[发明专利]基于建筑光伏微电网的能量管理方法及系统

权利要求书

1.一种基于建筑光伏微电网的能量管理方法，该方法包括如下步骤：

步骤一，利用当前日的建筑光伏发电功率记录数据和未来日的气象要素预报数据，建立建筑光伏发电功率预测模型为P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))，由此预测得到未来日建筑光伏发电功率数据；其中P_PV(d+1)是未来日的建筑光伏发电功率的逐时段预测数据，T_a(d+1)是气象台对未来日的环境温度的预报数据，H(d+1)是气象台对未来日的环境湿度的预报数据，P_PV(d)是当前日的建筑光伏发电功率监测记录数据；

利用当前日的建筑负荷功率的记录数据和未来日气象要素的预报数据，建立建筑负荷需求预测模型P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))，由此预测得到未来日的负荷功率需求数据；其中P_LOAD(d+1)是提前一段时间对未来日的建筑负荷功率的逐时段预测数据，P_LOAD(d)是对当前日建筑实际负荷功率的逐时段监测记录数据；

收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车的电动汽车电池在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

步骤二，根据未来日建筑光伏发电功率预测数据、未来日建筑负荷功率需求预测数据以及未来日电动汽车驶离建筑时和返回建筑时的荷电状态预估数据，以建筑微电网整体运行成本最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度。

2.根据权利要求1所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述建筑光伏发电预测模型的建立包括如下步骤：

步骤1，对历史数据中气象要素观测数据和同期的光伏发电功率记录数据在每时段Δt进行抽取，其中，气象要素数据包括每日每时段Δt的大气温度数据和大气湿度数据；

步骤2，利用反向传播神经网络建立光伏发电功率预测网络；所述预测网络的输入量包括T_a(d+1)、H(d+1)和P_PV(d)，该预测网络的目标量为P_PV(d+1)；

步骤3，对步骤1中抽取的历史数据进行归一化处理，再对该预测网络进行训练得到建筑光伏发电功率预测模型：

P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))  (1)

步骤4，将当前日的光伏发电功率记录数据P_PV(d)和气象服务部门提供的未来日逐时段环境温度预测数据及未来日逐时段湿度预测数据进行归一化处理后代入步骤3的预测模型中，再将该预测模型的输出结果进行反归一化处理，得到未来日的逐时段建筑光伏发电功率预测数据P_PV(d+1)。