本技術涉及能源管理開采，具體涉及基于數(shù)字孿生的光儲充放一體化電站能量智慧管理系統(tǒng)。

背景技術：

1、數(shù)字孿生技術通過創(chuàng)建物理系統(tǒng)的虛擬模型，能夠?qū)崿F(xiàn)對系統(tǒng)的實時監(jiān)控、優(yōu)化和預測。而光儲充放一體化系統(tǒng)則結(jié)合了光伏發(fā)電、儲能技術和充電設施，形成一個集能源生成、儲存和消費為一體的高效系統(tǒng)。能源智慧管理系統(tǒng)通過智能化的算法和仿真預測，能夠高效管理這些能源的生產(chǎn)、存儲和使用，優(yōu)化能量流動，動態(tài)調(diào)整能量分配，提高能源利用效率并減少浪費。同時，v2g技術的應用使得電動汽車不僅可以為電網(wǎng)充電，還能反向為電網(wǎng)供電，優(yōu)化能源調(diào)度并提升電網(wǎng)的穩(wěn)定性和靈活性。通過這種技術，光儲充放一體化電站能夠更好地實現(xiàn)智能電車的充放電管理，提升能源系統(tǒng)的整體效率與可持續(xù)性。

2、高效的能源利用和優(yōu)質(zhì)的用戶體驗之間的平衡是充電站運營中的核心問題?，F(xiàn)有的充電站調(diào)度系統(tǒng)可能主要側(cè)重于能源的最大化利用，而忽視了用戶的實際充電需求。雖然v2g可以幫助提高電網(wǎng)的穩(wěn)定性和充電站的能源回收效率，但如果過度依賴這一功能，可能會導致充電站在滿足電動汽車充電需求時出現(xiàn)困難，特別是在電動汽車數(shù)量增加的情況下，導致充電站的資源分配變得更加復雜，降低充電效率。

技術實現(xiàn)思路

1、鑒于以上內(nèi)容，有必要提供基于數(shù)字孿生的光儲充放一體化電站能量智慧管理系統(tǒng)，解決以上問題。

2、本技術一個實施例提供了基于數(shù)字孿生的光儲充放一體化電站能量智慧管理系統(tǒng)，所述系統(tǒng)包括：

3、數(shù)字孿生可視化模塊，用于對每個模塊的所有數(shù)據(jù)建立數(shù)據(jù)孿生模型，并進行可視化；

4、數(shù)據(jù)采集與處理模塊，用于獲取充電站的歷史發(fā)電信息、歷史充電信息，根據(jù)當前與歷史天氣數(shù)據(jù)之間的相似程度，預測充電站的發(fā)電量，確定充電站每個時間段的最小需求車輛數(shù)；

5、智能分析與預測模塊，用于分析每個車輛的歷史充電信息以及充電站的選取情況，確定每個車輛在每個時間段于每個充電站的充電概率，基于每個車輛在每個時間段得到的最大充電概率，對相應充電站的車輛到訪密度進行預測；

6、能量優(yōu)化調(diào)度模塊，用于根據(jù)每個時間段的最小需求車輛數(shù)以及車輛到訪密度，對充電站的v2g車輛的數(shù)量進行管理。

7、其中，所述根據(jù)當前與歷史天氣數(shù)據(jù)之間的相似程度，預測充電站的發(fā)電量，具體步驟包括：

8、針對每個充電站，分析當前時間段天氣數(shù)據(jù)與歷史各時間段的天氣數(shù)據(jù)的差異記為第一差異；

9、將所述第一差異的負相關映射，作為每個時間段與歷史各時間段的天氣相似系數(shù)；

10、基于所述天氣相似系數(shù)對歷史各時間段的光伏發(fā)電量進行加權求和，得到每個充電站在當前時間段的預測發(fā)電量。

11、其中，所述充電站每個時間段的最小需求車輛數(shù)通過每個時間段的預測發(fā)電量對應的功率與車輛充電功率的比值確定。

12、其中，所述分析每個車輛的歷史充電信息以及充電站的選取情況，確定每個車輛在每個時間段于每個充電站的充電概率的具體過程為：

13、將每個車輛歷史在每個充電站進行充電的次數(shù)占比作為每個車輛在每個充電站進行充電的概率，記為車輛選擇概率；

14、計算每個車輛在歷史相鄰兩次充電的平均時間間隔，作為充電間隔時長；

15、基于當前時間距離上次充電的時間與平均時間間隔的差異，結(jié)合每個時間段中車輛的歷史充電時長，確定每個車輛在每個時間段的充電需求；

16、基于每個車輛在每個時間段的充電需求與每個充電站的所述車輛選擇概率，得到每個車輛在每個時間段于每個充電站的充電概率。

17、其中，所述確定每個車輛在每個時間段的充電需求，具體為：

18、對于每個車輛，計算所述充電間隔時長與當前時間距離上次充電結(jié)束的時間間隔的差值，記為第二差異；

19、統(tǒng)計每個車輛在每個時間段的歷史充電時長，將所述第二差異的負相關映射結(jié)果與每個車輛在每個時間段的所有歷史充電時長的均值進行正向融合，得到每個車輛在每個時間段的充電需求。

20、其中，所述充電概率通過每個車輛在每個時間段的充電需求與在每個充電站的所述車輛選擇概率的乘積的歸一化值進行確定。

21、其中，所述基于每個車輛在每個時間段得到的最大充電概率，對相應充電站的車輛到訪密度進行預測的過程具體為：

22、獲取每個車輛在每個時間段的充電概率最大值，統(tǒng)計每個充電站在每個時間段的預計到訪車輛數(shù)；

23、將所有車輛在每個充電站的車輛選擇概率均值作為每個充電站的充電站選擇概率；

24、將所述預計到訪車輛數(shù)與相應充電站的所述充電站選擇概率進行相乘后取整，并與每個時間段每個充電站正在充電的車輛數(shù)進行相加得到每個充電站的車輛到訪密度。

25、其中，所述統(tǒng)計每個充電站在每個時間段的預計到訪車輛數(shù)，具體為：

26、獲取每個車輛每個時間段在所有充電站的充電概率最大值，統(tǒng)計在每個充電站中所述充電概率最大值大于等于預設的充電概率閾值的車輛數(shù)，作為預計到訪車輛數(shù)。

27、其中，所述根據(jù)每個時間段的最小需求車輛數(shù)以及車輛到訪密度，對充電站的v2g車輛的數(shù)量進行管理的過程為：

28、將每個時間段每個充電站的車輛到訪密度與最小需求車輛數(shù)的差值絕對值，記為第三差異；

29、根據(jù)每個充電站的歷史對應時間段中到訪車輛密度的最大值以及第三差異的最大值，確定每個時間段的最小充電車輛數(shù)；

30、當每個充電站的充電口數(shù)量大于等于所述最小充電車輛數(shù)，基于所述第三差異確定對應充電站中v2g車輛的數(shù)量；

31、否則，基于每個充電站的歷史所有時間段中到訪車輛密度的分布以及所述第三差異的分布情況，確定對應充電站中v2g車輛的數(shù)量。

32、其中，所述確定每個時間段的最小充電車輛數(shù)，具體為：

33、獲取每個充電站歷史所有時間段到訪車輛密度的最大值，記為第一最大值；將歷史所有時間段對應的第三差異的最大值記為第二最大值；將所述第一最大值與所述第二最大值的和值記為每個時間段的最小充電車輛數(shù)。

34、其中，所述基于所述第三差異確定對應充電站中v2g車輛的數(shù)量，具體為：將所述第二最大值的四舍五入取整值作為每個時間段對應充電站中v2g車輛的數(shù)量。

35、其中，所述基于每個充電站的歷史所有時間段中到訪車輛密度的分布以及所述第三差異的分布情況，確定對應充電站中v2g車輛的數(shù)量，具體為：

36、獲取每個充電站歷史所有時間段的所述第三差異的均值，記為第一均值；

37、將每個充電站在歷史所有時間段的車輛到訪密度均值，記為第二均值；

38、計算第一均值與第二均值的和值，計算所述第一均值與得到的和值的比值，并與相應充電站的充電口數(shù)量相乘的四舍五入取整值作為對應充電站中v2g車輛的數(shù)量。

39、本技術至少具有如下有益效果：

40、本技術實施例提供的基于數(shù)字孿生的光儲充放一體化電站能量智慧管理系統(tǒng)中數(shù)字孿生可視化模塊通過建立充電站每個模塊的數(shù)字孿生模型并進行可視化，使得系統(tǒng)的運行狀態(tài)更加直觀、透明。管理者可以實時監(jiān)控充電站的運行情況，及時發(fā)現(xiàn)潛在問題并進行調(diào)整，可視化的界面使得數(shù)據(jù)的理解和分析更加簡單，幫助決策者做出更有效的判斷；數(shù)據(jù)采集與處理模塊通過獲取充電站的歷史發(fā)電數(shù)據(jù)和充電數(shù)據(jù)，并結(jié)合天氣數(shù)據(jù)的相似性來預測未來的發(fā)電量，從而能夠提前預判充電站的能源供應情況，這一預測能力有助于充電站合理安排充電資源，并對未來的能源需求進行有效規(guī)劃；智能分析與預測模塊根據(jù)最小需求車輛數(shù)和車輛到訪密度對充電站的v2g車輛數(shù)量進行管理。通過合理調(diào)度v2g車輛的充電與放電操作，可以有效平衡充電站的負荷，優(yōu)化能源的使用，通過提前預測充電站的負載情況，可以在高峰時段合理分配充電資源，避免充電站過度擁擠，提升用戶體驗；能量優(yōu)化調(diào)度模塊根據(jù)最小需求車輛數(shù)和車輛到訪密度對充電站的v2g車輛數(shù)量進行管理，通過合理調(diào)度v2g車輛的充電與放電操作，可以有效平衡充電站的負荷，優(yōu)化能源的使用，確保充電站的能源供應和需求匹配，提高了充電站能源調(diào)度的靈活性，能夠應對不同時間段的負載變化。這些模塊的整合有助于提升光儲充放一體化電站的整體運營效率、用戶體驗以及能源管理能力，確保在多變的需求和資源環(huán)境下，電站能夠靈活調(diào)整并提供高效、優(yōu)質(zhì)的服務。