可再生能源系统管理方法、装置、设备及存储介质专利检索-发电变电或配电专利检索查询-专利查询网

可再生能源系统管理方法、装置、设备及存储介质
申请号	CN202410059988.2	申请日	2024-01-15	公开(公告)号	CN117952256A	公开(公告)日	2024-04-30
申请人	广东申菱环境系统股份有限公司;			发明人	陆逊华; 廖永和; 鲍妍妍;
摘要	本发明涉及能源系统管理技术领域，尤其涉及可再生能源系统管理方法、装置、设备及存储介质，所述方法包括：获取生物能源发电系统的历史数据并进行处理，以训练得到发电效率预测模型；定期获取实时监测数据并输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，以调整发电效率预测模型；采用模糊逻辑控制算法，对可再生能源系统的运行参数进行调整；根据实时废弃生物质输入信息获取生物质成分预测结果，从而获取模拟结果；根据模拟结果和实时输出的预测结果，得到废弃生物质的输入调整方案；整合实时预测结果、实时输出的模拟结果以及实时监测数据进行整合以得到调控方案；本申请公开的方案，可实现可再生能源系统的智能化监测和调控。
权利要求	1.一种可再生能源系统管理方法，其特征在于，包括：获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型；定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型；采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整；获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果；根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案；对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 2.根据权利要求1所述的一种可再生能源系统管理方法，其特征在于，所述获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型，具体包括：获取生物能源发电系统的历史数据，所述历史数据包括温度、湿度、废弃生物质的处理信息；对历史数据依次进行异常值剔除处理和数据平滑处理，并按预设的比例进行分割，得到包括训练集、验证集和测试集的训练数据；将训练数据输入至基于LSTM算法构建的模型中进行训练，得到发电效率预测模型。 3.根据权利要求1所述的一种可再生能源系统管理方法，其特征在于，所述定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型，具体包括：定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果；采用遗传算法对预测结果进行优化，以最大化适应度函数；根据遗传算法的适应度函数所计算的适应度调整发电效率预测模型。 4.根据权利要求1所述的一种可再生能源系统管理方法，其特征在于，所述采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整，具体包括：基于模糊逻辑控制算法构建逻辑控制系统，将实时监测数据输入至逻辑控制系统内；根据预设的规则对所输入的实时监测数据进行处理，得到逻辑控制系统输出的控制结果，并根据控制结果对可再生能源系统的运行参数进行调整；定期获取逻辑控制系统输出的控制历史控制结果，并对历史控制结果进行比对分析，根据比对分析结果调整逻辑控制系统的参数。 5.根据权利要求1所述的一种可再生能源系统管理方法，其特征在于，所述获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果，具体包括：获取实时废弃生物质输入信息，并输入至基于深度学习算法预训练的成分预测模型中，得到生物质成分预测结果；将生物质成分预测结果输入至基于强化学习算法预构建的代谢模拟模型中，得到模拟结果。 6.根据权利要求5所述的一种可再生能源系统管理方法，其特征在于，所述根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案，具体包括：根据模拟结果和发电效率预测模型实时输出的预测值，具体的：其中，输入新表示计算所得的输入调整方案，即新的废弃生物质输入量；输入旧表示当前的废弃生物质输入量；β为调整参数，表示学习速率或调整的步长；表示发电效率关于废弃生物质输入的偏导数。 7.根据权利要求1所述的一种可再生能源系统管理方法，其特征在于，所述对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数，具体包括：利用模型集成学习算法对对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据；采用支持向量机监督学习算法对整合数据进行分类和校正，得到校正数据；将校正数据输入至基于深度强化学习算法预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 8.一种可再生能源系统管理装置，其特征在于，包括：训练模块，用于获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型；优化模块，用于定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型；调整模块，用于采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整；模拟模块，用于获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果；生成模块，用于根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案；整合模块，用于对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 9.一种可再生能源系统管理设备，其特征在于，所述可再生能源系统管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；至少一个所述处理器调用所述存储器中的所述指令，以使得所述可再生能源系统管理设备执行如权利要求1‑7中任一项所述的可再生能源系统管理方法的各个步骤。 10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1‑7中任一项所述可再生能源系统管理方法的各个步骤。
说明书全文	可再生能源系统管理方法、装置、设备及存储介质技术领域 [0001] 本发明涉及能源系统管理技术领域，尤其涉及一种可再生能源系统管理方法、装置、设备及存储介质。背景技术 [0002] 传统的生物能源发电系统和微生态系统通常独立运行，存在能量利用效率低、系统调度难度大等问题。 [0003] 为了提高生物能源发电系统的整体性能，现有部分耦合了生物能源发电和微生态系统以形成可再生能源系统，但由于系统的复杂性提高，存在管理难度大、管理不全面的问题。 [0004] 可见，现有技术还有待改进和提高。发明内容 [0005] 为了克服现有技术的不足，本发明的目的在于提供一种可再生能源系统管理方法、装置、设备及存储介质，可实现可再生能源系统的智能化监测和调控，提高可再生能源系统的整体性能。 [0006] 本发明第一方面提供了一种可再生能源系统管理方法，包括：获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型；定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型；采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整；获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果；根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案；对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0007] 可选的，在本发明第一方面的第一种实施方式中，所述获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型，具体包括：获取生物能源发电系统的历史数据，所述历史数据包括温度、湿度、废弃生物质的处理信息；对历史数据依次进行异常值剔除处理和数据平滑处理，并按预设的比例进行分割，得到包括训练集、验证集和测试集的训练数据；将训练数据输入至基于LSTM算法构建的模型中进行训练，得到发电效率预测模型。 [0008] 可选的，在本发明第一方面的第二种实施方式中，所述定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型，具体包括：定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果；采用遗传算法对预测结果进行优化，以最大化适应度函数；根据遗传算法的适应度函数所计算的适应度调整发电效率预测模型。 [0009] 可选的，在本发明第一方面的第三种实施方式中，所述采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整，具体包括：基于模糊逻辑控制算法构建逻辑控制系统，将实时监测数据输入至逻辑控制系统内；根据预设的规则对所输入的实时监测数据进行处理，得到逻辑控制系统输出的控制结果，并根据控制结果对可再生能源系统的运行参数进行调整；定期获取逻辑控制系统输出的控制历史控制结果，并对历史控制结果进行比对分析，根据比对分析结果调整逻辑控制系统的参数。 [0010] 可选的，在本发明第一方面的第四种实施方式中，所述获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果，具体包括：获取实时废弃生物质输入信息，并输入至基于深度学习算法预训练的成分预测模型中，得到生物质成分预测结果；将生物质成分预测结果输入至基于强化学习算法预构建的代谢模拟模型中，得到模拟结果。 [0011] 可选的，在本发明第一方面的第五种实施方式中，所述根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案，具体包括： [0012] 根据模拟结果和发电效率预测模型实时输出的预测值，具体的： [0013] [0014] 其中，输入新表示计算所得的输入调整方案，即新的废弃生物质输入量；输入旧表示当前的废弃生物质输入量；β为调整参数，表示学习速率或调整的步长；表示发电效率关于废弃生物质输入的偏导数。 [0015] 可选的，在本发明第一方面的第六种实施方式中，所述对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数，具体包括：利用模型集成学习算法对对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据；采用支持向量机监督学习算法对整合数据进行分类和校正，得到校正数据；将校正数据输入至基于深度强化学习算法预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0016] 本发明第二方面提供了一种可再生能源系统管理装置，包括：训练模块，用于获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型；优化模块，用于定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型；调整模块，用于采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整；模拟模块，用于获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果；生成模块，用于根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案；整合模块，用于对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0017] 可选的，在本发明第二方面的第一种实现方式中，所述训练模块包括：第一获取单元，用于获取生物能源发电系统的历史数据，所述历史数据包括温度、湿度、废弃生物质的处理信息；第一处理单元，用于对历史数据依次进行异常值剔除处理和数据平滑处理，并按预设的比例进行分割，得到包括训练集、验证集和测试集的训练数据；训练单元，用于将训练数据输入至基于LSTM算法构建的模型中进行训练，得到发电效率预测模型。 [0018] 可选的，在本发明第二方面的第二种实现方式中，所述优化模块包括：第二获取单元，用于定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果；优化单元，用于采用遗传算法对预测结果进行优化，以最大化适应度函数；第一调整单元，用于根据遗传算法的适应度函数所计算的适应度调整发电效率预测模型。 [0019] 可选的，在本发明第二方面的第三种实现方式中，所述调整模块包括：构建单元，用于基于模糊逻辑控制算法构建逻辑控制系统，将实时监测数据输入至逻辑控制系统内；第二处理单元，用于根据预设的规则对所输入的实时监测数据进行处理，得到逻辑控制系统输出的控制结果，并根据控制结果对可再生能源系统的运行参数进行调整；分析单元，用于定期获取逻辑控制系统输出的控制历史控制结果，并对历史控制结果进行比对分析，根据比对分析结果调整逻辑控制系统的参数。 [0020] 可选的，在本发明第二方面的第四种实现方式中，所述模拟模块包括：第三获取单元，用于获取实时废弃生物质输入信息，并输入至基于深度学习算法预训练的成分预测模型中，得到生物质成分预测结果；模拟单元，用于将生物质成分预测结果输入至基于强化学习算法预构建的代谢模拟模型中，得到模拟结果。 [0021] 可选的，在本发明第二方面的第五种实现方式中，所述整合模块包括：整合单元，用于利用模型集成学习算法对对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据；校正单元，用于采用支持向量机监督学习算法对整合数据进行分类和校正，得到校正数据；第二调整单元，用于将校正数据输入至基于深度强化学习算法预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0022] 本发明第三方面提供了一种可再生能源系统管理设备，所述可再生能源系统管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；至少一个所述处理器调用所述存储器中的所述指令，以使得所述可再生能源系统管理设备执行上述任一项所述的可再生能源系统管理方法的各个步骤。 [0023] 本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述任一项所述可再生能源系统管理方法的各个步骤。 [0024] 本发明的技术方案中，通过获取生物能源发电系统的历史数据并进行处理，以训练得到发电效率预测模型；定期获取实时监测数据并输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，以调整发电效率预测模型；采用模糊逻辑控制算法，对可再生能源系统的运行参数进行调整；根据实时废弃生物质输入信息获取生物质成分预测结果，从而获取模拟结果；根据模拟结果和实时输出的预测结果，得到废弃生物质的输入调整方案；整合实时预测结果、实时输出的模拟结果以及实时监测数据进行整合以得到调控方案；本申请公开的方案，可实现可再生能源系统的智能化监测和调控，提高可再生能源系统工作时的整体能效。附图说明 [0025] 图1为本发明实施例提供的可再生能源系统管理方法的第一种流程图； [0026] 图2为本发明实施例提供的可再生能源系统管理方法的第二种流程图； [0027] 图3为本发明实施例提供的可再生能源系统管理方法的第三种流程图； [0028] 图4为本发明实施例提供的可再生能源系统管理方法的第四种流程图； [0029] 图5为本发明实施例提供的可再生能源系统管理方法的第五种流程图； [0030] 图6为本发明实施例提供的可再生能源系统管理方法的第六种流程图； [0031] 图7为本发明实施例提供的可再生能源系统管理装置的一种结构示意图； [0032] 图8为本发明实施例提供的可再生能源系统管理设备的结构示意图。具体实施方式 [0033] 本发明提供了一种可再生能源系统管理方法、装置、设备及存储介质，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。 [0034] 为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中可再生能源系统管理方法的一个实施例包括： [0035] 所述可再生能源系统耦合了生物能源发电系统和微生态系统，以实现更智能、高效地可再生能源管理。 [0036] 101、获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型； [0037] 在本实施例中，所述历史数据包括温度、湿度、废弃生物质的处理效果等；通过训练发电效率预测模型，可对发电效率进行实时预测，为实时监测、运行参数的调整和环境参数的调整提供数据支撑。 [0038] 102、定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型； [0039] 在本实施例中，通过优化发电效率预测模型，可提高发电效率预测模型所输出的结果的准确度和可靠度，以确定最佳的微环境参数，从而使生物发电单元可运行至最佳的运行状态，最大程度地提高生物发电效率。 [0040] 103、采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整； [0041] 在本实施例中，通过获取实时监测数据，采用模糊逻辑控制算法实现可再生能源系统的运行参数的智能微调整，使可再生能源系统保持在最优运行状态。 [0042] 104、获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果； [0043] 在本实施例中，根据废弃生物质输入信息对废弃生物质的输入成分进行预测，以生成调整方案用于调整废弃生物质的输入量和处理方式，优化生物质的利用效率。 [0044] 105、根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案； [0045] 具体的： [0046] [0047] 其中，输入新表示计算所得的输入调整方案，即新的废弃生物质输入量；输入旧表示当前的废弃生物质输入量；β为调整参数，表示学习速率或调整的步长；表示发电效率关于废弃生物质输入的偏导数。 [0048] 在本实施例中，每个实时数据对应的新的输入调整方案，均是基于旧的输入调整方案的一次调整，即基于实时反馈，输入调整方案不断循环进行优化；通过不断地学习和调整，AI算法可以逐渐优化系统的运行，使其更加适应不同的运行条件和需求。 [0049] 106、对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数； [0050] 在本市实施例中，通过对多个数据进行整合以形成整合数据，可充分考虑多方面的影响因素，提高环境调控模型所输出的调控方案的准确度和有效度。 [0051] 本申请公开了一种可再生能源系统管理方法，通过获取生物能源发电系统的历史数据并进行处理，以训练得到发电效率预测模型；定期获取实时监测数据并输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，以调整发电效率预测模型；采用模糊逻辑控制算法，对可再生能源系统的运行参数进行调整；根据实时废弃生物质输入信息获取生物质成分预测结果，从而获取模拟结果；根据模拟结果和实时输出的预测结果，得到废弃生物质的输入调整方案；整合实时预测结果、实时输出的模拟结果以及实时监测数据进行整合以得到调控方案；本申请公开的方案，可实现可再生能源系统的智能化监测和调控，有效提高可再生能源系统工作时的整体性能。 [0052] 请参阅图2，本发明实施例中可再生能源系统管理方法的第二个实施例包括： [0053] 201、获取生物能源发电系统的历史数据，所述历史数据包括温度、湿度、废弃生物质的处理信息； [0054] 202、对历史数据依次进行异常值剔除处理和数据平滑处理，并按预设的比例进行分割，得到包括训练集、验证集和测试集的训练数据； [0055] 在本实施例中，所述数据平滑处理的公式为： [0056] Yt＝α·Xt+(1‑α)·Yt‑1； [0057] 所述异常值剔除处理的公式为： [0058] [0059] 其中，Yt是平滑后的数据，Xt是原始数据，α是平滑参数，Yt‑1是上一个时刻的平滑数据，Zt是标准化后的数据，μ和σ分别是数据的均值和标准差。 [0060] 203、将训练数据输入至基于LSTM算法构建的模型中进行训练，得到发电效率预测模型； [0061] 所述基于LSTM算法训练的发电效率预测模型的表达式为： [0062] ht＝σ(Wlh·xt+blh+Whh·ht‑1+bhh)； [0063] ot＝σ(Wk·xt+bk+Who·ht+bhc)； [0064] ct＝ft·ct‑1+it·tanh(Wk·xt+blc+Whc·ht‑1+bbc)； [0065] y＝tanh(ct)·ot； [0066] 其中，xt是输入数据，表示网络在时刻t的输入；ht是隐藏状态，表示网络在时刻t的记忆或特征输出；ot是输出，表示网络在时刻t的输出；ct是细胞状态，用于存储网络的长期记忆；it、ft和σ是门控函数； [0067] Wlh、Whh、Wlo、Wbo、Wlc、Wbc：分别是输入到隐藏层和隐藏层到输出层的权重矩阵； [0068] blh、bth、blo、bho、blc、bhc：分别是输入到隐藏层和隐藏层到输出层的偏置项。 [0069] 请参阅图3，本发明实施例中可再生能源系统管理方法的第三个实施例包括： [0070] 301、定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果； [0071] 在本实施例中，所述实时监测数据通过多种分布在微生态系统关键位置的多种传感器获取，确保全面监测，所述传感器的类型包括温度传感器、湿度传感器和PH值传感器等，可采用高灵敏度的传感器，确保准确采集实时数据。 [0072] 具体的，在选择关键位置时，尽量实现传感器的均匀分布，以获取对整个微生态系统的全面监测，所述关键位置包括： [0073] 1、生物反应活跃区域：确定微生态系统中生物反应活跃的区域，例如微生物生长和代谢活动最为集中的地方，可能包括废弃生物质输入区域、微生物生长室等； [0074] 2、能量转化关键点：找到能量转化的关键点，例如生物能源发电的关键区域，在这些地方，监测参数如温度、湿度、pH值对能量转化效率的影响更为显著； [0075] 3、流体动力学影响区域：如果微生态系统涉及流体(如液体或气体)的运动，需要考虑流体动力学的影响，将传感器布置在可能影响系统性能的关键位置； [0076] 4、系统边缘和交界处：在微生态系统的边缘和不同组件交界处，可能存在温度、湿度、pH值等参数的突变或变化，因此，这些位置为系统运行时需要重点监测的地方； [0077] 5、物质输入输出点：将传感器放置在物质输入和输出点，以确保监测输入废弃生物质的性质和输出的产物的质量； [0078] 6、先前观测到的问题区域：如果之前的运行经验中存在问题或异常，需要考虑将传感器放置在这些可能存在问题的区域。 [0079] 302、采用遗传算法对预测结果进行优化，以最大化适应度函数； [0080] 在本实施例中，遗传算法的自适应度函数为： [0081] [0082] 其中，ω1和ω2是权重，可以根据实际需求进行调整。 [0083] 303、根据遗传算法的适应度函数所计算的适应度调整发电效率预测模型；具体的，通过下述公式实现适应度的调整，以调整发电效率预测模型： [0084] [0085] 其中，适应度新表示调整后的适应度，适应度旧表示原始的适应度；α为学习率，用于控制调整的步长；为目标函数对参数的偏导数，表示目标函数对参数变化的敏感程度。 [0086] 请参阅图4，本发明实施例中可再生能源系统管理方法的第四个实施例包括： [0087] 401、基于模糊逻辑控制算法构建逻辑控制系统，将实时监测数据输入至逻辑控制系统内； [0088] 在本实施例中，模糊逻辑算法的控制规则为： [0089] [0090] 其中，表示对规则的求和操作，其中n是模糊规则的数量；系统可能有多个模糊规则，每个规则对应不同的输入条件和输出； [0091] μi隶属度函数的值，表示某个输入属于某个模糊集的程度。隶属度函数通常定义在输入的模糊集上，描述了输入与模糊集之间的关系。这里的隶属度函数的值，表示某个输入属于某个模糊集的程度。隶属度函数通常定义在输入的模糊集上，描述了输入与模糊集之间的关系。这里的μi对应于第i个模糊规则中输入的隶属度对应于第i个模糊规则中输入的隶属度； [0092] 规则i为模糊规则的输出，每个模糊规则都有一个输出，而这些输出通过隶属度函数的值(μi)进行权重求和。 [0093] 在本实施例中，采用多传感器数据整合和模糊逻辑控制提高了逻辑控制系统的自适应性，使得系统更具有鲁棒性。 [0094] 402、根据预设的规则对所输入的实时监测数据进行处理，得到逻辑控制系统输出的控制结果，并根据控制结果对可再生能源系统的运行参数进行调整； [0095] 在本实施例中，所述运行参数包括温度、湿度、pH值、废弃生物质输入量、氧气浓度、养分浓度、搅拌速度、循环流速、反应器容积、发酵时间。 [0096] 403、定期获取逻辑控制系统输出的控制历史控制结果，并对历史控制结果进行比对分析，根据比对分析结果调整逻辑控制系统的参数； [0097] 在本实施例中，通过对收集到的监测数据与预期或标准进行比对分析，用于检查可再生能源系统是否在预定的运行范围内，是否达到了期望的性能水平等；基于比对分析的结果，对可再生能源系统的运行状况进行评估，包括判断系统是否处于最优状态，是否存在潜在问题，以及是否需要调整系统参数；如果评估结果表明可再生能源系统需要调整，根据反馈结果调整AI算法的参数，包括模糊逻辑控制规则、权重、学习率等；调整完参数后，重新执行实时调度算法，以确保可再生能源系统按照新的参数配置进行运行。 [0098] 请参阅图5，本发明实施例中可再生能源系统管理方法的第五个实施例包括： [0099] 501、获取实时废弃生物质输入信息，并输入至基于深度学习算法预训练的成分预测模型中，得到生物质成分预测结果； [0100] 在本实施例中，所述深度学习算法可以是LSTM深度学习算法；所述成分预测模型的预测算法为： [0101] [0102] 其中，预测值表示通过模型预测得到的生物质成分的值；为求和符号，表示对i从1到n的所有项进行求和； [0103] βi为模型的系数，表示每个特征对于预测值的影响程度。每个βi是一个权重，用于对应特征i；特征i是生物质样本中的第i个特征，可能是影响生物质成分的某种测量值或特定属性。 [0104] 502、将生物质成分预测结果输入至基于强化学习算法预构建的代谢模拟模型中，得到模拟结果； [0105] 强化学习算法通过更新状态‑动作值函数，优化微生态系统中微生物的废弃生物质处理策略；强化学习算法具体为： [0106] Q(St,αt)＝(1‑α)·Q(St，αt)+α(rt+γ·maxQ(St+1,αt+1))； [0107] 其中，Q(St，αt)是在状态St采取动作αt时的Q值，表示当前状态‑动作对的预期累积回报； [0108] 1‑α是一个衰减因子，用于在更新Q值时考虑之前的估计值；α通常是一个介于0和1之间的数，表示对之前经验的信任程度； [0109] rt是在状态St采取动作αt后获得的即时奖励； [0110] γ为折扣因子，用于考虑未来奖励的影响；它介于0和1之间，表示对未来奖励的重视程度； [0111] maxQ(St+1，αt+1)中，St+1表示在下一个状态，αt+1表示下一个时间步的动作选择参数，采取所有可能动作后的最大Q值，表示在下一步中选择具有最大Q值的动作。 [0112] 在本实施例中，基于深度学习算法构建的成分预测模型提高了对废弃生物质成分的预测准确性，基于强化学习算法构建的代谢模拟模型提高了对数据的处理效率。 [0113] 请参阅图6，本发明实施例中可再生能源系统管理方法的第六个实施例包括： [0114] 601、利用模型集成学习算法对对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据； [0115] 在本实施例中，利用权重调整多传感器数据，形成整合后的微环境数据，即整合数据。 [0116] 602、采用支持向量机监督学习算法对整合数据进行分类和校正，得到校正数据； [0117] 在本实施例中，采用线性SVM算法实现整合数据的分类和校正。 [0118] 603、将校正数据输入至基于深度强化学习算法预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数； [0119] 在本实施例中，基于深度强化学习算法，构建环境调控模型，所构建的环境调控模型通过分析微环境数据、实时调整温度、湿度和pH值等参数，以生成用于调整可再生能源系统的环境参数的调控方案，从而促进微生物的生长和提高发电效率。 [0120] 上面对本发明实施例中可再生能源系统管理方法进行了描述，下面对本发明实施例中可再生能源系统管理装置进行描述，请参阅图7，本发明实施例中可再生能源系统管理装置的一个实施例包括： [0121] 训练模块701，用于获取生物能源发电系统的历史数据并进行处理，以得到训练数据，采用训练数据训练得到发电效率预测模型；优化模块702，用于定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果，对预测结果进行优化，得到优化结果，根据优化结果调整发电效率预测模型；调整模块703，用于采用模糊逻辑控制算法，根据预设的规则和实时监测数据，对可再生能源系统的运行参数进行调整；模拟模块704，用于获取实时废弃生物质输入信息并输入至预训练的成分预测模型中，得到生物质成分预测结果，将生物质成分预测结果输入至预构建的代谢模拟模型中，得到模拟结果；生成模块705，用于根据模拟结果和发电效率预测模型实时输出的预测值，得到废弃生物质的输入调整方案；整合模块706，用于对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据，将整合数据输入至预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0122] 在本实施例中，所述训练模块701包括：第一获取单元7011，用于获取生物能源发电系统的历史数据，所述历史数据包括温度、湿度、废弃生物质的处理信息；第一处理单元7012，用于对历史数据依次进行异常值剔除处理和数据平滑处理，并按预设的比例进行分割，得到包括训练集、验证集和测试集的训练数据；训练单元7013，用于将训练数据输入至基于LSTM算法构建的模型中进行训练，得到发电效率预测模型。 [0123] 在本实施例中，所述优化模块702包括：第二获取单元7021，用于定期获取实时监测数据，将实时监测数据输入至发电效率预测模型中，得到预测结果；优化单元7022，用于采用遗传算法对预测结果进行优化，以最大化适应度函数；第一调整单元7023，用于根据遗传算法的适应度函数所计算的适应度调整发电效率预测模型。 [0124] 在本实施例中，所述调整模块703包括：构建单元7031，用于基于模糊逻辑控制算法构建逻辑控制系统，将实时监测数据输入至逻辑控制系统内；第二处理单元7032，用于根据预设的规则对所输入的实时监测数据进行处理，得到逻辑控制系统输出的控制结果，并根据控制结果对可再生能源系统的运行参数进行调整；分析单元7033，用于定期获取逻辑控制系统输出的控制历史控制结果，并对历史控制结果进行比对分析，根据比对分析结果调整逻辑控制系统的参数。 [0125] 在本实施例中，所述模拟模块704包括：第三获取单元7041，用于获取实时废弃生物质输入信息，并输入至基于深度学习算法预训练的成分预测模型中，得到生物质成分预测结果；模拟单元7042，用于将生物质成分预测结果输入至基于强化学习算法预构建的代谢模拟模型中，得到模拟结果。 [0126] 在本实施例中，所述整合模块706包括：整合单元7061，用于利用模型集成学习算法对对发电效率预测模型输出的实时预测结果、代谢模拟模型实时输出的模拟结果以及实时监测数据进行整合，得到整合数据；校正单元7062，用于采用支持向量机监督学习算法对整合数据进行分类和校正，得到校正数据；第二调整单元7063，用于将校正数据输入至基于深度强化学习算法预构建的环境调控模型中，得到调控方案，根据调控方案调整可再生能源系统的环境参数。 [0127] 上面图7从模块化功能实体的角度对本发明实施例中的可再生能源系统管理装置进行详细描述，下面从硬件处理的角度对本发明实施例中可再生能源系统管理设备进行详细描述。 [0128] 图8是本发明实施例提供的一种可再生能源系统管理设备的结构示意图，该可再生能源系统管理设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对可再生能源系统管理设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在可再生能源系统管理设备800上执行存储介质830中的一系列指令操作，以实现上述各方法实施例提供的可再生能源系统管理方法的步骤。 [0129] 可再生能源系统管理设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，本申请示出的可再生能源系统管理设备结构并不构成对基于可再生能源系统管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。 [0130] 本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行可再生能源系统管理方法的步骤。 [0131] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。 [0132] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read‑only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。 [0133] 最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

意见反馈