[0001] 本申请涉及发电储能技术领域，特别涉及一种基于开源鸿蒙系统的电力线控制方法。

[0002] 随着信息技术的发展和智能电网的建设，大数据、人工智能、物联网等新兴技术在电力系统中得到广泛应用。智能电表、电力物联网传感器等设备的部署，使得海量的电力数据得以采集和传输，为电力系统的智能化升级提供了数据基础。但是，如何有效利用这些数据，挖掘其中蕴含的价值，构建智能化的电力优化控制体系，仍然是一个亟待解决的问题。

[0003] 在电力系统运行中，由于负荷预测偏差、新能源发电功率波动等因素，往往会出现电力供需不平衡的情况，导致电力系统能源利用效率低下。剩余电力得不到及时、合理的分配和利用，造成能源浪费。同时，由于缺乏智能化的充电策略，储能装置的充放电效率低，不能有效发挥其调峰填谷、提高能源利用效率的作用。

[0004] 在相关技术中，比如中国专利文献CN111541256B中提供了一种能量控制方法和发电储能系统，该方法中在储能系统所处时段为充电时段时，控制发电系统的发电功率中的预设部分优先为自用电系统供电，并依据在预设部分为自用系统供电是否存在剩余功率来控制储能系统不充电或以该剩余功率为充电功率进行充电，以使该储能系统并不是以满额发电功率为基准进行充电，而是以该剩余功率为基准进行充电，进而在发电功率大幅下降时，能够以该发电功率中除了预设部分以外的其他部分作为缓冲，使该储能系统从电网吸取少量电量，甚至不从电网吸取电量，减少了发电储能系统的超额电量。但是该方案中储能系统的充电功率仅仅依赖于预设部分为自用系统供电后的剩余功率，当预设部分为自用系统供电后不存在剩余功率时，即使发电系统还有其他部分的发电功率，储能系统也不会进行充电，因此该方案的充电效率有待进一步提高。

[0066] 下面结合附图对本说明书实施例提供的方法和系统进行详细说明。

[0067] 如图1所示，本实施例提供了一种基于开源鸿蒙系统的电力线控制方法，包括以下步骤：采集发电装置的电力数据，并将电力数据传输给电力管理系统；电力管理系统基于开源鸿蒙系统的智能算法平台，接收并处理传输的电力数据；电力管理系统根据接收的电力数据，利用基于开源鸿蒙系统的需求预测模型，计算发电装置的需求用电数据，其中，需求预测模型采用LSTM神经网络构建；根据得到的需求用电数据，通过基于开源鸿蒙系统的用电模型，计算剩余电力数据，其中，用电模型采用LASSO回归算法构建；根据得到的剩余电力数据，通过基于开源鸿蒙系统的充电优化模型，计算分配给储能装置进行充电的储能电力数据；其中，基于贪心算法构建充电优化模型；根据计算得到的剩余电力数据和储能电力数据，通过基于开源鸿蒙系统的发电成本模型，计算上网销售的上网电力数据；其中，发电成本模型采用多元线性回归算法构建。

[0068] 采集发电装置的电力数据，包括有功功率和无功功率，并将电力数据传输给电力管理系统。电力管理系统基于开源鸿蒙系统的智能算法平台，接收并处理传输的电力数据。发电装置上安装有智能电表和电力传感器，用于实时采集发电装置的电力参数。其中，智能电表采集有功功率数据，电力传感器采集无功功率数据。有功功率表示发电装置产生的有效电能，无功功率表示发电装置产生的无效电能。智能电表和电力传感器采集的电力数据通过电力通信网络实时传输给电力管理系统。电力通信网络可以是专用的电力光纤网络，也可以是公用的无线通信网络，如4G/5G网络。电力管理系统基于开源鸿蒙系统搭建，利用其提供的智能算法平台和数据处理框架，对接收到的电力数据进行解析、校验和预处理。电力管理系统的数据接收模块负责接收智能电表和电力传感器传输的电力数据。数据接收模块与电力通信网络对接，通过标准的通信协议，如Modbus、DNP3等，实现数据的可靠传输和接收。数据接收模块将接收到的电力数据解析为标准化的数据格式，如JSON、XML等，方便后续的数据处理和分析。同时，数据接收模块对电力数据进行完整性校验和时间戳校对，确保数据的准确性和一致性。数据预处理模块对解析后的电力数据进行清洗、过滤和归一化处理。清洗过程去除异常值和无效数据，提高数据质量；过滤过程根据数据分析需求，筛选出相关的特征参数；归一化处理将不同量纲的数据映射到同一尺度，便于后续的数据分析和模型训练。预处理后的电力数据被存储到电力管理系统的实时数据库中，如Redis、Kafka等，用于支持实时的数据访问和分析。同时，电力数据也被持久化存储到历史数据库中，如MySQL、HBase等，用于支持历史数据的查询和挖掘。

[0069] 图2是根据本说明书一些实施例所示的计算需求用电数据的示例性流程图，电力管理系统利用LSTM神经网络构建需求预测模型，并基于采集的有功功率和无功功率数据，预测未来一段时间内的需求用电数据。电力管理系统从历史数据库中获取一定时间范围内的有功功率、无功功率以及对应的需求用电数据，作为需求预测模型的训练数据集。其中，有功功率和无功功率作为模型的输入特征，需求用电数据作为模型的输出目标。对训练数据集进行预处理，包括数据清洗、缺失值填充、异常值处理等。同时，将数据集按照一定的时间步长（如1小时、15分钟等）进行切分，构建时序数据样本。每个样本包含若干个时间步长的输入特征和对应的输出目标。搭建LSTM神经网络模型，设计模型的网络结构和超参数。LSTM是一种循环神经网络，能够有效处理时序数据，捕捉数据的长期依赖关系。模型的输入层接收有功功率和无功功率数据，输出层预测未来一段时间内的需求用电数据。将预处理后的训练数据集送入LSTM模型，进行模型训练。通过前向传播和反向传播算法，不断调整模型的权重参数，最小化预测值与实际值之间的误差。常用的损失函数包括均方误差（MSE）、平均绝对误差（MAE）等。在训练过程中，采用交叉验证、早停等技巧，防止模型过拟合。同时，对模型进行超参数调优，如调整隐藏层数量、隐藏单元数、学习率等，以获得最优的模型性能。模型训练完成后，使用独立的测试数据集对模型进行评估，计算模型的预测精度、召回率、F1值等指标。根据评估结果，对模型进行进一步的优化和改进，直到达到预期的性能要求。将训练好的LSTM需求预测模型部署到电力管理系统中，用于实时的需求用电预测。电力管理系统实时采集发电装置的有功功率和无功功率数据，并将其输入到预测模型中。预测模型基于输入的有功功率和无功功率数据，通过前向传播算法，计算得到未来一段时间内的需求用电数据。预测的时间跨度可以根据实际需求进行设置，如未来1小时、未来24小时等。电力管理系统将预测得到的需求用电数据存储到实时数据库中，并将其显示在系统的监控界面上，供电力调度人员参考。同时，预测结果也被传输给其他功能模块，如剩余电力分配模块、储能充电优化模块等，作为优化控制的输入依据。

[0070] 电力管理系统利用LSTM神经网络实现了对发电装置需求用电的精准预测。基于大数据分析和机器学习技术，系统能够充分挖掘历史电力数据中蕴含的规律和特征，提高预测的准确性和可靠性。同时，预测结果为电力调度和优化控制提供了重要的决策支持，有助于提高电力系统的能源利用效率和供电质量。

[0071] 图3是根据本说明书一些实施例所示的计算剩余电力数据的示例性流程图，电力管理系统利用LASSO回归模型对剩余电力进行建模和预测，通过特征选择和参数调优，构建最优的用电模型。电力管理系统从历史数据库中获取一定时间范围内的需求用电数据和剩余电力数据，作为LASSO回归模型的训练数据集。其中，需求用电数据作为模型的自变量，剩余电力数据作为模型的应变量。对训练数据集进行预处理，包括数据清洗、缺失值填充、异常值处理等。同时，对自变量和应变量进行标准化处理，将数据缩放到相同的尺度范围内，提高模型的训练效率和泛化能力。构建LASSO回归模型，设置模型的目标函数和约束条件。LASSO回归通过L1正则化方法引入参数稀疏性，能够自动进行特征选择，剔除冗余和无关的自变量。目标函数包括最小化残差平方和和L1正则化项的加权和。通过交叉验证方法，将训练数据集分为若干个子集，依次将每个子集作为验证集，其余子集作为训练集，重复训练LASSO回归模型。在每次训练中，通过网格搜索或随机搜索等方法，调整LASSO回归模型的正则化参数，控制L1正则化的强度。对于每个正则化参数取值，评估交叉验证过程中的平均预测误差，如均方误差（MSE）、平均绝对误差（MAE）等。选择预测误差最小的正则化参数作为最优参数，对应的LASSO回归模型作为最终的用电模型。利用训练好的用电模型，根据实时采集的需求用电数据，计算当前时刻的剩余电力数据。具体而言，将需求用电数据输入到用电模型中，通过模型的系数和截距项，得到预测的剩余电力数据。电力管理系统将预测得到的剩余电力数据存储到实时数据库中，并将其显示在系统的监控界面上，供电力调度人员参考。同时，预测结果也被传输给其他功能模块，如储能充电优化模块、发电成本模块等，作为优化控制的输入依据。在实际运行过程中，电力管理系统定期对用电模型进行重训练和更新，以适应电力系统负荷特性的变化。通过不断引入新的历史数据，优化模型的参数和结构，提高剩余电力预测的精度和鲁棒性。

[0072] 电力管理系统利用LASSO回归模型实现了对剩余电力的精准建模和预测。LASSO回归通过L1正则化和交叉验证方法，有效地筛选出影响剩余电力的关键特征，提高了模型的解释性和泛化能力。基于用电模型的预测结果，电力管理系统能够实时掌握剩余电力的分布情况，为优化电力资源配置、平衡电力供需关系提供决策支持，进而提升电力系统的整体效率和经济性。

[0073] 图4是根据本说明书一些实施例所示的计算储能电力数据的示例性流程图，电力管理系统利用贪心算法构建充电优化模型，根据剩余电力的充电成本和储能装置的约束条件，求解最优充电策略，电力管理系统将用电模型计算得到的剩余电力数据作为输入，同时获取储能装置的总容量和当前蓄电量作为约束条件参数。总容量表示储能装置的最大蓄电能力，当前蓄电量表示储能装置当前已储存的电量。对于每个剩余电力数据，电力管理系统计算其对应的充电成本。充电成本由两部分组成：一是剩余电力的电价，二是剩余电力的电量。电价信息从外部数据源获取，如电网公司提供的实时电价数据。电量信息从剩余电力数据中提取。

[0074] 电力管理系统根据计算得到的充电成本，对剩余电力数据进行排序。按照充电成本从低到高的顺序，将剩余电力数据重新排列，得到排序后的剩余电力数据。充电成本越低，表示充电经济性越高，优先考虑进行充电。将排序后的剩余电力数据、充电成本、储能装置的总容量和当前蓄电量作为输入，构建基于贪心算法的充电优化模型。贪心算法的基本思想是在每一步选择中，都采取当前状态下的最优解，从而得到全局最优解。在充电优化模型中，依次遍历排序后的剩余电力数据，对于每个剩余电力，判断将其电量累加到当前蓄电量中是否会超过储能装置的总容量。如果不超过总容量，则将该剩余电力选入最优充电策略，并更新当前蓄电量；如果超过总容量，则跳过该剩余电力，继续遍历下一个剩余电力。重复直到遍历完所有剩余电力数据，或者当前蓄电量达到储能装置的总容量。最终得到的最优充电策略包含多个被选择的剩余电力，这些剩余电力的电量之和不超过储能装置的总容量，且充电成本最低。

[0075] 电力管理系统根据最优充电策略，从排序后的剩余电力数据中依次选择对应的剩余电力，将选择的剩余电力的电量累加到储能装置的当前蓄电量中，更新当前蓄电量。同时，将选择的剩余电力作为优化后的储能电力数据，存储到实时数据库中。电力管理系统将最优充电策略和优化后的储能电力数据显示在系统的监控界面上，供电力调度人员参考。同时，这些数据也被传输给其他功能模块，如发电成本模块、电力交易模块等，作为优化控制和决策支持的依据。

[0076] 电力管理系统利用贪心算法实现了储能装置的最优充电策略。基于剩余电力的充电成本和储能装置的约束条件，系统能够自动选择经济性最高的剩余电力进行充电，最大化储能装置的利用效率和收益。同时，最优充电策略的生成也为电力系统的调峰填谷、平滑新能源功率波动等调度运行提供了有力支撑，提升了电力系统的灵活性和适应性。

[0077] 图5是根据本说明书一些实施例所示的计算最优充电成本的示例性流程图，在计算剩余电力数据的充电成本时，电力管理系统综合考虑多个影响因素，构建了基于多元线性回归的充电成本计算模型。电力管理系统遍历剩余电力数据，对于每个剩余电力，获取其对应的发电成本作为第一特征。发电成本表示发电设备生产每单位电能的成本，通常与发电类型、燃料价格等因素相关。电力管理系统从外部数据源（如发电企业提供的成本数据）中获取发电成本数据。对于每个剩余电力，电力管理系统计算其对应的电压稳定性指标和谐波畸变率指标，作为反映电力质量属性的第二特征。电压稳定性指标衡量电压偏离额定值的程度，谐波畸变率指标衡量电流或电压波形畸变的程度。这两个指标根据电力系统的实时监测数据（如电压、电流、频率等）计算得到，反映了剩余电力的质量特性。

[0078] 电力管理系统获取储能装置的充电效率，作为反映储能效率的第三特征。充电效率表示充电过程中，输入到储能装置的电能与实际存储在储能装置的电能之间的比值，是衡量储能装置性能的重要指标。充电效率数据从储能装置的参数信息中获取。电力管理系统构建基于LSTM神经网络的收益预测模型，以历史电价数据、历史用电量数据和天气数据作为输入，预测未来一段时间内的电价和用电量。LSTM神经网络能够有效捕捉时间序列数据的长期依赖关系，适用于电价和用电量的预测任务。通过训练收益预测模型，电力管理系统可以预测每个剩余电力在未来一段时间内的收益情况，作为第四特征。

[0079] 电力管理系统将获取的四个特征（发电成本、电压稳定性指标、谐波畸变率指标、充电效率和收益预测数据）输入到基于多元线性回归算法构建的充电成本计算模型中。多元线性回归模型可以刻画多个自变量与因变量之间的线性关系，通过训练得到各个特征的权重系数和偏置项。利用训练好的充电成本计算模型，电力管理系统计算每个剩余电力的充电成本。充电成本由发电成本、电力质量、储能效率和收益预测等多个因素共同决定。通过多元线性回归模型，电力管理系统可以定量评估各个特征对充电成本的影响，得到综合考虑多个因素的充电成本数据。

[0080] 电力管理系统将计算得到的充电成本数据存储到实时数据库中，并将其用于后续的充电优化模型和决策支持。充电成本数据可以作为衡量剩余电力经济性的重要依据，为制定最优充电策略提供参考。电力管理系统实现了对剩余电力充电成本的精细化计算。综合考虑发电成本、电力质量、储能效率和收益预测等多个影响因素，电力管理系统构建了基于多元线性回归的充电成本计算模型，能够定量评估各个因素对充电成本的影响，提高充电成本计算的准确性和全面性。

[0081] 电力管理系统利用动态规划算法构建发电成本模型，根据储能电力数据、充电成本和上网电价，计算最优的上网电力数据，实现发电收益最大化。电力管理系统将充电优化模型得到的储能电力数据作为发电成本模型的输入数据。储能电力数据表示经过充电优化后的储能装置电量分布情况，反映了不同时间段内可用于上网售电的电力资源。电力管理系统获取储能电力数据对应的充电成本和电网的上网电价。充电成本表示储能装置在充电过程中的成本支出，上网电价表示电网购买电力的单位价格。充电成本数据从前面步骤的计算结果中获取，上网电价数据从外部数据源（如电网公司提供的价格信息）中获取。

[0082] 电力管理系统将储能电力数据离散化为n个储能电力状态，每个状态表示一个时间段内的储能电力。例如，可以按照小时、15分钟等时间粒度将储能电力数据划分为不同的状态。电力管理系统将上网电价离散化为m个上网电价状态，每个状态表示一个时间段内的上网电价。与储能电力状态类似，上网电价状态也按照一定的时间粒度进行划分。电力管理系统将n个储能电力状态作为动态规划的阶段，将m个上网电价状态作为动态规划的状态。每个阶段表示一个时间段，每个状态表示该时间段内的上网电价。

[0083] 对于每个阶段和状态，电力管理系统计算从初始阶段到当前阶段的所有可行状态转移路径。每个状态转移表示将当前阶段的储能电力以当前状态的上网电价售出。状态转移路径反映了不同时间段内储能电力的售出策略。对于每个可行状态转移路径，电力管理系统计算售出电力的收益与储能电力的充电成本之差，作为该路径的总收益。售出电力的收益根据售出电量和对应的上网电价计算得到，储能电力的充电成本从前面步骤的计算结果中获取。电力管理系统在所有状态转移路径中，选择总收益最大的路径，将该路径对应的售出电力作为最终的上网电力数据。最优路径表示在不同时间段内，以最优的上网电价售出储能电力，实现发电收益最大化。

[0084] 电力管理系统将计算得到的上网电力数据存储到实时数据库中，并将其显示在系统的监控界面上，供电力调度人员参考。上网电力数据可以作为电力交易和电网调度的重要依据，为优化电力系统运行提供支持。电力管理系统利用动态规划算法实现了发电成本模型的构建和求解。综合考虑储能电力、充电成本和上网电价等因素，电力管理系统能够计算出最优的上网电力数据，实现发电收益最大化。动态规划算法通过将问题划分为多个阶段和状态，逐步求解子问题，最终得到全局最优解，适用于具有多阶段决策特性的优化问题。基于动态规划的发电成本模型为电力系统的经济调度、市场交易提供了有力的决策支持，有助于提高电力资源的利用效率和经济效益。

[0085] 电力管理系统采用RESTful API实现前后端通信，后端提供标准化的HTTP接口，前端通过HTTP请求获取数据。电力管理系统部署在高可用集群环境中，采用负载均衡和主从备份保证系统的可靠性和稳定性。系统运行日志通过ELK平台收集和分析，实现故障诊断和性能优化。

[0086] 后端架构：电力管理系统的后端基于开源鸿蒙微内核构建，提供了稳定、高效的运行环境。后端包含多个功能模块，包括电力数据采集模块、需求预测模块、用电分析模块、充电优化模块和发电成本模块。各个模块通过数据库进行数据交换和共享。电力数据采集模块将采集到的电力数据存储到数据库中，供其他模块读取和处理。需求预测模块从数据库读取电力数据，进行需求预测，并将预测结果写回数据库。用电分析模块从数据库读取需求预测结果，进行用电分析，并将分析结果写回数据库。充电优化模块从数据库读取用电分析结果，进行充电优化，并将优化结果写回数据库。发电成本模块从数据库读取充电优化结果，进行发电成本计算，并将计算结果写回数据库。

[0087] 前端架构：电力管理系统的前端采用React框架开发，提供了现代化、交互式的用户界面。前端通过RESTful API与后端进行通信，从后端接口获取数据库中存储的剩余电力数据、储能电力数据和上网电力数据。前端通过图形界面展示获取到的数据，提供直观、易于理解的数据可视化和交互功能。前后端通信：电力管理系统采用RESTful API实现前后端通信。后端提供标准化的HTTP接口，接受前端的请求并返回相应的数据。前端通过发送HTTP请求（如GET、POST等）到后端接口，获取所需的数据。RESTful API提供了简洁、统一的数据访问方式，方便前后端的数据交互和解耦。

[0088] 系统部署和运维：电力管理系统部署在高可用集群环境中，通过负载均衡和主从备份机制保证系统的可靠性和稳定性。负载均衡将用户请求分发到多个后端服务器，实现系统的横向扩展和高可用性。主从备份通过主从复制和故障转移，确保数据的完整性和系统的连续性。系统运行日志通过ELK平台（Elasticsearch、Logstash、Kibana）进行收集、存储和分析。ELK平台提供了强大的日志检索、可视化和报警功能，方便进行故障诊断、性能优化和系统监控。