CN119298183A - 一种绿色清洁能源智能储能柜动态散热控制方法及系统 - Google Patents

Abstract

本发明公开了一种绿色清洁能源智能储能柜动态散热控制方法及系统，涉及储能柜温控技术领域，划分时段并等间隔设置节点以进行实际数据的实时采集，采用信息驱动联合预测网络考虑风力发电和光伏发电的随机性和间歇性，进行节点风电预测和节点光电预测，采用时频转换趋势增强网络增强负载功率的时序趋势性以进行节点负载预测，采用多模态集成式学习网络考虑变电功率与储能柜温度的相关度，执行精确的节点温度预测，通过节点状态判决抉择是否采用PID算法确认预测制冷功率以实现降温调控，并选择对应状态的约束供需平衡方程预测变电功率，提升可再生能源利用率，以预测制冷功率进行降温调控也有效降低能耗，确保储能柜的稳定性、安全性和环保性。

Description

一种绿色清洁能源智能储能柜动态散热控制方法及系统

技术领域

本发明涉及储能柜温控技术领域，具体涉及一种绿色清洁能源智能储能柜动态散热控制方法及系统。

背景技术

在绿色清洁能源迅速发展的背景下，储能柜作为关键能源管理设备，已成为风能、太阳能等可再生能源高效利用的核心。然而，这些储能柜在运行过程中会因电池充放电和设备负载产生大量热量，若散热不及时或控制不当，不仅会降低设备效率和寿命，还可能引发安全风险。

现有授权公告号为CN118363413B的发明专利提出一种双防储能柜温度控制方法及系统，包括：通过多点温度传感器和无线传感器网络实时监测储能柜内部及电池模组的温度，并利用数据融合算法对温度数据进行处理，系统结合改进的模糊控制算法和神经网络预测方法，预测温度并判断是否达到预设阈值，进而生成控制决策驱动温度调节设备工作，提高了储能柜的安全性和温度监测的准确性。

然而，现有技术存在以下缺点：

1、忽略可再生能源的间歇性和随机性，没有在实现温控的同时有效控制储能柜内部的供需平衡，易造成能源浪费或能源不足问题，难以满足储能柜运行的可持续性需求；

2、现有技术采用先进算法或神经网络进行温度预测时，忽略了储能柜的温度变化实际上取决于充放电功率，仅考虑已知时刻温度数据的变化趋势并不能有效表征未来时刻温度数据的变化，使得对于未来时刻的温度预测准确率降低。

因此，迫切需要一种高效、智能化的动态散热控制方法，以应对可再生能源的复杂变化和温度数据在时序上的弱趋势性。

发明内容

本发明针对现有技术存在的不足，提出一种绿色清洁能源智能储能柜动态散热控制方法及系统，以进行节能环保且准确高效的储能柜温控，确保储能柜的稳定性和安全性。

实现本发明目的的技术解决方案为：

一种绿色清洁能源智能储能柜动态散热控制方法，包括以下具体步骤：

设置温度阈值和最佳温度，定义时段并在时段中以节点间隔设置个节点，为时段节点总数，在每一个节点实时采集实际数据；

定义已知时段和未知时段，当系统时间推进至节点时，启动未知时段节点调控；

采用信息驱动联合预测网络进行节点的节点风电预测和节点光电预测，并采用时频转换趋势增强网络进行节点的节点负载预测；

采用多模态集成式学习网络综合考虑变电功率和储能柜温度，执行节点的节点温度预测和节点状态判决，基于判决结果抉择进行相应的节点预处理；

依序执行未知时段节点调控直至未知时段的所有节点全部调控后停止，当系统时间推进至节点时，设置新的已知时段和新的未知时段以继续启动新的未知时段节点调控。

进一步的，采用信息驱动联合预测网络进行节点的节点风电预测和节点光电预测包括以下具体步骤：

分别选取节点之前个节点的功率和环境矢量以构建功率序列和环境序列；

将功率序列和环境序列进行线性组合，并通过SELU函数处理以调整激活特征分布，获取激活特征序列；

采用GLU层进一步处理激活特征序列以动态调整每一个激活特征矢量的贡献程度，生成贡献序列；

叠加贡献序列与功率序列并输入批归一化层以凝聚风力发电或光伏发电在时序上的逻辑性、间歇性和随机性，获取动态数据序列；

将环境序列经过LSTM层，捕捉环境序列中的时序关系，并通过线性层降维生成节点的预测环境矢量；

采用交叉注意力机制，获取查询矩阵、预测键矩阵和预测值矩阵，基于查询矩阵与预测键矩阵的关联度调整预测值矩阵以捕捉时序演变关系，进一步通过线性层降维生成节点的预测功率。

进一步的，采用时频转换趋势增强网络进行节点的节点负载预测包括以下具体步骤：

选取节点之前个节点的负载功率以构建负载功率序列；

将负载功率序列通过MLP层和傅里叶变换扩维并映射至复数域，获取频域负载特征矩阵；

将频域负载特征矩阵与复数矩阵进行积运算，强调关键低频分量信息并抑制高频分量信息，生成频域核心特征矢量；

通过傅里叶逆变换将频域核心特征矢量转换回时域，获取有利于节点负载预测的增强负载功率序列；

采用LSTM层捕捉增强负载功率序列在时域上趋势性和周期性，并通过线性层降维生成第个节点的预测负载功率。

进一步的，采用多模态集成式学习网络执行节点的节点温度预测包括以下具体步骤：

选取节点之前个节点的储能柜温度和变电功率的绝对值以分别构建温度序列和绝对变电功率序列；

分别计算温度序列与绝对变电功率序列的温度均值和绝对变电均值；

获取用于表征节点的预测储能柜温度与预测变电功率绝对值之间影响关联性的皮尔逊相关系数；

通过线性平移归一化处理皮尔逊相关系数，获取嵌入系数；

基于嵌入系数将预测变电功率绝对值嵌入预测储能柜温度以生成节点的联合温度；

将联合温度同步输入三种基学习器以学习时序趋势，采用元学习器继承三种基学习器的输出，生成节点的预测储能柜温度。

进一步的，基于节点的节点状态判决的判决结果执行相应的节点预处理包括：

若预测储能柜温度小于或等于温度阈值，基于常态约束供需平衡方程获取节点的预测变电功率和节点的预测储蓄电量；

若预测储能柜温度大于温度阈值，采用PID算法获取节点的预测制冷功率，基于危险态约束供需平衡方程获取节点的预测变电功率和节点的预测储蓄电量，并将预测储能柜温度更新为最佳温度。

更进一步的，基于常态约束供需平衡方程获取节点的预测变电功率和节点的预测储蓄电量包括以下具体步骤：

将节点的预测风电功率与预测光电功率作为预测供给功率，将节点的预测负载功率作为常态预测消耗功率；

基于理论常态供需恒等式获取节点的理论变电功率，理论常态供需恒等式为储能柜在任意节点理论上需要遵循的供需平衡，具体公式如下：

，

其中，理论变电功率表示储能柜在节点的理论充电功率或理论放电功率；

获取节点的预测储蓄电量，基于理论变电功率计算节点的理论储蓄电量，并与储蓄上限和储蓄下限比对；

若理论储蓄电量大于或等于储蓄下限的同时还小于或等于储蓄上限，理论变电功率和理论储蓄电量即为节点的预测变电功率和节点的预测储蓄电量；

若理论储蓄电量小于储蓄下限，预测变电功率设置为，为节点间隔，预测储蓄电量，预测购电功率为；

若理论储蓄电量大于储蓄上限，预测变电功率设置为，为节点间隔，预测储蓄电量，预测售电功率为；

理论常态供需恒等式被改写为常态约束供需平衡方程，具体公式如下：

，

，

其中，为节点的预测交易功率。

更进一步的，储能柜在节点转入危险态时，采用PID算法获取预测制冷功率，包括以下具体步骤：

获取最佳温度和储能柜在节点的预测储能柜温度，计算调整偏差；

计算比例项以表示储能柜温度的宏观调整；

计算积分项以表示储能柜温度的微观调整，使储能柜温度在宏观调整的基础上进一步逼近最佳温度；

计算微分项，通过梯度把控微观调整幅度，防止出现过度调整现象；

获取节点的制冷调整功率，与制冷设备的最低运行功率叠加获取节点的预测制冷功率。

更进一步的，危险态约束供需平衡方程与常态约束供需平衡方程的区别在于，危险态消耗功率为节点的预测负载功率与预测制冷功率之和，危险态约束供需平衡方程具体公式如下：

，

，

其中，为节点的预测交易功率。

一种绿色清洁能源智能储能柜动态散热控制系统，包括时钟模块、预测调控模块、能源管理模块和温控模块；

时钟模块基于系统时间设置已知时段和未知时段，以节点间隔为已知时段和未知时段分别设置个节点，为时段节点总数；

预测调控模块存储实际数据，在已知时段的最后一个节点执行未知时段节点调控，生成并发送变电功率指令至能源管理模块，同时抉择是否发送制冷启动指令至温控模块；

能源管理模块包括数据对接单元和指令执行单元，数据对接单元在每个节点实时采集实际数据并上报预测调控模块，指令执行单元接收变电功率指令，依据变电功率指令实时控制充放电；

温控模块接收制冷启动指令，采用PID算法获取预测制冷功率并反馈至预测调控模块，在相应的节点以预测制冷功率进行降温。

进一步的，预测调控模块包括存储单元、风电预测单元、光电预测单元、负载预测单元、温度预测单元和指令生成单元；

存储单元接收并存储能源管理模块上报的实际数据；

风电预测单元采用信息驱动联合预测网络生成节点的预测风电环境矢量和预测风电功率；

光电预测单元采用信息驱动联合预测网络生成未知时段中节点的预测光电环境矢量和预测光电功率；

负载预测单元采用时频转换趋势增强网络生成未知时段中节点的预测负载功率；

温度预测单元获取预测变电功率和温度更新标签，基于温度更新标签抉择是否更新预测储能柜温度，采用多模态集成式学习网络基于预测储能柜温度生成节点的预测储能柜温度；

指令生成单元基于状态驱动响应策略执行传输操作。

更进一步的，指令生成单元基于状态驱动响应策略执行传输操作包括以下具体步骤：

获取节点的预测风电功率、预测光电功率、预测负载功率和预测储能柜温度；

通过比对预测储能柜温度和温度阈值执行节点状态判决；

若预测储能柜温度小于或等于温度阈值，采用常态约束供需平衡方程获取预测变电功率，将预测变电功率依序置入变电功率指令，将温度更新标签置0，反馈预测变电功率和温度更新标签至温度预测单元；

若预测储能柜温度大于温度阈值，打包节点和预测储能柜温度生成制冷启动指令并发送至温控模块；

获取节点的预测制冷功率，采用危险态约束供需平衡方程获取预测变电功率，将预测变电功率依序置入变电功率指令，将温度更新标签置1，反馈预测变电功率和温度更新标签至温度预测单元；

直至未知时段个节点的预测变电功率均已置入变电功率指令，发送至能源管理模块。

本发明与现有技术相比，其显著优点在于：

1、考虑风力发电和光伏发电的间歇性和随机性，针对性设计信息驱动联合预测网络，通过捕捉风力发电和光伏发电的时序关联，结合发电环境因素的影响，精确预测风力发电功率和光伏发电功率以便于进行储能柜的能源调控；

2、考虑负载功率在时序上变化趋势不明显的问题，设计时频转换趋势增强网络，将负载功率序列从时域转换至频域，并采用积运算过滤噪声影响，进一步切换回时域以增强时序趋势性，辅助LSTM实现精确的复杂功率预测以便于进行储能柜的能源调控；

3、考虑储能柜的充放电行为对于储能柜温度的影响，针对性设计多模态集成式学习网络，从多角度联合精确预测储能柜温度，同时采用节点状态判决实现温度预警，并抉择是否在对应节点以PID算法获取的预测制冷功率精准降温储能柜至最佳温度，在最小的能耗下实现有效的储能柜温控调整，以确保储能柜运行的安全性；

4、设计常态和危险态约束供需平衡方程综合考虑不同节点状态下储能柜的供给功率与消耗功率，预先规划的储能柜的充放电行为和与主电网的交易行为，确保储能柜的运行的能量平衡，避免可再生能源浪费，提升储能柜的环保性。

附图说明

图1为一种绿色清洁能源智能储能柜动态散热控制方法流程图；

图2为本发明中信息驱动联合预测网络模型图；

图3为本发明中时频转换趋势增强网络模型图；

图4为本发明中多模态集成式学习网络模型图。

具体实施方式

下面结合附图和实施例，对本发明进一步详细说明。

实施例1

如图1所示，本发明的一个具体实施例，公开了一种绿色清洁能源智能储能柜动态散热控制方法，包括以下具体步骤：

设置温度阈值、最佳温度，定义时段以表示单日，并在时段中以节点间隔设置个节点，为时段节点总数，在每一个节点通过传感器和数据接口实时采集实际数据，其中，温度阈值为储能柜处于常态时可接受的最高温度，当储能柜温度大于温度阈值时，储能柜进入危险态，运行效率降低且可能因过热引发安全事故，最佳温度则是最适宜储能柜运行的温度，也是储能柜进入危险态时制冷设备降温的目标温度；

定义系统时间所在日为已知时段，系统时间所在日的下一日为未知时段，其中，和分别表示已知时段和未知时段的第个节点，；

当系统时间推进至已知时段的最后一个节点时，启动未知时段节点调控，未知时段节点调控是指对未知时段的单一节点执行节点风电预测、节点光电预测、节点负载预测、节点状态判决和节点预处理；

采用信息驱动联合预测网络捕捉风电功率和光电功率在时序上的非线性依赖关联，考虑风电环境矢量和光电环境矢量引起的发电间歇性和随机性特点，进行节点的节点风电预测和节点光电预测；

采用时频转换趋势增强网络从频域角度提取负载功率在时序上的趋势变化和周期变化，进行节点的节点负载预测；

采用多模态集成式学习网络综合考虑变电功率对于储能柜温度的影响，执行节点的节点温度预测，与温度阈值比较以执行节点的节点状态判决，基于判决结果抉择进行相应的节点预处理；

基于节点时间顺序依次执行未知时段节点调控直至未知时段的所有节点全部调控后停止；

当系统时间推进至未知时段的第一个节点时，将未知时段转换为新的已知时段，设置新的未知时段为，等待至新的已知时段的最后一个节点时，继续启动新的未知时段节点调控。

进一步的，数据分为实际数据和预测数据，实际数据通过实时采集获取，预测数据通过网络或等式预测获取，数据包括储能柜温度、变电功率、储蓄电量、负载功率、风电功率、光电功率、风电环境矢量和光电环境矢量，其中，负载功率为储能柜中自身用电设备在单一节点所需的内部负载功率与企业用电设备在单一节点所需的外部负载功率之和，风电环境矢量包括风力涡轮机在单一节点运行时所处环境的风速、气压和温度，光电环境矢量包括光伏组件在单一节点运行时所处环境的日照强度和温度。

如图2所示，进一步的，采用信息驱动联合预测网络进行节点的节点风电预测和节点光电预测包括以下具体步骤：

选取节点之前个节点的功率以构建功率序列，值得注意的是，节点至节点处于已知时段，功率均为实时采集的实际功率，节点至节点处于未知时段，功率均为信息驱动联合预测网络生成的预测功率，功率为风电功率或光电功率，取决于信息驱动联合预测网络正执行节点风电预测或节点光电预测；

选取节点之前个节点的环境矢量以构建环境序列，值得注意的是，节点至节点处于已知时段，环境矢量均为实时采集的实际环境矢量，节点至节点处于未知时段，环境矢量均为信息驱动联合预测网络生成的预测环境矢量，环境矢量为风电环境矢量或光电环境矢量，取决于信息驱动联合预测网络正执行节点风电预测或节点光电预测；

采用激活稳定层处理功率序列和环境序列，激活稳定层将功率序列和环境序列进行线性组合，通过具有自归一化树形的SELU函数调整激活特征分布以自动趋向于具有零均值和单位方差的标准分布，获取激活特征序列，激活特征序列中节点的激活特征矢量的具体计算公式如下：

，

其中，，和分别为功率和环境矢量对应的线性权重矢量，均与环境矢量具有相同维度，为节点的偏置矢量，表示哈达玛积；

采用GLU层进一步处理激活特征序列以动态调整激活特征序列中每一个激活特征矢量的贡献程度，避免关键信息被非关键信息淹没，生成贡献序列，贡献序列中节点的贡献的具体公式如下：

，

其中，Sigmoid为激活函数，表示激活特征矢量的转置，和为可学习的线性权重矢量，和为可学习的偏置值；

叠加贡献序列与功率序列并输入批归一化层，获取动态数据序列，动态数据序列中节点的动态数据，LayerNorm表示批归一化操作，动态数据序列凝聚了风力发电或光伏发电在时序上的逻辑性、间歇性和随机性；

将环境序列经过LSTM层，捕捉环境序列中的时序关系，并通过线性层降维以生成节点的预测环境矢量，预测环境矢量为预测风电环境矢量或预测光电环境矢量，取决于信息驱动联合预测网络正执行节点风电预测或节点光电预测；

采用交叉注意力机制代替自注意力机制，自注意力机制是将动态数据序列分别通过三个不同的线性调制生成查询矩阵、键矩阵和值矩阵，通过计算查询矩阵和键矩阵的关联度去调整值矩阵，以保留动态数据序列中的关键信息，交叉注意力机制则是将节点的预测环境矢量经两个不同的线性调制生成预测键矩阵和预测值矩阵，将查询矩阵与预测键矩阵计算关联度，通过关联度去调整预测值矩阵以捕捉动态数据序列与预测环境矢量之间的时序演变关系，并进一步通过线性层降维生成节点的预测功率，预测功率为预测风电功率或预测光电功率，取决于信息驱动联合预测网络正执行节点风电预测或节点光电预测，交叉自注意力机制的具体公式如下：

，

其中，Softmax为激活函数，为交叉注意力机制的缩放因子，等于预测键矩阵的行数，和分别为可学习的线性权重矩阵和偏置值。

如图3所示，进一步的，采用时频转换趋势增强网络进行节点的节点负载预测包括以下具体步骤：

选取节点之前个节点的负载功率以构建负载功率序列，值得注意的是，节点至节点处于已知时段，负载功率均为实时采集的实际负载功率，节点至节点处于未知时段，负载功率均为时频转换趋势增强网络生成的预测负载功率；

将负载功率序列输入MLP层进行扩维，生成时域负载特征矩阵，然后采用傅里叶变换将时域负载特征矩阵映射至复数域，获取频域负载特征矩阵，其中，和分别为MLP层的权重矢量和偏置矩阵，频域负载特征矩阵的维度为；

将频域负载特征矩阵与一个维度为的复数矩阵进行积运算，复数矩阵可视为一种滤波器，用于强调频域负载特征矩阵中的关键的低频分量信息并抑制代表噪声的高频分量信息，生成频域核心特征矢量，具体的，，频域核心特征矢量中第个频域核心特征的具体计算公式如下：

，

其中，为频域负载特征矩阵中第行第列的频域负载特征分量，为复数矩阵中第行第列第层的值；

通过傅里叶逆变换将频域核心特征矢量转换回时域，获取增强负载功率序列，由于数据的周期性在频域端表现为特定频率上的显著峰值，且趋势特征和噪声往往分别位于低频分量和高频分量中，相比于负载功率序列，增强负载功率序列不仅兼顾周期性，还通过频域上的积运算滤除了噪声影响，显著增强了趋势性，更有利于节点负载预测；

采用LSTM层捕捉增强负载功率序列在时域上趋势性和周期性，并通过线性层降维生成第个节点的预测负载功率。

如图4所示，进一步的，采用多模态集成式学习网络执行节点的节点温度预测包括以下具体步骤：

选取节点之前个节点的储能柜温度以构建温度序列，值得注意的是，节点至节点处于已知时段，储能柜温度均为实时采集的实际储能柜温度，节点至节点处于未知时段，储能柜温度均为多模态集成式学习网络生成的预测储能柜温度；

选取节点之前个节点的变电功率并取绝对值以构建绝对变电功率序列，值得注意的是，节点至节点处于已知时段，变电功率均是基于实时采集的实际数据计算获取的实际变电功率，节点至节点处于未知时段，变电功率为基于预测数据计算获取的预测变电功率；

分别计算温度序列与绝对变电功率序列的温度均值和绝对变电均值，其中，表示取均值操作；

获取节点的预测储能柜温度与预测变电功率绝对值之间的皮尔逊相关系数，以表征预测变电功率绝对值对于预测储能柜温度的影响关联性，皮尔逊相关系数的具体计算公式如下：

，

其中，和分别代表节点的储能柜温度和变电功率，若节点位于已知时段，则为实际储能柜温度和实际变电功率，若节点位于未知时段，则为预测储能柜温度和预测变电功率，由于皮尔逊相关系数的取值范围在，现通过线性平移归一化处理皮尔逊相关系数，获取嵌入系数；

基于嵌入系数将节点的预测变电功率绝对值嵌入预测储能柜温度中，生成节点的联合温度；

将联合温度同步输入三种不同的基学习器以学习时序趋势，获取节点的第一预测储能柜温度、第二预测储能柜温度和第三预测储能柜温度，本实施例中，基学习器选用应用广泛且预测性能良好的LightGBM、BP神经网络和XGBoost；

将第一预测储能柜温度、第二预测储能柜温度和第三预测储能柜温度进一步输入元学习器，由元学习器继承三个基学习器所学的时序趋势，并进一步进行学习预测，生成节点的预测储能柜温度，本实施例中，由于基学习器已经从不同角度学习到了大部分的时序趋势，因此，元学习器选用收敛速度快、稳定性高且泛化能力强的LR模型。

进一步的，将节点的预测储能柜温度与温度阈值比较，执行节点的节点状态判决，基于判决结果执行相应的节点预处理包括：

若预测储能柜温度小于或等于温度阈值，则储能柜在节点处于常态，执行常态节点预处理，基于常态约束供需平衡方程执行节点储能预测，获取节点的预测变电功率和节点的预测储蓄电量；

若预测储能柜温度大于温度阈值，则储能柜在节点转入危险态，采用PID算法获取制冷设备在节点的预测制冷功率，当系统时间推进至节点时以预测制冷功率开启制冷设备，使储能柜降温至最佳温度，基于危险态约束供需平衡方程执行节点储能预测，获取节点的预测变电功率和节点的预测储蓄电量，并将预测储能柜温度更新为最佳温度。

更进一步的，基于常态约束供需平衡方程获取节点的预测变电功率和节点的预测储蓄电量包括以下具体步骤：

获取节点的预测风电功率与预测光电功率，求和计算储能柜在节点的预测供给功率，获取节点的预测负载功率并作为节点的常态预测消耗功率；

基于理论常态供需恒等式获取节点的理论变电功率，理论常态供需恒等式为储能柜在任意节点理论上需要遵循的供需平衡，即在节点时，理论变电功率应等于预测供给功率与常态预测消耗功率之差，理论常态供需恒等式具体公式如下：

，

其中，理论变电功率表示储能柜在节点的理论充电功率或理论放电功率，当预测供给功率小于常态预测消耗功率时，理论变电功率为理论放电功率的相反数，表示储能柜需要以理论放电功率进行放电以满足负载设备的用电需求，当预测供给功率大于或等于常态预测消耗功率时，理论变电功率等于理论充电功率，表示预测供给功率在满足负载设备的用电需求后仍有结余，将结余量以理论充电功率存入储能柜；

获取节点的预测储蓄电量，基于理论变电功率计算节点的理论储蓄电量，为节点间隔，由于储能柜存在储蓄上限和储蓄下限，当储蓄电量等于储蓄上限时，视为储能柜充满，无法继续充电，当储蓄电量等于储蓄下限时，视为储能柜电量耗尽，无法继续放电，比对理论储蓄电量与储蓄上限和储蓄下限以执行储能约束判决；

若理论储蓄电量大于或等于储蓄下限的同时还小于或等于储蓄上限，表明理论变电功率可行，理论变电功率和理论储蓄电量即为节点的预测变电功率和节点的预测储蓄电量；

若理论储蓄电量小于储蓄下限，表明储能柜的可用电量不能支撑储能柜以理论变电功率的绝对值进行放电，则预测变电功率设置为，预测储蓄电量，不足电量需要向主电网购买，预测购电功率为；

若理论储蓄电量大于储蓄上限，表明储蓄柜的可充电量不能支撑储能柜以理论变电功率进行充电，则预测变电功率设置为，预测储蓄电量，多余电量可向主电网出售，预测售电功率为；

此时，理论常态供需恒等式被改写为常态约束供需平衡方程，具体公式如下：

，

，

其中，为节点的预测交易功率，若预测交易功率大于或等于0，则预测交易功率等于预测购电功率，若预测交易功率小于0，则预测交易功率等于预测售电功率的相反数。

更进一步的，储能柜在节点转入危险态时，采用PID算法获取预测制冷功率，包括以下具体步骤：

获取最佳温度和储能柜在节点的预测储能柜温度，计算调整偏差；

计算比例项，比例项表示储能柜温度的宏观调整，用于通过单次宏观调整一次性接近最佳温度，其中，为预设的比例系数，获取0次调整偏差；

计算积分项，其中，为微观调整总次数，为第次微观调整后的次调整偏差，为预设的积分比例系数，积分项表示储能柜温度的微观调整，通过次的微观调整使储能柜温度在宏观调整的基础上进一步逼近最佳温度；

计算微分项，其中，为微观调整总次数，为次调整偏差与次调整偏差的差值，可近似代替为调整偏差的梯度，为预设的微分比例系数，微分项通过梯度把控PID算法的微观调整幅度，防止出现过度调整现象；

获取节点的制冷调整功率，则节点的预测制冷功率，其中，为制冷设备启动时的最低运行功率。

更进一步的，危险态约束供需平衡方程与常态约束供需平衡方程获取节点的预测变电功率和节点的预测储蓄电量逻辑一致，当节点的储能柜转入危险态时，节点的预测供给功率与常态并无区别，为节点的预测风电功率与预测光电功率之和，区别在于，危险态消耗功率需要在节点的预测负载功率的基础上额外增加制冷设备的预测制冷功率，而常态消耗功率仅有预测负载功率，因此，危险态约束供需平衡方程具体公式如下：

，

，

其中，为节点的预测交易功率。

实施例2

本发明还公开了一种绿色清洁能源智能储能柜动态散热控制系统，用以执行实施例1中提出的一种绿色清洁能源智能储能柜动态散热控制方法，包括时钟模块、预测调控模块、能源管理模块和温控模块；

时钟模块记录系统时间，将系统时间所在日视为已知时段，将系统时间所在日的后一日视为未知时段，并以节点间隔为已知时段和未知时段分别设置个节点，为时段节点总数；

预测调控模块存储实际数据，在已知时段的最后一个节点执行未知时段的节点调控，生成并发送未知时段的变电功率指令至能源管理模块，同时抉择是否发送制冷启动指令至温控模块；

能源管理模块包括数据对接单元和指令执行单元，数据对接单元在已知时段的每个节点通过传感器或智能设备实时采集实际数据并上报预测调控模块，指令执行单元接收变电功率指令，在系统时间到达未知时段相应的节点时，依据变电功率指令实时控制储能柜的充放电；

温控模块接收制冷启动指令，采用PID算法获取预测制冷功率并反馈至预测调控模块，在系统时间到达制冷启动指令中相应的节点时，以预测制冷功率对储能柜进行降温。

进一步的，预测调控模块包括存储单元、风电预测单元、光电预测单元、负载预测单元、温度预测单元和指令生成单元；

存储单元接收并存储能源管理模块上报的实际数据；

风电预测单元采用信息驱动联合预测网络生成未知时段中节点的预测风电环境矢量和预测风电功率，并发送预测风电功率至指令生成单元；

光电预测单元采用信息驱动联合预测网络生成未知时段中节点的预测光电环境矢量和预测光电功率，并发送预测风电功率至指令生成单元；

负载预测单元采用时频转换趋势增强网络生成未知时段中节点的预测负载功率并发送至指令生成单元；

温度预测单元获取预测变电功率和温度更新标签，若温度更新标签为1，则将节点的预测储能柜温度更新为最佳温度，若温度更新标签为0，则直接调用采用预测储能柜温度，采用多模态集成式学习网络基于预测储能柜温度生成未知时段中节点的预测储能柜温度并发送至指令生成单元；

指令生成单元基于状态驱动响应策略执行传输操作，传输操作包括发送节点的预测变电功率、发送变电功率指令和发送制冷启动指令。

更进一步的，指令生成单元基于状态驱动响应策略执行传输操作包括以下具体步骤：

获取未知时段中节点的预测风电功率、预测光电功率、预测负载功率和预测储能柜温度；

通过比对预测储能柜温度和温度阈值执行节点状态判决；

若预测储能柜温度小于或等于温度阈值，则储能柜在节点处于常态，采用常态约束供需平衡方程获取预测变电功率，将预测变电功率依序置入变电功率指令，将温度更新标签置0，反馈预测变电功率和温度更新标签至温度预测单元；

若预测储能柜温度大于温度阈值，则储能柜在节点转入危险态，打包节点和预测储能柜温度生成制冷启动指令并发送至温控模块；

直至获取温控模块反馈的节点的预测制冷功率，采用危险态约束供需平衡方程获取预测变电功率，将预测变电功率依序置入变电功率指令，将温度更新标签置1，反馈预测变电功率和温度更新标签至温度预测单元；

直至未知时段个节点的预测变电功率均已置入变电功率指令，发送至能源管理模块。

本发明公开了一种绿色清洁能源智能储能柜动态散热控制方法及系统，通过划分时段并等间隔设置节点以进行实际数据的实时采集，采用信息驱动联合预测网络考虑风力发电和光伏发电的随机性和间歇性，进行精确的节点风电预测和节点光电预测，采用时频转换趋势增强网络增强负载功率的时序趋势性以进行精确的节点负载预测，采用多模态集成式学习网络考虑上一节点的变电功率与储能柜温度的相关度，进行精确的节点温度预测，通过节点状态判决抉择是否采用PID算法确认预测制冷功率以实现确定节点确定功率的制冷降温，并选择对应状态的约束供需平衡方程预测变电功率，大幅提升了可再生能源利用率，避免能源浪费现象，在节点以确定的预测制冷功率进行降温调控也有效降低了能耗，在确保储能柜稳定性和安全性的前提下，提升了环保性。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，包括以下具体步骤：

设置温度阈值和最佳温度，定义时段并设置节点，在节点采集实际数据；

定义已知时段和未知时段，当系统时间推进至已知时段最后一个节点时，启动未知时段节点调控；

采用信息驱动联合预测网络执行未知时段的节点风电预测和节点光电预测，采用时频转换趋势增强网络进行未知时段的节点负载预测；

采用多模态集成式学习网络执行未知时段的节点温度预测和节点状态判决，基于判决结果抉择进行相应的节点预处理；

直至未知时段的所有节点均执行未知时段节点调控后停止，当系统时间推进至未知时段最后一个节点时，更新已知时段和未知时段以继续启动未知时段节点调控。

2.如权利要求1所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，所述信息驱动联合预测网络进行节点风电预测和节点光电预测包括以下具体步骤：

分别选取单一节点前的若干个节点的功率和环境矢量以构建功率序列和环境序列；

将功率序列和环境序列的线性组合通过SELU函数调整分布，获取激活特征序列；

采用GLU层动态调整激活特征序列中每一个激活特征矢量的贡献程度，生成贡献序列；

将贡献序列与功率序列叠加输入批归一化层，获取动态数据序列；

环境序列经过LSTM层以捕捉时序关系，并通过线性层降维生成单一节点的预测环境矢量；

采用交叉注意力机制，基于查询矩阵与预测键矩阵的关联度调整预测值矩阵，并通过线性层降维生成单一节点的预测功率。

3.如权利要求1所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，所述时频转换趋势增强网络进行节点负载预测包括以下具体步骤：

选取单一节点之前的若干节点的负载功率以构建负载功率序列；

将负载功率序列通过MLP层和傅里叶变换扩维并映射生成频域负载特征矩阵；

将频域负载特征矩阵与复数矩阵进行积运算以抑制高频分量信息，生成频域核心特征矢量；

通过傅里叶逆变换将频域核心特征矢量转换生成增强负载功率序列，采用LSTM层和线性层的组合生成单一节点的预测负载功率。

4.如权利要求3所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，所述多模态集成式学习网络执行节点温度预测包括以下具体步骤：

选取单一节点之前的若干节点的储能柜温度和变电功率绝对值以分别构建温度序列和绝对变电功率序列；

分别计算温度序列与绝对变电功率序列的温度均值和绝对变电均值；

获取上一个节点的皮尔逊相关系数，并通过线性平移归一化处理生成上一个节点的嵌入系数，上一个节点指在单一节点前且与单一节点相邻的节点；

基于上一个节点的嵌入系数将上一个节点的变电功率绝对值嵌入上一个节点的储能柜温度以生成上一个节点的联合温度；

将上一个节点的联合温度同步输入多种基学习器，并采用元学习器继承多种基学习器的输出，生成单一节点的预测储能柜温度。

5.如权利要求4所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，基于节点状态判决的所述判决结果执行相应的节点预处理包括：

若单一节点的预测储能柜温度小于或等于温度阈值，基于常态约束供需平衡方程获取单一节点的预测变电功率和下一个节点的预测储蓄电量，下一个节点指在单一节点之后且与单一节点相邻的节点；

若单一节点的预测储能柜温度大于温度阈值，采用PID算法获取单一节点的预测制冷功率，基于危险态约束供需平衡方程获取单一节点的预测变电功率和下一个节点的预测储蓄电量，将单一节点的预测储能柜温度更新为最佳温度。

6.如权利要求5所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，所述基于常态约束供需平衡方程获取单一节点的预测变电功率和下一个节点的预测储蓄电量包括以下具体步骤：

将单一节点的预测风电功率与预测光电功率之和作为预测供给功率，将单一节点的预测负载功率作为常态预测消耗功率；

基于理论常态供需恒等式获取单一节点的理论变电功率，理论常态供需恒等式为任意节点理论上储能柜需要遵循的供需平衡；

获取单一节点的预测储蓄电量，基于理论变电功率计算下一个节点的理论储蓄电量，并与储蓄上限和储蓄下限比对；

若下一个节点的理论储蓄电量大于或等于储蓄下限的同时还小于或等于储蓄上限，分别将单一节点的理论变电功率和下一个节点的理论储蓄电量作为单一节点的预测变电功率和下一个节点的预测储蓄电量；

若下一个节点的理论储蓄电量小于储蓄下限或大于储蓄上限，重新设置单一节点的预测变电功率和下一个节点的预测储蓄电量，确定单一节点的预测交易功率；

改写理论常态供需恒等式为常态约束供需平衡方程，常态约束供需平衡方程在理论常态供需恒等式的基础上额外增入单一节点的预测交易功率以维持供需平衡。

7.如权利要求5所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，所述采用PID算法获取单一节点的预测制冷功率，包括以下具体步骤：

获取最佳温度和单一节点的预测储能柜温度，计算单一节点的调整偏差；

计算单一节点的比例项以表示宏观调整温度；

计算单一节点的积分项以通过多次微观调整逼近最佳温度；

计算单一节点的微分项以把控单次微观调整幅度，防止出现过度调整现象；

基于单一节点的比例项、积分项和微分项获取单一节点的制冷调整功率，与最低运行功率叠加获取单一节点的预测制冷功率。

8.一种绿色清洁能源智能储能柜动态散热控制系统，用于执行如权利要求1-7中任意一项所述的一种绿色清洁能源智能储能柜动态散热控制方法，其特征在于，包括时钟模块、预测调控模块、能源管理模块和温控模块；

所述时钟模块基于系统时间设置已知时段和未知时段，为已知时段和未知时段分别设置节点；

所述预测调控模块存储实际数据，在已知时段的最后一个节点执行未知时段节点调控，生成并发送变电功率指令至能源管理模块，同时抉择是否发送制冷启动指令至温控模块；

所述能源管理模块在每个节点采集实际数据并上报预测调控模块，同时依据接收的变电功率指令控制充放电；

所述温控模块接收制冷启动指令，采用PID算法获取预测制冷功率并反馈至预测调控模块，在相应的节点以预测制冷功率进行降温。

9.如权利要求8所述的一种绿色清洁能源智能储能柜动态散热控制系统，其特征在于，所述预测调控模块包括风电预测单元、光电预测单元、负载预测单元、温度预测单元和指令生成单元；

所述风电预测单元采用信息驱动联合预测网络生成单一节点的预测风电环境矢量和预测风电功率；

所述光电预测单元采用信息驱动联合预测网络生成单一节点的预测光电环境矢量和预测光电功率；

所述负载预测单元采用时频转换趋势增强网络生成单一节点的预测负载功率；

所述温度预测单元获取上一个节点的预测变电功率和温度更新标签，基于温度更新标签抉择是否更新上一个节点的预测储能柜温度，采用多模态集成式学习网络生成单一节点的预测储能柜温度；

指令生成单元基于状态驱动响应策略执行传输操作。

10.如权利要求9所述的一种绿色清洁能源智能储能柜动态散热控制系统，其特征在于，所述指令生成单元基于状态驱动响应策略执行传输操作包括以下具体步骤：

获取单一节点的预测风电功率、预测光电功率、预测负载功率和预测储能柜温度；

通过比对单一节点的预测储能柜温度和温度阈值执行节点状态判决；

若单一节点的预测储能柜温度小于或等于温度阈值，采用常态约束供需平衡方程获取单一节点的预测变电功率并置入变电功率指令，将单一节点的温度更新标签置0，反馈单一节点的预测变电功率和温度更新标签至温度预测单元；

若单一节点的预测储能柜温度大于温度阈值，打包单一节点和单一节点的预测储能柜温度生成制冷启动指令并发送至温控模块；

获取单一节点的预测制冷功率，采用危险态约束供需平衡方程获取单一节点的预测变电功率并置入变电功率指令，将单一节点的温度更新标签置1，反馈单一节点的预测变电功率和温度更新标签至温度预测单元；

直至未知时段所有节点的预测变电功率均已置入变电功率指令，发送至能源管理模块。