本发明涉及控制器调控，尤其涉及一种分布式光伏优化控制器的调控系统及方法。
背景技术：
1、随着全球能源需求的不断增长和环境保护意识的增强，可再生能源，特别是光伏发电，成为了能源领域的焦点。光伏发电因其清洁、高效、无污染等优势，得到了广泛应用。而分布式光伏系统由于其灵活性和高效性，成为了光伏发电的重要组成部分。然而，分布式光伏系统在实际应用中仍面临诸多挑战，尤其是在系统优化控制方面。
2、光伏发电系统的输出功率受多种因素的影响，如光照强度、温度、阴影、组件性能差异以及电网波动等，这些因素会导致系统输出不稳定。传统的集中式控制策略在面对分布式系统的复杂性和动态性时，往往难以实现最优控制。此外，传统的控制方法多依赖于静态模型，缺乏实时自适应能力，难以在各种复杂环境下实现最优控制。因此，现有技术在提高分布式光伏系统的整体能效和稳定性方面仍存在不足。
3、目前，分布式光伏系统的控制技术主要集中在数据采集和处理、系统建模与仿真、优化算法设计等方面。然而，现有的技术方案大多存在以下几个问题：
4、数据处理能力有限：传统的数据处理方法难以应对多源异构数据的融合与预处理，数据准确性和一致性得不到保障。
5、控制策略单一：大多数系统采用集中式或半集中式控制策略，缺乏对分布式系统的有效支持，无法充分利用边缘计算和分布式协同优化技术。
6、系统适应性差：传统控制方法依赖静态模型，缺乏实时自适应能力，难以在多变的环境中保持高效稳定运行。
技术实现思路
1、基于上述目的，本发明提供了一种分布式光伏优化控制器的调控系统及方法。
2、一种分布式光伏优化控制器的调控方法，包括以下步骤：
3、s1，在每个光伏组件及其关联设备上安装数据采集节点，关联设备包括逆变器、蓄电池，实时获取电压、电流、温度、辐照度、组件运行状态参数，并通过无线通信网络将数据传输至中央控制单元；
4、s2，对来自不同节点的数据进行融合和预处理，包括去噪、滤波、归一化操作，确保数据的准确性和一致性；
5、s3，将光伏系统划分为多个子系统，每个子系统配备本地优化控制器，通过边缘计算实时分析和处理本地数据，根据光伏系统全局优化目标，自主调整控制策略，形成分布式协同优化网络；
6、s4，基于各子系统的数据，建立光伏系统的动态数学模型，动态数学模型实时反映光伏系统的运行状态和外界环境变化，为优化控制提供支持；
7、s5，设计全局优化算法，结合动态数学模型和各子系统的实时数据，计算出光伏系统的全局最优控制策略，并将策略传递给各本地优化控制器进行执行。
8、进一步的，所述s1中还包括数据采集用传感器，所述传感器包括：
9、电压传感器：用于测量光伏组件的输出电压；
10、电流传感器：用于测量光伏组件的输出电流；
11、温度传感器：用于监测光伏组件的工作温度；
12、辐照度传感器：用于检测太阳辐射强度；
13、逆变器传感器组：监测逆变器的输入输出状态及运行温度；
14、蓄电池传感器组：监测蓄电池的电压、电流及温度。
15、进一步的，所述s2具体包括：
16、s21，数据去噪：采用卡尔曼滤波对传输过来的数据进行去噪处理，卡尔曼滤波能够有效地减小测量噪声的影响，提高数据的准确性；
17、s22，数据滤波：使用低通滤波器对数据进行滤波，去除数据中的高频噪声成分，同时保留有用的信号部分，进一步提高数据的质量；
18、s23，数据归一化：对滤波后的数据进行归一化处理，将不同来源和不同量纲的数据转换到同一量纲范围内，便于后续的数据融合和分析。
19、进一步的，所述s3具体包括：
20、s31，系统划分：根据光伏组件的物理位置、电力负荷分布以及网络拓扑结构，将光伏系统划分为若干子系统，每个子系统包括若干相互关联的光伏组件、逆变器、蓄电池和配电设备；
21、s32，本地优化控制器配置：在每个子系统中部署本地优化控制器，本地优化控制器具备数据处理、边缘计算和通信功能，独立管理和优化子系统内的设备；
22、s33，边缘计算实时分析：本地优化控制器利用边缘计算技术实时分析和处理来自本地数据采集节点的数据，包括电压、电流、温度、辐照度参数，边缘计算能够降低数据处理的延迟，提高响应速度；
23、s34，自主调整控制策略：本地优化控制器根据光伏系统的全局优化目标和实时数据，自主调整控制策略，包括调整光伏组件的运行参数、逆变器的工作状态和蓄电池的充放电策略，确保子系统的高效运行；
24、s35，分布式协同优化网络：本地优化控制器之间通过无线通信网络进行数据和控制策略的共享，形成分布式协同优化网络，各本地优化控制器根据自身及相邻子系统的数据，协同调整控制策略，实现全局最优控制；
25、s36，全局优化目标协调：中央控制单元定期向各本地优化控制器发送全局优化目标和策略指引，本地优化控制器结合策略指引与本地实时数据，确保光伏系统整体的协调优化。
26、进一步的，所述s4中的建立光伏系统的动态数学模型具体包括：
27、s41，从各子系统的本地优化控制器获取实时运行数据，包括电压v、电流i、温度t、辐照度g以及组件运行状态参数；
28、s42，特征参数提取：利用机器学习算法和数据分析技术，从预处理后的数据中提取关键特征参数，关键特征参数包括光伏功率输出、光伏效率变化率、逆变器效率变化率、蓄电池充放电特性、环境温度变化；
29、s43，模型构建：结合提取的关键特征参数，建立光伏系统的动态数学模型，动态数学模型描述光伏组件在不同环境条件下的运行状态变化和输出特性，具体包括：光伏组件输出功率模型、光伏组件效率模型、逆变器效率模型、蓄电池充放电特性模型以及状态空间模型；
30、s44，实时更新：在运行过程中，动态数学模型根据实时数据进行自适应更新，确保模型始终能够准确描述光伏系统的运行状态和外界环境的变化。
31、进一步的，所述光伏组件输出功率模型表示为：p＝g·a·η，其中，p是光伏组件的输出功率，g是太阳辐照度，a是光伏组件的面积，η是光伏组件的效率，依赖于温度t和辐照度g；
32、所述光伏组件效率模型表示为：η＝η0[1-β(t-tref)]，其中，η0是光伏组件在参考温度(ttef)下的效率，β是温度系数，表示温度每升高一度效率下降的比例，t是光伏组件的实际工作温度，tref是参考温度(设为25℃)；
33、所述逆变器效率模型表示为：ηinv＝ηinv,0-αinv·(pout-pnom)，其中，ηinv是逆变器的效率，ηinv,0是逆变在标称输出功率(pnom)下的效率，αinv是效率下降系数，pout是逆变器的实际输出功率；
34、所述蓄电池充放电特性模型表示为：
35、其中，ebat(t)是变电池在时间t时的能量储备，ebat(t-1)是蓄电池在前一时间点的能量储备，ηch是蓄电池充电效率，pch是充电功率，ηdis是畫电池放电效率，pdis是放电功率，δt是时间间隔；
36、所述状态空间模型表示为：其中，x(t)是系统状态向量，包括电压、电流参数，u(t)是输入向量，包括辐照度、温度外部影响因素，y(t)是输出向量，即光伏系统观测变量，包括功率输出，a,b,c,d,e,f是光伏系统矩阵，描述光伏系统动态行为和输入输出关系，δ(t)是干扰项，描述外界环境的随机影响。
37、进一步的，所述动态数学模型还包括实时更新，具体表示为：
38、其中，是光伏系统状态的估计值，k是卡尔豆增益，用于调整估计值，y(t)是实际观测到的输出。
39、进一步的，所述s5中的设计全局优化算法具体包括：
40、s51，全局优化目标确定：根据光伏系统的运行需求和外部环境变化，设定全局优化目标，包括最大化光伏系统总发电量、最小化能量损耗、优化电力供应与需求的平衡；
41、s52，动态数学模型与实时数据整合：利用各子系统的动态数学模型，结合实时数据，包括电压v、电流i、温度t、辐照度g、组件运行状态参数，构建全局系统状态向量x(t)和输入向量u(t)；
42、s53，优化问题的数学表达：
43、优化目标1：最大化系统总发电量其中，pi(t)是第i个光伏组件在时间t的输出功率，n是光伏组件的总数；
44、优化目标2：最小化能量损耗其中，li(t)是第i个子系统的能量损耗，包括传输损耗和转换损耗；
45、优化目标3：优化电力供应与需求的平衡：
46、其中，d(t)是系统在时间t的总电力需求；
47、s54，综合优化目标：
48、其中，w1,w2,w3是优化目标的权重系数，根据实际需求调整；
49、s55，约束条件：
50、电力平衡约束：
51、蓄电池充放电约束：
52、
53、其中，pch(t)是在时间t的充电功率，pdis(t)是在时间t的放电功率，pch,max和pdis,max分别是最大充电和放电功率，ebat(t)是蓄电池在时间t的能量储备，ebat,max是蓄电池的最大能量储备。
54、进一步的，所述s5还包括采用优化算法对优化问题进行求解，具体包括：
55、初始化参数向量θ的初始值(如随机初始化或基于经验值)，设定学习率α和迭代次数k；
56、迭代更新：计算当前参数向量θ(k)下的目标函数值j(θ(k))；计算目标函数的梯度根据梯度更新参数向量；检查收敛条件(如目标函数值变化小于预设阈值或达到最大迭代次数)，如果满足收敛条件，则停止迭代；否则，返回计算当前参数向量θ(k)下的目标函数值j(θ(k))；
57、最优控制策略计算：根据优化算法最终求得的最优参数向量θ*，计算出各子系统的最优控制策略，包括光伏组件的工作参数、逆变器的运行状态、蓄电池的充放电策略；
58、策略传递与执行：通过无线通信网络，将计算得到的最优控制策略传递给各子系统的本地优化控制器，本地优化控制器根据接收到的策略，实时调整各设备的运行参数，确保全局最优控制策略的执行。
59、一种分布式光伏优化控制器的调控系统，用于实现上述的一种分布式光伏优化控制器的调控方法，包括以下模块：
60、数据采集节点：安装在每个光伏组件及其关联设备上，实时获取电压、电流、温度、辐照度、组件运行状态参数，并通过无线通信网络将数据传输至中央控制单元；
61、数据融合与预处理模块：对来自不同节点的数据进行融合和预处理，包括去噪、滤波、归一化操作；
62、本地优化控制器：部署在每个子系统中，通过边缘计算实时分析和处理本地数据，根据光伏系统全局优化目标，自主调整控制策略，形成分布式协同优化网络；
63、动态数学模型模块：基于各子系统的数据，建立光伏系统的动态数学模型，实时反映光伏系统的运行状态和外界环境变化，为优化控制提供支持；
64、全局优化算法模块：设计并实现全局优化算法，结合动态数学模型和各子系统的实时数据，计算出光伏系统的全局最优控制策略，并将策略传递给各本地优化控制器进行执行。
65、本发明的有益效果：
66、本发明，通过在每个光伏组件及其关联设备上安装数据采集节点，实时获取详细的运行参数，并对这些数据进行融合和预处理，确保数据的准确性和一致性，通过对实时数据的精准采集和处理，结合动态数学模型和全局优化算法，能够在复杂多变的环境中实时调整光伏系统的运行策略，最大化系统的总发电量，最小化能量损耗，从而显著提高了光伏系统的整体能效。
67、本发明，通过将光伏系统划分为多个子系统，每个子系统配备本地优化控制器，并利用边缘计算技术实时分析和处理本地数据，形成分布式协同优化网络，本地优化控制器根据全局优化目标，自主调整控制策略，实现了系统内各子系统的协同工作，不仅提高了系统的响应速度和灵活性，还通过分布式优化有效降低了数据传输和处理的延迟，确保系统在各种环境下都能稳定、高效地运行。
68、本发明，通过构建动态数学模型，实时反映光伏系统的运行状态和外界环境变化，动态数学模型和自适应优化算法能够根据实时数据进行自我调整和优化，使系统具备较强的鲁棒性和适应性。尤其在突发状况或环境剧变时，系统能够迅速响应并调整策略，避免因故障或环境变化导致的性能下降，确保光伏系统的高效稳定运行。
1.一种分布式光伏优化控制器的调控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s1中还包括数据采集用传感器，所述传感器包括：
3.根据权利要求1所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s2具体包括：
4.根据权利要求1所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s3具体包括：
5.根据权利要求1所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s4中的建立光伏系统的动态数学模型具体包括：
6.根据权利要求5所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述光伏组件输出功率模型表示为：p＝g·a·η，其中，p是光伏组件的输出功率，g是太阳辐照度，a是光伏组件的面积，η是光伏组件的效率，依赖于温度t和辐照度g；
7.根据权利要求6所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述动态数学模型还包括实时更新，具体表示为：
8.根据权利要求6所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s5中的设计全局优化算法具体包括：
9.根据权利要求8所述的一种分布式光伏优化控制器的调控方法，其特征在于，所述s5还包括采用优化算法对优化问题进行求解，具体包括：
10.一种分布式光伏优化控制器的调控系统，用于实现如权利要求1-9任一项所述的一种分布式光伏优化控制器的调控方法，其特征在于，包括以下模块：
