一种基于神经网络的集散式微电网群能量调度方法技术

本发明专利技术公开一种基于神经网络的集散式微电网群能量调度方法，利用神经网络模型对系统内部能量进行优化分配，在子微网中设置中央控制单元，对子微网本身进行集中控制，并采用单神经元模型对子微网输出功率进行统一决策，使之在微电网群中成为一个稳定的输出（输入）单元；而在微电网群的层面上，则通过多代理在各子微网之间构建分布式控制结构，考虑能量传输过程中存在的损耗、微电网群外部功率需求和微电网群内部各微网的功率需求，利用BP神经网络对整个微电网群内部的功率进行合理分配，合理调配微电网群中的能量，从而在确保微电网群控制系统可靠性的同时，有效减少微电网群的控制节点，提升系统运行效率。

【技术实现步骤摘要】
一种基于神经网络的集散式微电网群能量调度方法
本专利技术涉及一种基于神经网络的集中与分布式相融合的微电网群能量调度方法，并可根据系统内部负荷变化及分布式电源的不确定性自行决策，属于新能源及微电网

技术介绍
微电网群是将地理位置上毗邻的微电网、分布式发电系统互连，构成一个微电网群集系统，它代表了微电网未来的发展趋势，然而目前关于微电网群的研究还处于起步阶段，面临着大量分布式电源接入对电网稳定性的影响、弃风弃光等诸多挑战。微电网自身就是一个复杂的系统，内含不同类型的分布式电源及负荷，在考虑不同电源的发电效率的同时，还要确保微电网自身的稳定性及负荷供电的保证率。因此，需要对微电网各电源及负荷进行综合考虑，构建稳定高效的运行控制系统。而对于包含众多微电网的微电网群，其控制节点是独立微电网的数倍，为微电网群的控制带来了新的挑战。确保微电网群的稳定运行是微电网群控制的前提条件，而协调微电网群中各电源之间的功率、使能效最大化是微电网群控制的目标。目前对于微电网群的控制方法主要包括集中控制和分布式控制两种。集中式控制方法中系统的每一部分均通过通信技术与能量管理系统相互联系，协调机端潮流、可控负荷和储能系统。这种控制方法，在达到最佳运行模式时会有很大的潜力。而分布式控制方法则将决策权完全下放到各控制节点，在各控制节点只接受与本控制范围内相关的信息，从而使各控制单元相对独立，较之于集中式的控制结构具有更好的扩展性和开放性。因此构建一种新的微电网群控制系统，融合集中与分布式控制各自的优点对微电网群技术的发展具有重要意义。目前关于集散式的微电网群控制技术已有涉及，但对于系统的能量分配方法并没有深入研究，本专利技术则借助神经网络模型为微电网群复杂能量分配过程提供了较优的解决方案。
技术实现思路
为了解决现有技术问题，本专利技术提供一种基于神经网络的集散式微电网群能量调度方法，针对微电网群大量分布式电源及负荷接入带来的控制节点众多、控制方法无法充分考虑每个分布式电源的效率、微电网群中各控制单元类型复杂等问题，提出了一种能自行决策、集散相融合、扩展性较强的微电网群控制系统。为达到以上目的，本专利技术采用以下技术方案来实现。本专利技术采用的技术方案为：一种基于神经网络的集散式微电网群能量调度方法，包括以下步骤：S1，构建微电网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下，通过子微网代理向微电网群协调代理提出需求；S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策。各子微网代理的集中式控制结构，通过中央控制单元对子微网进行控制，子微网代理与中央控制单元之间通过RS485总线通信；单神经元模型用于控制子微网内部的能量达到最大输出；各子微网代理之间的分布式控制结构，通过微网群协调代理协调各子微网之间的能量平衡，子微网代理之间、子微网代理与微网群协调代理之间都通过4G无线通信进行通信；子微网代理置于各子微网内部，用于交互各子微网之间的信息并接受微网群协调代理的指令，子微网代理参与微电网群的决策，并向中央控制单元传输决策指令，而不参与子微网内部的决策；微网群协调代理包括外部代理和内部代理，外部代理用于在微电网群并网状态下与外部电网进行信息交互，实现与外部电网电能的交换，内部代理用于对微电网群中的能量调度方案进行分析计算，选出最优的能量分配方案。各子微网内部采用集中式与分布式相结合的控制结构，并结合单神经元模型，实现各子微网能量的最大化利用。子微网代理向子微网中央控制单元下发(接收)控制指令，中央控制单元将指令分解后下发到各分布式控制器，分布式控制器置于子微网内部各发电单元(光伏、储能等)，并直接控制各发电单元。步骤S2具体包括以下步骤：根据子微网内各电源特性，在系统稳定的基础上，求得子微网内各电源的即时输出功率或者输入功率(这与电源的性质有关，如果是光伏，就只是输出功率，但如果是储能电池的话，可以是输出功率，也可以是输入功率)[P(1,min),P(1,max)]、……、[P(i,min),P(i,max)]，求出子微网中各单元的功率分配权重wi的允许范围：式中Pi为子微网中第i个电源点功率(输出功率或输入功率)，n为电源点数量，i为电源点编号，P(i,min)为子微网中电源点i的功率最小值，P(i,max)为子微网中电源点i的功率最大值；在各电源允许输出功率的范围内随机选取一组功率组合(x1、x2……xi)与即时的微电网内部负荷需求(y1、y2……yi)一起作为输入，以微电网整体输入或输出功率P为输出构建单神经元模型，单神经元模型激活函数采用线性函数：P(K+1)＝∑Wixi(K)-∑yi(K)(2)通过对改变功率分配权重wi进行神经元的学习；K为神经元比例系数矩阵，通过对矩阵进行调节来改变Wi，神经元学习的目标为|P(K+1)-P(K)|的值最小，其中P(K+1)为理想情况下的最大输出功率或者输入功率，P(K)为实际输出功率。采用单神经元模型对微电网群内部各子微网的需求功率进行优化决策，使每个子微网成为一个稳定的输入单元或者输出单元；单神经元模型以子微网中各电源即时允许输出功率和即时微电网内部负荷为输入，以子微网对外输出或者输入功率为输出，以子微网内部电源达到最大发电功率为目标构建单神经元模型。较优地，步骤S3具体包括以下步骤：若子微网能满足自身功率需求，且没有多余功率输出，则所述子微网视为最佳运行状态，不纳入微电网群BP神经网络协调功率分配的范围，若不满足自身功率需求，则通过BP神经网络模型来进行给微网之间的功率分配；以各子微网的功率需求(P1、P2……Pn)作为BP神经网络模型的期望输出，输入层选取各子微网需求功率允许范围内的值的随机组合，选用蒙地卡罗随机抽样方法进行输入层的抽样选择；由于各微网已经通过各自的中央控制单元及单神经元模型决策了经济性和稳定性最优的功率分配方案，因此在微电网群的层级上面就无需对子微网内部的功率分配情况进行考虑，进而减少了微电网群的控制节点。在微电网群层级上的功率分配考虑功率传输距离以及需求功率与分配功率之间的误差，建立BP神经网络模型；设置输入层与隐含层之间神经元的连接强度(即权值)矩阵Λ为：输入层与隐含层之间采用线性激活函数：f(x)＝bijx，其中bij为连接强度，x为输入功率；bij表示第i个子微网功率分配到第j个子微网功率的百分比；当i＝j，bij则表示未分配出去的功率(或者需缺功率)。设微电网群由n个子微网构成，各子微网之间的距离为dij，且定义dij表示能量由第i个子微网传输到第j个子微网，dji则表示能量传输的方向与之相反，构建微网间距矩阵T为：矩阵T为对称矩阵，则dij＝dji，且dij与dji之间有一项为零，当i＝j，dij＝0；根据矩阵T的特征(微电网群中各子微电网之间的能量传输途径的可能本文档来自技高网...

【技术保护点】
1.一种基于神经网络的集散式微电网群能量调度方法，其特征在于，包括以下步骤：S1，构建微电网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下，通过子微网代理向微电网群协调代理提出需求；S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策。

【技术特征摘要】
1.一种基于神经网络的集散式微电网群能量调度方法，其特征在于，包括以下步骤：S1，构建微电网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下，通过子微网代理向微电网群协调代理提出需求；S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策。2.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：各子微网代理的集中式控制结构，通过中央控制单元对子微网进行控制；单神经元模型用于控制子微网内部的能量达到最大输出；各子微网代理之间的分布式控制结构，通过微网群协调代理协调各子微网之间的能量平衡；子微网代理置于各子微网内部，用于交互各子微网之间的信息并接受微网群协调代理的指令，子微网代理参与微电网群的决策，并向中央控制单元传输决策指令；微网群协调代理包括外部代理和内部代理，外部代理用于在微电网群并网状态下与外部电网进行信息交互，实现与外部电网电能的交换，内部代理用于对微电网群中的能量调度方案进行分析计算，选出最优的能量分配方案。3.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：步骤S2具体包括以下步骤：根据子微网内各电源特性，在系统稳定的基础上，求得子微网内各电源的即时输出功率或者输入功率[P(1,min),P(1,max)]、……、[P(i,min),P(i,max)]，求出子微网中各单元的功率分配权重wi的允许范围：式中Pi为子微网中第i个电源点功率，n为电源点数量，i为电源点编号，P(i,min)为子微网中电源点i的功率最小值，P(i,max)为子微网中电源点i的功率最大值；在各电源允许输出功率的范围内随机选取一组功率组合(x1、x2……xi)与即时的微电网内部负荷需求(y1、y2……yi)一起作为输入，以微电网整体输入或输出功率P为输出构建单神经元模型，单神经元模型激活函数采用线性函数：P(K+l)＝∑Wixi(K)-∑yi(K)(2)通过对改变功率分配权重wi进行神经元的学习；K为神经元比例系数矩阵，通过对神经元比例系数矩阵进行调节来改变Wi，神经元学习的目标为|P(K+1)-P(K)|的值最小，其中P(K+1)为理想情况下的最大输出功率或者输入功率，P(K)为实际输出功率。4.根据权利要求3所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：采用单神经元模型对微电网群内部各子微网的需求功率进行优化决策，使每个子微网成为一个稳定的输入单元或者输出单元；单神经元模型以子微网中各电源即时允许输出功率和即时微电网内部负荷为输入，以子微网对外输出或者输入功率为输出，以子微网内部电源达到最大发电功率为目标构建单神经元模型。5.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：步骤S3具体包括以下步骤：若子微网能满足自身功率需求，且没有多余功率输出，则所述子微网视为最佳运行状态，若不满足自身功率需求，则通过BP神经网络模型来进行给微网之间的功率分配；以各子微网的功率需求(P1、P2……Pn)作为BP神经网络模型的期望输出，输入层选取各子微网需求功率允许范围内的值的随机组合，选用蒙地卡罗随机抽样方法进行输入层的抽样选择；在微电网群层级上的功率分配考虑功率传输...

【专利技术属性】
技术研发人员：丁泉，佟洋，王熹，孟杰，黄超，
申请(专利权)人：国电南京自动化股份有限公司，
类型：发明
国别省市：江苏,32