(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211076214.8 (22)申请日 2022.09.05 (71)申请人 北京宇乾能源科技有限责任公司 地址 100032 北京市西城区广义 街5号7层 3-702B (72)发明人 成华　刘庆洲　贾雪峰　王慧敏　 (74)专利代理 机构 北京绘聚高科知识产权代理 事务所(普通 合伙) 11832 专利代理师 罗硕 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06Q 30/02(2012.01) G06Q 50/06(2012.01) H02J 3/46(2006.01)H02J 3/38(2006.01) H02J 3/00(2006.01) (54)发明名称 一种多种清洁能源互补控制决策处理方法 及系统 (57)摘要 本发明公开了一种多种清洁能源互补控制 决策处理方法及系统。 获得当前能源信息。 获得 预测信息。 获得需求信息。 将所述当前太阳能和 当前风能， 进行发电， 得到不稳定电量。 基于 所述 不稳定电量、 所述当前能源信息、 预测信息和所 述需求信息， 通过分配模 型， 得到需求满足情况。 按照需求满足情况， 发布指令， 进行分配能源。 所 述分配模型包括预测神经网络、 能源分配结构和 能源获取分配结构。 本发明是将本地光能、 本地 风能以及本地生物燃气等热能能源进行统一协 调， 实现一种智 能的统一的管控控制。 采用预测 的方法， 联系未来能源的可能性来对当前的能源 进行调控， 同时依据能源的不同特性和调控价 格， 共同智能的对电量进行调控。 权利要求书4页 说明书13页 附图4页 CN 115169994 A 2022.10.11 CN 115169994 A 1.一种多种清洁能源互补控制决策处 理方法， 其特 征在于， 包括： 获得当前能源信息； 所述当前能源信息包括当前存储电量、 当前太阳能、 当前风能、 当 前生物能和当前燃料； 获得预测信息； 所述预测信息包括预测光伏发电 电量和预测风电发电 电量； 获得需求信息； 所述需求信息表示需求电负荷、 需求热负荷和需求冷负荷； 将所述当前太阳能和当前风能， 进行发电， 得到不稳定电量； 所述不稳定电量为所述当 前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和； 基于所述不稳定电量、 所述当前能源信息、 预测信息和所述需求信息， 通过分配模型， 得到需求满足情况； 所述需求满足情况包括需求满足值和分配电量； 按照需求满足情况， 发布指令， 进行分配能源； 所述分配模型包括预测 神经网络、 能源分配结构和能源获取分配结构： 所述预测神经网络的输入为所述预测信 息； 所述能源分配结构的输入为所述预测神经 网络的输出、 不稳定电量和需求信息； 所述能源获取分配结构的输入为需求信息、 不稳定电 量和当前能源信息 。 2.根据权利要求1所述的一种 多种清洁能源互补控制决策处理方法， 其特征在于， 所述 基于所述不稳定电量、 所述当前能源信息、 预测信息和所述需求信息， 通过分配模型， 得到 需求满足情况， 包括： 将不稳定电量， 与需求信息进行判断， 得到需求满足值； 所述需求满足值为1表示不稳 定电量满足需求信息； 所述需求满足值 为0表示不稳定电量未满足需求信息； 若所述需求满足值 为1， 得到剩余电量； 所述剩余电量 为满足需求信息后剩余的电量； 基于剩余电量和预测信息， 通过能源分配结构， 将不稳定电量进行分配， 得到分配电 量； 所述分配电量包括输送电量、 储 存电量和弃电 电量； 若所述需求满足值为0， 得到 需求剩余电量； 所述需求剩余电量为需求电量减去不稳定 电量之差； 基于所述需求信 息、 需求剩余电量和当前能源信息， 通过能源获取分配结构， 得到使用 能源信息； 所述使用能源信息包括 生物能、 燃料、 存 储电量和外 输送电量。 3.根据权利要求2所述的一种 多种清洁能源互补控制决策处理方法， 其特征在于， 所述 基于剩余电量和预测信息， 通过能源分配结构， 将不稳定电量进行分配， 得到分配电量， 包 括： 将所述预测信 息， 输入预测神经网络， 得到预测电量； 所述预测电量为风速预测电量与 光照预测电量相加之和； 所述光照预测电量表示在预测的将来N 天通过光伏发电的电量； 所 述风速预测电量表示在预测的将来 N天通过风能发电的电量； 若所述预测电量大于电量阈值， 将储存值设为0； 若所述预测电量小于电量阈值， 将储 存值设为1， 得到预测电量差值； 所述预测电量差值 为所述电量阈值减去预测电量之差； 获得分配价格信息； 所述分配价格信息包括储存电量价格和输送电量价格； 所述输送 电量价格与供电骨架区域成正比； 所述储 存电量价格与储 存电量成正比； 若储存值为0， 基于所述分配价格信息和所述剩余电量， 得到最优分配电量； 所述最优 分配电量包括分配输送电量和分配弃用电量； 若储存值为1， 基于所述分配价格信息、 预测电量差值和所述剩余电量， 得到最优分配权　利　要　求　书 1/4 页 2 CN 115169994 A 2电量； 所述 最优分配电量包括分配储 存电量、 分配输送电量和分配弃用电量。 4.根据权利要求3所述的一种 多种清洁能源互补控制决策处理方法， 其特征在于， 预测 神经网络的训练方法， 包括： 获得训练集； 训练集包括多个训练数据组和多个标注数据； 所述训练数据组包括训练 风速数据组和训练光照数据组； 所述训练光照数据 组包括第一光照监测数据组、 第二光照 监测数据组和第三光照监测数据 组； 所述第一光照监测数据组为前5天的训练光照监测数 据； 所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据； 所述第三 光照监测数据组为第二光照监测数据 组后5天的训练光照监测数据； 所述第一光照监测数 据组包括第一总光照强度、 第二总光照强度、 第三总光照强度、 第四总光照强度和第五总光 照强度； 所述第二光照监测数据组包括第六总光照强度、 第七总光照强度、 第八总光照强 度、 第九总光照强度和第十总光照强度； 所述第三光照监测数据组包括第十一总光照强度、 第十二总光照强度、 第十三总光照强度、 第十四总光照强度和 第十五总光照强度； 所述标注 数据包括标注光照电量和标注风速电量； 所述标注光照电量表示光伏发电15日的发电总 量； 所述标注风速电量表示 风能发电15日的发电总量； 将所述训练光照数据组， 输入光照预测 神经网络， 得到光照预测电量； 将所述训练风速数据组， 输入风速预测 神经网络， 得到风速预测电量； 将光照预测电量与标注光照电量， 通过光照损失函数， 得到光照损失值； 将风速预测电量与标注风速电量， 通过风速损失函数， 得到风速损失值； 获得总损失值； 所述总损失值 为所述光照损失值和所述 风速损失值相加之和； 获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最 大迭代次数； 当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练， 得到 训练好的预测 神经网络 。 5.根据权利要求4所述的一种 多种清洁能源互补控制决策处理方法， 其特征在于， 所述 将所述训练光照数据组， 输入光照预测 神经网络， 得到光照预测电量， 包括： 将所述第三光照监测数据组， 按由远到近的时间顺序， 输入LSTM结构， 得到第三输出信 息； 第三输出信息包括第十五发电量、 第十四发电量、 第十三 发电量、 第十二 发电量、 第十一 发电量； 所述 LSTM结构为5个LSTM依次连接； 将所述第二光照监测数据组和第十一发电量， 按由远到近的时间顺序， 输入LSTM结构， 得到第二输出信息； 所述第二输出信息包括第十发电量、 第九发电量、 第八发电量、 第七发 电量和第六发电量； 所述 LSTM结构为5个LSTM依次连接； 将所述第一光照监测数据组和第六发电量， 按由远到近的时间顺序， 输入LSTM结构， 得 到第一输出信息； 所述第一输出信息包括第 五发电量、 第四发电量、 第三发电量、 第二发电 量和第一发电量； 所述 LSTM结构为5个LSTM依次连接； 将所述第一发电量、 第二发电量、 第三发电量、 第四发电量、 第五发电量、 第六发电量、 第七发电量、 第八发电量、 第九发电量、 第十发电量、 第十一发电量、 第十二发电量、 第十三 发电量、 第十四发电量和第十五 发电量相加， 得到光照预测电量。 6.根据权利要求5所述的一种 多种清洁能源互补控制决策处理方法， 其特征在于， 所述 将所述第一光照监测数据组和第六发电量， 按由远到近的时间顺序， 输入LSTM结构， 得到第权　利　要　求　书 2/4 页 3 CN 115169994 A 3