一种基于模型预测的智能电网能源优化高效管理方法技术

本发明专利技术提出一种基于模型预测的智能电网能源优化高效管理方法，其以微电网的高效能源管理为研究对象，包括步骤：首先，建立分布式电网各个电网节点包括用电端、供电端、储能端以及微电网总体的数学模型；其次，对于不稳定的光伏、风力清洁能源的分布式并网发电模型，通过人工神经网络（ANN）的训练测试预测未来光伏发电、风力发电量，以此来减少清洁电源对电网所带来的不稳定因素；最后巧妙利用模型预测控制技术，在每一个采样时刻，根据最小能源成本、碳排放要素建立模型预测优化问题，求解得到各要素执行策略，通过滚动优化最优策略的方式，降低消费者支付的能源成本，减轻电力需求的峰值压力，最小化了碳排放，提高了用户的用电舒适度。适度。适度。

【技术实现步骤摘要】
一种基于模型预测的智能电网能源优化高效管理方法


[0001]本专利技术属于智能电网能源管理
，尤其涉及一种基于模型预测的智能电网能源优化高效管理方法。

技术介绍

[0002]传统的电力系统由于完全依赖于化石燃料，并且集中发电远离用户导致系统效率低下。在这种情况下，发电端往往需要通过长途输电和配电线路传输才能分配给用户端，这将花费大量资源用于建设、维护所有涉及的系统和大量的输电损耗，导致集中发电通常比分布式发电技术造成更多的环境污染。当前，新兴智能电网的分布式发电和消费模式已经出现，这种电网的智能能源管理模式由于它们的传输损失很低，并且能为消费者智能地提供电力控制，使得在世界各地的电力市场中都表现突出。
[0003]通过新能源分布式微电网减少了对化石燃料的依赖，减少了高碳排放问题。此外，微电网还可以将能源孤岛并网等方式与智能家居相连。在能源孤岛模式下，家用微电网和商业电网并不能启动能源买卖机制。而在并网模式下，微电网可以从外部电网买卖电力。对于微电网中的风电、光伏等不稳定清洁能源的预测成为一个重要工作，预测模型的选择通常依赖于可用的数据、模型网络机制的目标和能源规划的操作。通过机器学习模型处理大量的数据，同时也提供精确的预测分析，并通过人工神经网络提取和建模新能源的相关性和特征，并对其未来的发电量做出准确的预测。
[0004]为了解决能源管理问题当前主要有数学、控制论和启发式算法的相关方法。首先是数学方法，主要是运用混合整数线性规划方法在能源使用和可再生资源管理等任务方面提供最优的解决方案，并且在动态电气限制下实现了一个最佳的时间表，同时保持了基于用户的使用舒适性。但是数学和确定性方法存在系统和计算的复杂性问题。其次是控制方法，有学者采用一种可再生能源的集成和控制自动化，如光伏电站、固体氧化物燃料电池在智能电网中的负载。能源管理系统是采用比例积分和自适应神经模糊推理系统技术，使得电网有效地供需平衡。也有学者设计一种基于模型预测控制的动态能源管理系统，用于连接住宅小区的并网微电网，而动态能源管理系统通过智能计量系统从电气各个部件中收集数据。然而，基于控制的方法计算密集，问题优化太慢。最后是启发式算法的相关方法，学者主要使用云计算和边缘计算的分层架构，该架构为大量信息提供基于智能的自主战略决策。在家庭和电网中，通过合作能源管理的代理进行大规模的信息收集、通信、处理和控制。实验结果表明，该基于代理的解决方案在协同能源管理中具有良好的应用前景。
[0005]上述方法在能源管理方面都能取得一定的效果，然而，研究人员并没有周全地考虑一些关键功能，如先进的计量基础设施、预测和智能电网的双向通信等。而且诸如电费、碳排放和电网峰值比等目标并没有学者同时处理优化。因此，需要一种优化技术，考虑用户优先级、实时电价和用户舒适约束，以满足负荷和可再生能源发电的不确定性，以有效的能源利用、降低能源成本、减轻峰值比、缓解碳排放和最终用户满意度，以同时满足电力供应商和电力用户。

技术实现思路

[0006]为克服现有技术存在的缺陷和不足，本专利技术引入了一种高效的微电网能源管理模型，以系统地调度负荷和电动汽车的充放电。智能微电网配备有可控电器、光伏板、风力涡轮机发电、电解槽、储能系统。电动汽车的充放电降低了家用电器的峰值负荷、峰值平均比、成本、能源成本和碳排放操作，储能系统采用实时定价电价进行调度。从而实现电力需求和供应之间的平衡，并且降低能源成本、电网峰值比、碳排放和用户不适度，实现低碳环保的新模式。
[0007]本专利技术的目的建立分布式电网各个电网节点包括用电端、供电端、储能端以及微电网总体的数学模型。其次，明确不稳定清洁能源分布式并网发电模型，如光伏发电模型、风力发电模型，通过人工神经网络(ANN)预测未来清洁能源的发电量。最后根据最小能源成本、碳排放等要素建立模型预测优化问题，求解得到各要素执行策略，降低消费者支付的能源成本，减轻电力需求的峰值压力，最小化了碳排放，提高了用户的用电舒适度，以实现低碳环保的新模式。
[0008]其以微电网的高效能源管理为研究对象，包括步骤：首先，建立分布式电网各个电网节点包括用电端、供电端、储能端以及微电网总体的数学模型；其次，对于不稳定的光伏、风力清洁能源的分布式并网发电模型，通过人工神经网络(ANN)的训练测试预测未来光伏发电、风力发电量，以此来减少清洁电源对电网所带来的不稳定因素；最后巧妙利用模型预测控制技术，在每一个采样时刻，根据最小能源成本、碳排放要素建立模型预测优化问题，求解得到各要素执行策略，通过滚动优化最优策略的方式，降低消费者支付的能源成本，减轻电力需求的峰值压力，最小化了碳排放，提高了用户的用电舒适度。
[0009]本专利技术解决其技术问题采用的技术方案是：
[0010]一种基于模型预测的智能电网能源优化高效管理方法，其特征在于，包括以下步骤：
[0011]步骤S1：建立分布式电网各个电网节点包括用电端、供电端、储能端以及微电网总体的数学模型；
[0012]步骤S2：明确不稳定的光伏、风电分布式并网发电模型，通过人工神经网络ANN预测未来清洁能源的发电量；
[0013]步骤S3：根据最小能源成本、电网峰值与平均比值、碳排放要素建立模型预测优化问题，求解得到各要素执行策略。
[0014]进一步地，步骤S1中，对配备了家用电器、光伏阵列、电解槽、风电、电动汽车和储能器件的智能微电网进行数学建模，并且根据最小能源成本、电网峰值与平均比值、碳排放要素建立模型预测优化问题。
[0015]进一步地，步骤S2中，将太阳辐射、风速时间序列作为模型输入，以去除不相关和冗余的特征，将所选择的样本特征输入分为训练和测试数据集，然后采用训练和测试集来预测后一整天时间范围内的太阳辐射和风速，计算人工神经网络预测值和实际观测值之间的误差，在优化阶段使用增强差分演化算法EDE进一步使误差最小。
[0016]进一步地，步骤S3中，考虑能源成本、电网波动小和碳排放的目标函数以及系统存在约束的优化问题建立，通过最小化目标函数得到最优策略。
[0017]进一步地，步骤S1具体包括以下步骤：
[0018]步骤1.1：基于实时定价信号的自适应调度方法，能源管理系统收到来自实时定价低价信号，就会立即调度控制电器；消费者在指定的时间间隔内安排智能电器，以避免由于在高峰时段运行而导致的高额费用；将用户的启动概率函数定义为：
[0019][0020]其中，S表示智能电器设备，h表示一天中的某一小时，d表示一周中的某一天，W表示一年中的某一天，表示预测计算的时间步长，σ
flat
表示社会随机因素的标准差，P
season
表示季节的使用概率，P
hour
表示每小时的启动概率因子，P
social
表示社会随机使用概率，P
step
表示标度系数；
[0021]步骤1.2：建立微电网模型；微电网至少包含电器、光伏板、风电、电解槽、电动汽车和储能器件；微电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型预测的智能电网能源优化高效管理方法，其特征在于，包括以下步骤：步骤S1：建立分布式电网各个电网节点包括用电端、供电端、储能端以及微电网总体的数学模型；步骤S2：明确不稳定的光伏、风电分布式并网发电模型，通过人工神经网络ANN预测未来清洁能源的发电量；步骤S3：根据最小能源成本、电网峰值与平均比值、碳排放要素建立模型预测优化问题，求解得到各要素执行策略。2.根据权利要求1所述的一种基于模型预测的智能电网能源优化高效管理方法，其特征在于：步骤S1中，对配备了家用电器、光伏阵列、电解槽、风电、电动汽车和储能器件的智能微电网进行数学建模，并且根据最小能源成本、电网峰值与平均比值、碳排放要素建立模型预测优化问题。3.根据权利要求1所述的一种基于模型预测的智能电网能源优化高效管理方法，其特征在于：步骤S2中，将太阳辐射、风速时间序列作为模型输入，以去除不相关和冗余的特征，将所选择的样本特征输入分为训练和测试数据集，然后采用训练和测试集来预测后一整天时间范围内的太阳辐射和风速，计算人工神经网络预测值和实际观测值之间的误差，在优化阶段使用增强差分演化算法EDE进一步使误差最小。4.根据权利要求1所述的一种基于模型预测的智能电网能源优化高效管理方法，其特征在于：步骤S3中，考虑能源成本、电网波动小和碳排放的目标函数以及系统存在约束的优化问题建立，通过最小化目标函数得到最优策略。5.根据权利要求2所述的一种基于模型预测的智能电网能源优化高效管理方法，其特征在于：步骤S1具体包括以下步骤：步骤1.1：基于实时定价信号的自适应调度方法，能源管理系统收到来自实时定价低价信号，就会立即调度控制电器；消费者在指定的时间间隔内安排智能电器，以避免由于在高峰时段运行而导致的高额费用；将用户的启动概率函数定义为：其中，S表示智能电器设备，h表示一天中的某一小时，d表示一周中的某一天，W表示一年中的某一天，表示预测计算的时间步长，σ
flat
表示社会随机因素的标准差，P
season
表示季节的使用概率，P
hour
表示每小时的启动概率因子，P
social
表示社会随机使用概率，P
step
表示标度系数；步骤1.2：建立微电网模型；微电网至少包含电器、光伏板、风电、电解槽、电动汽车和储能器件；微电网中的每个设备在t时刻生产的净能量m
t
，在预测时间长度T范围内所产生的能量：风力发电每小时的发电量的数学模型表示为：P
twt
＝1/2
×
C
p
×
ρ
×
A
×
(V
twt
)3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，P
twt
表示t小时风力发电量，C
p
表示风能转化率值，A表示风力涡轮发电机的涡轮叶
片扫描的区域，V
twt
表示第t小时风速，ρ表示空气密度，风能的发电满足约束：V
cut
‑
in
≤V
twt
≤V
cut
‑
outout
其中，V
cut
‑
in
和V
cut
‑
out
分别表示风力进叶片的速度和出叶片的速度；光伏板发电功率数学模型表示为：P
tpv
＝η
pv
×
A
pv
×
Irr(t)
×
(1
‑
0.005
×
(Temp(t)
‑
25))
ꢀꢀꢀꢀꢀꢀꢀ
(4)其中，P
tpv
表示每小时光伏发电量，A
pv
和η
pv
分别表示为光伏板接受太阳的面积和效率，Irr(t)和Temp(t)分别表示第t小时的光伏板的外部温度和太阳辐射量；电解槽电池的电极产生的电用电压关系表示为：其中，r表示欧姆电阻参数，s表示过电压参数，C表示电极接触面积，κ是电极上的过电压，I表示电极电流，U
rev
可逆电池标准电压；静态储能系统的储能能量表示为：其中，SE
t
表示在第t个小时所能存储的电量，η
ESS
是电池储能的效率，和分别表示在t时间段充电放电状态，γ表示间隔持续时间；移动态储能系统的储能能量表示为：其中，表示电动车到达时间，表示电动力离开时间，ψ
e
(t)表示电动车在第t小时充/放电量，α
e
(t)是电动车状态，α
e
(t)＝1是电动车充电状态，α
e
(t)＝
‑
1是放电状态，α
e
(t)＝0是闲置状态。6.根据权利要求5所述的一种基于模型预测的智能电网能源优化高效管理方法，其特征在于：步骤S2具体包括以下步骤：预测模型由三个部分组成：(1)特征...

【专利技术属性】
技术研发人员：黄捷，林定慈，
申请(专利权)人：福州哲研智能科技有限公司，
类型：发明
国别省市：