The invention provides a load optimal dispatching method, system and storage medium for residential microgrid, which includes: acquiring environmental data and time data of residential microgrid in a predetermined future time period; inputting environmental data and time data into a pre-trained load forecasting model to obtain electrical load data of residential microgrid in a future time period; and, turning ring ring ring ring ring ring ring. The environment data and time data are input into the pre-trained photovoltaic output power prediction model to obtain the photovoltaic output power data of residential microgrid in the future time period; the objective function and corresponding constraints of residential microgrid in the future time period are determined, and the objective function is to minimize the total cost of residential microgrid; the objective function is solved by particle swarm optimization algorithm. The load dispatching scheme of residential microgrid in the future period is obtained. The invention can provide a load dispatching scheme suitable for the current microgrid and reduce the operation cost of residential microgrid.
【技术实现步骤摘要】
居民微电网的负荷优化调度方法、系统和存储介质
本专利技术涉及居民用电调度
，具体涉及一种居民微电网的负荷优化调度方法、系统和存储介质。
技术介绍
随着人口的快速增长和经济的高速发展，居民用电显著增长。为了平衡用电供需，减少碳排放和成本，居民微电网和智能电网的发展受到越来越多的关注。居民微电网一般由居民用电、太阳能、储能单元和电动汽车几个部分组成，其中太阳能的间歇性和波动性对微电网的运行带来一定的影响。与此同时，居民住宅中的智能用电终端在不断增多，居民用电具有很强的波动性和随意性，从而会影响电力的供需平衡。因此，可靠的用电负荷预测与光伏输出功率预测具有重要意义，它有助于居民微电网的电力供需平衡，提高可再生能源利用效率，同时也为微电网的负荷优化调度提供了基础。用电负荷预测主要可以划分为短期负荷预测(例如，一天)、中期负荷预测(例如，一个月)和长期负荷预测(例如，一年)。其中短期负荷预测有利于维持用电供需的动态平衡，促进需求响应策略的实施以及居民微电网负荷的优化调度。但是由于居民用电的随机性和波动性，现有短期负荷预测方法精度不高。光伏输出功率预测方法大致与负荷预测...
【技术保护点】
1.一种居民微电网的负荷优化调度方法，其特征在于，包括：S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络；S300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优...
【技术特征摘要】
1.一种居民微电网的负荷优化调度方法，其特征在于，包括：S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络；S300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优化目标为所述居民微电网的总成本最小；S400、采用粒子群算法对所述目标函数进行求解，得到所述居民微电网在未来时间段内的负荷调度方案。2.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练过程包括：S001a、获取在第一历史时间段内的第一数据，每一条第一数据包括居民负荷数据、对应的环境数据和对应的时间数据；S002a、将所述第一历史时间段内的所有第一数据分为第一训练集和第一测试集，并对所述第一训练集和所述第一测试集进行标准化处理，其中，所述第一训练集中的任一时间数据均早于所述第一测试集中的任一时间数据；S003a、设置第一循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数；S004a、将标准化处理后的第一训练集输入所述第一循环神经网络，采用Adam梯度下降算法进行训练，得到负荷预测模型；S005a、将标准化处理后的所述第一测试集中的环境数据和时间数据输入当前负荷预测模型中，得到预测的负荷数据；S006a、根据所述预测的负荷数据与在标准化处理后的所述第一测试集中对应的用电负荷数据，对当前负荷预测模型的预测能力进行评估，得到第一评估结果；并根据所述第一评估结果，判断当前负荷预测模型是否满足预设的第一预测精度要求：若是，则将当前负荷预测模型作为最终的负荷预测模型并输出；否则，对当前负荷预测模型进行调整，并返回S003a；和/或所述光伏输出功率预测模型的训练过程包括：S001b、获取在第二历史时间段内的第二数据，每一条第二数据包括光伏输出功率数据、对应的环境数据和对应的时间数据；S002b、将所述第二历史时间段分为第二训练集和第二测试集，并对所述第二训练集和所述第二测试集进行标准化处理，其中，所述第二训练集中的任一时间数据均早于所述第二测试集中的任一时间数据；S003b、设置第二循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数；S004b、将标准化处理后的第二训练集输入所述第二循环神经网络，采用Adam梯度下降算法进行训练，得到光伏输出功率预测模型；S005b、将标准化处理后的所述第二测试集中的环境数据和时间数据输入当前光伏输出功率预测模型中，得到预测的光伏输出功率数据；S006b、根据所述预测的光伏输出功率数据与在标准化处理后的所述第二测试集中对应的光伏输出功率数据，对当前光伏输出功率预测模型的预测能力进行评估，得到第二评估结果；并根据所述第二评估结果，判断当前光伏输出功率预测模型是否满足预设的第二预测精度要求：若是，则将当前光伏输出功率预测模型作为最终的光伏输出功率预测模型并输出；否则，对当前光伏输出功率预测模型进行调整，并返回S003b。3.根据权利要求2所述的方法，其特征在于，所述第一训练集和所述第一测试集为矩阵形式，矩阵中的每一行包括用电负荷数据、环境数据和时间数据，且矩阵中同一列数据的含义相同；所述二训练集和所述第二测试集为矩阵形式，矩阵中每一行包括光伏输出功率数据、环境数据和时间数据，且矩阵中同一列数据的含义相同；对应的，采用第一公式对所述第一训练集、所述第一测试集、所述第二训练集和所述第二测试集进行标准化处理，所述第一公式包括：式中，w′i,j表示标准化处理后矩阵中第i行第j列的数据，wi,j表示标准化处理前矩阵中第i行第j列的数据，minj表示标准化处理前矩阵中第j列中的最小值，maxj表示标准化处理前矩阵中第j列中的最大值。4.根据权利要求1～3任一项所述的方法，其...
【专利技术属性】
技术研发人员：周开乐，温露露，杨善林，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。