CN119239361A - 一种基于能量调控算法的光储充一体化充电站管理系统 - Google Patents

Abstract

本发明公开一种基于能量调控算法的光储充一体化充电站管理系统，基于充电站能量管理技术领域；一种基于能量调控算法的光储充一体化充电站管理系统包含光伏发电装置、储能装置、充电装置和能量管理模型；所述能量管理模型包括数据采集模块、数据分析模块、能量控制模块和能量调度执行模块；所述光伏发电装置与所述能量管理模型双向连接，所述储能装置与所述能量管理模型双向连接，所述充电装置与所述能量管理模型双向连接。本发明能够大大提高光储充一体化充电站的充电效率和能源利用率。

Description

一种基于能量调控算法的光储充一体化充电站管理系统

技术领域

本发明涉及充电站能量管理技术领域，且更具体地涉及一种基于能量调控算法的光储充一体化充电站管理系统。

背景技术

随着电动汽车的普及和可再生能源的发展，光储充一体化充电站作为连接电动汽车和可再生能源的重要基础设施，其能量管理系统的优化和智能化成为当前研究的热点。传统的充电站管理系统存在以下不足：

能源利用效率低，无法准确预测光伏发电量和电动汽车充电需求，导致能源配置不合理，能源利用效率低下；

传统的控制策略往往基于固定的规则或简单的阈值判断，无法根据实时数据和未来预测结果进行优化调整，进一步限制了能源利用效率的提升；

应对不确定性能力差，光伏发电和电动汽车充电需求的不确定性给充电站系统的稳定运行带来了挑战。

因此，本发明提出了一种基于能量调控算法的光储充一体化充电站管理系统有效提高能源利用率和稳定性。

发明内容

针对上述技术的不足，能源利用率低和稳定性能差，本发明公开一种基于能量调控算法的光储充一体化充电站管理系统，能够有效提高能源利用率和稳定性。

一种基于能量调控算法的光储充一体化充电站管理系统，包括：

光伏发电装置，通过光伏电池板将太阳能转化为电能；

储能装置，储存所述光伏发电装置产生的电能或电网的电能，并通过电池管理系统BMS管理所述储能装置的充放电过程；

充电装置，为电动汽车提供充电服务；所述充电装置包括直流充电终端和交流充电终端；

能量管理模型，通过能量调控算法实现对所述光伏发电装置、所述储能装置和所述充电装置的协同控制；所述能量管理模型包括数据采集模块、数据分析模块、能量控制模块和能量调度执行模块；所述能量调控算法包括改进型支持向量机和模型预测控制；

所述数据采集模块，通过传感器网络模型实时采集装置的运行数据信息，所述运行数据信息至少包括电流、电压、功率和装置的运行状态；

所述数据分析模块，通过改进型支持向量机进行数据分析，预测能量需求，优化能量分配；所述改进型支持向量机包括数据预处理单元、特征选择提取单元、模型构建单元、分类单元、训练优化单元和预测评估单元；所述数据预处理单元的信号输出端与所述特征选择提取单元的信号输入端相连接，所述特征选择提取单元的信号输出端与所述模型构建单元的信号输入端相连接，所述模型构建单元的信号输出端与所述分类单元的信号输入端相连接，所述分类单元的信号输出端与所述训练优化单元的信号输入端相连接，所述训练优化单元的信号输出端与所述预测评估单元的信号输入端相连接；

所述能量控制模块，根据所述数据分析模块的分析结果，通过模型预测控制实时对数据分析结果进行二次预测，并根据预测结果制定最优充放电策略；

所述能量调度执行模块，根据所述能量控制模块制定的策略，执行能量调度任务；

所述光伏发电装置与所述能量管理模型双向连接，所述储能装置与所述能量管理模型双向连接，所述充电装置与所述能量管理模型双向连接，所述数据采集模块的信号输出端与所述数据分析的信号输入端相连接，所述数据分析模块的信号输出端与所述能量控制模块的信号输入端相连接，所述能量控制模块的信号输出端与所述能量调度执行模块的信号输入端相连接。

作为本发明进一步实施例，所述数据采集模块包括第一数据采集单元、第二数据采集单元和第三数据采集单元；所述第一数据采集单元通过第一传感器网络采集所述光伏发电装置的数据信息，所述数据信息至少包括光伏发电功率、发电量、光伏板温度和光照强度；所述第一传感器网络至少包括电压传感器、电流传感器、温度传感器和光敏电阻；所述第二数据采集单元通过第二传感器网络采集所述储能装置的数据信息，所述数据信息至少包括荷电状态、充放电电流、充放电电压和温度；所述第三数据采集单元通过第三传感器网络采集所述充电装置的数据信息，所述数据信息至少包括充电功率、充电时间、充电电流和充电设备的工作状态；所述第一传感器网络、所述第二传感器网络和所述第三传感器网络采用网状网络拓扑结构，并通过星型网络拓扑结构构成所述传感器网络模型。作为本发明进一步实施例，所述模型构建单元的输入样本为：

所述分类单元中分类超平面的最优问题表示为：

在公式（4）中，f为最优决策。作为本发明进一步实施例，所述改进型支持向量机分类过程为SVM1作为二叉树的根节点，将数据第1类的测试样本决策出来，将不属于第1类的样本通过SVM2进行分类直到SVM将第q类样本决策出来。在公式（3）中，为拉格朗日乘子，为最优目标函数；

作为本发明进一步实施例，所述模型预测控制包括预测单元、优化单元、控制单元、反馈调整单元和人机交互单元；所述预测单元的信号输出端与所述优化单元的信号输入端相连接，所述优化单元的信号输出端与所述控制单元的信号输入端相连接，所述控制单元的信号输出端与所述反馈调整单元的信号输入端相连接，所述控制单元的信号输出端与所述人机交互单元的信号是输入端相连接；所述预测单元根据实时采集的数据对未来进行长期预测和短期预测，所述长期预测时间为1~7天，所述短期预测时间为0.5~24h，预测结果包括光伏发电量、储能电池的电量变化、充电桩的负载需求；所述优化单元基于预测数据制定最优充放电策略；所述控制单元从优化得到的最优控制序列中，选择第一个元素作为当前的控制输入，并将其应用于模型中，根据当前的控制输入，调整光伏发电系统的输出、储能系统的充放电功率和充电桩的负载分配；所述反馈调整单元在下一个控制周期开始时，重新监测系统状态，采集新的数据，并进行新一轮的预测与优化；所述人机交互单元通过显示屏和键盘进行监控运行状态、查看预测结果和优化策略。

作为本发明进一步实施例，所述控制单元控制所述光伏发电装置、储能装置和充电装置的能量流向；

所述光伏发电装置的能量调度满足的条件为：

为所述储能装置的充电总功率；当所述光伏发电装置的光伏发电功率大于所述充电装置和所述储能装置的总需求时，剩余电能储存至所述储能装置或并网；当所述光伏发电装置的光伏发电功率不足时，优先使用所述储能装置的电能为充电装置供电，不足部分由电网补充；所述充电装置根据电动汽车的充电需求和当前系统的能量状态进行智能调度，优先使用光伏发电和储能装置的电能为电动汽车充电。

作为本发明进一步实施例，所述能量流向为所述光伏发电装置将太阳光转换为电能，产生的直流电被送往所述光伏逆变器，所述光伏逆变器将直流电转换为交流电，将转换后的交流电送入交流母线，电能通过变压器输送到电网中，电网与交流母线双向传输；通过储能变流器将电能传输至所述储能装置，交流母线与所述储能变流器双向传输，所述储能变流器与所述储能装置双向传输；电能直接为充电桩供电。

积极有益效果

一种基于能量调控算法的光储充一体化充电站管理系统通过改进型支持向量机构建精确的能源预测模型，实现对光伏发电量和电动汽车充电需求的准确预测，为模型预测控制提供重要的参考依据；模型预测控制基于当前的系统状态和未来的预测结果，计算出最优的控制策略，实现光伏发电、储能和充电之间的协调优化，提高能源利用效率，增强系统稳定性和可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：

图1为本发明一种基于能量调控算法的光储充一体化充电站管理系统的整体架构示意图；

图2为本发明一种基于能量调控算法的光储充一体化充电站管理系统的能量管理模型的工作原理图；

图3为本发明一种基于能量调控算法的光储充一体化充电站管理系统的改进型支持向量机的工作原理；

图4为本发明一种基于能量调控算法的光储充一体化充电站管理系统的改进型支持向量机分类的工作原理图；

图5为本发明一种基于能量调控算法的光储充一体化充电站管理系统的模型预测控制的工作原理图；

图6为本发明一种基于能量调控算法的光储充一体化充电站管理系统的能量流向图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于能量调控算法的光储充一体化充电站管理系统，包括：

光伏发电装置，通过光伏电池板将太阳能转化为电能；

储能装置，储存所述光伏发电装置产生的电能或电网的电能，并通过电池管理系统BMS管理所述储能装置的充放电过程；

充电装置，为电动汽车提供充电服务；所述充电装置包括直流充电终端和交流充电终端；

能量管理模型，通过能量调控算法实现对所述光伏发电装置、所述储能装置和所述充电装置的协同控制；所述能量管理模型包括数据采集模块、数据分析模块、能量控制模块和能量调度执行模块；所述能量调控算法包括改进型支持向量机和模型预测控制；

所述数据采集模块，通过传感器网络模型实时采集装置的运行数据信息，所述运行数据信息至少包括电流、电压、功率和装置的运行状态；

所述数据分析模块，通过改进型支持向量机进行数据分析，预测能量需求，优化能量分配；所述改进型支持向量机包括数据预处理单元、特征选择提取单元、模型构建单元、分类单元、训练优化单元和预测评估单元；所述数据预处理单元的信号输出端与所述特征选择提取单元的信号输入端相连接，所述特征选择提取单元的信号输出端与所述模型构建单元的信号输入端相连接，所述模型构建单元的信号输出端与所述分类单元的信号输入端相连接，所述分类单元的信号输出端与所述训练优化单元的信号输入端相连接，所述训练优化单元的信号输出端与所述预测评估单元的信号输入端相连接；

所述能量控制模块，根据所述数据分析模块的分析结果，通过模型预测控制实时对数据分析结果进行二次预测，并根据预测结果制定最优充放电策略；

所述能量调度执行模块，根据所述能量控制模块制定的策略，执行能量调度任务；

所述光伏发电装置与所述能量管理模型双向连接，所述储能装置与所述能量管理模型双向连接，所述充电装置与所述能量管理模型双向连接，所述数据采集模块的信号输出端与所述数据分析的信号输入端相连接，所述数据分析模块的信号输出端与所述能量控制模块的信号输入端相连接，所述能量控制模块的信号输出端与所述能量调度执行模块的信号输入端相连接。

在本发明中，所述数据采集模块包括第一数据采集单元、第二数据采集单元和第三数据采集单元；所述第一数据采集单元通过第一传感器网络采集所述光伏发电装置的数据信息，所述数据信息至少包括光伏发电功率、发电量、光伏板温度和光照强度；所述第一传感器网络至少包括电压传感器、电流传感器、温度传感器和光敏电阻；所述第二数据采集单元通过第二传感器网络采集所述储能装置的数据信息，所述数据信息至少包括荷电状态、充放电电流、充放电电压和温度；所述第三数据采集单元通过第三传感器网络采集所述充电装置的数据信息，所述数据信息至少包括充电功率、充电时间、充电电流和充电设备的工作状态；所述第一传感器网络、所述第二传感器网络和所述第三传感器网络采用网状网络拓扑结构，并通过星型网络拓扑结构构成所述传感器网络模型。

在具体实施例中，所述传感器网络模型将所述第一数据采集单元、所述第二数据采集单元和所述第三数据采集单元采集到的数据进行数据融合，为能量调控算法提供数据支持。所述网状网络拓扑结构中的各个节点通过传输路径互相连接起来，并且每个节点都至少与其他两个节点相连接；由于各个节点之间路径比较多，局部故障不会影响整个网络，节点之间有多种通信信道，信息传输可选择最佳路径使得延时最小；所述星型网络拓扑结构任何一节点只和中央节点相连接，因而介质访问控制方法简单，致使访问协议也十分简单，易于网络监控和管理；中央节点对连接线路可以逐一隔离进行故障检测和定位，单个连接点的故障只影响一个设备，不会影响整个网络；中央节点对各个站点提供服务和网络重新配置。在本发明中，所述模型构建单元的输入样本为：

所述分类单元中分类超平面的最优问题表示为：

选择核函数和惩罚参数A，构造并求解最优化问题：

求解得到最优解，选择的一个小于A的正分量最终求解决策函数：

。

在具体实施例中，所述所述分类单元中分类超平面的最优问题的原表达式为：

求解最优化问题的原表达式为：

最终求解决策函数的原表达式为：

。

在具体实施例中，使用输入数据来训练改进型支持向量机，求解最佳权重向量m、偏置项a和b，核函数用于计算数据点之间的相似性，从而找到最佳分类超平面；当所述改进型支持向量机训练完成后，预测新的数据点的类别；将能量需求作为标签并使用相关的特征向量来训练改进型支持向量机；基于预测的能量需求，制定能量分配策略，如果预测到某个时间段的能量需求较高，提前调整能源供应增加发电量或调整电网调度以满足需求，如果预测到能量需求较低，则可以相应地减少能源供应以节约成本，基于实时预测结果进行调整，以实现更加高效和可持续的能源管理。在具体实施例中，所述改进型支持向量机解决大样本情况下的机器学习问题，简化了通常的分类和回归问题；由于采用核函数方法克服了维数灾难和非线性可分的问题，所以向高维空间映射时没有增加计算的复杂性。由于支持向量计算法的最终决策函数只由少数的支持向量所确定，所以计算的复杂性取决于支持向量的数目，而不是样本空间的维数。支持向量机算法利用松弛变量允许一些点到分类平面的距离不满足原先要求，从而避免这些点对模型学习的影响。

在具体实施例中，所述改进型支持向量机的工作流程为：

数据预处理单元负责收集和整理来自传感器网络模型的数据信息；对收集到的数据进行清洗，去除异常值和噪声，确保数据的准确性和可靠性，对数据进行标准化或归一化处理，以提高后续数据分析的效率；

从预处理后的数据中提取出与能量需求预测和优化能量分配相关的关键特征，特征至少包括光伏发电功率、储能装置荷电状态、充电站历史负荷模式、和天气预报信息；通过特征选择技术，筛选出对预测结果影响最大的特征，以提高模型的预测精度；

构建用于能量需求预测和优化能量分配的模型；

类单元利用改进型支持向量机的分类能力，将能量需求划分为不同的类别，以便后续进行更精细化的能量分配和管理；

使用历史数据对初步构建的改进型支持向量机进行训练，通过调整模型参数来优化模型的预测性能；训练过程中，可以采用交叉验证来评估模型的泛化能力，避免过拟合或欠拟合现象的发生；通过训练优化单元，可以得到一个性能优良的改进型支持向量机预测模型；

利用训练好的改进型支持向量机对新的数据进行预测，评估模型的预测精度和稳定性；将预测结果与实际情况进行对比，分析模型的误差来源和可能的改进方向；根据预测结果，制定能量分配策略，优化光储充一体化充电站的运行效率。

在具体实施例中，不同惩罚参数对充电桩的影响如表1所示。

通过表1可知，当惩罚系数的数值为10.001时，能源利用率最高，并且充电效率达到最高。

在本发明中，所述改进型支持向量机分类过程为SVM1作为二叉树的根节点，将数据第1类的测试样本决策出来，将不属于第1类的样本通过SVM2进行分类直到SVM将第q类样本决策出来。在具体实施例中，所述改进型支持向量机为支持向量机在原有的基础上增加决策树算法；决策树算法包含一个根节点，若干个内部结点和若干个叶结点，叶结点对应于决策结果，其他每个结点对应于一个属性测试，每个结点包含的样本集合根据属性测试的结果划分到子结点中，根结点包含样本全集，从根结点到每个叶结点的路径对应了一个判定的测试序列，决策树算法学习的目的是产生一棵泛化能力强；使用决策树算法进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。决策树算法的剪枝是为了防止或减少过拟合现象的发生，剪枝的具体做法是去掉过于细分的叶节点，使其回退到父节点，将父节点改为新的叶节点；剪枝包括预剪枝和后剪枝，所述预剪枝是在决策树构造时进行剪枝，在决策树构造过程中对节点进行评估，如果对其划分并不能再验证集中提高准确性，那么该节点就不要继续往下划分，这时就会把当前节点作为叶节点；所述后剪枝是在生成决策树之后进行剪枝，通常会从决策树的叶节点开始，逐层向上对每个节点进行评估，如果剪掉该节点，带来的验证集中准确性差别不大或有明显提升，则可以对它进行剪枝，用叶子节点来代填该节点。

在本发明中，所述模型预测控制包括预测单元、优化单元、控制单元、反馈调整单元和人机交互单元；所述预测单元的信号输出端与所述优化单元的信号输入端相连接，所述优化单元的信号输出端与所述控制单元的信号输入端相连接，所述控制单元的信号输出端与所述反馈调整单元的信号输入端相连接，所述控制单元的信号输出端与所述人机交互单元的信号是输入端相连接；所述预测单元根据实时采集的数据对未来进行长期预测和短期预测，所述长期预测时间为1~7天，所述短期预测时间为0.5~24h，预测结果包括光伏发电量、储能电池的电量变化、充电桩的负载需求；所述优化单元基于预测数据制定最优充放电策略；所述控制单元从优化得到的最优控制序列中，选择第一个元素作为当前的控制输入，并将其应用于模型中，根据当前的控制输入，调整光伏发电系统的输出、储能系统的充放电功率和充电桩的负载分配；所述反馈调整单元在下一个控制周期开始时，重新监测系统状态，采集新的数据，并进行新一轮的预测与优化；所述人机交互单元通过显示屏和键盘进行监控运行状态、查看预测结果和优化策略。在具体实施例中，所述模型预测控制的工作流程为：

预测单元收集光储充一体化充电站的实时数据，实时数据至少包括光伏发电量、储能系统的充放电状态、充电桩的充电需求以及电网的负荷情况；

优化单元根据预测单元提供的预测结果，制定最优的充放电策略；考虑光伏发电的波动性、储能系统的容量限制、充电桩的充电效率以及电网的负荷平衡，通过改进型支持向量机和模型预测控制求解最优的充放电策略，以实现能源的最大化利用和成本的最小化；

接收优化单元提供的最优充放电策略，将策略转化为对光伏发电装置、储能装置和充电装置的控制指令，实时监控系统的运行状态，确保控制指令的准确执行；

根据实际运行状态与预测结果的差异，对控制策略进行必要的调整；将调整后的策略反馈给优化单元和控制单元，以实现系统的持续优化和控制；

人机交互单元显示系统的实时状态信息，如光伏发电量、储能系统的充放电状态和充电桩的充电状态，接收用户输入的控制指令或参数设置，提供用户友好的界面和交互方式，方便用户监控和管理系统的运行。

在本发明中，所述控制单元控制所述光伏发电装置、储能装置和充电装置的能量流向；

所述光伏发电装置的能量调度满足的条件为：

为所述储能装置的充电总功率；当所述光伏发电装置的光伏发电功率大于所述充电装置和所述储能装置的总需求时，剩余电能储存至所述储能装置或并网；当所述光伏发电装置的光伏发电功率不足时，优先使用所述储能装置的电能为充电装置供电，不足部分由电网补充；所述充电装置根据电动汽车的充电需求和当前系统的能量状态进行智能调度，优先使用光伏发电和储能装置的电能为电动汽车充电。

在具体实施例中，能量调度算法对光储充一体化的充电桩的影响如表2所示。

通过表2可知，通过能量调度算法优化后的光储充一体化的充电桩大大提高了能源利用率和充电效率。

在本发明中，所述能量流向为所述光伏发电装置将太阳光转换为电能，产生的直流电被送往所述光伏逆变器，所述光伏逆变器将直流电转换为交流电，将转换后的交流电送入交流母线，电能通过变压器输送到电网中，电网与交流母线双向传输；通过储能变流器将电能传输至所述储能装置，交流母线与所述储能变流器双向传输，所述储能变流器与所述储能装置双向传输；电能直接为充电桩供电。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：包含：

光伏发电装置，通过光伏电池板将太阳能转化为电能；

储能装置，储存所述光伏发电装置产生的电能或电网的电能，并通过电池管理系统BMS管理所述储能装置的充放电过程；

充电装置，为电动汽车提供充电服务；所述充电装置包括直流充电终端和交流充电终端；

能量管理模型，通过能量调控算法实现对所述光伏发电装置、所述储能装置和所述充电装置的协同控制；所述能量管理模型包括数据采集模块、数据分析模块、能量控制模块和能量调度执行模块；所述能量调控算法包括改进型支持向量机和模型预测控制；

所述数据采集模块，通过传感器网络模型实时采集装置的运行数据信息，所述运行数据信息至少包括电流、电压、功率和装置的运行状态；

所述数据分析模块，通过改进型支持向量机进行数据分析，预测能量需求，优化能量分配；所述改进型支持向量机包括数据预处理单元、特征选择提取单元、模型构建单元、分类单元、训练优化单元和预测评估单元；所述数据预处理单元的信号输出端与所述特征选择提取单元的信号输入端相连接，所述特征选择提取单元的信号输出端与所述模型构建单元的信号输入端相连接，所述模型构建单元的信号输出端与所述分类单元的信号输入端相连接，所述分类单元的信号输出端与所述训练优化单元的信号输入端相连接，所述训练优化单元的信号输出端与所述预测评估单元的信号输入端相连接；

所述能量控制模块，根据所述数据分析模块的分析结果，通过模型预测控制实时对数据分析结果进行二次预测，并根据预测结果制定最优充放电策略；

所述能量调度执行模块，根据所述能量控制模块制定的策略，执行能量调度任务；

所述光伏发电装置与所述能量管理模型双向连接，所述储能装置与所述能量管理模型双向连接，所述充电装置与所述能量管理模型双向连接，所述数据采集模块的信号输出端与所述数据分析的信号输入端相连接，所述数据分析模块的信号输出端与所述能量控制模块的信号输入端相连接，所述能量控制模块的信号输出端与所述能量调度执行模块的信号输入端相连接。

2.根据权利要求1所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述数据采集模块包括第一数据采集单元、第二数据采集单元和第三数据采集单元；所述第一数据采集单元通过第一传感器网络采集所述光伏发电装置的数据信息，所述数据信息至少包括光伏发电功率、发电量、光伏板温度和光照强度；所述第一传感器网络至少包括电压传感器、电流传感器、温度传感器和光敏电阻；所述第二数据采集单元通过第二传感器网络采集所述储能装置的数据信息，所述数据信息至少包括荷电状态、充放电电流、充放电电压和温度；所述第三数据采集单元通过第三传感器网络采集所述充电装置的数据信息，所述数据信息至少包括充电功率、充电时间、充电电流和充电设备的工作状态；所述第一传感器网络、所述第二传感器网络和所述第三传感器网络采用网状网络拓扑结构，并通过星型网络拓扑结构构成所述传感器网络模型。

3.根据权利要求1所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述模型构建单元的输入样本为：

所述分类单元中分类超平面的最优问题表示为：

在公式（3）中，为拉格朗日乘子，为最优目标函数；

在公式（4）中，为最优决策。

4.根据权利要求1所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述改进型支持向量机分类过程为SVM1作为二叉树的根节点，将数据第1类的测试样本决策出来，将不属于第1类的样本通过SVM2进行分类直到SVM将第q类样本决策出来。

5.根据权利要求1所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述模型预测控制包括预测单元、优化单元、控制单元、反馈调整单元和人机交互单元；所述预测单元的信号输出端与所述优化单元的信号输入端相连接，所述优化单元的信号输出端与所述控制单元的信号输入端相连接，所述控制单元的信号输出端与所述反馈调整单元的信号输入端相连接，所述控制单元的信号输出端与所述人机交互单元的信号是输入端相连接；所述预测单元根据实时采集的数据对未来进行长期预测和短期预测，所述长期预测时间为1~7天，所述短期预测时间为0.5~24h，预测结果包括光伏发电量、储能电池的电量变化、充电桩的负载需求；所述优化单元基于预测数据制定最优充放电策略；所述控制单元从优化得到的最优控制序列中，选择第一个元素作为当前的控制输入，并将其应用于模型中，根据当前的控制输入，调整光伏发电系统的输出、储能系统的充放电功率和充电桩的负载分配；所述反馈调整单元在下一个控制周期开始时，重新监测系统状态，采集新的数据，并进行新一轮的预测与优化；所述人机交互单元通过显示屏和键盘进行监控运行状态、查看预测结果和优化策略。

6.根据权利要求1所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述控制单元控制所述光伏发电装置、储能装置和充电装置的能量流向；

所述光伏发电装置的能量调度满足的条件为：

为所述储能装置的充电总功率；当所述光伏发电装置的光伏发电功率大于所述充电装置和所述储能装置的总需求时，剩余电能储存至所述储能装置或并网；当所述光伏发电装置的光伏发电功率不足时，优先使用所述储能装置的电能为充电装置供电，不足部分由电网补充；所述充电装置根据电动汽车的充电需求和当前系统的能量状态进行智能调度，优先使用光伏发电和储能装置的电能为电动汽车充电。

7.根据权利要求6所述的一种基于能量调控算法的光储充一体化充电站管理系统，其特征在于：所述能量流向为所述光伏发电装置将太阳光转换为电能，产生的直流电被送往所述光伏逆变器，所述光伏逆变器将直流电转换为交流电，将转换后的交流电送入交流母线，电能通过变压器输送到电网中，电网与交流母线双向传输；通过储能变流器将电能传输至所述储能装置，交流母线与所述储能变流器双向传输，所述储能变流器与所述储能装置双向传输；电能直接为充电桩供电。