一种基于新能源发电预测的微网能量管理方案制造技术

本发明专利技术是一种应用在微网能量管理中的基于短期风电预测结果的分布式能量管理算法，首先提出了一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法，相较于传统风电预测算法，这种算法能有效提高风电预测的准确性。随后，基于短期风电功率预测，将能源管理问题建模为一个三阶段的Stackelberg博弈，描述了电网公司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的管理解决方案。

【技术实现步骤摘要】

本专利技术属于微网能量管理领域，具体涉及一种应用在能量管理中的基于短期风电预测结果的分布式能量管理算法，能够在综合考虑电网，储能公司，微网，用户之间的相互关系和风电预测结果的情况下实现每个参与者效益最大化，从而有效地解决微网能量管理问题。
技术介绍
为解决电力系统运行与分布式电源发电间的矛盾，充分发挥分布式电源给电力系统与用户带来的综合技术、经济、环境效益，满足电力系统运行对灵活性、可控性与可靠性及智能电网对分布式发电的更高要求，微网技术应运而生，并很快成为世界电气工程研究领域的最新前沿课题之一。微网可以有效整合各种分布式发电技术，充分发挥新能源发电和智能电网所带来的经济效益和环境效益；同时也可以满足用户对用电的可靠和安全性以及供电需求多样化的要求。由于风本身的不稳定性，风力发电具有波动性和间歇性，这将使得微网对风电的调度造成严重的困难。在微网能量管理中，很多工作注重于提升整个系统的效益而忽视了每个参与者之间内在的联系和相互作用，此外，由于风力发电具有波动性和间歇性，大多数工作没有考虑到可再生能源预测对微网能量管理的影响，也忽视了市场参与者之间的能量交易的过程。因此，迫切需要研发基于可再生能源发电预测的微网能量管理系统。
技术实现思路
本专利技术是一种应用在微网能量管理中的基于短期风电预测结果的分布式能量管理算法，首先提出了一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法，相较于传统风电预测算法，这种算法能有效提高风电预测的准确性。其次，基于短期风电功率预测，将能源管理问题建模为一个三阶段的Stackelberg博弈，描述了电网公司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的管理解决方案。其具体实施过程如下：1)图1为微网能量管理的系统模型，模型中包括了电网公司，储能公司，用户和多种可再生能源发电。由于受到可再生能源波动性，间歇性的影响和微网自身容量的限制，微网仅靠自身发电往往不能满足用户的需求，因此，微网会从电网公司和储能公司购电。模型中各个参与者效益函数建模如下：(a)考虑到发电成本，污染物排放成本及线路损耗，电网的效益函数可构建为：Ug(pg)＝pgLm,g-Cg(εgLm,g)-Ig(εgLm,g)，式中Cg(εgLm,g)和Ig(εgLm,g)分别代表发电成本和污染物排放成本，都是关于发电量的二次函数，εg是线损系数。同理，考虑到储能设备的充放电损耗及线路损耗，储能公司的效益函数可构建为：Us(ps)＝psLm,s-Cs(εsLm,s)，其中代表着总的储能成本，式中cs是单位储能成本，εs是线损系数，ηc和ηd分别代表储能设备的充放电效率。(b)考虑到微网对电网和储能公司的满意度，购电成本，风电发电成本，污染物排放成本及预测误差惩罚成本，微网的效益函数可构建为：式中和分别代表微网对电网和储能公司的满意度函数,Xm,g，dm,g，Xm,s，dm,s是满意度参数，代表k个用户总的购电量，Cm(Lr+Δ)和Im(Lr+Δ)分别代表风电发电成本和污染物排放成本，其中Lr代表风电真实发电量，Δ是风电预测误差，F|Δ|代表风电预测产生误差时的惩罚成本，F为惩罚系数。(c)考虑到用户对微网的满意度和购电成本，第k个用户的效益函数可构建为：Uk(Lk,m)＝Rk(Lk,m)-pmLk,m。其中代表者第k个用户对微网的满意度函数，Xk,m和dk,m是满意度参数。2)我们能源管理问题建模为一个三阶段的Stackelberg博弈模型，其框图如图2所示，描述了电网公司，储能公司，微网和用户之间的动态关系。(a)第一阶段：电网和储能公司，作为博弈的领导者，率先发布电价pg和ps。因此，电网公司的优化问题可表述为：储能公司的优化问题可表述为:(b)第二阶段：微网，作为能量管理系统的中心，根据第一阶段的电价pg和ps，确定向电网和储能公司的购电量Lm,g和Lm,s，同时确定微网电价pm。因此，微网的优化问题可表述为：C2:0≤εgLm,g≤Lg,max，C3:0≤εsLm,s≤Ls,max，C4:0≤pm≤pm,max，约束条件中，Lg,max代表电网最大生产量，Ls,max代表储能公司最大存储量，pm,max代表用户能承受的最高价格。(c)第三阶段：第k个用户，作为博弈的跟随者，根据微网的电价确定第k个用户的购电量Lk,m。因此，用户的优化问题可表述为：C1:Lk,m≥Lk,b，约束条件中Lk,b代表第k个用户的基本需求。3)对于三层博弈模型，我们提出了分布式的能量管理算法来求解优化问题，其具体过程如下：(a)第三阶段用户博弈分析：第k个用户的优化问题的拉格朗日函数为：Lagk(Lk,m,μk)＝Uk(Lk,m)+μk(Lk,m-Lk,b)。由于优化问题是标准可微凹函数,可以采用Karush-Kuhn-Tucker(KKT)条件来寻求最优的解决方案。通过计算，得到最优解决方案为Lk,m2＝Lk,b。其中Lk,m1是最优的购电策略，Lk,m2是取得边界条件的最优购电策略。(b)第二阶段微网博弈分析：假设在第一阶段中，有k’个用户选择第一种策略，k”个用户选择第二种策略，因此用户总的购电成本为微网的拉格朗日函数为：通过计算，得到Lm,g最佳解决方案为：其中Lm,g1表示微网仅向储能公司购电，Lm,g3表示微网向电网公司的购电量达到其发电容量的最大值，Lm,g2表示最优的购电策略。同理，通过计算，可得到Lm,s最佳解决方案为：其中Lm,s1表示微网仅向电网公司购电，Lm,s3表示微网向储能公司的购电量达到其存储容量的最大值，Lm,s2表示最优的购电策略。通过计算，可得到pm的最优解决方案为：其中pm1，pm3分别代表着微网电价最小值和最大值，pm2表示最优的定价策略。从pm2的表达式中可以看出，微网电价pm是电网电价pg和储能公司电价ps的函数，可表示为：pm＝Am,1pg+Am,2ps+Am,3。式中(c)第三阶段电网和储能公司博弈分析：由Lm,g的表达式我们可以看出Lm,g是电网公司电价pg的函数，可表示为：Lm,g(pg)＝Ag,1pg+Ag,2。式中因此，电网公司效益函数可表示为pg的二次函数：其中通过计算，可以得到最优的定价策略为：同理，存储公司的最优定价策略也可以用类似的方法求解。4)考虑风预测误差对优化方案的影响，提出一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法，大大提高了风电预测的准确性。算法核心在于，建立基于历史数据训练的预测模型。风电预测过程可以分为两个过程：包括预处理过程和微调过程。在预处理过程中，包括可视层，隐含层和输出层；在微调过程中，会在预处理网络的最后添加多个层结构并使用反向传播算法计算整体网络的初始权重。此外，为了提高预测的精准度，我们采用遗传算法来优化每个编码器的学习速率和每层的神经元数目。具体过程如下：(a)预处理过程和微调过程：如图3(a)所示，编码器包含一个输入层x，一个隐含层h1，一个输出层我们采用编码函数fθ1和解码函数gθ1来对输入数据进行处理，通过反向传播算法得到参数值其中J是自动编码器的层数，wj和是编码器和解码器的权重矩阵，bj和dj是编码器和解码器的偏差。如图3(b)所示，在隐含层h1后面添加一本文档来自技高网...

【技术保护点】
一种应用在能源管理中的基于短期风电预测结果的分布式能源管理算法，其特征在于：1）提出一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法；2）基于短期风电功率预测，将能源管理问题建模为一个三阶段的Stackelberg博弈，描述了电网公司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的管理解决方案。

【技术特征摘要】
1.一种应用在能源管理中的基于短期风电预测结果的分布式能源管理算法，其特征在于：1）提出一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法；2）基于短期风电功率预测，将能源管理问题建模为一个三阶段的Stackelberg博弈，描述了电网公司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的管理解决方案。2.如权利要求1步骤1）所述的一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功率算法，其核心在于，建立基于历史数据训练的预测模型；风电预测过程可以分为两个过程：包括预处理过程和微调过程；在预处理过程中，包括可视层，隐藏层和输出层；在微调过程中，会在预处理网络的最后添加多个层结构并使用反向传播算法计算整体网络的初始权重；此外，为了提高预测的精准度，我们采用遗传算法来优化每个编码器的学习速率和每层的神经元数目。3.如权利要求1步骤2）所述的基于短期风电预测的三阶段Stackelberg博弈模型，其特征在于，描述了电网公司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的管理解决方案；其中三阶...

【专利技术属性】
技术研发人员：周振宇，熊飞，许晨，焦润海，廖斌，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11