CN119647703A - 一种光伏发电的能源储能配置方法及系统 - Google Patents

Abstract

本发明涉及能源储能配置技术领域，尤其涉及一种光伏发电的能源储能配置方法和系统。所述方法包括以下步骤：获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据。本发明通过实时光伏发电预测、负载需求动态分析和自适应储能策略优化，提高了光伏储能配置的精准性和灵活性。

Description

一种光伏发电的能源储能配置方法及系统

技术领域

本发明涉及能源储能配置技术领域，尤其涉及一种光伏发电的能源储能配置方法和系统。

背景技术

早期，光伏发电与储能系统的结合主要依赖于传统的电池储能技术，如铅酸电池和镍氢电池。然而，这些电池存在着能量密度低、寿命短、充放电效率差等缺点，限制了其在大规模光伏电站中的应用。随着材料科学和电化学技术的进步，锂电池成为一种重要的储能解决方案，其具有较高的能量密度、长寿命和较快的充放电特性，逐渐成为光伏发电系统中广泛使用的储能方式。随着电力电子技术的发展，智能化储能系统逐渐崭露头角。采用先进的变流技术、智能控制算法和集成化设备，能够有效优化储能系统的效率和可靠性。此外，液流电池、压缩空气储能等新型储能技术也在不断涌现，为光伏发电提供更多选择。当前，光伏发电和储能技术的融合已经逐步进入系统化、智能化发展阶段，特别是随着大数据、物联网和人工智能技术的应用，光伏储能系统的实时监控和优化管理能力大大增强，推动了光伏发电产业的进一步发展。然而，目前传统光伏储能系统未能根据实时的能源供需比进行灵活调节，同时储能性能测试和策略调整往往较为滞后，难以适应快速变化的用电和发电情况，近而导致光伏储能配置的精准性和灵活性较低。

发明内容

基于此，有必要提供一种光伏发电的能源储能配置方法和系统，以解决至少一个上述技术问题。

为实现上述目的，一种光伏发电的能源储能配置方法，所述方法包括以下步骤：

步骤S1：获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

步骤S2：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

步骤S3：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

步骤S4：通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明通过收集光伏发电站点的实时数据，并建立分布式同步储能网络，可以确保光伏发电系统能够对各个储能单元进行实时监控和协调，保证数据的实时性和准确性，提升系统的反应速度和协调能力，为后续的发电预测和储能优化提供基础数据支持。通过对历史用电负载数据进行采集和分析，能够准确了解负载需求的变化趋势，并通过负载曲线的曲率趋势分析，识别出负载需求的波动规律。这一过程帮助对用电负载进行更精准的分类，从而更好地预测未来的用电需求模式，确保储能系统能够匹配负载需求，实现更高效的能源利用。通过实时光伏发电预测数据与用电负载需求模式数据的结合，计算能源供需比率，从而为储能系统配置提供优化依据。根据能源供需比的变化，对分布式同步储能网络进行动态配置优化，可以实现能源供给与需求之间的平衡，提高储能效率，避免过度储能或能源浪费，确保光伏发电系统的高效运行。通过对储能系统的性能进行测试并根据测试结果进行自适应调整，能够实时调整储能策略，确保储能系统在不同负载和发电条件下能够高效运行。这个步骤使得储能系统更加灵活和智能，能够根据实际操作数据调整配置和策略，提高系统的可靠性、稳定性和寿命，同时优化光伏发电系统的能源管理。因此，本发明通过实时光伏发电预测、负载需求动态分析和自适应储能策略优化，提高了光伏储能配置的精准性和灵活性。

优选的，步骤S1包括以下步骤：

步骤S11：获取光伏发电能源站点信息数据；

步骤S12：对光伏发电能源站点信息数据进行站点分布拓扑分析，生成能源站点分布拓扑数据；基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；

步骤S13：对分布式同步储能网络进行实时发电数据采集，得到实时光伏发电数据；对实时光伏发电数据进行数据预处理，生成标准实时光伏发电数据，其中数据预处理包括数据清洗、数据去噪、缺失值填充和数据标准化；

步骤S14：对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据。

本发明通过对光伏发电能源站点进行分布拓扑分析，可以清晰地了解各个站点的位置及其与其他站点的关系。这对于构建分布式同步储能网络至关重要。通过这一网络，能够实时优化电能的传输和储存，避免电能浪费，提高能源利用率。实时光伏发电数据采集使得整个系统能够在第一时间内了解光伏站点的发电情况，便于快速响应任何电力需求的波动。数据预处理（如清洗、去噪、缺失值填充等）有助于提升数据的质量，保证后续分析和预测的准确性，避免由于数据异常或错误造成的决策失误。基于标准化后的实时光伏发电数据进行光伏发电预测，不仅能够提高对未来发电量的预测精度，还能为电力调度系统提供科学依据，提前做好能源分配和储备，尤其在天气变化或用电需求突增时，能够更加精确地调节能源供给和需求之间的平衡。该流程实现了能源站点信息的实时采集、处理与预测，结合先进的分布式储能网络管理，能够提高系统的智能化水平，使其能够根据实时数据和预测结果自动调整运行状态，最大程度地提升能源供应的效率与稳定性。

优选的，基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建包括：

基于图论方法对能源站点分布拓扑数据进行拓扑建模，生成能源站点拓扑模型数据；对能源站点拓扑模型数据进行节点重要性评估，生成拓扑节点重要性数据；根据拓扑节点重要性数据对能源站点拓扑模型数据进行节点标注，生成关键节点和次要节点；

根据关节点和次要节点对能源站点拓扑模型数据进行边连接，生成初始储能网络；对初始储能网络进行分布式节点部署，生成分布式储能网络；利用光伏发电能源站点信息数据对分布式储能网络进行三层数据同步，从而生成分布式同步储能网络，其中三层数据同步包括时间同步、功率同步以及状态同步。

本发明通过基于图论方法进行能源站点分布拓扑建模，可以更精确地描述能源站点之间的关系，揭示不同站点在整个网络中的结构性和功能性。节点重要性评估进一步帮助识别出对整个储能网络至关重要的站点（关键节点），以及相对次要的站点。这种评估使得储能网络能够集中资源，优先优化关键节点，避免系统过于复杂化或资源浪费。对关键节点和次要节点进行标注，使得储能网络的设计更加有针对性。根据节点的角色进行边连接，生成初始储能网络，为后续的分布式部署奠定基础。这样的设计能够更好地保障网络的连通性和能源的稳定流动，确保储能资源能够根据实际需求分配。通过在网络中进行分布式节点部署，能够在不同位置提供能源存储与释放功能，减少单点故障的风险，并提升整个系统的鲁棒性与稳定性。分布式储能网络使得各个光伏发电站点能够根据局部需求进行灵活调节，优化整体能源管理。确保储能网络中各节点在统一的时间框架下工作，避免由于时间差异导致的调度错误或数据不一致。时间同步提高了系统响应速度和准确性。通过功率同步，能够确保各个储能节点之间的功率输出在相同的标准下进行协调，避免过度充电或放电，提升储能系统的效能与寿命。对各个节点的运行状态进行同步，确保整个网络在同一运行条件下运行，最大化储能网络的工作效率和稳定性。该分布式同步储能网络设计能够根据不同时间、需求、功率和状态条件进行实时调度和优化，增强了系统对电力需求波动、故障或意外事件的适应能力。系统能够灵活地应对多种运行情况，提高了整体能源管理的精度和效率。

优选的，步骤S14包括以下步骤：

步骤S141：对标准实时光伏发电数据进行基础光伏发电特征提取，得到基础光伏发电特征数据；对基础光伏发电特征数据进行时间序列特性分析，生成光伏发电时序特性数据；

步骤S142：将光伏发电时序特性数据进行数据集划分，生成模型训练集和模型测试集；通过长短期记忆神经网路算法对模型训练集进行模型训练，生成光伏发电预测预模型；通过模型测试集对光伏发电预测预模型进行模型优化迭代，从而生成光伏发电预测模型；

步骤S143：将标准实时光伏发电数据导入至光伏发电预测模型中进行光伏发电预测，生成实时光伏发电预测数据。

本发明通过从标准实时光伏发电数据中提取出关键的发电特征（如日照强度、温度、湿度等），为后续的预测模型提供高质量的输入数据。这一步有助于减少无关因素对预测结果的干扰，确保模型的精度和可靠性。通过对基础光伏发电特征数据进行时间序列分析，提取出光伏发电数据随时间变化的规律和周期性特征（如季节性波动、日夜变化等），这些时序特性是光伏发电预测中至关重要的因素。准确捕捉时序特性有助于提高预测模型的长远预测能力，尤其是在面对季节性波动时。通过将光伏发电时序特性数据分为训练集和测试集，可以保证训练过程中的数据独立性，避免过拟合。训练集用于模型的学习，测试集则用于评估模型的泛化能力，确保模型的实际应用效果。LSTM是一种常用的时间序列预测模型，能够有效处理光伏发电数据中的时间依赖关系，捕捉长期的时间依赖性和短期的变化趋势。通过LSTM算法对训练集进行训练，可以让模型识别和学习光伏发电数据中的复杂时序模式，从而提升预测精度。通过在模型测试集上对预测预模型进行优化和迭代，模型能够逐步调整和修正其参数，减少预测误差。这一过程可以有效提高模型的准确性和鲁棒性，特别是在处理不同天气、季节或突发变化时，使得模型在不同环境下都能保持较高的预测精度。模型在迭代过程中能够不断适应新的输入数据和环境变化，随着更多的历史数据的积累，模型的预测精度和自适应能力会不断提高。这使得系统能够更好地应对不同地区、不同气候条件下的光伏发电预测任务。通过将标准实时光伏发电数据输入光伏发电预测模型进行预测，能够提供对当前和未来发电情况的实时估计。这样一来，光伏发电系统能够根据预测数据动态调整电力分配，优化储能与放电策略，从而提高电网的稳定性和电力供需的平衡。

优选的，步骤S2包括以下步骤：

步骤S21：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；

步骤S22：对历史用电负载数据进行时空负载特征提取，得到用电时空负载特征数据；对用电时空负载特征数据进行季节性变化规律分析，生成负载特性数据集；根据负载特性数据集对历史用电负载数据进行历史用电负载曲线转换，生成历史用电负载曲线；

步骤S23：对历史用电负载曲线进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据，其中负载曲线曲率趋势数据包括正趋势曲率、平缓趋势曲率以及负趋势曲率；

步骤S24：基于正趋势曲率、平缓趋势曲率以及负趋势曲率对历史用电负载曲线进行负载曲线分割，生成高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线；根据高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据。

本发明通过采集历史用电负载数据，能够全面了解负载的变化趋势和周期性特征，为后续分析和决策提供基础数据。历史数据为模型提供了真实的用电行为，保证了分析的可靠性。通过从历史负载数据中提取时空特征，可以揭示用电负载随时间（如日、周、季节）和空间（如不同地区、不同用户群体）的变化规律。这有助于深入了解用电需求的动态变化，支持更加精确的负载预测。通过对用电负载进行季节性变化规律分析，识别出负载在不同季节的波动性，能够准确捕捉季节性变化对用电负载的影响。例如，夏季空调负荷增加，冬季取暖负荷增加。准确把握这些规律有助于提前做好负载调度，优化储能和发电计划。通过季节性分析生成的负载特性数据集为系统提供了更加细致的负载模式描述，有助于在不同季节或天气情况下进行更精确的负载预测。通过对历史用电负载数据进行曲线转换，能够将原始负载数据转化为更具有规律性的负载曲线。这种转换有助于系统识别负载变化趋势和峰谷波动，进一步支持后续的趋势分析和分类。通过分析负载曲线的曲率趋势，能够清晰识别出负载变化的不同趋势：正趋势（负载增加）、平缓趋势（负载平稳）以及负趋势（负载减少）。这为后续的负载需求预测提供了重要的指导信息，有助于预测未来用电需求的变化趋势。通过对负载曲线进行分割，将负载划分为高负载、平缓负载和低负载三个趋势，有助于对不同负载情境进行独立分析。这一分割能够帮助系统在不同的负载状态下采取不同的储能与电力调度策略，提升调度的灵活性和适应性。基于负载曲线的分割，系统可以将负载需求模式进行分类，形成明确的用电负载需求模式数据。这些模式数据为电力调度和储能管理提供了依据，可以根据不同模式实施最优的负载预测和调度方案，避免电力浪费并提高能源利用效率。

优选的，步骤S3包括以下步骤：

步骤S31：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；其中能源供需比率计算的公式如下所示：

式中，表示为能源供需比率，表示为时刻的光伏发电功率，表示为时刻储能设备的功率输出，表示为时刻从电网获取的电力，表示为时刻的用电负载需求功率；

步骤S32：将能源供需比率数据和预设的标准供需比率阈值进行对比，当能源供需比率数据大于预设的标准供需比率阈值时，则生成供电盈余模式；当能源供需比率数据小于预设的标准供需比率阈值时，则生成供电缺口模式；

步骤S33：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；

步骤S34：根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略。

本发明通过计算能源供需比率R(t)，系统能够实时评估能源的供给与需求平衡。该计算公式综合了光伏发电功率、储能设备输出、电网获取的电力以及用电负载需求，确保了供需状况的全面考量。这种全面的计算方法有助于实时了解能源供应情况，为后续的决策提供更加精确的基础数据。通过结合光伏发电、储能系统和电网的功率输出，公式能够精确地反映各个能源来源在满足用电负载需求方面的贡献。这不仅能帮助识别出能源供应的不足，还能有效评估储能和电网在不同负荷状态下的作用。通过将实时计算的能源供需比率与预设的标准供需比率阈值进行对比，系统能够自动生成供电盈余模式或供电缺口模式。这种自动识别机制有助于快速反应用电负载需求与能源供应之间的差异，为后续的能源管理和调度决策提供了及时反馈。当能源供需比率大于预设阈值时，表明系统存在供电盈余。此时，系统可以将多余的能源储存起来，避免能源浪费或过度依赖电网，增强系统的能源自给自足能力。当能源供需比率低于预设阈值时，表示能源供应不足，出现供电缺口。此时，系统会触发相应的调节策略，激活备用电源或进行能源补充，以确保用户的电力需求得到满足。基于供电盈余模式和供电缺口模式，系统可以对分布式同步储能网络进行储能系统配置优化。这一优化过程能够确保储能设备在负荷高峰期间有足够的储电能力，在需求低谷期则不会浪费过多的电能。优化配置有助于提高储能系统的经济性和效率，减少过度储能或储能不足的情况。通过对储能系统的配置优化，系统能够确保能源的高效存储与释放，避免在供电盈余时储能设备被过度充电或在供电缺口时储能不足，提升储能系统的整体利用率。储能配置优化能够根据不同的供电盈余模式和供电缺口模式进行动态调整，确保储能系统在不同负载需求下都能发挥最大效益。例如，在负载需求较高时，储能设备可以为系统提供额外支持；而在负载需求较低时，储能系统可以通过充电来备份未来的负载需求。通过生成的储能配置管理调度策略，系统能够基于实时数据动态调整储能配置和能源调度。这种动态调节机制能够根据实时变化的负载需求、光伏发电量、储能状态和电网状况，灵活应对不同的电力需求情况，提高系统的响应速度和调节能力。

优选的，步骤S33包括以下步骤：

步骤S331：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行模式时间段确认，得到供电盈余时间段以及供电缺口时间段；对供电盈余时间段和供电缺口时间段进行缓冲时段分析，生成供电变化缓冲时段；

步骤S332：对供电盈余时间段进行能源放电设置，生成能源放电曲线；对供电缺口时间段进行能源充电设置，生成能源充电曲线；根据供电变化缓冲时段对能源放电曲线和能源充电曲线曲线拟合，生成缓冲时段能源损耗数据；

步骤S333：基于缓冲时段能源损耗数据对分布式同步储能网络进行缓冲时段储能电池配置优化，从而生成光伏发电储能配置优化数据。

本发明通过对供电盈余模式和供电缺口模式进行模式时间段确认，系统能够准确识别出不同时间段的供电状态。供电盈余时间段和供电缺口时间段的确认为后续的储能调度提供了清晰的时间框架，使得系统能够在不同的时间段内分别采取不同的调节策略。这种时间段的确认机制能够实时应对光伏发电与用电负载的波动，灵活调节储能设备的充放电策略。在供电盈余时储能设备能进行充电，在供电缺口时能进行放电，确保电力供应的稳定性和经济性。在供电盈余和缺口之间，存在着一定的缓冲时段。通过对这些缓冲时段进行分析，系统能够有效评估能源的过渡期，并在此时段进行精细的能源调节。这一过程帮助缓解了供电波动，避免了过度依赖电网或储能系统，确保了能源系统的平稳过渡。缓冲时段分析可以发现能源放电或充电过程中的潜在损失，优化放电和充电过程中的能量流动，减少不必要的能源损耗。这样可以进一步提升储能设备的使用效率，避免在过渡期造成能源浪费。通过对供电盈余时间段进行能源放电设置，和对供电缺口时间段进行能源充电设置，系统能够生成精准的能源放电曲线和充电曲线。这些曲线是基于实时负载需求和光伏发电量的变化动态调整的，确保储能设备能够高效地进行放电与充电操作。在缓冲时段内，对能源放电和充电曲线进行拟合，生成缓冲时段的能源损耗数据。这一过程帮助系统识别在缓冲时段内能量损失，并通过优化策略最小化这种损失，提高系统的整体效率。通过生成缓冲时段能源损耗数据，系统能够量化在调度过程中发生的能量损失。这种数据可以用来进一步优化充放电策略，特别是在缓冲时段的调节过程中，减少不必要的能量损耗。通过基于缓冲时段能源损耗数据进行储能电池配置优化，系统能够实现更精细化的储能电池容量和充放电能力的调配。这种优化保证了储能设备在不同供需模式下能够高效工作，避免了过度充电或放电，提升了电池的使用寿命和储能效率。

优选的，步骤S34包括以下步骤：

步骤S341：根据光伏发电储能配置优化数据对分布式同步储能网络进行节点能源冗余计算，得到节点能源冗余数据；通过节点能源冗余数据对分布式同步储能网络进行相邻节点状态分析，生成相邻节点状态数据；

步骤S342：利用相邻节点状态数据对节点能源冗余数据进行能源调度权重分配，生成能源调度权重分配数据；

步骤S343：通过能源调度权重分配数据对相邻节点状态数据进行紧急能源节点筛选，得到紧急能源节点数据；根据节点能源冗余数据对紧急能源节点数据进行紧急调度储能路径分析，生成紧急节点调度储能路径数据；

步骤S344：基于紧急节点调度储能路径数据对分布式同步储能网络进行调度储能均匀控制，从而生成储能配置管理调度策略。

本发明通过节点能源冗余计算，能够分析每个节点的剩余能源储备，确保系统内各节点的能源供应不至于不足。这一过程有助于发现网络中资源过剩或不足，并及时调整储能策略。通过对相邻节点的状态分析，系统能够评估与相邻节点的能源共享与支撑关系。相邻节点状态数据的生成可以帮助系统了解节点之间的能源流动状态，为后续的能源调度提供参考，确保能源在网络内的高效分配和利用。利用相邻节点状态数据，对节点能源冗余进行调度权重分配，能够根据每个节点的能源充足程度和网络内的能源需求，动态调整节点间的能源调度优先级。通过这种权重分配，系统能够在不同节点之间进行灵活调度，优化储能设备的放电和充电策略。通过能源调度权重分配数据和相邻节点状态数据，能够筛选出能源需求突增、出现能源短缺的紧急节点。这些紧急节点是由于光伏发电不足、电网负荷波动等因素导致的，需要优先进行调度和优化。通过节点能源冗余数据对紧急能源节点进行储能路径分析，生成紧急节点的储能调度路径数据。这一过程帮助系统精准规划从不同储能节点到紧急节点的能源调度路径，确保紧急节点能够迅速获得能源支持，避免因能源短缺而导致系统运行不稳定。基于紧急节点调度储能路径数据，分布式同步储能网络可以实施储能均匀控制，即在不同节点之间平衡储能容量的调配，避免单一节点负担过重或资源过剩。这种均衡控制有助于提升系统的整体效能和稳定性，确保储能设备在各种供需情况下都能达到最佳状态。

优选的，步骤S4包括以下步骤：

步骤S41：通过储能配置管理调度策略对分布式同步储能网络进行策略执行，生成光伏发电能源储能策略执行数据；对光伏发电能源储能策略执行数据进行储能性能测试，生成储能性能测试数据；

步骤S42：根据储能性能测试数据对光伏发电能源储能策略执行数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明通过执行储能配置管理调度策略，能够根据分布式同步储能网络的实时状态和需求动态调整储能系统的工作模式。通过这一策略执行，可以最大限度地提高光伏发电系统的能源储备与利用效率，确保系统在不同负荷需求下的能源稳定供应。储能策略的执行不仅能够确保光伏发电功率的及时存储和释放，还能够协调光伏发电、储能设备和电网之间的能源流动，优化能源的利用效率，从而减少能源浪费和系统运行成本。通过对储能性能的测试，能够实时监测储能系统的各项性能指标，包括储能效率、放电能力、充电速度以及系统响应速度等。这一测试过程确保储能系统在不同工况下能够稳定运行，并及时发现潜在的性能瓶颈。储能性能测试数据的生成能够帮助系统识别储能过程中的薄弱环节，及时对不符合性能要求的环节进行优化或调整，提升整个系统的稳定性与可靠性。根据储能性能测试数据对储能策略进行自适应调整，可以确保储能系统始终处于最佳运行状态。这种自适应调整能力能够根据储能设备的实际表现、光伏发电的波动性以及用电需求的变化，智能优化储能策略，避免能源储备过度或不足的情况。自适应储能策略的调整不仅仅提高了储能设备的运行效率，还能确保系统在面对负载需求波动或光伏发电波动时，依然能够保持稳定的运行状态。无论是光照强度变化，还是用电负载波动，系统都能够智能调度，避免因储能系统的不平衡而导致电力供应不稳定。

在本说明书中，提供了一种光伏发电的能源储能配置系统，用于执行上述的光伏发电的能源储能配置方法，该光伏发电的能源储能配置系统包括：

发电预测模块，用于获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

用电趋势分析模块，用于对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

储能配置控制模块，用于根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

储能配置优化模块，用于通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明的有益效果在于通过获取光伏发电能源站点的信息数据并构建分布式同步储能网络，可以实时收集各站点的发电数据。这为后续的能源调度、储能管理提供了高精度的基础数据支持。通过对实时光伏发电数据进行预测，可以在不稳定的天气和用电负载情况下提前规划发电计划，减少能源浪费，优化储能与电力调度，确保稳定的电力供应。对历史用电负载数据进行时空特征提取、负载曲线曲率趋势分析，可以揭示用电负载的波动模式，帮助预测未来的用电需求，尤其在季节性波动大的情况下更加重要。通过负载曲线趋势数据进行分类，可以识别不同的用电需求模式，帮助优化电力资源分配和调度，确保不同需求模式下的能源供应不间断，避免能源浪费。通过实时光伏发电预测数据与用电负载需求模式数据的结合，计算能源供需比率，帮助及时识别电力系统中的供需不平衡情况。这可以有效地预测电力过剩或不足的情况，提前采取措施。根据能源供需比率数据，对储能系统进行实时优化，调整储能设备的充放电策略，确保光伏发电与负载需求之间的平衡。这不仅提高了能源的使用效率，还避免了储能设备的过度使用或低效运行。通过储能性能测试，系统可以实时监控储能设备的效率和状态，确保储能系统始终处于最佳运行状态。通过数据反馈，能够快速识别储能设备的潜在问题，减少故障发生的概率。根据储能性能测试数据，自适应调整储能策略，可以确保系统在面对不同用电负载和发电条件时，能够灵活应对，优化电力储存与调度策略。因此，本发明通过实时光伏发电预测、负载需求动态分析和自适应储能策略优化，提高了光伏储能配置的精准性和灵活性。

附图说明

图1为一种光伏发电的能源储能配置方法的步骤流程示意图；

图2为图1中步骤S2的详细实施步骤流程示意图；

图3为图1中步骤S3的详细实施步骤流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面结合附图对本发明的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

为实现上述目的，请参阅图1至图3，一种光伏发电的能源储能配置方法，所述方法包括以下步骤：

步骤S1：获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

步骤S2：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

步骤S3：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

步骤S4：通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明通过收集光伏发电站点的实时数据，并建立分布式同步储能网络，可以确保光伏发电系统能够对各个储能单元进行实时监控和协调，保证数据的实时性和准确性，提升系统的反应速度和协调能力，为后续的发电预测和储能优化提供基础数据支持。通过对历史用电负载数据进行采集和分析，能够准确了解负载需求的变化趋势，并通过负载曲线的曲率趋势分析，识别出负载需求的波动规律。这一过程帮助对用电负载进行更精准的分类，从而更好地预测未来的用电需求模式，确保储能系统能够匹配负载需求，实现更高效的能源利用。通过实时光伏发电预测数据与用电负载需求模式数据的结合，计算能源供需比率，从而为储能系统配置提供优化依据。根据能源供需比的变化，对分布式同步储能网络进行动态配置优化，可以实现能源供给与需求之间的平衡，提高储能效率，避免过度储能或能源浪费，确保光伏发电系统的高效运行。通过对储能系统的性能进行测试并根据测试结果进行自适应调整，能够实时调整储能策略，确保储能系统在不同负载和发电条件下能够高效运行。这个步骤使得储能系统更加灵活和智能，能够根据实际操作数据调整配置和策略，提高系统的可靠性、稳定性和寿命，同时优化光伏发电系统的能源管理。因此，本发明通过实时光伏发电预测、负载需求动态分析和自适应储能策略优化，提高了光伏储能配置的精准性和灵活性。

本发明实施例中，参考图1所示，为本发明一种光伏发电的能源储能配置方法的步骤流程示意图，在本实例中，所述一种光伏发电的能源储能配置方法包括以下步骤：

步骤S1：获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

本发明实施例中，通过从光伏发电系统管理平台或传感器网络中获取每个光伏发电站点的基础信息，如地理位置、设备类型、容量、历史发电数据、天气数据、太阳辐射量等。根据不同的站点类型，构建一个统一的数据结构，包括站点编号、安装日期、位置坐标、系统类型、历史发电曲线等信息。在多个光伏发电站点之间构建一个分布式储能系统，利用实时数据同步来进行能量存储管理。使用分布式数据同步协议（如NTP、P2P协议等），确保从不同站点采集到的数据是实时同步的。此过程可通过建立数据交换中心或中央控制系统来完成。根据站点的发电情况与储能需求，动态调整各站点储能设备的充放电策略。储能网络的管理需考虑多个站点的负荷情况，采用边缘计算或云计算平台进行数据处理和决策。在每个光伏发电站点布设多种传感器（如电流、电压、温度、辐射传感器等），通过无线传输或有线网络将数据传送至中央数据处理平台。采集的数据应包括电力输出、太阳辐射强度、温度等，统一以标准数据格式（如JSON、CSV或时序数据库格式）存储，便于后续分析与处理。通过中央监控平台实时监控每个站点的发电情况，并将采集的数据转化为实时电力输出数据。对采集到的实时光伏发电数据进行去噪、填补缺失值、标准化等预处理操作，确保数据质量。采用机器学习模型（如LSTM、支持向量机、随机森林等）对标准实时光伏发电数据进行预测。根据历史发电数据、天气预报、太阳辐射强度等输入变量来训练模型，并进行实时预测。由于光伏发电受天气变化影响较大，LSTM（长短期记忆网络）是一种处理时序数据的有效方法，适用于捕捉长期依赖关系。通过交叉验证等方法评估模型的预测准确度，并对模型参数进行优化。通过训练好的预测模型生成未来一段时间（如1小时、6小时、24小时）的光伏发电预测数据。这些数据可包含每个光伏发电站点的预计发电量、预期天气变化对发电的影响等信息。

步骤S2：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

本发明实施例中，通过分布式同步储能网络的监控平台或智能电表系统，收集各个光伏发电站点及其配套储能设备的历史用电负载数据。这些数据包括每日、每小时或分钟的电力需求，以及储能系统的充放电状态。历史用电负载数据应涵盖一定时间跨度（如1个月、1年等），确保能够反映出用电负载的周期性变化及负荷波动。采集的负载数据应包括每个时间点的电流、电压、功率、储能设备状态等信息，通常以时序数据的形式存储，使用标准格式（如CSV、JSON等）进行数据记录。通过滤波方法（如均值滤波、卡尔曼滤波等）去除数据中的噪声或异常值，确保数据的平滑性和准确性。对缺失的历史用电负载数据进行插值处理，如采用线性插值或基于模型预测填补缺失值。对历史负载数据进行归一化或标准化处理，以便后续分析中的不同维度数据具有可比性。基于历史用电负载数据，生成负载曲线图，描述在不同时间尺度下（如日、周、月）的负载变化情况。使用时序分析方法（如STL分解法、Holt-Winters季节性平滑法等）将负载曲线分解为长期趋势、季节性变化、周期性波动和随机误差等部分。使用多项式拟合、B样条拟合或其他平滑曲线拟合技术，拟合历史负载曲线，得到平滑的负载曲线。计算负载曲线的曲率，即负载变化的速率变化。曲率是反映曲线变化趋势的一个重要特征，可以帮助识别负载波动的剧烈程度。通过计算负载曲线在不同时间段的曲率趋势，识别出负载变化的波动性模式。例如，某些高峰负荷时期的曲率值较大，表示需求波动剧烈；而在低负荷期间，曲率较小，表示需求较为平稳。通过曲率分析，生成负载曲线曲率趋势数据，该数据集包含不同时间点负载变化的曲率值，以及这些曲率值的时间演变趋势。根据负载曲线的曲率趋势数据，将历史用电负载数据划分为不同的需求模式。例如，可以根据曲率的波动性分为高峰负载模式、平稳负载模式和低谷负载模式等。利用聚类分析（如K-means、DBSCAN等算法）对负载曲线的曲率趋势数据进行分类，将不同的负载需求模式分到不同的类别中。将曲率趋势作为特征输入到机器学习分类模型（如决策树、支持向量机等）中，进行负载需求模式的自动分类。通过交叉验证等方法评估分类结果的准确性，并调整模型参数以优化分类效果。根据分类结果，生成用电负载需求模式数据。每个历史时间段会被标注为特定的需求模式类型（如高峰、平稳、低谷等）。

步骤S3：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

本发明实施例中，通过设定光伏发电量与用电需求的比率，生成每个时间点的能源供需比率数据。以确保系统整体能效最大化为目标，储能系统配置优化的目的是根据供需比率合理配置储能设备的充放电策略。目标是最小化能源损失，同时保证在光伏发电不足时，储能系统能够满足负载需求；在发电过剩时，储能系统能够进行有效充电。使用线性规划、动态规划或其他优化算法来根据能源供需比率数据优化储能设备的配置。基于光伏发电储能配置优化数据，系统需要实时调节储能设备的充放电策略，以实现最优的能源供应与负载需求匹配。动态调节的目标是根据实时的供需比率和储能优化配置数据动态调整储能设备的运行状态。在供电缺口模式时，优先执行储能设备充电操作；在供电盈余模式时，优先执行储能设备放电操作，直到满足负载需求为止。根据实时供需比率，动态调整储能设备的充放电功率。例如：当光伏发电量超过负载需求时，储能设备开始充电。当光伏发电量不足以满足负载需求时，储能设备进行放电。当光伏发电和负载需求大致平衡时，储能设备处于待机或充电/放电平衡状态。根据上述动态调节模型，制定详细的储能配置管理调度策略。调度策略应包括每个时间段的储能充放电计划，确保储能系统的最大效能。在实时系统中部署调度策略，基于每个时间点的负载需求和发电预测数据执行储能管理操作。使用调度控制算法（如优先级调度、分时调度等）实现储能系统的自动调节，确保供需平衡。

步骤S4：通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明实施例中，通过评估分布式同步储能网络在执行储能管理调度策略下的充电与放电效率，确保储能设备在实际运行中能够有效地应对光伏发电的波动，满足负载需求。测试储能系统的响应时间、充放电速率、储能设备的充电/放电深度、损耗率、系统稳定性和可持续运行能力。基于储能配置管理调度策略，进行一系列模拟测试，模拟不同时间段和不同光伏发电条件下的储能设备行为。对于充电阶段，测试储能系统的充电速度和充电完成度。对于放电阶段，测试储能系统在负载需求高峰时的响应能力。在实际运行中，通过安装的智能电表和监控系统采集储能设备的实时充放电数据，在进行性能测试时，系统会持续记录储能设备的充放电功率、储能电池的状态（SOC、DoD）及系统的效率等关键参数。储能性能测试数据包括但不限于：测试期间各时间点的储能设备充放电功率数据，储能过程中的充放电效率，储能电池的放电深度，反映储能系统的工作状态，储能系统开始充放电的时间延迟。将测试过程中获得的数据进行可视化，生成各类图表，如负载需求与光伏发电的实时对比图、充放电功率变化曲线、效率与深度变化图等。可以使用折线图、柱状图、热图等多种图表方式，便于分析储能系统的性能。根据储能性能测试结果，对储能配置管理调度策略进行实时优化调整，以提升储能系统的响应性、充放电效率及负载匹配效果。在储能设备充放电效率低下时，优化充电和放电的速率，减小损耗。在负载需求波动较大时，调整储能设备的放电深度，确保稳定供应。在储能系统出现性能下降（如效率低于阈值、反应时间过长等）时，调整储能配置参数，恢复系统效率。利用机器学习（如强化学习、遗传算法等）实现策略的自适应调整。这些算法可以根据实时的储能性能数据，不断调整储能设备的运行模式。通过对储能系统的历史行为进行训练，强化学习算法可以自动选择最优的充放电策略。通过模拟遗传选择的过程，优化储能系统配置，并生成更加高效的充放电调度方案。在储能系统运行过程中，监控每个储能设备的实时运行状态，包括充放电效率、储能深度、充电时间等。根据预设的调整规则，如果储能设备的效率低于设定阈值或反应时间超标，自动启动自适应算法对储能策略进行调整。若储能设备的放电效率低于80%，则增加充电阶段的时长或降低放电速率，以减少损失。在自适应储能策略调整后，系统重新执行光伏发电储能配置优化任务。具体执行过程包括：根据新的储能配置调整，重新计算储能系统的充电与放电策略。执行优化后的策略，确保在不同的光伏发电水平和用电负载需求下，储能系统能够有效调节，维持系统的稳定运行。

优选的，步骤S1包括以下步骤：

步骤S11：获取光伏发电能源站点信息数据；

步骤S12：对光伏发电能源站点信息数据进行站点分布拓扑分析，生成能源站点分布拓扑数据；基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；

步骤S13：对分布式同步储能网络进行实时发电数据采集，得到实时光伏发电数据；对实时光伏发电数据进行数据预处理，生成标准实时光伏发电数据，其中数据预处理包括数据清洗、数据去噪、缺失值填充和数据标准化；

步骤S14：对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据。

本发明实施例中，通过传感器网络、卫星遥感技术或地面采集设备从光伏发电站点收集相关数据，包括站点的地理位置、电池板布局、发电容量、历史发电数据、气象数据等。可以通过API接口与光伏设备的智能控制系统对接，实时获取设备的运行状态数据。采用图论或空间分析方法，对光伏站点的地理位置进行拓扑分析，构建站点之间的电网连接关系。这可以通过地理信息系统（GIS）进行空间分布的可视化分析，以了解各个站点间的距离、发电潜力和电力传输路径。基于拓扑分析的结果，设计一个分布式同步储能网络。该网络通过能源储存设备（如电池组）与光伏发电设备同步工作，以应对光伏发电的不稳定性和波动性。可以利用智能调度算法（如负荷预测、储能容量优化等）确保储能设备的高效利用。通过安装在各个光伏发电站点的传感器（如功率传感器、光照传感器、温度传感器等），实时收集光伏发电的输出数据。可以通过物联网技术（IoT）实现数据的远程传输与监控。去除重复数据、异常值和噪声。利用滤波器（如卡尔曼滤波器）对采集到的实时数据进行去噪处理，确保数据质量。采用插值法（如线性插值或基于机器学习的插值方法）填补数据中的缺失值，确保数据的完整性。对不同来源的数据进行标准化处理（如最小-最大标准化或Z-Score标准化），使得数据在相同的尺度上，以便后续的分析和建模。采用基于机器学习的预测算法（如LSTM网络、SVR回归、XGBoost等）对经过预处理的标准实时光伏发电数据进行建模。这些模型根据历史数据和实时采集的数据，预测未来的光伏发电输出。通过训练数据集对预测模型进行训练，并利用交叉验证等方法进行模型优化，以提高预测的准确性和泛化能力。在实时数据输入下，利用已训练好的预测模型进行光伏发电量的实时预测。预测结果可以作为储能管理、调度和负荷优化的输入，为后续的电网调度和电力管理提供决策支持。

优选的，基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建包括：

基于图论方法对能源站点分布拓扑数据进行拓扑建模，生成能源站点拓扑模型数据；对能源站点拓扑模型数据进行节点重要性评估，生成拓扑节点重要性数据；根据拓扑节点重要性数据对能源站点拓扑模型数据进行节点标注，生成关键节点和次要节点；

根据关节点和次要节点对能源站点拓扑模型数据进行边连接，生成初始储能网络；对初始储能网络进行分布式节点部署，生成分布式储能网络；利用光伏发电能源站点信息数据对分布式储能网络进行三层数据同步，从而生成分布式同步储能网络，其中三层数据同步包括时间同步、功率同步以及状态同步。

本发明实施例中，通过从各个光伏发电站点收集地理位置、功率输出、电网接入点、历史运行数据等信息，构建能源站点的地理分布。基于图论模型（如无向图或加权图），将每个能源站点视为一个节点，将站点之间的电力传输线路（或电网连接线路）视为边。通过分析这些站点的地理位置和电力传输能力，构建能源站点拓扑模型。图的每个节点代表一个光伏发电站点，边的权重可以根据电网连接的带宽、传输能力等信息进行设置。使用图论中的重要性度量方法（如节点的度数、介数中心性、接近中心性等）来评估各个节点的重要性。具体方法可以包括：度数中心性：节点的度数越大，表明它与更多的其他节点有连接，通常认为该节点更为重要。介数中心性：计算节点在网络中充当中介的次数，介数中心性高的节点在网络中起到重要的桥梁作用。接近中心性：节点与其他节点的平均距离，接近中心性的节点通常对整个网络的影响较大。根据以上评估方法，计算每个节点的重要性并生成数据，标出高重要性节点（关键节点）和低重要性节点（次要节点）。根据节点的重要性数据，标注每个节点为关键节点或次要节点。关键节点是那些电力输出较大、连接多个站点或处于电网核心位置的站点，次要节点则是边缘节点或电力需求较小的站点，生成一组拓扑节点数据，明确哪些节点为关键节点，哪些为次要节点，以便后续处理。基于关键节点和次要节点之间的连接关系，使用最短路径算法、最小生成树等方法构建初始的储能网络。关键节点间需要连接更多的边，以确保电力负荷的高效传输和储能的充分利用。将每个节点与其邻近节点通过电网连接进行配对，并设置相应的储能设备（如电池储能系统），以确保网络中每个节点都有足够的储能资源，能够在需要时进行充放电操作。根据储能网络的需求，在网络的关键节点和次要节点之间分布部署储能设备。储能设备的容量应与节点的发电潜力、电力需求和网络稳定性相关，确保能源站点在不同负荷下能够维持稳定的电力供应。在分布式储能网络中，根据实时的电力需求和发电数据对储能节点进行动态负载分配。可以使用优化算法（如粒子群优化、遗传算法等）来确定储能设备的最佳部署位置和容量。为了确保所有能源站点和储能设备之间的协调运行，首先需要对所有节点的时间进行同步。可以利用NTP（网络时间协议）或GPS同步技术，确保所有设备的时间精度一致。基于实时采集的光伏发电数据，对储能网络中各个节点的发电功率进行同步。可以通过分布式控制算法（如一致性算法）确保所有储能节点的发电与储存功率相匹配，避免过度储存或不足储存的情况。通过实时监测和反馈机制对各节点的状态进行同步，包括电池的充电状态（SOC）、剩余储能容量、电网负载等。采用分布式同步算法（如基于网络的同步控制或一致性协议），确保储能系统的状态协调一致，减少因状态不同步而导致的调度冲突和效率下降。经过三层数据同步之后，形成了一个高度协调的分布式同步储能网络。该网络能够根据光伏发电量和负载需求动态调整储能容量，平衡电网的供需关系，确保储能系统在光伏发电波动或电网负载变化时能高效响应。

优选的，步骤S14包括以下步骤：

步骤S141：对标准实时光伏发电数据进行基础光伏发电特征提取，得到基础光伏发电特征数据；对基础光伏发电特征数据进行时间序列特性分析，生成光伏发电时序特性数据；

步骤S142：将光伏发电时序特性数据进行数据集划分，生成模型训练集和模型测试集；通过长短期记忆神经网路算法对模型训练集进行模型训练，生成光伏发电预测预模型；通过模型测试集对光伏发电预测预模型进行模型优化迭代，从而生成光伏发电预测模型；

步骤S143：将标准实时光伏发电数据导入至光伏发电预测模型中进行光伏发电预测，生成实时光伏发电预测数据。

本发明实施例中，通过从标准实时光伏发电数据中提取基础特征，通常包括但不限于：每个时间步的实际发电量，光照强度、温度、湿度等影响光伏发电效率的环境因素，例如，光伏组件的工作状态、电池的充电状态等。利用数据预处理方法（如移动平均法、标准差、最大值、最小值等）来提取光伏发电的关键统计特征。提取季节性变和周期性波动的特征，识别影响发电量的周期性模式。对提取的基础光伏发电特征数据进行时间序列分析，分析其时序特性，如季节性变化、趋势变化、周期性波动等。通过自相关函数（ACF）和偏自相关函数（PACF）等统计方法，识别数据中的时间序列特征。可以使用傅里叶变换（FourierTransform）或小波变换（Wavelet Transform）等方法，进一步分析光伏发电数据的频域特性和变化趋势。基于时间序列特性分析，生成光伏发电时序特性数据将光伏发电时序特性数据按时间顺序划分为训练集和测试集。划分方法可以基于时间窗（例如，前70%的数据用作训练集，后30%的数据用作测试集），或采用交叉验证（Cross Validation）方法进行划分。特别地，在划分时应确保训练集和测试集的时间范围没有重叠，以避免数据泄漏。可以使用滑动窗口法，动态地为不同时间段生成训练集和测试集，从而提高模型的泛化能力。采用长短期记忆神经网络（LSTM）来对光伏发电数据进行时间序列预测。LSTM是一种特别适合处理序列数据（尤其是时间序列数据）的神经网络架构，能够有效地捕捉数据中的长期依赖关系。输入层：接收从标准实时光伏发电数据中提取的特征数据（如历史发电量、气象数据等）。隐藏层：利用LSTM单元捕捉光伏发电量的时序特征。可以设置多层LSTM来增强模型的表达能力。输出层：输出预测的光伏发电量，通常为连续值（例如，小时或分钟级别的预测发电量）。使用训练集数据，通过反向传播算法对LSTM模型进行训练，优化网络中的权重参数。采用损失函数（如均方误差MSE）来衡量模型的预测误差，并通过优化算法（如Adam优化器）进行迭代更新。通过模型测试集对LSTM模型进行测试，评估其预测性能（如通过均方根误差（RMSE）、平均绝对误差（MAE）等指标）。在模型训练后，可以进行超参数调优（如调整LSTM单元数、学习率、时间步长等参数）来优化模型。根据测试集的预测结果，对模型进行迭代优化，不断调整模型参数，提升预测精度。将标准实时光伏发电数据导入到已经训练好的光伏发电预测模型（LSTM模型）中，进行未来时间段的光伏发电量预测。将从光伏发电站点收集的实时数据（如实时光照强度、气象数据、历史发电数据等）输入到LSTM模型中。LSTM模型根据输入数据生成实时光伏发电预测数据，包括未来若干小时或分钟内的光伏发电量预测。

作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：

步骤S21：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；

步骤S22：对历史用电负载数据进行时空负载特征提取，得到用电时空负载特征数据；对用电时空负载特征数据进行季节性变化规律分析，生成负载特性数据集；根据负载特性数据集对历史用电负载数据进行历史用电负载曲线转换，生成历史用电负载曲线；

步骤S23：对历史用电负载曲线进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据，其中负载曲线曲率趋势数据包括正趋势曲率、平缓趋势曲率以及负趋势曲率；

步骤S24：基于正趋势曲率、平缓趋势曲率以及负趋势曲率对历史用电负载曲线进行负载曲线分割，生成高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线；根据高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据。

本发明实施例中，通过从分布式同步储能网络中的各个电力用户收集历史用电负载数据。这些数据通常是基于时间（例如，小时、日或月）记录的电力消耗数据。基于历史用电负载数据，提取以下时空特征：一天内负载的变化趋势，通常为昼夜变化，表现为白天和夜间的负载差异。每周的用电波动，如工作日与周末的用电差异。季节性波动，特别是气温的变化对用电负载的影响，例如夏季空调负荷增加。分析历史数据中的季节性负载变化，生成关于夏季和冬季的用电规律，如在冬季供暖需求增加，夏季空调负荷增加。使用统计方法（如周期性分析、傅里叶变换）分析历史负载数据，揭示出电力需求随季节、气候、时间等因素的变化模式。季节性模型：建立季节性波动模型，例如使用季节性差分法来消除季节性波动的影响，生成负载特性数据集，用于描述不同季节、天气和时间段的负载变化特征。基于负载特性数据集，通过插值方法或曲线拟合对原始历史用电负载数据进行平滑处理，生成更具规律性的历史用电负载曲线。对生成的历史用电负载曲线进行曲率趋势分析，即通过计算负载曲线的导数或二阶导数来识别其变化趋势：正趋势曲率：负载曲线逐渐上升，表示负载需求在增大。平缓趋势曲率：负载曲线的变化幅度较小，表示负载需求变化平稳。负趋势曲率：负载曲线逐渐下降，表示负载需求在减少。通过计算负载曲线的一阶导数（即斜率）和二阶导数（即曲率）来评估负载变化的趋势。利用数值差分法或样条插值计算曲率，并标记出各个时段的负载变化趋势。得到的负载曲线曲率趋势数据包括：正趋势曲率：如负载急剧上升时，与高温天气或特殊事件（如节假日）有关。平缓趋势曲率：如负载变化稳定，表示常规用电模式。负趋势曲率：如负载下降，与设备故障等因素有关。根据正趋势曲率、平缓趋势曲率和负趋势曲率，对历史用电负载曲线进行负载曲线分割：当负载曲线的上升速度较快，属于高负载需求期，与夏季高温或冬季供暖等负荷峰值相关。负载变化较为平稳，表示正常工作日用电负荷，通常出现在白天和夜间交替时段。负载曲线下降，表明电力需求减少，如夜间、节假日或季节性空调负荷减少时段。根据负载曲线分割结果，将负载需求分为三个主要模式：高负载需求模式：高负载趋势曲线代表的时段，用于负载调度优化和储能调度。平缓负载需求模式：适合常规负载管理和需求响应管理。低负载需求模式：适合进行负载削峰填谷，减少峰值负荷。将高负载、平缓负载和低负载趋势数据整合，生成用电负载需求模式数据，为未来的负载预测、能源调度和储能管理提供依据。

作为本发明的一个实例，参考图3所示，在本实例中所述步骤S3包括：

步骤S31：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；其中能源供需比率计算的公式如下所示：

式中，表示为能源供需比率，表示为时刻的光伏发电功率，表示为时刻储能设备的功率输出，表示为时刻从电网获取的电力，表示为时刻的用电负载需求功率；

步骤S32：将能源供需比率数据和预设的标准供需比率阈值进行对比，当能源供需比率数据大于预设的标准供需比率阈值时，则生成供电盈余模式；当能源供需比率数据小于预设的标准供需比率阈值时，则生成供电缺口模式；

步骤S33：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；

步骤S34：根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略。

本发明实施例中，通过根据实时光伏发电预测数据、储能设备输出功率、从电网获取的电力以及用电负载需求，计算出能源供需比率，评估能源的供需平衡状态。其中能源供需比率计算的公式如下所示：式中，表示为能源供需比率，表示为时刻的光伏发电功率，表示为时刻储能设备的功率输出，表示为时刻从电网获取的电力，表示为时刻的用电负载需求功率。根据计算得到的能源供需比率R(t)与预设的标准供需比率阈值进行对比，识别出当前供电模式（盈余模式或缺口模式）。通过历史数据分析和经验，设定一个合理的供需比率阈值，该阈值可以根据不同的用电场景和季节进行调整。例如，夏季用电高峰时，阈值设置为1.2，而冬季低峰时，阈值设置为1.5。当能源供需比率数据大于预设的标准供需比率阈值时，则生成供电盈余模式；当能源供需比率数据小于预设的标准供需比率阈值时，则生成供电缺口模式；在供电盈余模式下，目标是将多余的能源储存起来，以便未来在供电缺口模式时使用。系统应将光伏发电、储能设备和电网的多余电力储存到储能设备中。根据现有储能设备的容量和充放电效率，优化储能设备的配置，确保能够高效地吸收和储存多余的电力。在供电缺口模式下，储能系统的任务是向电网提供必要的电力，确保负载需求得到满足。此时，储能设备应具备较高的放电能力，并在电网电力不足时提供补充电力。根据储能设备的放电能力和储电量，调整储能系统的配置，使其能够在需要时提供所需的电力。使用遗传算法、粒子群优化算法等启发式方法，对储能系统的配置进行全局优化，确保在不同供电模式下均能够达到最佳的能量调配效果。在优化过程中，需考虑储能设备的容量、充放电效率、系统安全性等多方面的约束条件，确保优化方案符合实际应用需求。根据实时光伏发电、储能设备状态、电网供电以及负载需求的变化，动态调整储能设备的充放电策略。例如，若系统进入供电缺口模式，则优先从储能设备放电；若进入供电盈余模式，则优先将电能储存。利用优化算法（如线性规划、动态规划等），对储能系统的调度进行优化，确保在不同的供需状态下，储能设备能够最大限度地提高电力使用效率，减少能源浪费。使用实时监控系统监控储能设备的状态，调度系统可以实时调整能源分配策略，避免储能设备过度充电或放电，确保电力供应的稳定性。通过智能调度算法，在系统负荷高峰时合理分配储能资源，确保供电不间断。

优选的，步骤S33包括以下步骤：

步骤S331：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行模式时间段确认，得到供电盈余时间段以及供电缺口时间段；对供电盈余时间段和供电缺口时间段进行缓冲时段分析，生成供电变化缓冲时段；

步骤S332：对供电盈余时间段进行能源放电设置，生成能源放电曲线；对供电缺口时间段进行能源充电设置，生成能源充电曲线；根据供电变化缓冲时段对能源放电曲线和能源充电曲线曲线拟合，生成缓冲时段能源损耗数据；

步骤S333：基于缓冲时段能源损耗数据对分布式同步储能网络进行缓冲时段储能电池配置优化，从而生成光伏发电储能配置优化数据。

本发明实施例中，通过利用之前计算得到的能源供需比率数据和设定的标准供需比率阈值进行对比，生成供电盈余时间段和供电缺口时间段，这些时间段将用于进一步的储能配置与调度。为避免储能系统频繁充放电造成不必要的损耗，需要分析供电盈余与供电缺口之间的缓冲时段。缓冲时段是指供电盈余和供电缺口之间的过渡阶段，存在能源转换的滞后现象（例如光伏发电在云层遮挡后逐渐减弱，或电网调度滞后等）。通过时间序列分析，确定供电盈余和供电缺口模式之间的过渡期，设定一个合理的缓冲时段。缓冲时段将被作为储能系统调度的关键时间窗口，确保在此期间进行适当的能源充放电调整。缓冲时段的长度应根据历史数据的波动性、负载变化速率等因素进行动态调整。在供电盈余时间段，储能系统应将多余的电能进行放电，避免能源浪费。在供电盈余时间段，储能系统根据多余的光伏发电电力以及电网电力的多余部分，启动放电过程。能源放电曲线反映了储能系统在供电盈余时间段的放电过程，可以使用线性、非线性或分段线性模型来拟合放电量随时间的变化。若在放电过程中储能设备未能完全释放其储存的电能，则放电曲线呈现平缓下降。储能放电曲线应根据不同储能技术（如电池、超级电容等）进行动态调整，避免设备过度放电。在供电缺口时间段，储能系统应充电以补充电池中的能量，确保未来的用电需求得到满足。在供电缺口时间段，储能系统应根据电网电力和储能设备当前的剩余电量，优先使用电网电力进行充电。充电曲线反映了储能系统在供电缺口时间段的充电过程。充电曲线通常呈上升趋势，且根据电池充电效率和电网供电能力进行调整。在充电过程中，应根据电池充电能力限制、充电效率和电池电量上限等因素调整充电曲线。基于供电盈余和供电缺口模式之间的缓冲时段，对能源放电曲线和充电曲线进行曲线拟合，考虑能源损失、设备响应时间和效率损失等因素。通过拟合曲线计算出在缓冲时段内的能源损耗量。这些损耗通常与充电和放电过程中设备的效率损失、响应延迟等因素有关。输入缓冲时段的能源损耗数据，结合储能系统的技术特点（如电池容量、充放电效率、响应时间等）。采用优化算法（如遗传算法、粒子群优化算法或线性规划等），对储能系统的配置进行全局优化，目标是最小化缓冲时段的能源损耗。根据优化算法的结果，生成光伏发电储能配置优化数据，指导储能系统在不同时间段的储电和放电策略。

优选的，步骤S34包括以下步骤：

步骤S341：根据光伏发电储能配置优化数据对分布式同步储能网络进行节点能源冗余计算，得到节点能源冗余数据；通过节点能源冗余数据对分布式同步储能网络进行相邻节点状态分析，生成相邻节点状态数据；

步骤S342：利用相邻节点状态数据对节点能源冗余数据进行能源调度权重分配，生成能源调度权重分配数据；

步骤S343：通过能源调度权重分配数据对相邻节点状态数据进行紧急能源节点筛选，得到紧急能源节点数据；根据节点能源冗余数据对紧急能源节点数据进行紧急调度储能路径分析，生成紧急节点调度储能路径数据；

步骤S344：基于紧急节点调度储能路径数据对分布式同步储能网络进行调度储能均匀控制，从而生成储能配置管理调度策略。

本发明实施例中，通过根据光伏发电储能配置优化数据，计算每个节点的能源冗余水平。节点的能源冗余指的是节点当前储能设备中可用于调度的额外能量，通常由以下几个因素决定：节点的当前储能容量、节点的能源输入输出状态（如光伏发电、储能放电、充电等）、节点的负载需求及其他网络参数。通过冗余计算，得到每个节点的节点能源冗余数据，它表示了节点在未来一段时间内能够提供或消耗的额外电力。通过节点能源冗余数据，对分布式同步储能网络中的相邻节点进行状态分析。具体来说，分析相邻节点的能源冗余水平，以识别潜在的负载过载或能源不足的区域。相邻节点状态数据包括每个节点的能源冗余状况、负载需求、储能状态等。这些数据有助于判断哪些节点需要更多的能源支持，哪些节点有多余的能源可以提供，生成相邻节点状态数据，用于后续的能源调度和紧急情况处理。能源调度权重分配：根据相邻节点状态数据对各节点的节点能源冗余数据进行加权分配，生成能源调度权重分配数据。具体方法如下：对于每个节点，根据其相邻节点的能源冗余状态及重要性，分配能源调度的权重。例如，如果某节点的能源冗余较高且距离负载需求较大的节点较近，则该节点的调度权重较高，优先进行调度。考虑节点的充放电能力、地理位置以及电力流动情况，对每个节点的调度权重进行调整，使能源调度决策更加智能和灵活，生成能源调度权重分配数据，该数据将用于后续的紧急能源节点筛选和调度决策。基于能源调度权重分配数据，对相邻节点状态数据进行筛选，识别紧急能源节点。紧急能源节点是指那些：负载需求急剧增加，且当前可调度的能源不足以满足需求的节点。储能设备即将耗尽的节点，或预计将在短时间内出现电力短缺的节点。筛选出的节点将被标记为紧急节点，需要优先调度。根据紧急能源节点数据和节点能源冗余数据，对紧急能源节点进行紧急调度储能路径分析。此分析的目标是确定从其他能源冗余较高的节点调度电力的最佳路径。路径分析考虑因素包括：储能设备的充放电效率、电力流动的物理路径、调度优先级和约束条件，生成紧急节点调度储能路径数据，该数据描述了从能源冗余较高的节点到紧急能源节点的电力调度路径。基于紧急节点调度储能路径数据，对分布式同步储能网络进行储能均匀控制。均匀控制旨在确保能源调度的平衡性和效率，避免单一节点过度放电或充电，导致系统不平衡。储能均匀控制策略包括：按照节点能源冗余水平和负载需求动态调整储能设备的充放电行为。对紧急能源节点进行优先调度，并同时考虑其他节点的电力需求，避免过度调度某一节点而导致资源浪费。基于储能均匀控制和路径分析，生成储能配置管理调度策略，该策略包括：每个节点的充放电时机和功率；储能路径的选择和调度优先级；紧急能源节点的优先调度方案；整体储能系统的能量平衡管理。

优选的，步骤S4包括以下步骤：

步骤S41：通过储能配置管理调度策略对分布式同步储能网络进行策略执行，生成光伏发电能源储能策略执行数据；对光伏发电能源储能策略执行数据进行储能性能测试，生成储能性能测试数据；

步骤S42：根据储能性能测试数据对光伏发电能源储能策略执行数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明实施例中，通过根据前面步骤中生成的储能配置管理调度策略，对分布式同步储能网络进行策略执行。执行时，根据储能策略调度各节点的充放电行为。具体包括：按照每个节点的能源冗余、负载需求和调度权重来调节储能设备的放电和充电行为。对储能设备的充放电时间进行精确控制，确保储能资源得到最优分配。通过执行储能策略，实时记录每个节点的充放电情况、电池剩余电量、能量流动等数据，形成光伏发电能源储能策略执行数据。对储能策略执行后的数据进行储能性能测试。性能测试的目的是评估储能系统的实际运行表现，确保策略执行的有效性和高效性。测试内容包括：储能系统的能量利用效率、储能设备的充放电效率、储能策略的响应速度和准确性、系统稳定性和负载适应能力。通过性能测试，得到每个节点、每个储能设备以及整个系统的测试结果，生成储能性能测试数据。根据储能性能测试数据，对光伏发电能源储能策略执行数据进行自适应储能策略调整。自适应调整的核心目标是根据实时测试结果优化储能策略，以更好地满足未来的能源需求和系统变化。如果系统在某些时段出现负载需求波动较大的情况，可以调整储能设备的充放电速率或时间，确保储能设备的快速响应能力。如果测试发现储能设备的效率不足或充放电过程不平衡，可以调整储能设备的使用优先级，优化电池的充放电行为，提升能源使用效率。根据测试结果，对各个节点的调度权重进行动态调整，优先调度能源冗余高的节点或紧急状态节点，以减少储能系统在突发负载变化时的响应延迟。根据上述调整，执行储能配置优化作业。这包括重新分配能源储存、放电及充电任务，优化电力流向，调整储能设备的工作状态，生成自适应储能策略调整数据，作为下一次调度周期的基础，确保储能系统能够在不断变化的条件下持续优化和调整。

在本说明书中，提供了一种光伏发电的能源储能配置系统，用于执行上述的光伏发电的能源储能配置方法，该光伏发电的能源储能配置系统包括：

发电预测模块，用于获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

用电趋势分析模块，用于对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

储能配置控制模块，用于根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

储能配置优化模块，用于通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

本发明的有益效果在于通过获取光伏发电能源站点的信息数据并构建分布式同步储能网络，可以实时收集各站点的发电数据。这为后续的能源调度、储能管理提供了高精度的基础数据支持。通过对实时光伏发电数据进行预测，可以在不稳定的天气和用电负载情况下提前规划发电计划，减少能源浪费，优化储能与电力调度，确保稳定的电力供应。对历史用电负载数据进行时空特征提取、负载曲线曲率趋势分析，可以揭示用电负载的波动模式，帮助预测未来的用电需求，尤其在季节性波动大的情况下更加重要。通过负载曲线趋势数据进行分类，可以识别不同的用电需求模式，帮助优化电力资源分配和调度，确保不同需求模式下的能源供应不间断，避免能源浪费。通过实时光伏发电预测数据与用电负载需求模式数据的结合，计算能源供需比率，帮助及时识别电力系统中的供需不平衡情况。这可以有效地预测电力过剩或不足的情况，提前采取措施。根据能源供需比率数据，对储能系统进行实时优化，调整储能设备的充放电策略，确保光伏发电与负载需求之间的平衡。这不仅提高了能源的使用效率，还避免了储能设备的过度使用或低效运行。通过储能性能测试，系统可以实时监控储能设备的效率和状态，确保储能系统始终处于最佳运行状态。通过数据反馈，能够快速识别储能设备的潜在问题，减少故障发生的概率。根据储能性能测试数据，自适应调整储能策略，可以确保系统在面对不同用电负载和发电条件时，能够灵活应对，优化电力储存与调度策略。因此，本发明通过实时光伏发电预测、负载需求动态分析和自适应储能策略优化，提高了光伏储能配置的精准性和灵活性。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种光伏发电的能源储能配置方法，其特征在于，包括以下步骤：

步骤S1：获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

步骤S2：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

步骤S3：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

步骤S4：通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

2.根据权利要求1所述的光伏发电的能源储能配置方法，其特征在于，步骤S1包括以下步骤：

步骤S11：获取光伏发电能源站点信息数据；

步骤S12：对光伏发电能源站点信息数据进行站点分布拓扑分析，生成能源站点分布拓扑数据；基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；

步骤S13：对分布式同步储能网络进行实时发电数据采集，得到实时光伏发电数据；对实时光伏发电数据进行数据预处理，生成标准实时光伏发电数据，其中数据预处理包括数据清洗、数据去噪、缺失值填充和数据标准化；

步骤S14：对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据。

3.根据权利要求2所述的光伏发电的能源储能配置方法，其特征在于，基于能源站点分布拓扑数据对光伏发电能源站点信息数据进行分布式同步储能网络构建包括：

基于图论方法对能源站点分布拓扑数据进行拓扑建模，生成能源站点拓扑模型数据；对能源站点拓扑模型数据进行节点重要性评估，生成拓扑节点重要性数据；根据拓扑节点重要性数据对能源站点拓扑模型数据进行节点标注，生成关键节点和次要节点；

根据关节点和次要节点对能源站点拓扑模型数据进行边连接，生成初始储能网络；对初始储能网络进行分布式节点部署，生成分布式储能网络；利用光伏发电能源站点信息数据对分布式储能网络进行三层数据同步，从而生成分布式同步储能网络，其中三层数据同步包括时间同步、功率同步以及状态同步。

4.根据权利要求2所述的光伏发电的能源储能配置方法，其特征在于，步骤S14包括以下步骤：

步骤S141：对标准实时光伏发电数据进行基础光伏发电特征提取，得到基础光伏发电特征数据；对基础光伏发电特征数据进行时间序列特性分析，生成光伏发电时序特性数据；

步骤S142：将光伏发电时序特性数据进行数据集划分，生成模型训练集和模型测试集；通过长短期记忆神经网路算法对模型训练集进行模型训练，生成光伏发电预测预模型；通过模型测试集对光伏发电预测预模型进行模型优化迭代，从而生成光伏发电预测模型；

步骤S143：将标准实时光伏发电数据导入至光伏发电预测模型中进行光伏发电预测，生成实时光伏发电预测数据。

5.根据权利要求1所述的光伏发电的能源储能配置方法，其特征在于，步骤S2包括以下步骤：

步骤S21：对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；

步骤S22：对历史用电负载数据进行时空负载特征提取，得到用电时空负载特征数据；对用电时空负载特征数据进行季节性变化规律分析，生成负载特性数据集；根据负载特性数据集对历史用电负载数据进行历史用电负载曲线转换，生成历史用电负载曲线；

步骤S23：对历史用电负载曲线进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据，其中负载曲线曲率趋势数据包括正趋势曲率、平缓趋势曲率以及负趋势曲率；

步骤S24：基于正趋势曲率、平缓趋势曲率以及负趋势曲率对历史用电负载曲线进行负载曲线分割，生成高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线；根据高负载趋势曲线、平缓负载趋势曲线以及低负载趋势曲线对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据。

6.根据权利要求1所述的光伏发电的能源储能配置方法，其特征在于，步骤S3包括以下步骤：

步骤S31：根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；其中能源供需比率计算的公式如下所示：

式中，表示为能源供需比率，表示为时刻的光伏发电功率，表示为时 刻储能设备的功率输出，表示为时刻从电网获取的电力，表示为时刻的用 电负载需求功率；

步骤S32：将能源供需比率数据和预设的标准供需比率阈值进行对比，当能源供需比率数据大于预设的标准供需比率阈值时，则生成供电盈余模式；当能源供需比率数据小于预设的标准供需比率阈值时，则生成供电缺口模式；

步骤S33：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；

步骤S34：根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略。

7.根据权利要求6所述的光伏发电的能源储能配置方法，其特征在于，步骤S33包括以下步骤：

步骤S331：基于供电盈余模式和供电缺口模式对分布式同步储能网络进行模式时间段确认，得到供电盈余时间段以及供电缺口时间段；对供电盈余时间段和供电缺口时间段进行缓冲时段分析，生成供电变化缓冲时段；

步骤S332：对供电盈余时间段进行能源放电设置，生成能源放电曲线；对供电缺口时间段进行能源充电设置，生成能源充电曲线；根据供电变化缓冲时段对能源放电曲线和能源充电曲线曲线拟合，生成缓冲时段能源损耗数据；

步骤S333：基于缓冲时段能源损耗数据对分布式同步储能网络进行缓冲时段储能电池配置优化，从而生成光伏发电储能配置优化数据。

8.根据权利要求6所述的光伏发电的能源储能配置方法，其特征在于，步骤S34包括以下步骤：

步骤S341：根据光伏发电储能配置优化数据对分布式同步储能网络进行节点能源冗余计算，得到节点能源冗余数据；通过节点能源冗余数据对分布式同步储能网络进行相邻节点状态分析，生成相邻节点状态数据；

步骤S342：利用相邻节点状态数据对节点能源冗余数据进行能源调度权重分配，生成能源调度权重分配数据；

步骤S343：通过能源调度权重分配数据对相邻节点状态数据进行紧急能源节点筛选，得到紧急能源节点数据；根据节点能源冗余数据对紧急能源节点数据进行紧急调度储能路径分析，生成紧急节点调度储能路径数据；

步骤S344：基于紧急节点调度储能路径数据对分布式同步储能网络进行调度储能均匀控制，从而生成储能配置管理调度策略。

9.根据权利要求1所述的光伏发电的能源储能配置方法，其特征在于，步骤S4包括以下步骤：

步骤S41：通过储能配置管理调度策略对分布式同步储能网络进行策略执行，生成光伏发电能源储能策略执行数据；对光伏发电能源储能策略执行数据进行储能性能测试，生成储能性能测试数据；

步骤S42：根据储能性能测试数据对光伏发电能源储能策略执行数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。

10.一种光伏发电的能源储能配置系统，其特征在于，用于执行如权利要求1所述的光伏发电的能源储能配置方法，该光伏发电的能源储能配置系统包括：

发电预测模块，用于获取光伏发电能源站点信息数据；对光伏发电能源站点信息数据进行分布式同步储能网络构建，得到分布式同步储能网络；对分布式同步储能网络进行实时发电数据采集，得到标准实时光伏发电数据；对标准实时光伏发电数据进行光伏发电预测，生成实时光伏发电预测数据；

用电趋势分析模块，用于对分布式同步储能网络进行历史用电负载数据采集，得到历史用电负载数据；对历史用电负载数据进行负载曲线曲率趋势分析，生成负载曲线曲率趋势数据；基于负载曲线曲率趋势数据对历史用电负载数据进行负载需求分类，生成用电负载需求模式数据；

储能配置控制模块，用于根据实时光伏发电预测数据对用电负载需求模式数据进行能源供需比率计算，得到能源供需比率数据；通过能源供需比率数据对分布式同步储能网络进行储能系统配置优化，生成光伏发电储能配置优化数据；根据光伏发电储能配置优化数据对分布式同步储能网络进行动态能源调节，从而生成储能配置管理调度策略；

储能配置优化模块，用于通过储能配置管理调度策略对分布式同步储能网络进行储能性能测试，生成储能性能测试数据；根据储能性能测试数据进行自适应储能策略调整，以执行光伏发电的能源储能配置优化作业。