备充放电功率结合电价高低进行购电以及回馈，获取电价收益差；
根据储能设备充放电功率、用户用电功率结合光伏发电功率和风力发电功率，获取电能供给收益；
根据储能设备、光伏模块、风机模块的安装、运行维护成本、电价收益差和电能供给收益获得总收益；
结合第二方面，进一步的，所述最优化决策模型的构建方法包括如下步骤：
将总收益的最大值设为目标函数；
将一天第t时段储能系统充放电的功率设为决策变量；
结合六个约束条件，采用图解法和协同粒子群优化算法进行分析得出最大总收益的充放电时段，制定出最优的储能设备充放电策略。
本发明的优点在于：该种基于嵌入式的用户侧储能优化控制器及控制方法，通过与储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块连接，能够结合光伏发电功率的历史数据、风力发电功率的历史数据以及采集到的气象数据预测出光伏发电功率和风力发电功率，并根据用户的用电特征，通过优化算法得出经济效益最高的充放电策略，通过控制模块控制储能设备充放电；可以在用户的负载功率因数不满足要求时，发送控制命令控制储能设备处于无功补偿模式，放弃电网峰谷差价部分收益；还可以在用户发生停电事故时，发送命令控制储能设备作为ups不间断电源给用户供电，从而使用户的经济效益达到最大化，具有高效性、经济性和实用性。
附图说明
图1为本发明的系统示意图。
图2为本发明中储能控制器的结构框架图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1至图2所示，一种基于嵌入式的用户侧储能优化控制器，包括用户用电网络、与所述用户用电网络连接的优化控制器以及与所述优化控制器连接的云平台；
所述优化控制器包括：
cpu模块：用于获取用户用电数据并根据数据进行计算得出储能设备最优充放电策略；
采集模块：与所述cpu模块连接，用于采集用户用电信息、储能电池电量信息以及气象数据；
存储模块：与所述cpu模块连接，用于存储采集到的信息以及cpu计算处理后的信息；
通讯模块：与所述cpu模块连接，用于实现设备间的通讯以及将采集和处理后的数据发送到云平台上；
通讯模块不仅包括wifi模块，可用于实现嵌入式系统核心板的wifi通信，将用户的用电信息、储能电池的电量信息、光伏发电功率、风力发电功率、气象数据以及cpu处理优化后的充放电策略上传到云平台，可供企业用户登陆查看，还包括rs485接口电路，用于实现对储能逆变器相关工作模式的设置；
控制模块：与所述cpu模块连接，用于控制储能设备充放电；
控制模块包含储能电池充电控制开关和储能电池放电控制开关，当储能逆变器收到嵌入式优化控制器的命令时，通过控制储能电池充、放电控制开关来控制储能设备充放电；
显示模块：与所述cpu模块练级，用于提供人机交互的界面；
显示模块用于查看用户的用电信息、储能电池的电量信息、光伏发电功率、风力发电功率、气象数据以及优化处理后的储能设备的充放电策略；
电源模块：与上述所述模块连接，用于提供电力支持。
在本实施例中，所述用户用电网络包括储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块。
在本实施例中，所述cpu模块包括四核cortex-a9的exynos4412处理器，装有linux操作系统，可以通过光伏发电功率的历史数据、风力发电功率的历史数据以及采集到的气象数据，利用深度学习算法预测得出光伏发电功率，利用神经网络算法预测得出风力发电功率，最终结合用户以往的用电数据、电网的电价表、储能电池的电量、用户负载的功率因数，实行协同粒子群算法计算得出储能设备最优充放电策略。
在本实施例中，所述采集模块包括交流电流传感器、交流电压传感器、直流电流传感器、直流电压传感器、电量传感器、光强传感器、温度传感器、风速传感器以及风向传感器中的一种或多种；
利用交流电流传感器、交流电压传感器采集用户负载的交流电流、交流电压；利用直流电流传感器、直流电压传感器采集储能电池的直流电流、直流电压、光伏电池的直流电流、直流电压以及风力发电的直流电流、直流电压；利用电量传感器采集用户的用电电量信息和功率因数；利用光强传感器、温度传感器采集光伏设备附近的光照强度、环境温度；利用风速传感器、风向传感器采集风力发电周围的风速以及风向信息。
在本实施例中，所述存储模块包括ddr3存储器、nandflash存储器以及外接存储器的一种或多种，用于扩展存储空间，可以将用户用电信息、储能电池的电量信息、光伏发电功率、风力发电功率、气象数据以及运行的充放电策略存储到sqlite3数据库中。
一种基于嵌入式的用户侧储能优化控制方法，所述方法包括如下步骤：
获取发电功率的历史数据、气象数据以及用户用电特征数据；
根据发电功率的历史数据和气象数据预测发电功率；
根据预测的发电功率以及用电特征数据，计算得出充放电策略。
在本实施例中，所述发电功率的历史数据包括光伏发电功率的历史数据以及风力发电功率的历史数据中的一种或多种；
所述气象数据包括月份、辐照强度、温度、湿度、风力、气压以及风向中的一种或多种。
在本实施例中，所述发电功率预测方法包括如下步骤：
采集光伏发电与风力发电所在地的气象数据；
根据采集到的数据建立短期功率预测模型，预测出光伏发电与风力发电一天的发电功率。
所述短期预测模型的构建方法包括如下步骤：
将历史采集到的月份、辐照强度、温度、湿度、风力、气压、风向、天气、功率数据组成向量形式，即x＝[x1，x2，x3，...，xn]；
将光伏发电与风力发电的历史数据进行聚类分析，利用k均值聚类算法，在数据集合中快速的找到类与类之间最优的聚类中心k；
将特征空间中两点之间的距离作为相似的量度，以数据集合进行距离聚类中心k距离大小的分类划分，假设采集的现有数据n维样本x1＝[x11，x12，x13，...，x1n]，历史数据样本x2＝[x21，x22，x23，...，x2n]，距离计算公式如下：
通过计算聚类各类的欧式距离选取与预测日气象条件最接近的历史日；
构建神经网络模型，利用模糊理论系统函数s＝(u，a，v，f)进行粗糙集模糊分析，其中u为对象的非空有限集合，a为属性的非空有限集合，v＝∪va，va是属性a的值域，f是一个信息函数，为每个对象的每个属性赋予一个信息值，即
通过输入实际功率数据找出s函数中u论域，a属性的非空有限集合域f，对选取的与预测日相似的历史日功率曲线进行修正，得出预测的功率曲线；
在本实施例中，所述充放电策略的计算方法包括如下步骤：
获取用户用电数据、用电量、用电功率、光伏发电功率、风力发电功率以及电价表；
根据采集到的数据构建经济模型；
通过经济模型结合约束条件，采用图解法和协同粒子群算法进行具体分析得出最优化决策模型，制定出最优的储能设备充放电策略。
在本实施例中，所述经济模型的构建方法包括如下步骤：
将储能设备一天的充放电功率采用正态分布表示；
根据储能设备充放电功率结合电价高低进行购电以及回馈，获取电价收益差；
根据储能设备充放电功率、用户用电功率结合光伏发电功率和风力发电功率，获取电能供给收益；
根据储能设备、光伏模块、风机模块的安装、运行维护成本、电价收益差和电能供给收益获得总收益；
具体步骤为：
将储能设备一天的充放电功率采用正态分布表示：
式中，σ为充放电功率的标准差，x为t时段的功率，μ为平均充放电功率的大小；
将一天时间分为24个时段，得出t时段用户用电费用支出产生的价值vt：
一年用户用电费用支出所产生的价值v1：
式中，et为第t时段的目录电价(元/kwh)；
用户在用电低谷电价低的时候从电网购电给储能设备充电，在用电高峰电价高的时候将存储的电能回馈给电网，从而减小了配电的建设，产生的年价值v2为：
pc＝pmax-pav；
其中：pc为拉平负荷曲线所需的临界功率(mw)；pmax为采集到的日功率曲线的中的功率最大值(mw)；pav为一天下来的平均功率值(mw)；ud为在用户侧装设对应配电设备的平均造价(元/mw)；pn为安装储能设备的总功率(mw)；cd为在用户侧装设对应配电设备的对应资产的折旧率；η为储能设备的充放电效率；
储能设备在电网停电的时候可作为ups不间断电源使用，这部分产生的年价值v3为：
v3＝cinv cpre cint λcieaeenc[1-p(erem＜ewrk)]；
式中：cinv为ups不间断电源的年投资成本(元/年)；cpre为ups不间断电源的运行维护成本(元/年)；cint装设ups不间断电源的装设环境影响成本(元/年)；λ为用户在装设储能设备之前的年停电频率；ciea为当用户生产过程处于断电状态的损失评价率；eenc为因为电网停电导致的用户无法用电的期望值；erem为电网发生停电时候的储能设备电能剩余量(mw)；ewrk为储能设备可作为ups不间断电源的最低容量(mw)，p(erem＜ewrk)为装设储能装置之后发生电网停电的时候的储能设备的容量小于ewrk的概率；
储能设备在作为无功补偿设备使用时，省去无功功率为q的无功补偿设备的安装费用带来的年收益v4为：
其中，ksvg为svg(静止无功发生器)的折旧率；co为svg的单位投资成本(元/mw)；eful为当无功不满足要求时储能设备处于充满状态的概率；cm为svg的单位容量维修费用(元/mw)；cf为svg的单位容量运行费用(元/mw)；qi为用户一年内某一小时的无功补偿量(mw)；
光伏发电与风力发电系统对用户用电设备或储能设备供电所产生的年收益价值v5为：
其中，n1为光伏发电与风力发电一年之内的工作天数，β1t表示t时段光伏标杆上网电价(元/kwh)，β2t表示t时段风电标杆上网电价(元/kwh)，p1t为光伏发电在t时段的发电功率(kw)，p2t为风力发电在t时段的发电功率(kw)；
光伏发电场与风力发电场的安装成本cel可以表示为：
cel＝γpvppv γwdpwd；
其中，ppv，pwd分别表示光伏发电场和风力发电场的装机容量(mw)，γpv，γwd分别表示光伏发电场和风力发电场的建造成本(元/mw)；
储能设备的年安装成本ccap可以表示为：
ccap＝kcap(cppn cwen)；
其中，kcap为储能设备的折旧率；cp为储能设备平均功率所需的安装成本(元/mw)；pn为安装储能设备的总功率(mw)；cw为储能设备的安装单位容量的成本(元/mw)；en为储能设备的总的安装容量(mw)；
储能设备，光伏发电设备和风力发电设备的年运行维护成本com为：
com＝cpeo cpep cpew λ1(cppn cwen) λ2γpvppv λ3γwdpwd；
其中，cpeo为储能设备在投入运行过程的年人力参与成本(元/年)；λ1，λ2，λ3分别为储能设备、光伏发电设备和风力发电设备在运行过程中出现故障的导致停用或者需要更换的概率；
结合以上收益和成本得出经济模型，最终获得总收益i为：
i＝v1 v2 v3 v4 v5-cel-ccap-com。
在本实施例中，所述最优化决策模型的构建方法包括如下步骤：
将总收益i的最大值imax设为目标函数；
将一天第t时段储能系统充放电的功率pt设为决策变量；
结合六个约束条件，采用图解法结合协同粒子群优化算法进行分析得出最大总收益imax的充放电时段，制定出最优的储能设备充放电策略；
具体步骤为：
将总收益i的最大值imax设为目标函数：
imax＝v1 v2 v3 v4 v5-cel-ccap-com；
将一天第t时段储能系统充放电的功率pt设为决策变量；
将储能设备每天充电放电的电量平衡设为第一个约束：
将储能设备的剩余电量小于储能设备的额定容量，充放电有时间限制设为第二个约束：
0≤wp≤ws；
其中，wp为储能设备的剩余容量(mw)，p1t为储能设备的额定容量(mw)；
将光伏发电量与风力发电量之和小于储能设备的额定容量设为第三个约束：
将在辐照充足、风速大情况下，优先使用光伏发电设备和风力发电设备向储能设备充电设为第四个约束：
将储能设备作为无功补偿时的补偿容量设为第五个约束：
qi＜q；
其中，qi为储能设备的无功补偿量(mw)，q为负载的无功量(mw)；
将储能设备充放电时使用储能设备和电网功率设为第六个约束：
pt p市＝pw；
pt为储能设备在t时段的充放电功率，p市为储能设备在t时段用户使用市电的功率，pw为t时段用户总的负荷；
通过目标函数imax结合以上六个约束条件，采用图解法求解得出最大总收益imax的充放电时段，利用协同粒子群优化算法对求得的充放电时段进行优化分析，制定出最优储能设备充放电策略。
如图2所示，本发明的基于嵌入式的用户侧储能优化控制器与储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块连接。电网给装有储能设备的用户供电，储能优化控制器通过采集模块采集到的信息，利用优化算法得出经济效益最高的充放电策略，通过控制模块控制储能设备在最优时机充放电；在电网处于用电低谷、电价低时段时，可控制储能设备处于充电模式，当光照充足或风力充足时，可以结合光伏发电功率的历史数据、风力发电功率的历史数据以及采集到的气象数据预测光伏发电功率以及风力发电功率，并发送命令给储能逆变器，设置相应的工作模式，停止电网供电，优先控制光伏电池或风力发电产生的直流电向储能电池充电或直接经过储能逆变器转为交流电向用电设备供电，在电网处于用电高峰、电价高时，可控制储能设备将电能回馈给电网或给用户负载供电；在用户的负载功率因数不满足要求时，发送命令控制储能设备处于无功补偿模式，放弃电网峰谷差价部分收益；在用户发生停电事故时，控制储能设备作为ups不间断电源给用户负载供电；通过wifi模块将用户的用电信息、储能电池的电量信息、光伏发电功率、风力发电功率、气象数据以及cpu处理优化后的充放电策略上传到云平台供企业用户登陆查看，还可用于将云平台的操作指令发送给嵌入式用户侧储能优化控制器实现远程控制。
本发明提出的一种基于嵌入式的用户侧储能优化控制器，通过与储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块连接，能够结合光伏发电功率的历史数据、风力发电功率的历史数据以及采集到的气象数据预测出光伏发电功率和风力发电功率，并根据用户的用电特征，通过优化算法得出经济效益最高的充放电策略，通过控制模块控制储能设备充放电；可以在用户的负载功率因数不满足要求时，发送命令控制储能设备处于无功补偿模式，放弃电网峰谷差价部分收益；还可以在用户发生停电事故时，发送命令控制储能设备作为ups不间断电源给用户供电，从而使用户的经济效益达到最大化，具有高效性、经济性和实用性。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
1.一种基于嵌入式的用户侧储能优化控制器，其特征在于，包括用户用电网络、与所述用户用电网络连接的优化控制器以及与所述优化控制器连接的云平台；
所述优化控制器包括：
cpu模块：用于获取用户用电数据并根据数据进行计算得出储能设备最优充放电策略；
采集模块：与所述cpu模块连接，用于采集用户用电信息、储能电池电量信息以及气象数据；
存储模块：与所述cpu模块连接，用于存储采集到的信息以及cpu计算处理后的信息；
通讯模块：与所述cpu模块连接，用于实现设备间的通讯以及将采集和处理后的数据发送到云平台上；
控制模块：与所述cpu模块连接，用于控制储能设备充放电；
显示模块：与所述cpu模块练级，用于提供人机交互的界面；
电源模块：与上述所述模块连接，用于提供电力支持。
2.根据权利要求1所述的一种基于嵌入式的用户侧储能优化控制器，其特征在于：所述用户用电网络包括储能逆变器、储能设备、电网、用户用电设备、光伏模块以及风机模块。
3.根据权利要求1所述的一种基于嵌入式的用户侧储能优化控制器，其特征在于：所述采集模块包括交流电流传感器、交流电压传感器、直流电流传感器、直流电压传感器、电量传感器、光强传感器、温度传感器、风速传感器以及风向传感器中的一种或多种。
4.根据权利要求1所述的一种基于嵌入式的用户侧储能优化控制器，其特征在于：所述存储模块包括ddr3存储器、nandflash存储器以及外接存储器的一种或多种。
5.一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述方法包括如下步骤：
获取发电功率的历史数据、气象数据以及用户用电特征数据；
根据发电功率的历史数据和气象数据预测发电功率；
根据预测的发电功率以及用电特征数据，计算得出充放电策略。
6.根据权利要求5所述的一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述发电功率的历史数据包括光伏发电功率的历史数据以及风力发电功率的历史数据中的一种或多种；
所述气象数据包括月份、辐照强度、温度、湿度、风力、气压以及风向中的一种或多种。
7.根据权利要求5所述的一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述发电功率预测方法包括如下步骤：
采集光伏发电与风力发电所在地的气象数据；
根据采集到的数据建立短期功率预测模型，预测出光伏发电与风力发电一天的发电功率。
8.根据权利要求5所述的一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述充放电策略的计算方法包括如下步骤：
获取用户用电数据、用电量、用电功率、光伏发电功率、风力发电功率以及电价表；
根据采集到的数据构建经济模型；
通过经济模型结合约束条件制定出最优的储能设备充放电策略。
9.根据权利要求5所述的一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述经济模型的构建方法包括如下步骤：
将储能设备一天的充放电功率采用正态分布表示；
根据储能设备充放电功率结合电价高低进行购电以及回馈，获取电价收益差；
根据储能设备充放电功率、用户用电功率结合光伏发电功率和风力发电功率，获取电能供给收益；
根据储能设备、光伏模块、风机模块的安装、运行维护成本、电价收益差和电能供给收益获得总收益。
10.根据权利要求9所述的一种基于嵌入式的用户侧储能优化控制方法，其特征在于：所述最优化决策模型的构建方法包括如下步骤：
将总收益的最大值设为目标函数；
将一天第t时段储能系统充放电的功率设为决策变量；
结合约束条件，采用图解法和协同粒子群优化算法进行分析得出最大总收益的充放电时段，制定出最优的储能设备充放电策略。
技术总结