本技术涉及电力，尤其涉及一种基于光伏发电的电力分配方法、装置及设备。
背景技术：
1、光伏发电是一种清洁能源，主要利用半导体界面的光伏特效应将光能直接转变为电能，一般由太阳电池板、蓄电池、控制器和逆变器等部分组成。但是光伏发电具有波动性、不稳定性以及不可控性，主要原因是容易受到外界温度、辐照强度、湿度等气候因素的影响，难以很好地满足供电质量和供电可靠性的要求。因此，一般的解决方式是在光伏发电高峰将电量储存，在用电高峰将储存的电能输出，实现电力的削峰填谷满足负荷电量需求；或者是为需要直流电的工业企业进行供电，例如电解铝等企业，该类型工业企业对电能要求相对较低并且影响范围较小，因此将光伏组件产生的电能直接传输至工业企业即可。
2、但是，在一些异常天气，光伏系统难以保证发电功率，且居民用电需求也会相应的变化。此时在用电高峰期时，若采用固定的分配策略，会难以适应实时变化的能源供需情况，导致光伏电力分配不够准确，从而导致光伏发电的能量利用效率不高，这样难以充分利用可再生能源的优势，不能最大程度地满足用户需求。
技术实现思路
1、本技术的主要目的在于提供了一种基于光伏发电的电力分配方法、装置及设备，旨在解决在用电高峰期时，采用固定的分配策略，会难以适应实时变化的能源供需情况，导致光伏发电的能量利用效率不高技术问题。
2、为实现上述目的，本技术提出一种基于光伏发电的电力分配方法，所述的方法包括：
3、获取光伏系统所在区域在预设发电时间段内的气象数据；
4、通过预设光伏功率模型，根据所述气象数据预估所述光伏系统在所述预设发电时间段内的预测发电量，所述预设光伏功率模型由初始光伏模型进行聚合训练获得，所述初始光伏模型基于ai算法和数字孪生模型对所述光伏系统的历史运行数据进行发电场景的敏感性训练获得；
5、根据各用电区域的电源容量平衡数据，确定光伏用电负荷量；
6、根据所述预测发电量和所述光伏用电负荷量，确定各用电区域的电力分配结果。
7、在一实施例中，所述通过预设光伏功率模型，根据所述气象数据预估所述光伏系统在所述预设发电时间段内的预测发电量的步骤，包括：
8、建立所述光伏系统的数字孪生模型；
9、基于所述数字孪生模型获取所述光伏系统的历史运行数据，所述历史运行数据包括历史充电负荷数据和历史光伏发电数据；
10、对所述历史运行数据进行预处理，获得待训练数据集，所述预处理包括缺失填补以及异常剔除；
11、根据所述待训练数据集，通过ai算法对所述数字孪生模型进行训练，获得预设光伏功率模型；
12、通过所述预设光伏功率模型，预估所述光伏系统在基于所述气象数据时所述预设发电时间段内的预测发电量。
13、在一实施例中，所述对所述历史运行数据进行预处理，获得待训练数据集的步骤，包括：
14、通过hermite插值法对所述历史运行数据进行缺失填补，获得完整的历史运行数据；
15、通过局部异常因子算法对所述完整的历史运行数据进行异常剔除，获得所述数字孪生模型对应的待训练数据集。
16、在一实施例中，所述根据所述待训练数据集，通过ai算法对所述数字孪生模型进行训练，获得预设光伏功率模型的步骤，包括：
17、对所述待训练数据集进行脱敏处理，获得脱敏后的待训练数据集；
18、将所述脱敏后的待训练数据集按预设比例划分为第一训练集、第二训练集和第三测试集；
19、根据所述第一训练集，通过ai算法对所述数字孪生模型进行发电场景的敏感性训练，获得所述数字孪生模型对应的初始光伏模型；
20、根据所述第二训练集对所述初始光伏模型进行聚合训练，获得预设光伏功率模型。
21、在一实施例中，所述根据所述第二训练集对所述初始光伏模型进行聚合训练，获得预设光伏功率模型的步骤，包括：
22、初始化所述初始光伏模型的学习模型权重，并初始化所述初始光伏模型的训练时间；
23、通过k-均值聚类算法选择所述学习模型权重的最优聚合权重；
24、在所述训练时间内，根据所述第二训练集将所述初始光伏模型向所述最优聚合权重的方向训练聚合；
25、若达到所述训练时间，则停止训练聚合，得到预设光伏功率模型。
26、在一实施例中，所述根据所述第二训练集对所述初始光伏模型进行聚合训练，获得预设光伏功率模型的步骤之后，还包括：
27、将所述第三测试集输入至所述预设光伏功率模型，得到输出结果；
28、判断所述输出结果是否达到预设目标精度；
29、若未达到所述预设目标精度，则更新最优聚合权重，并返回执行所述在所述训练时间内，根据所述第二训练集将所述初始光伏模型向所述最优聚合权重的方向训练聚合的步骤，直至所述输出结果达到所述预设目标精度，得到优化后的预设光伏功率模型；
30、相应的，所述通过所述预设光伏功率模型，预估所述光伏系统在基于所述气象数据时所述预设发电时间段内的预测发电量的步骤，包括：
31、通过所述优化后的预设光伏功率模型，预估所述光伏系统在基于所述气象数据时所述预设发电时间段内的预测发电量。
32、在一实施例中，所述根据各用电区域的电源容量平衡数据，确定光伏用电负荷量的步骤，包括：
33、获取各用电区域所在电力系统的电源参数，所述电源参数包括各种发电类型的发电数据；
34、根据所述电源参数确定所述电力系统各分区的电源容量平衡数据；
35、根据所述电源容量平衡数据，确定各用电区域的光伏用电负荷量。
36、在一实施例中，所述根据所述预测发电量和所述光伏用电负荷量，确定各用电区域的电力分配结果的步骤，包括：
37、确定所述光伏系统的光伏储能余量和各用电区域的光伏电力需求值；
38、获得各用电区域不同时段的负荷变化特征；
39、根据所述负荷变化特征以及所述光伏用电负荷量，设定电力分配优先级；
40、根据所述光伏电力需求值和所述电力分配优先级，对所述预测发电量进行分配，获得电力分配结果。
41、此外，为实现上述目的，本技术还提出一种基于光伏发电的电力分配装置，所述装置包括：
42、气象数据模块，用于获取光伏系统所在区域在预设发电时间段内的气象数据；
43、模型预估模块，用于通过预设光伏功率模型，根据所述气象数据预估所述光伏系统在所述预设发电时间段内的预测发电量，所述预设光伏功率模型由初始光伏模型进行聚合训练获得，所述初始光伏模型基于ai算法和数字孪生模型对所述光伏系统的历史运行数据进行发电场景的敏感性训练获得；
44、容量平衡模块，用于根据各用电区域的电源容量平衡数据，确定光伏用电负荷量；
45、电力分配模块，用于根据所述预测发电量和所述光伏用电负荷量，确定各用电区域的电力分配结果。
46、此外，为实现上述目的，本技术还提出一种基于光伏发电的电力分配设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的基于光伏发电的电力分配方法的步骤。
47、本技术提出的一个或多个技术方案，至少具有以下技术效果：本技术首先获取光伏系统所在区域在预设发电时间段内的气象数据；然后通过预设光伏功率模型，根据所述气象数据预估所述光伏系统在所述预设发电时间段内的预测发电量，所述预设光伏功率模型由初始光伏模型进行聚合训练获得，所述初始光伏模型基于ai算法和数字孪生模型对所述光伏系统的历史运行数据进行发电场景的敏感性训练获得；接着根据各用电区域的电源容量平衡数据，确定光伏用电负荷量；最后根据所述预测发电量和所述光伏用电负荷量，确定各用电区域的电力分配结果。由于本技术结合天气情况和预设光伏功率模型可提前对发电量进行精准预测，以对各用电区域的用电需求提前进行合理分配，充分利用了可再生能源的优势，提高了光伏发电的能量利用效率。
1.一种基于光伏发电的电力分配方法，其特征在于，所述的方法包括：
2.如权利要求1所述的方法，其特征在于，所述通过预设光伏功率模型，根据所述气象数据预估所述光伏系统在所述预设发电时间段内的预测发电量的步骤，包括：
3.如权利要求2所述的方法，其特征在于，所述对所述历史运行数据进行预处理，获得待训练数据集的步骤，包括：
4.如权利要求2所述的方法，其特征在于，所述根据所述待训练数据集，通过ai算法对所述数字孪生模型进行训练，获得预设光伏功率模型的步骤，包括：
5.如权利要求4所述的方法，其特征在于，所述根据所述第二训练集对所述初始光伏模型进行聚合训练，获得预设光伏功率模型的步骤，包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述第二训练集对所述初始光伏模型进行聚合训练，获得预设光伏功率模型的步骤之后，还包括：
7.如权利要求1所述的方法，其特征在于，所述根据各用电区域的电源容量平衡数据，确定光伏用电负荷量的步骤，包括：
8.如权利要求1至7中任一项所述的方法，其特征在于，所述根据所述预测发电量和所述光伏用电负荷量，确定各用电区域的电力分配结果的步骤，包括：
9.一种基于光伏发电的电力分配装置，其特征在于，所述装置包括：
10.一种基于光伏发电的电力分配设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至8中任一项所述的基于光伏发电的电力分配方法的步骤。
