一种光伏设备和光伏设备控制系统的制作方法

1.本说明书涉及一种能效管理领域，特别涉及一种光伏设备和光伏设备控制系统。


背景技术：

2.光伏系统是一种利用光生伏特效应将光能直接转变为电能的发电系统。一套光伏系统主要包括太阳电池阵、蓄电池、光伏逆变器和交流断路器。光伏与电池储能组合成为供电系统，可以改善光伏供电的稳定性，提高光伏发电利用率，拓展系统功能应用。但是，光伏发电受昼夜、季节、光照、温度等自然因素的影响，具有波动性、随机性和间歇性。其无法独立地稳定供电，往往需要与电网结合平抑不稳定性。
3.针对根据电量制定用电计划的问题，cn104052150a提出一种户用分布式光伏发电系统的智能家庭能效管理系统，该申请重点针对的使能效管理系统通过无线通讯系统采集分布式光伏发电系统的发电量、蓄电池的电量和各个电器的用电信息，通过遍历的方法，得到最优的用电计划，并以此控制电器在用电费用最低的时候工作，让光伏发电余量在适合的时候上网，让家庭用电效益最大化。但是其没有充分考虑用电实际需求数据，可能存在调控不当的问题。
4.因此，希望能提供一种能合理调控供电策略的光伏设备及控制系统，提高智能化程度，降低电能浪费。


技术实现要素：

5.本说明书一个或多个实施例提供一种光伏设备，包括：发电装置、监测组件、鼓风装置和处理器；所述发电装置至少包括光伏发电组件和储能组件，所述鼓风装置用于向所述发电装置鼓风；所述监测组件用于获取第一监测数据和第二监测数据；所述发电装置、所述监测组件和所述鼓风装置与所述处理器通信连接，所述处理器用于：基于所述第一监测数据，确定所述光伏设备的发电特征；基于所述第二监测数据，确定接入所述光伏设备的用电设备的用电特征；基于所述发电特征和所述用电特征，确定所述光伏设备的供电策略；基于所述供电策略，确定控制指令，并基于所述控制指令控制所述发电装置和作书监测组件中的至少一个的工作状态。
6.本说明书一个或多个实施例提供一种光伏设备控制系统，包括第一特征确定模块、第二特征确定模块、策略确定模块、控制模块；所述第一特征确定模块用于基于所述第一监测数据，确定所述光伏设备的发电特征；所述第二特征确定模块用于基于所述第二监测数据，确定接入所述光伏设备的用电设备的用电特征；所述策略确定模块用于基于所述发电特征和所述用电特征，确定所述光伏设备的供电策略；所述控制模块用于基于所述供电策略，确定控制指令，并基于所述控制指令控制所述发电装置和所述监测组件中的至少一个的工作状态。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述光伏设备控制系统对应的
功能。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的光伏设备的模块示意图；
10.图2是根据本说明书一些实施例所示的光伏设备控制方法的示例性流程图；
11.图3是根据本说明书一些实施例所示的确定发电特征的示意图；
12.图4是根据本说明书一些实施例所示的确定用电特征的示意图；
13.图5是根据本说明书一些实施例所示的光伏设备控制系统的模块图。
具体实施方式
14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
18.图1是根据本说明书一些实施例所示的光伏设备的模块示意图。
19.在一些实施例中，如图1所示，光伏设备100包括发电装置110、监测组件120、鼓风装置130和处理器140。
20.发电装置110可以为一种为外部设备或用电设备提供电能的设备。在一些实施例中，发电装置110可以包括光伏发电组件111、储能组件112和电压转换组件(图中未示出)等，其可以向监测组件120、鼓风装置130、处理器140、其他外部设备或用电设备进行供电。
21.在一些实施例中，光伏发电组件111可以为将光能转换为电能的组件，如太阳能电池板等。
22.在一些实施例中，储能组件112可以用于将光伏发电组件111发出的电能进行存储，并为其他设备提供电能。在一些实施例中，储能组件112还可以包括供移动充电装置连
接的接口。相对应的，储能组件112可以通过该接口为移动充电装置(如充电宝、电瓶等)提供电能。
23.在一些实施例中，光伏发电组件111可以与储能组件112连接，并将转换的电能存储在储能组件112内。在一些实施例中，储能组件112可以与电压转换组件连接，以使电压转换组件将电能以期望电压进行输出。
24.在一些实施例中，监测组件120可以用于监测光伏设备100或其他设备的工作状态，如第一监测数据和第二监测数据。在一些实施例中，监测组件120可以用于获取外部环境参数，如天气数据、地理特征等。在一些实施例中，监测组件120还可以用于获取用电设备的工作状态，如用电设备的历史用电数据、用电设备参数等。相对应的，在一些实施例中，监测组件120可以包括电表、设备检测器、温湿度计、定位器等。第一监测数据和第二监测数据的更多细节，可以参看下述图2及其相关描述。
25.在一些实施例中，监测组件120可以包括图像采集装置和粉尘传感器。
26.其中，图像采集装置可以用于获取光伏设备100的图像，该图像可以反映光伏设备100的清洁程度。粉尘传感器可以用于检测发电装置110上的粉尘状态，该粉尘状态可以反映光伏设备100的清洁程度。
27.在一些实施例中，鼓风装置130可以为用于向发电装置110鼓风，以清洁发电装置110上的粉尘，提高发电装置110的发电效率。例如，鼓风装置130可以包括电扇、鼓风机等设备。
28.处理器140可以指光伏设备100的运算和控制核心，是信息处理、程序运行的最终执行单元。例如，中央处理器、图形处理器以及现场可编程逻辑门阵列等。
29.在一些实施例中，处理器140可以通过网络分别与发电装置110、监测组件120、鼓风装置130连接，以控制各个装置的工作状态。例如，处理器140可以基于控制指令，控制发电装置110和监测组件120中的至少一个的工作状态，为用电设备进行供电。又例如，处理器140可以根据鼓风参数驱动鼓风装置130进行工作。
30.用电设备可以为消耗电能的设备。在一些实施例中，用电设备可以包括电网负载(如，耗电的用户单位等)、移动充电装置(如充电宝、电瓶等)等。
31.在一些实施例中，光伏设备100还可以包括太阳能充电桩，其可以用于新能源车辆、无人机等设备充电。
32.需要注意的是，以上对于光伏设备及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的监测组件120、处理器140可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
33.图2是根据本说明书一些实施例所示的光伏设备控制方法的示例性流程图。在一些实施例中，流程200可以由前述处理器140执行。
34.如图2所示，流程200包括下述步骤：
35.步骤210，基于第一监测数据，确定光伏设备的发电特征。
36.第一监测数据可以为反映光伏设备工作环境的数据。在一些实施例中，第一监测数据可以包括天气数据、地理特征数据中的至少一种。其中，天气数据可以影响光伏设备的清洁程度，如下雨后光伏设备的清洁程度较好。地理特征数据可以为反映光伏设备所在的区域的数据，其可以影响光伏设备的清洁状态，如沙漠区域中的光伏设备的清洁程度比草原区域中的光伏设备的清洁程度更差。
37.在一些实施例中，处理器可以通过监测组件获取第一监测数据。例如，处理器可以通过网络与光伏设备所在的基站建立通讯，获取光伏设备的地理特征数据和预设时间段内的天气数据等。监测组件的更多细节，可以参看图1及其相关描述。
38.发电特征可以用于反映光伏设备在当前或未来的发电状态。在一些实施例中，发电特征可以包括预设时间段内的发电量序列。其中，发电量序列可以包括未来至少一个时刻，及其对应的预测的光伏设备的发电量或发电功率。
39.在一些实施例中，处理器可以通过多种方式确定发电特征。例如，查询表格、向量库匹配等。仅作为示例，处理器可以基于第一监测数据，在预设先建立的发电表格中查询与其对应的光伏设备的发电特征。
40.在一些实施例中，处理器还可以通过发电预测模型确定发电特征，更多细节可以参看图3及其相关描述。
41.步骤220，基于第二监测数据，确定接入光伏设备的用电设备的用电特征。
42.第二监测数据可以反映用电设备的历史用电状态。在一些实施例中，第二监测数据可以包括用电设备的历史用电特征和当前用电特征中的至少一种。其中，历史用电特征和当前用电特征可以包括用电设备在预设时间内的用电量序列。其中，用电量序列可以包括光伏设备的用电量或用电功率(即耗电功率)以及与其对应的用电时间。
43.在一些实施例中，处理器可以通过监测组件获取第二监测数据。例如，处理器可以通过电表获取用电设备在多个时间段内的历史用电量，从而确定该用电设备的历史用电特征。
44.接入光伏设备的用电设备的用电特征可以反映用电设备在某一时间段内的用电状态。在一些实施例中，用电特征可以包括预测得到的用电设备在当前时间段内或未来预设时间段内的用电量序列。其中，用电量序列可以包括预测的用电设备的用电量或用电功率以及与其对应的用电时间。用电设备的更多细节可以参看图1及其相关描述。
45.在一些实施例中，处理器可以通过多种方式确定用电特征。例如，查询表格、向量库匹配等。仅作为示例，处理器可以基于第二监测数据对应的向量，在预设先建立的用电设备向量库中匹配相似的向量，从而确定相似向量对应的用电特征，并作为接入光伏设备的用电设备的用电特征。
46.在一些实施例中，处理器可以通过用电预测模型确定用电特征，更多细节可以参看图4及其相关描述。
47.步骤230，基于发电特征和用电特征，确定光伏设备的供电策略。
48.供电策略可以为指导在未来某一时间段内进行电能分配的策略。在一些实施例中，供电策略可以包括光伏设备在盈能阶段的功率分配特征，如，供给用电设备的供电功率，和存储到储能组件的储电功率；以及光伏设备在亏能阶段的买电特征，如，是否需要买电，以及买电功率，其中，买电功率指单位时间内需要从电网买入的电量。其中，盈能阶段可
以为光伏设备的发电量大于用电设备的用电量的阶段，反之，即为亏能阶段。
49.相对应的，在一些实施例中，光伏设备处于盈能阶段，可以对储能组件进行充电；若储能组件电量已满可以将光伏设备多余的发电电能输入至电网以获得收入。在一些实施例中，光伏设备处于亏能阶段，可以先用储能组件储存的电量对用电设备进行供电；若储能组件电量耗尽，可以从电网买入电能以满足用电设备用电此时会产生支出。储能组件的更多细节可以参看图1及其相关描述。
50.在一些实施例中，处理器可以通过多种方式确定目标供电策略。例如，通过查询参考供电策略表确定。其中，参考供电策略表可以由处理器根据历史供电数据预先建立。参考供电策略表中包括场景特征以及对应的参考供电策略。其中，场景特征可以包括：在当前时刻或未来时刻的光伏设备的发电特征、用电设备的用电特征以及电价。处理器可以基于场景特征在参考供电策略表中进行匹配，确定目标供电策略。
51.在一些实施例中，处理器可以获取至少一个候选供电策略，基于用电特征和发电特征确定至少一个候选供电策略的评估值，并基于评估值从至少一个候选供电策略中确定目标供电策略。
52.在一些实施例中，处理器可以通过多种方式生成至少一个候选供电策略。例如，基于场景特征随机生成，或基于历史数据生成等。
53.在一些实施例中，候选供电策略的评估值可以受到实施该供电策略后的买电成本和供电量的影响。例如，该供电策略实施后的买电成本越低，评估值也就越高，又例如，该供电策略实施后的供电量越大，评估值也就越高。
54.在一些可选的实施例中，处理器可以根据买电成本确定评估值，买电成本可以与评估值成反比。在一些可选的实施例中，处理器可以将供电量和买电成本的比值作为评估值。在一些可选的实施例中，处理器可以为买电成本和供电量进行加权，从而得到该候选供电策略的评估值，其中，供电量权重为正，买电成本权重为负，权重具体数值可以预先设置，或通过获取人工输入确定。
55.在一些实施例中，处理器可以基于每一候选供电策略，模拟基于该候选供电策略执行预设时间段(如未来24小时内)所产生的买电成本和供电量，从而确定该供电策略的评估值。其中，预设时间段可以为人为设定的。
56.示例性的，在模拟过程中的每个时刻，处理器可以根据该时刻或未来时刻的用电特征、发电特征以及候选供电策略，确定供电功率以及储电功率、以及是否买电和买电功率，并持续进行模拟。模拟完成时，处理器可以基于模拟过程中的监测数据统计在该模拟过程中的买电功率，进而基于电价确定买电成本；以及基于模拟过程中的监测数据确定供给用电设备的供电量，再基于买电成本和供电量确定该候选供电策略的评估值。
57.其中，处理器可以在模拟系统中模拟生成一个光伏设备，根据预测的发电特征，为该光伏设备在不同时刻赋予不同的发电功率，从而模拟光伏设备的在未来时刻的发电特征。处理器还可以在模拟系统中生成充电事件(如模拟一辆电动车进行充电)，且保证该充电事件的生成和预测的用电特征相匹配，从而模拟用电设备在未来时刻的用电特征。
58.有关预测发电特征和预测用电特征的更多内容可参见本说明书图3-图4及其相关描述。
59.在一些实施例中，处理器可以基于评估值，从多个候选供电策略中选择评估值最
优的候选供电策略，作为目标供电策略。也就是说，处理器可以选择买电成本最低(或者买电成本与供电量的比值最低)的候选供电策略作为目标供电策略。
60.在本说明书实施例中，通过模拟选择评估值最优的候选供电策略作为目标供电策略，可以衡量买电成本和供电量，使得光伏设备的能效分配管理更加均衡，从而确保电网的稳定。
61.步骤240，基于供电策略，确定控制指令，并基于控制指令控制发电装置和监测组件中的至少一个的工作状态。
62.控制指令可以为处理器向光伏设备中的其他组件传输的指令，以使光伏设备可以基于供电策略进行电能分配。在一些实施例中，控制指令可以包括发电装置的发电功率、储能功率等、监测组件的工作时间等。
63.在一些实施例中，发电装置的工作状态可以包括储能组件的工作状态(如，储能或放能)、以及光伏发电组件的工作状态(如，电能输出给用电设备或储能组件)等。在一些实施例中，监测组件的工作状态可以包括监测组件的开启/关闭，以及监测组件开启时的监测对象、监测时间等。发电装置和监测组件的更多细节可以参看图1及其相关描述。
64.示例性的，处理器可以基于控制指令，调节储能组件处于储能还是放能，控制光伏发电组件将电能输出给用电设备或储能组件，以使光伏设备可以依照供电策略进行发电。或者，处理器可以控制监控组件对发电装置进行监测，以保证发电装置的正常运行。
65.在一些实施例中，处理器可以根据光伏发电组件的粉尘数据，确定鼓风装置的鼓风参数。
66.粉尘数据可以反映位于光伏发电组件表面的粉尘程度，其会对光伏发电组件的清洁程度和能量转换造成影响。在一些实施例中，粉尘数据可以包括粉尘位置、粉尘程度(或粉尘厚度)、粉尘类型等。举例来说，粉尘程度越高，光伏发电组件的清洁程度越低，光伏发电组件的能量转换效率越差，发电装置的发电量越小。
67.在一些实施例中，处理器可以利用图像采集装置获取光伏发电组件的图像，并利用特征提取识别该图像，确定光伏发电组件表面的粉尘数据；也可以利用粉尘传感器采集光伏发电组件表面的粉尘数据。相对应的，处理器可以根据粉尘数据确定光伏发电组件的脏污程度，以对发电组件进行及时的清理。
68.在一些实施例中，处理器还可以周期性的获取粉尘数据，以及时清理光伏发电组件的粉尘，从而保证光伏发电组件的能量转换效率。图像采集装置和粉尘传感器的更多细节参看图1。
69.在一些实施例中，鼓风参数可以包括鼓风装置的鼓风时间、鼓风风度、鼓风方向等一种或多种参数的组合。
70.在一些实施例中，处理器可以根据基于每一光伏发电组件的粉尘数据，通过查表、向量库匹配等多种方式，确定鼓风装置的鼓风参数。例如，当某一光伏发电组件的粉尘程度达到粉尘阈值，处理器可以根据粉尘位置确定鼓风装置的鼓风方向，再利用查表的方式基于粉尘程度和粉尘类型查询对应的鼓风装置的鼓风时间和鼓风风度，从而处理器可以基于前述鼓风参数(如，鼓风时间、鼓风风度、鼓风方向等)驱动鼓风装置进行鼓风。
71.在本说明书实施例中，通过对光伏发电组件的粉尘数据进行监测，并定时驱动鼓风装置进行鼓风，从而及时将光伏发电组件上的粉尘吹走，确保光伏发电组件的能量转换
效率。
72.图3是根据本说明书一些实施例所示的确定发电特征的示意图。
73.在一些实施例中，如图3所示，处理器可以基于天气数据310、地理特征数据320和光伏设备参数330，通过发电预测模型340获取发电特征350，发电预测模型340为机器学习模型。
74.光伏设备参数可以反映光伏设备在正常工作状态下的能力范围。在一些实施例中，光伏设备参数330可以包括光伏设备的数量、峰值功率、峰值电压、工作温度等一种或多种参数。
75.在一些实施例中，处理器可以通过获取人工输入、联网获取等多种方式获取光伏设备参数330。天气数据310和地理特征数据320的更多细节可以参看前述图2及其相关描述。
76.在一些实施例中，发电预测模型340可以为机器学习模型，例如，神经网络模型(neural networks，nn)。在一些实施例中，发电预测模型还可以是其他能够实现相同功能的模型。
77.在一些实施例中，处理器可以将天气数据310、地理特征数据320和光伏设备参数330作为发电预测模型340的输入，输出该光伏设备的发电特征350。其中，天气数据310可以包括多个历史时刻的风力特征、温度特征数据、湿度特征数据等，地理特征数据320可以包括多个历史时刻的空气粉尘浓度等，光伏设备参数330可以包括多个历史时刻的鼓风参数等。
78.在一些实施例中，多个历史时刻的天气数据310、地理特征数据320和光伏设备参数330可以为分别为一个序列。以天气数据310为例，天气数据310可以包括由当前时刻前3小时中每小时的温度特征数据和湿度特征数据组成的序列，如天气数据其中，第一行、第二行、第三行分别代表不同历史时刻t的温度特征数据x和湿度特征数据y。
79.在一些实施例中，如图3所示，发电预测模型340的输入还可以包括光伏发电组件的清洁程度360。
80.在一些实施例中，光伏发电组件的清洁程度360可以用于反映该光伏发电组件的发电效率，如清洁程度360越高，光伏发电组件的发电效率越高。在一些实施例中，光伏发电组件的清洁程度360还会受到光伏发电组件的粉尘数据的影响，如粉尘程度越大，光伏发电组件的清洁程度360越弱。
81.在一些实施例中，处理器根据采集到的粉尘数据，基于粉尘程度与光伏发电组件的清洁程度360成反比的关系，确定光伏发电组件的清洁程度360。在一些可选的实施例中，处理器也可以利用图像采集装置获取光伏发电组件的图像，并利用特征提取识别该图像，确定光伏发电组件的清洁程度360。图像采集装置的更多细节可以参看上述图1及其相关描述。
82.在本说明书一些实施例中，考虑到光伏发电组件的清洁程度360对发电效率的影响，通过在模型输入中加入光伏发电组件的清洁程度360，可以提高预测的光伏发电组件的发电特征350的准确度，从而可以更精准地进行电能分配。
83.在一些实施例中，发电预测模型340可以基于大量带有标签的训练样本训练得到。在一些实施例中，训练样本可以包括多个第一历史时刻的天气数据样本、地理特征数据样本和光伏设备参数样本，还可以包括多个第一历史时刻的光伏发电组件的清洁程度样本，训练样本可以通过调取数据库中的多个第一历史时刻的天气数据、地理特征数据、光伏设备参数和光伏发电组件的清洁程度获得。在一些实施例中，标签可以是第二历史时刻的该光伏设备的发电特征，该标签可以通过调取与多个第二历史时刻的相对应的历史发电特征获得，也可以通过人工对该光伏设备进行标注获得。其中，第二历史时刻晚于第一历史时刻。
84.在本说明书实施例中，基于光伏设备参数以及其工作环境(如，天气数据310和地理特征数据320等)，利用训练好的发电预测模型340进行预测，可以快速得到光伏设备的发电特征350，从而提高后续进行电能分配管理的效率。
85.在一些实施例中，处理器可以获取未来时刻的光伏发电组件的预测清洁程度，基于预测清洁程度获取未来时刻的发电特征的预测值。
86.在一些实施例中，处理器可以基于多个历史时刻的光伏发电组件的粉尘数据、天气数据样本等参数，通过查表、向量库匹配等多种方式获取发电特征未来时刻的光伏发电组件的预测清洁程度。其中，表格和向量库可以为处理器基于多个历史时刻的光伏发电组件的清洁程度确定。
87.在一些实施例中，发电预测模型340可以包括清洁预测层和发电预测层。相对应的，处理器可以基于多个历史时刻的光伏发电组件的清洁程度、空气粉尘浓度、风力特征、温度特征数据和鼓风参数，通过清洁预测层341获取未来时刻的光伏发电组件的预测清洁程度；再基于天气数据、地理特征数据、光伏设备参数和预测清洁程度，通过发电预测层获取发电特征。
88.其中，清洁预测层和发电预测层可以为机器学习模型，例如，神经网络模型(neural networks，nn)。在一些实施例中，发电预测模型还可以是其他能够实现相同功能的模型。
89.在一些实施例中，处理器可以将多个历史时刻的光伏发电组件的清洁程度、空气粉尘浓度、风力特征、温度特征数据和鼓风参数作为清洁预测层341的输入，以获得未来时刻的光伏发电组件的预测清洁程度。
90.在一些实施例中，历史时刻的空气粉尘浓度、风力特征和鼓风参数可以影响光伏发电组件未来时刻的清洁程度。例如，空气粉尘浓度越大，粉尘越容易落在光伏发电组件的表面上，预测得到的未来时刻的清洁程度也就越低。又例如，风力特征越大和/或鼓风参数越大，光伏发电组件的表面上的粉尘越容易被吹飞，预测得到的未来时刻的清洁程度也就越高。光伏发电组件的清洁程度的更多细节可以参看上述相关描述。
91.在一些实施例中，处理器可以通过网络、或人为输入等多种方式，获取多个历史时刻的光伏发电组件的清洁程度、空气粉尘浓度、风力特征、温度特征数据和鼓风参数。
92.在一些实施例中，清洁预测层可以基于大量带有标签的训练样本训练得到。在一些实施例中，训练样本可以包括多个第一历史时刻的光伏发电组件的清洁程度样本、空气粉尘浓度样本、风力特征样本、温度特征数据样本和鼓风参数样本，训练样本可以通过调取数据库中的多个第一历史时刻的清洁程度、空气粉尘浓度、风力特征、温度特征数据获得。
在一些实施例中，标签可以是位于第二历史时刻的该光伏发电组件的清洁程度样本，该标签可以通过调取与多个第二历史时刻的相对应的历史清洁程度获得，也可以通过人工对该光伏发电组件进行标注获得。其中，第二历史时刻晚于第一历史时刻。
93.在一些实施例中，处理器可以将天气数据、地理特征数据、光伏设备参数和预测清洁程度作为发电预测层342的输入，以获得未来时刻的发电特征的预测值。其中，处理器可以将清洁预测层输出的预测清洁程度作为发电预测层342的一部分输入，以获得未来时刻的发电特征的预测值。
94.在一些实施例中，发电预测层可以基于大量带有标签的训练样本训练得到。发电预测层的训练与前述发电预测模型的训练类似，更多细节可以参看前述发电预测模型及其相关描述。
95.在本说明书实施例中，通过设置训练好的清洁预测层，可以快速地得到预测清洁程度以作为发电预测层的输入，再利用训练好的发电预测层进行预测，可以快速且准确地得到光伏设备的发电特征的预测值，进一步地提高后续进行电能分配管理的效率。
96.图4是根据本说明书一些实施例所示的确定用电特征的示意图。
97.在一些实施例中，如图4所示，处理器可以基于历史用电特征410、当前用电特征420和用电设备数据430，通过用电预测模型440确定用电特征450，用电预测模型440为机器学习模型。
98.在一些实施例中，历史用电特征410可以为用电设备在过去时间段或过去时刻的用电特征，当前用电特征420可以为用电设备在当前时刻的用电特征。用电设备数据可以反映用电设备在正常工作状态下的能力范围。在一些实施例中，用电设备数据430可以包括当前接入到光伏设备的用电设备的数量、峰值功率、峰值电压、设备使用功率、工作温度等一种或多种参数。用电特征450可以为用电设备在未来时间段或未来时刻的用电特征。
99.在一些实施例中，处理器可以通过人工输入、网络等多种方式获取历史用电特征410、当前用电特征420和用电设备数据430。历史用电特征410、当前用电特征420的更多细节可以参看前述图2及其相关描述。
100.在一些实施例中，用电预测模型440可以为机器学习模型，例如，神经网络模型(neural networks，nn)。在一些实施例中，发电预测模型还可以是其他能够实现相同功能的模型。
101.在一些实施例中，处理器可以将历史用电特征410、当前用电特征420和用电设备数据430可以作为用电预测模型440的输入，输出该用电设备的用电特征450。其中，用电设备的用电特征450可以包括未来时间点的用电量序列，序列的更多细节可以参看前述图3及其相关描述。
102.在一些实施例中，当光伏设备包括太阳能充电桩时，用电特征预测模型440的输入还包括车流量数据。
103.车流量数据可以用于反映在单位时间段内接入光伏设备的车辆数量，其可以影响用电设备的用电特征450。示例性的，车流量数据越大，用电设备的用电功率也会越大。在一些实施例中，车流量数据可以包括多个历史时刻的车流量数据和/或当前时刻的车流量数据。
104.在一些实施例中，处理器可以通过网络、或人为输入等多种方式，获取车流量数
据。在一些可选的实施例中，处理器还可以通过设置在接口处的传感器监测电动车的车流量数据。
105.在一些实施例中，用电预测模型440可以基于大量带有标签的训练样本训练得到。在一些实施例中，训练样本可以包括历史用电特征样本、当前用电特征样本和用电设备数据样本，还可以包括多个第一历史时刻的车流量数据。训练样本可以通过调取数据库中的多个第一历史时间段的用电设备的用电状态获得。在一些实施例中，标签可以是位于第二历史时刻的该光伏设备的用电特征样本，该标签可以通过调取与多个第二历史时刻的相对应的用电特征获得，也可以通过人工对该光伏设备进行标注获得。其中，第二历史时刻晚于第一历史时刻。
106.在本说明书实施例中，基于历史用电特征、当前用电特征和用电设备数据，利用训练好的用电预测模型440进行预测，可以快速得到用电设备的用电特征450，从而提高后续进行电能分配管理的效率。
107.图5是根据本说明书一些实施例所示的光伏设备控制系统的模块图。
108.如图5所示，所述光伏设备控制系统500可以包括第一特征确定模块510、第二特征确定模块520、策略确定模块530、控制模块540。
109.在一些实施例中，第一特征确定模块510可以用于基于第一监测数据，确定光伏设备的发电特征。
110.在一些实施例中，第一监测数据包括天气数据、地理特征数据中的至少一种。
111.在一些实施例中，第一特征确定模块510进一步用于：基于天气数据、地理特征数据和光伏设备参数，通过发电预测模型获取发电特征，发电预测模型为机器学习模型。
112.在一些实施例中，第二特征确定模块520可以用于基于所述第二监测数据，确定接入光伏设备的用电设备的用电特征。
113.在一些实施例中，第二监测数据包括用电设备的历史用电特征和当前用电特征中的至少一种。
114.在一些实施例中，第二特征确定模块520进一步用于：基于历史用电特征、当前用电特征和用电设备数据，通过用电预测模型确定用电特征，用电预测模型为机器学习模型。
115.在一些实施例中，策略确定模块530可以用于基于发电特征和用电特征，确定光伏设备的供电策略。
116.在一些实施例中，策略确定模块530进一步用于：获取至少一个候选供电策略；基于用电特征和发电特征确定至少一个候选供电策略的评估值；基于评估值从至少一个候选供电策略中确定目标供电策略。
117.在一些实施例中，控制模块540可以用于基于供电策略，确定控制指令，并基于控制指令控制发电装置和监测组件中的至少一个的工作状态。
118.有关第一特征确定模块510、第二特征确定模块520、策略确定模块530、控制模块540及其功能的更多详细内容，可参见本说明书图1-图4及其相关描述。
119.本说明书一些实施例还提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述光伏设备控制系统对应的功能。
120.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅
作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
121.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
122.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
123.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
124.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
125.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
126.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

技术特征：
1.一种光伏设备，其特征在于，所述光伏设备包括发电装置、监测组件、鼓风装置和处理器；所述发电装置至少包括光伏发电组件和储能组件，所述鼓风装置用于向所述发电装置鼓风；所述监测组件用于获取第一监测数据和第二监测数据；所述发电装置、所述监测组件和所述鼓风装置与所述处理器通信连接，所述处理器用于：基于所述第一监测数据，确定所述光伏设备的发电特征；基于所述第二监测数据，确定接入所述光伏设备的用电设备的用电特征；基于所述发电特征和所述用电特征，确定所述光伏设备的供电策略；基于所述供电策略，确定控制指令，并基于所述控制指令控制所述发电装置和所述监测组件中的至少一个的工作状态。2.如权利要求1所述的光伏设备，其特征在于，所述第一监测数据包括天气数据、地理特征数据中的至少一种；所述处理器进一步用于：基于所述天气数据、所述地理特征数据和光伏设备参数，通过发电预测模型获取所述发电特征，所述发电预测模型为机器学习模型。3.如权利要求1所述的光伏设备，其特征在于，所述光伏设备还包括太阳能充电桩，所述太阳能充电桩用于新能源车辆充电。4.如权利要求1所述的光伏设备，其特征在于，所述第二监测数据包括所述用电设备的历史用电特征和当前用电特征中的至少一种；所述处理器进一步用于：基于所述历史用电特征、所述当前用电特征和用电设备数据，通过用电预测模型确定所述用电特征，所述用电预测模型为机器学习模型。5.如权利要求1所述的光伏设备，其特征在于，所述处理器进一步用于：获取至少一个候选供电策略；基于所述用电特征和所述发电特征确定所述至少一个候选供电策略的评估值；基于所述评估值从所述至少一个候选供电策略中确定目标供电策略。6.一种光伏设备控制系统，其特征在于，包括第一特征确定模块、第二特征确定模块、策略确定模块、控制模块；所述第一特征确定模块用于基于第一监测数据，确定所述光伏设备的发电特征；所述第二特征确定模块用于基于第二监测数据，确定接入所述光伏设备的用电设备的用电特征；所述策略确定模块用于基于发电特征和用电特征，确定所述光伏设备的供电策略；所述控制模块用于基于所述供电策略，确定控制指令，并基于所述控制指令控制发电装置和监测组件中的至少一个的工作状态。7.如权利要求6所述的光伏设备控制系统，其特征在于，所述第一监测数据包括天气数据、地理特征数据中的至少一种；所述第一特征确定模块进一步用于：
基于所述天气数据、所述地理特征数据和光伏设备参数，通过发电预测模型获取所述发电特征，所述发电预测模型为机器学习模型。8.如权利要求6所述的光伏设备控制系统，其特征在于，所述第二监测数据包括所述用电设备的历史用电特征和当前用电特征中的至少一种；所述第二特征确定模块进一步用于：基于所述历史用电特征、所述当前用电特征和用电设备数据，通过用电预测模型确定所述用电特征，所述用电预测模型为机器学习模型。9.如权利要求6所述的光伏设备控制系统，其特征在于，所述策略确定模块进一步用于：获取至少一个候选供电策略；基于所述用电特征和所述发电特征确定所述至少一个候选供电策略的评估值；基于所述评估值从所述至少一个候选供电策略中确定目标供电策略。10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求6～9任一项所述的光伏设备控制系统对应的功能。

技术总结
本说明书实施例提供一种光伏设备及控制系统，包括：发电装置、监测组件、鼓风装置和处理器；发电装置至少包括光伏发电组件和储能组件，鼓风装置用于向发电装置鼓风；监测组件用于获取第一监测数据和第二监测数据；发电装置、监测组件和鼓风装置与处理器通信连接，处理器用于：确定所述光伏设备的发电特征、确定接入光伏设备的用电设备的用电特征、确定光伏设备的供电策略、确定控制指令、控制发电装置和监测组件中的至少一个的工作状态。和监测组件中的至少一个的工作状态。和监测组件中的至少一个的工作状态。


技术研发人员：周顺 明晶晶 邱晓雅
受保护的技术使用者：苏州天富利新能源科技有限公司
技术研发日：2023.06.20
技术公布日：2023/8/31