CN119298177B 一种考虑源荷不确定性的光伏储能调度方法及系统 （深圳大学）

(19)国家知识产权局(12)发明专利道南海大道3688号(72)发明人王慧龙李乾范成李嘉宁邓惠丹务所(普通合伙)44268H02J3/38(2006.01)H02J3/00(2006.01)孟安波等.计及不确定性因素的家庭并网一种考虑源荷不确定性的光伏储能调度方本发明公开了一种考虑源荷不确定性的光伏储能调度方法及系统，涉及能源调度技术领21.一种考虑源荷不确定性的光伏储能调度方法，其特征在于，所述方法包括：预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电量；针对每一预测模型，通过该预测模型获取目标历史时间段的预测数据；其中，所述预测模型为所述建筑负荷预测模型或者所述光伏发电预测模型；将所述预测数据减去所述目标历史时间段对应的真实数据并除以所述真实数据，得到所述目标历史时间段每小时的误差百分比的概率分布函数；根据所述概率分布函数等分出若干概率区间，根据各所述概率区间内的随机数确定各所述概率区间分别对应的采样点；对所述概率分布函数进行逆变换，得到各所述采样点分别对应的样本值；根据每一所述采样点的样本值确定一个场景，得到若干场景；计算各场景两两之间的欧氏距离；针对每一场景，选择与该场景的欧氏距离最小的另一场景作为配对场景，得到一个场景组合，并计算欧氏距离与所述配对场景的场景概率的乘积；从各场景组合中筛选出乘积最小的场景组合，删除该场景组合中场景概率最小的场景，并将被删除场景的场景概率叠加至同一场景组合的另一场景上；判断剩余的总场景数是否达到预设值，若否，则继续执行计算各场景两两之间的欧氏距离的步骤，直至剩余的总场景数达到所述预设值，将剩余的场景作为目标场景；其中，所述建筑负荷预测模型的所述目标场景为负载用电场景，所述光伏发电预测模型的所述目标场景为光伏发电场景；将各所述负载用电场景与各所述光伏发电场景进行两两组合，得到若干源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景；根据系统日用电成本建立目标函数；根据逆变器的设备运行信息，设置约束条件；确定系统运行中的功率走向和若干工作模式，并基于各所述工作模式设置不同截止电量与功率走向的关系；使用所述目标函数和所述约束条件建立遗传算法，通过所述遗传算法搜索每一所述源荷场景下最优的所述逆变器的每小时设置参数组合；其中，所述每小时设置参数组合包括每小时的最优工作模式和截止电量设定值；根据搜索出的所述每小时设置参数组合，调度所述逆变器和/或电池组。2.根据权利要求1所述的考虑源荷不确定性的光伏储能调度方法，其特征在于，所述建筑负荷预测模型的输入数据为一天中的小时数、是否在工作日、室外温度、太阳辐射度以及建筑用电历史数据，输出数据为未来一天的逐时负载用电量；所述光伏发电预测模型的输入数据为一天中的小时数、室外温度、太阳辐射度以及光伏发电历史数据，输出数据为未来一天的逐时光伏发电量。3.根据权利要求1所述的考虑源荷不确定性的光伏储能调度方法，其特征在于，所述遗传算法用于：确定待优化的每小时设置参数组合，并基于所述待优化的每小时设置参数组合随机生成一组初始解作为种群；其中，每一所述初始解为所述种群内的一个个体；将所述目标函数作为适应度函数，计算各所述源荷场景下的每一个体的适应度；3判断当前是否满足预设的停止条件；若否，则根据各个体的适应度进行繁殖，得到新的种群；繁殖过程包括个体选择、交叉继续执行计算各所述源荷场景下的每一个体的适应度的步骤，直至满足所述停止条件，选择适应度最高的个体作为最优解。4.根据权利要求3所述的考虑源荷不确定性的光伏储能调度方法，其特征在于，将所述目标函数作为适应度函数，计算各所述源荷场景下的每一个体的适应度，包括：通过所述目标函数计算每一个体在每一所述源荷场景下的目标函数值；其中，针对每一所述源荷场景，通过所述目标函数计算所述负载用电场景和所述光伏发电场景分别对应的目标函数值，并根据两个目标函数值与各自对应的场景概率的乘积之和，确定该源荷场景对应的目标函数值；根据各所述源荷场景下的目标函数值确定该个体的适应度。5.一种考虑源荷不确定性的光伏储能调度方法系统，其特征在于，所述系统包括：模型预测模块，用于预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电量；用电场景生成模块，用于针对每一预测模型，通过该预测模型获取目标历史时间段的预测数据；其中，所述预测模型为所述建筑负荷预测模型或者所述光伏发电预测模型；将所述预测数据减去所述目标历史时间段对应的真实数据并除以所述真实数据，得到所述目标历史时间段每小时的误差百分比的概率分布函数；根据所述概率分布函数等分出若干概率区间，根据各所述概率区间内的随机数确定各所述概率区间分别对应的采样点；对所述概率分布函数进行逆变换，得到各所述采样点分别对应的样本值；根据每一所述采样点的样本值确定一个场景，得到若干场景；计算各场景两两之间的欧氏距离；针对每一场景，选择与该场景的欧氏距离最小的另一场景作为配对场景，得到一个场景组合，并计算欧氏距离与所述配对场景的场景概率的乘积；从各场景组合中筛选出乘积最小的场景组合，删除该场景组合中场景概率最小的场景，并将被删除场景的场景概率叠加至同一场景组合的另一场景上；判断剩余的总场景数是否达到预设值，若否，则继续执行计算各场景两两之间的欧氏距离的步骤，直至剩余的总场景数达到所述预设值，将剩余的场景作为目标场景；其中，所述建筑负荷预测模型的所述目标场景为负载用电场景，所述光伏发电预测模型的所述目标场景为光伏发电场景；将各所述负载用电场景与各所述光伏发电场景进行两两组合，得到若干源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景；优化调度控制模块，用于根据系统日用电成本建立目标函数；根据逆变器的设备运行信息，设置约束条件；确定系统运行中的功率走向和若干工作模式，并基于各所述工作模式设置不同截止电量与功率走向的关系；使用所述目标函数和所述约束条件建立遗传算法，通过所述遗传算法搜索每一所述源4荷场景下最优的所述逆变器的每小时设置参数组合；其中，所述每小时设置参数组合包括每小时的最优工作模式和截止电量设定值；根据搜索出的所述每小时设置参数组合，调度所述逆变器和/或电池组。5技术领域[0001]本发明涉及能源调度技术领域，尤其涉及的是一种考虑源荷不确定性的光伏储能调度方法及系统。背景技术[0002]近年来，随着传统电力生产带来的环境污染问题日益严重以及新能源技术持续发展，风、光等可再生能源接入能源互联网的规模逐渐扩大。虽然风、光能源有清洁性和可再生性等优势，但在实际部署中具有随机性、间歇性以及波动性等特点，往往难以实现能源的合理调度，导致能源利用效率不高，进而导致能源的浪费和用电成本的增加。[0003]目前为了提高能源利用效率，通常会开发能够实时响应能源供需变化的调度算法，例如基于优化理论和人工智能的调度算法。然而，现有的调度算法未能充分考虑源荷出[0004]因此，现有技术还有待改进和发展。发明内容[0005]本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种考虑源荷不确定性的光伏储能调度方法及系统，旨在解决现有的能源调度算法未能充分考虑源荷出力[0006]本发明解决问题所采用的技术方案如下：[0007]第一方面，本发明实施例提供一种考虑源荷不确定性的光伏储能调度方法，所述方法包括：[0008]预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电[0009]基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景；[0010]根据各所述源荷场景确定光伏储能系统的能源调度策略。[0011]第二方面，本发明实施例还提供一种考虑源荷不确定性的光伏储能调度方法系[0012]模型预测模块，用于预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电量；[0013]用电场景生成模块，用于基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光6伏发电场景；[0014]优化调度控制模块，用于根据各所述源荷场景确定光伏储能系统的能源调度策[0015]本发明的有益效果：本发明实施例使用机器学习模型进行光伏和负荷预测，基于预测结果使用拉丁超立方采样生成若干典型场景，这些典型场景的生成过程充分考虑了场景不确定性，因此综合考虑这些典型场景生成光伏储能系统的能源调度策略，可以有效应对源荷出力的不确定性，特别是应对极端工况，从而有效地增强能源调度策略的鲁棒性，进而提高能源利用率，降低用户的用电成本。附图说明[0016]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0017]图1是本发明实施例提供的考虑源荷不确定性的光伏储能调度方法的流程示意[0018]图2是本发明实施例提供的逆变器的参数设置示意图。[0019]图3是本发明实施例提供的负载优先模式下的电能调度控制逻辑图。[0020]图4是本发明实施例提供的电池优先模式下的电能调度控制逻辑图。[0021]图5是本发明实施例提供的电网优先模式下的电能调度控制逻辑图。[0022]图6是本发明实施例提供的考虑源荷不确定性的光伏储能调度策略的电池充放电效果图。[0023]图7是本发明实施例提供的考虑源荷不确定性的光伏储能调度系统的模块示意[0024]图8是本发明实施例提供的终端的原理框图。具体实施方式[0025]本发明公开了一种考虑源荷不确定性的光伏储能调度方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说[0026]本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。[0027]本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该7理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。[0028]针对现有技术的上述缺陷，本发明提供一种考虑源荷不确定性的光伏储能调度方法，所述方法通过预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电量；基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景；根据各所述源荷场景确定光伏储能系统的能源调度策略。本发明使用机器学习模型进行光伏和负荷预测，基于预测结果使用拉丁超立方采样生成若干典型场景，这些典型场景的生成过程充分考虑了场景不确定性，因此综合考虑这些典型场景生成光伏储能系统的能源调度策略，可以有效应对源荷出力的不确定性，特别是应对极端工况，从而有效地增强能源调度策略的[0030]步骤S100、预先建立建筑负荷预测模型和光伏发电预测模型，其中，建筑负荷预测模型用于预测未来逐时间的负载用电量，光伏发电预测模型用于预测未来逐时间的光伏发[0031]具体地，本实施例会预先采集研究对象的相关数据，研究对象可以为指定的某一建筑物及其光伏储能系统。通过采集数据构建两个预测模型，一个是建筑负荷预测模型，另一个是光伏发电预测模型，前者用于预测未来逐时间的负载用电量，后者用于预测未来逐时间的光伏发电量。[0032]在一种实现方式中，所述建筑负荷预测模型的输入数据为气象数据、日期数据以及建筑用电历史数据，输出数据为未来的逐时负载用电量，所述建筑负荷预测模型的日期数据包括是否为工作日的特征数据；所述光伏发电预测模型的输入数据为气象数据、日期数据以及光伏发电历史数据，输出数据为未来的逐时光伏发电量。[0033]具体地，本实施例会采集研究对象的气象数据、日期数据、建筑用电历史数据以及光伏发电历史数据，并分别建立建筑负荷预测模型和光伏发电预测模型，两个预测模型均是逐时预测模型。由于建筑用电负荷在工作日和非工作日数值差别较大，因此建筑负荷预测模型相较于光伏发电预测模型增加了一个是否在工作日的输入特征。[0034]举例说明，获取某建筑物一段时间内的光伏发电量和建筑用电量的原始数据，以及这段时间内的气象数据和日期数据，并进行特征工程。数据收集的间隔可以为每小时1次。其中，原始数据可以包括逐时光伏发电量和建筑电负荷数据，气象数据可以包括室外温工作日等特征。光伏发电量和建筑电负荷都具有明显的时间周期性，提取前一段时间的光伏发电历史数据和建筑用电历史数据作为滞后特征，预测未来的光伏发电量和负载用电[0035]进一步地，所述建筑负荷预测模型的输入数据为一天中的小时数、是否在工作日、室外温度、太阳辐射度以及前一小时的建筑用量，输出数据为未来一天的逐时负载用电量；8所述光伏发电预测模型的输入数据为一天中的小时数、室外温度、太阳辐射度以及前一小时的光伏发电量，输出数据为未来一天的逐时光伏发电量。[0036]具体地，针对负载用电量的预测过程，可以使用xgboost算法(一种基于梯度提升决策树的集成学习算法)将一天中的小时数、是否在工作日、室外温度、太阳辐射度(或者称为太阳短波辐射度数据)以及建筑用电历史数据作为特征输入，建立建筑负荷预测模型，最终输出未来一天的逐时负载用电量(或者称为建筑用电量、建筑用电负荷)。针对光伏发电量的预测过程，可以使用xgboost算法将一天中的小时数、室外温度、太阳辐射度以及光伏发电历史数据作为特征输入，建立光伏发电预测模型，最终输出未来一天的逐时光伏发电[0037]举例说明，采集研究对象的气象数据、日期数据作为特征输入。针对建筑负荷预测模型，由于负载用电量在工作日和非工作日数值差别较大，因此根据是否在工作日构建了日取0。其次，因为负载用电量受历史值影响较大，将前一小时负载用电量添加为模型特征。辐射度、前一小时负载用电量，共计5个输入特征。针对光伏发电预测模型，由于光伏发电量受工作日和非工作日影响较小，因此未添加“在工作日(isweekday)”这一特征。光伏发电预测模型与建筑负荷预测模型相比，除了前者采用的是前一小时光伏发电量，后者采用的是前一小时负载用电量，且前者没有“在工作日(isweekday)”这一特征之外，二者的其他输入特征相同。最后，建筑负荷预测模型的输出数据为未来一天逐时的负载用电量，光伏发电预测模型的输出数据为未来一天逐时的光伏发电量。[0038]进一步地，对于建筑负荷预测模型和光伏发电预测模型的训练过程，可以将采集的原始数据划分为训练集和测试集，划分比例为9:1。训练集用于模型训练，测试集用于最终模型的评估。例如，模型使用前31天的历史数据进行训练，并预测后续一天的光伏发电量或负载用电量。[0039]通过综合分析建筑负荷预测模型和光伏发电预测模型的训练时间和决定系数(R2)来评价预测模型的整体预测性能。[0040]评价指标的计算公式为：[0042]式中，;为第i个数据点的预测输出，Yi为第i个数据点的实际值，y为样本的平均值，即所有实际值的平均。决定系数(R²)的值越接近1,表明预测模型能够更好地解释观测数据的波动性，对真实数据的拟合程度更好。[0043]例如，使用2018年6月19日至2018年7月19日的历史数据进行模型训练，预测2018年7月20日至2018年8月19日的光伏发电量数据和负载用电量数据。预测结果显示，光伏发电预测模型的决定系数(R2)为0.91,均方根差(RMSE)为0.62;建筑负荷预测模型的决定系数(R2)为0.95,均方根差(RMSE)为0.53。9[0044]步骤S200、基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景。[0045]本实施例使用多场景方法来描述可再生能源(即光伏发电)和负载用电的不确定性。本实施例具体采用的是拉丁超立方采样方法：将每个输入变量的可能取值范围划分成等概率的区间，然后从每个区间中抽取一个样本，确保所有变量的采样都覆盖其全部范围。将超立方采样方法应用于场景生成过程，可以有效地减少样本重复性，并且能在相对较少的样本量下达到更好的结果。[0046]在一种实现方式中，基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景，包括：[0047]针对所述建筑负荷预测模型和所述光伏发电预测模型的每一预测模型，通过该预测模型获取目标历史时间段的预测数据；[0048]根据所述预测数据和所述目标历史时间段对应的真实数据，计算所述目标历史时间段每小时的误差百分比的概率分布函数；[0049]根据所述概率分布函数确定若干采样点，根据每一所述采样点的样本值确定一个[0050]根据各场景进行场景削减，得到若干目标场景和各所述目标场景的场景概率；其中，所述建筑负荷预测模型的所述目标场景为负载用电场景，所述光伏发电预测模型的所述目标场景为光伏发电场景；[0051]将各所述负载用电场景与各所述光伏发电场景进行两两组合，得到若干源荷场[0052]具体地，本实施例基于建筑负荷预测模型或者光伏发电预测模型生成场景的原理相同，因此本实施例以一个预测模型为例说明场景生成过程。首先选择一个目标历史时间段(例如一个月),该目标历史时间段需要具有与预测模型的预测性能相关的真实数据。通过预测模型获取该目标历史时间段的预测数据，将预测数据与已知的真实数据相减并除以真实数据，得到目标历史时间段的误差百分比的概率分布函数(例如为正态分布函数)。使用拉丁超立方采样方法对每小时的误差百分比概率分布进行采样，经过场景削减得到若干目标场景。为了便于区分，本实施例将建筑负荷预测模型的目标场景定义为负载用电场景，光伏发电预测模型的目标场景定义为光伏发电场景。随机地将所有负载用电场景与所有光伏发电场景进行两两组合，即可得到若干典型的源荷场景，这些典型的源荷场景充分考虑了场景不确定性。本实施例中的场景生成方法对数据量的要求较低，且模型可解释性强，避免了复杂计算，提高了运算效率和速度。[0053]在一种实现方式中，根据所述预测数据和所述目标历史时间段对应的真实数据，计算所述目标历史时间段每小时的误差百分比的概率分布函数，包括：[0054]将所述预测数据减去所述目标历史时间段对应的真实数据并除以所述真实数据，得到所述目标历史时间段每小时的误差百分比的概率分布函数。[0055]举例说明，首先使用建筑负荷预测模型、光伏发电预测模型预测出2018年7月20日到2018年8月19日的光伏发电量和负载用电量。然后将光伏发电量和负载用电量的预测值减去真实值并除以真实值，得到这一个月每小时的误差百分比的概率分布。考虑到大量场景和5个负载用电场景以及每种场景相应的场景概率，削减后的典型场景集能够良好反映为n个概率区间，然后将各概率区间内的随机数Pi作为采样点，最后对概率分布函数发电量的预测值与真实值之间的误差服从正态分布N(μ,δ,μ为7月20日到8月19日误差[0071]步骤(2)计算每个场景(xi,xj)的欧氏距离Dk(xi,X;),计算方法为：11[0076]其中，删除场景是由PDi(x;,Xr)确定的，欧氏距离Dk反映了两个场景之间的相似程度，场景概率Pr表示了场景的发生的可能性，如果两个场景Xi和Xr的欧氏距离和场景概率的乘积最小，就删除该场景组合之中场景概率最小的一个；[0077]步骤(4)删除上述确定的场景Xr,并将删除场景的场景概率累加到与之欧氏距离最近的样本Xi的场景概率上，从而确保概率之和为1。删除场景Xr后，场景概率可以更新[0078]步骤(5)重复上述步骤(2)-(4),直至剩余场景数达到设定值。[0079]负载用电场景的削减过程与上述步骤类似，此处不再赘述。[0080]假设采用拉丁超立方抽样分别生成服从概率分布的100个光伏发电场景和100个用电负荷场景，不同类别的场景分别进行场景削减。初始场景数N=100,代入上述的步骤(1)中每个场景的概率Pi=1/100。通过欧氏距离进行场景削减，步骤(3)、(4)是找到两个最接近的场景将它们合并然后删除一个场景，另一个场景概率变为2/100,并重复循环，削减到5个场景以及得到这5个场景的概率。最后获得5个光伏发电场景和5个用电负荷场景，并导出场景削减后具有相应概率的这些典型场景。[0081]步骤S300、根据各所述源荷场景确定光伏储能系统的能源调度策略。[0082]具体地，本实施例使用机器学习模型进行光伏和负荷预测，基于预测结果使用拉丁超立方采样生成若干典型场景，这些典型场景的生成过程充分考虑了场景不确定性，因此综合考虑这些典型场景生成光伏储能系统的能源调度策略，可以有效应对源荷出力的不确定性，特别是应对极端工况，从而有效地增强能源调度策略的鲁棒性，进而提高能源利用[0083]在一种实现方式中，根据各所述源荷场景确定光伏储能系统的能源调度策略，包[0084]根据系统日用电成本建立目标函数；[0086]确定系统运行中的功率走向和若干工作模式，并基于各所述工作模式设置不同截止电量与功率走向的关系；[0087]使用所述目标函数和所述约束条件建立遗传算法，通过所述遗传算法搜索每一所述源荷场景下最优的所述逆变器的每小时设置参数组合；其中，所述每小时设置参数组合包括每小时的最优工作模式和截止电量设定值；[0088]根据搜索出的所述每小时设置参数组合，调度所述逆变器和/或电池组。[0089]具体地，本实施例主要是针对逆变器和/或电池组的控制策略进行建模。首先，确定系统运行中的功率走向(即不同工作模式下功率流向的优先级),综合考虑前述生成的多个典型的源荷场景，以系统的日用电成本(用电成本等于购电电费减去光伏发电上网收入)最小建立优化目标，即得到目标函数。其次，根据逆变器的设备运行设置约束条件，保证优化求解的结果能应用于实际工况。另外，研究得到逆变器的多种工作模式，设置不同截止电量与系统运行中功率走向的关系，使用遗传算法对一天中所有场景下逆变器的每小时设置参数组合进行优化。[0090]由于本实施例的研究对象是真实的光伏储能系统，在现实世界中无法对光伏、电网、蓄电池和负载之间的能量流动进行直接优化，只能通过改变某一时刻工作模式的选取和电池充放电量来间接影响上述能量流动的大小和走向，因此需优化的变量是真实光伏储能系统中的逆变器的设定值。本实施例设置优化变量为逆变器每小时的工作模式(或者称为用电模式)和截止电量设定值。最终得到考虑场景不确定性、且日用电成本最小时的逆变器的每小时设置参数组合，将这些设置参数通过串口通信传输给逆变器和/或电池，以实现智能控制。在测试阶段，还可以通过搜索出的最优的每小时设置参数组合制定日用电策略，将逆变器基于该日用电策略的运行数据与逆变器基于默认用电策略的运行数据进行对比，以检验该日用电策略的鲁棒性。[0091]举例说明，本实施例中的逆变器具体可以采用混合逆变器。如图2所示，逆变器在某一时间段内可以自行设定的值有不同的工作模式、截止电量、充放电功率大小。本实施例设定逆变器的工作模式有三种：负载优先模式、电池优先模式以及电网优先模式。三种工作模式下的能源调度策略如图3、图4、图5所示，本实施例中考虑源荷不确定性的光伏储能调度方法也是以此建立的。负载优先模式下的能源调度策略为光伏优先满足负载使用，多余的电根据截止电量与电池电量的关系判断给电池充电还是上网；电池优先模式下的能源调度策略为光伏优先满足电池所需电量，在电池无需充电时光伏才会给负载供电或上网；电网优先模式与负载优先模式很相似，区别是在电网优先模式下当设置的截止电量小于电池电量时，电池会放电，而在负载优先模式下电[0092]由于充放电功率设置为100%,只对每小时充放电截止电量值进行优化，也能满足将充放电截止电量和充放电功率同时作为优化变量的所有情形，因此为了简化模型的求解，本实施例最终设置需要优化的变量为一天中每小时工作模式的选取和每小时截止电量(或者称为每小时电池截止充电量)的大小。结合前述所得的所有源荷场景进行参数寻优，例如5个负载用电场景和5个光伏用电场景，则可以组合成5*5=25个源荷场景，需要寻找满足25个源荷场景下最优的每小时设置参数组合。最后将寻优得到的结果应用于真实的光伏储能系统中，从而达到节省用户用电成本的目的。如图6所示，展示了采用本实施例方法以后的电池充放电效果图。[0094]确定待优化的每小时设置参数组合，并基于所述待优化的每小时设置参数组合随机生成一组初始解作为种群；其中，每一所述初始解为所述种群内的一个个体；[0095]将所述目标函数作为适应度函数，计算各所述源荷场景下的每一个体的适应度；[0096]判断当前是否满足预设的停止条件；[0097]若否，则根据各个体的适应度进行繁殖，得到新的种群；繁殖过程包括个体选择、交叉操作、变异操作以及个体替换；[0098]继续执行计算各所述源荷场景下的每一个体的适应度的步骤，直至满足所述停止条件，选择适应度最高的个体作为最优解。[0099]具体地，本实施例需要优化求解逆变器的每小时设置参数组合。首先确定需要优化的每小时设置参数组合，包括每小时的最优工作模式和截止电量设定值，并以此随机生成一组初始解，称为种群。每个解称为个体，通常用染色体表示。将前述建立的目标函数作为适应度函数，通过适应度函数评估每个个体的质量，并根据每个个体的适应度选择个体进行繁殖。可以采用优胜劣汰的原则进行繁殖，即适应度高的个体被选中的概率较大，以保证优秀基因的传递。繁殖时将选中的两个个体进行交叉操作，生成新个体(子代)。交叉过程模拟生物遗传中的基因重组，采用单点交叉或多点交叉方法。进一步地，还可以对新个体进行随机变异，以增加种群的多样性，防止陷入局部最优。变异操作可以在小范围内随机改变个体的某些基因，例如每一新个体有10%的概率会经历变异。将新生成的个体加入种群中，并根据适应度选择保留一些较好的个体，形成新的种群。重复进行上述的适应度评估、选为达到设定的迭代次数，或者适应度值收敛到一个稳定值(即找到最优解),可以将适应度最高的个体作为最优解。[0100]在一种实现方式中，将所述目标函数作为适应度函数，计算各所述源荷场景下的[0101]通过所述目标函数计算每一个体在每一所述源荷场景下的目标函数值；其中，针对每一所述源荷场景，通过所述目标函数计算所述负载用电场景和所述光伏发电场景分别对应的目标函数值，并根据两个目标函数值与各自对应的场景概率的乘积之和，确定该源荷场景对应的目标函数值；[0102]根据各所述源荷场景下的目标函数值确定该个体的适应度。[0103]具体地，本实施例以系统日用电成本最小化为优化目标，建立目标函数如下Pgria(t,w)为在场景W下第t小时从电网的购电量；Ce(t)为第t小时的购电电价；Ptogria(t,w)为在场景ω下第t小时向电网的售电量；C₂(t)为第t小时的上网电价。[0106]以一个个体为例，该个体的适应度的计算方式为：针对每一源荷场景，通过上述目标函数计算该源荷场景中每一场景的目标函数值，再将各场景的目标函数值与各自的场景概率的乘积和作为该源荷场景的目标函数值，综合所有源荷场景的目标函数值确定该个体的适应度。[0108](1)高效优化：考虑预测不确定性进行能源管理。使用拉丁超立方采样方法对每小时光伏出力和用电负荷的误差百分比进行采样，所需的采样样本仅为一个月的数据，根据这一个月的误差百分比历史数据得到每小时对应的概率分布，然后对所得的概率分布进行等间距抽样生成光伏和负荷场景，并执行场景削减得到光伏和负荷典型场景。最后得到的场景充分考虑了在预测误差大时的极端场景，并且有效地简化了场景生成流程，避免了蒙特卡洛模拟中大量而复杂的计算，提高了运算速度，此外该方法的白箱性质也能直观地解释系统运行机制。相比于传统的能源管理策略研究，该方法得到的调度策略具有更好的鲁棒性，能更好地应对未来可能发生的不确定性。[0109](2)可实用性强：对真实的逆变器的控制逻辑和设备运行约束建模。使用遗传算法对自定义的工作模式和截止电量设定值进行寻优，确保搜索得到的结果可直接应用于真实设备的能源调度方法，在处理非理想因素和复杂运行条件时具有更强的优势，避免仿真模型无法准确捕捉设备中的复杂动态现象，能更加精确地反映设备的实际行为。相对于仿真模拟难以全面考虑设备约束，该方法可更好地应对实际运行中的复杂性，能减少因模型假设不准确而导致的偏差，更具可靠性。搜索得到的最优参数可直接应用于真实设备，减少了模型转化和适配的复杂性，提高能源管理的效率和效益。[0110]基于上述实施例，本发明还提供了一种考虑源荷不确定性的光伏储能调度系统，[0111]模型预测模块，用于预先建立建筑负荷预测模型和光伏发电预测模型，其中，所述建筑负荷预测模型用于预测未来的逐时负载用电量，所述光伏发电预测模型用于预测未来的逐时光伏发电量；[0112]用电场景生成模块，用于基于所述建筑负荷预测模型和所述光伏发电预测模型，通过拉丁超立方采样方法生成若干典型的源荷场景；其中，每一所述源荷场景包括一个与所述建筑负荷预测模型对应的负载用电场景，以及一个与所述光伏发电预测模型对应的光伏发电场景；[0113]优化调度控制模块，用于根据各所述源荷场景确定光伏储能系统的能源调度策[0114]基于上述实施例，本发明还提供了一种终端，其原理框图可以如图8所示。该终端供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现考虑源荷不确定性的光伏储能调度方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。[0115]本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0116]在一种实现方式中，所述终端的存储器中存储有一个以上的程序，且经配置以由一个以上处理器执行所述一个以上程序包含用于进行考虑源荷不确定性的