一种基于负荷实时预测的微电网储能调度方法及系统与流程

本发明属于高压直流输电控制，具体涉及一种基于负荷实时预测的微电网储能调度方法及系统。

背景技术：

1、微电网能源管理系统(energy management system，ems)的主要目标是通过交换来自上级配电网的剩余或不足电力，在微电网内保持平稳运行，同时创造更多的收益。这里的能量管理包含微电源之间、微电网之间、微电网与配电网之间的能量管理系统管理，是提高复杂工况下微电网运行效能的有效策略。基于预测控制的能量管理系统在多源微电网运用广泛。文章《marechal f.distributed model predictive control of energy systemsin microgrids》提出基于模型预测的多源协调操作控制策略，本地模型预测算法用以找到可控分布式电源的最佳工作状态，这反过来作为全网调度的虚拟发电厂，为配网系统调度提供帮助。文章《distributed predictive control for energy management of multi-microgrids systems》提出了一种分布式模型预测作为最佳能量管理系统，实现互连微电网系统最小的能量过剩/不足管理。这些微电网通过功率交换，实现整体能效最大化。文章《distributed empc of multiple mgs for coordinated stochastic energymanagement》提出了基于分布式模型预测(distributed model predictive control，dmpc)和经济模型预测(economic model predictive control，empc)的能量管理系统。分布式模型预测用于微电网与配电网之间功率的最佳协调控制，经济模型预测用于负荷控制，以实现整个配电系统运营成本的最小化。预测控制用于管理发电和需求的不确定性，在多微电网系统中具有明显的优势。能量管理系统也用于解决多联供微电网最优控制问题，文章《a dynamic optimization-based architecture for polygeneration microgridswith trigeneration,renewables,storage systems and electrical vehicles》提出了一种基于动态优化的集中式能量管理系统，设计了含多种可持续能源的智能多联产微电网测试平台，使用来自于数据监测系统的预测数据，使用基于模型预测算法的多源实时调度，实现包含网损最小、经济最优和电动车优化管理的多目标管理，同时算法具有较高的延伸性。同样，能量管理也在微电网需求侧得到应用，文章《intelligent demand side energymanagement system for autonomous polygeneration microgrids》采用灰色预测算法实现了自主型多联产微电网的多代理智能需求侧管理，文章《amulti-agent decentralizedenergy management system based on distributed intelligence for the design andcontrol ofautonomous polygeneration microgrids》提出基于模糊认知映射的多代理联产微电网的能量管理系统，实现氢、水、电3种能量形式的转化与储存。

2、综合以上研究，在新型微电网系统建设背景下，大量动态负荷接入微电网，而现有微电网的调度系统，在制定微电网中的能量分配过程时仅对电源侧进行出力预测，没有对负载大小进行预测，导致微电网储能调度在制定能量分配过程中的不合理、电网稳定性低等问题。

技术实现思路

1、为克服上述现有技术的不足，本发明提出一种基于负荷实时预测的微电网储能调度方法及系统。

2、本发明提供的技术方案如下：

3、本发明提出了一种基于负荷实时预测的微电网储能调度方法，包括：

4、将负荷在当前时刻及前设定数量个连续时刻的历史大小输入到预先训练的预测算法中输出得到负荷对应的预测大小；

5、获取负荷对应的负载重要度，并将负荷对应的负载重要度和预测大小一并输入到二进制粒子群算法中，得到接入到微电网中负荷的位置；

6、根据所述接入到微电网中负荷的位置，完成微电网储能调度；

7、所述预测算法，用于根据负荷在当前时刻及前设定数量个连续时刻的历史大小得到负荷对应的预测大小。

8、作为优选的，所述完成微电网储能调度，包括：

9、判断微电网中所有分布式电电源和储能的出力总和与微电网中所有负荷总和的大小；

10、当前者大于后者时，不操作；

11、当前者不大于后者时，保留所述接入到微电网中负荷，切除其余负荷。

12、作为优选的，所述预测算法为以下的其中一种：bp神经网络算法、小波变化算法以及遗传算法。

13、作为优选的，所述预测算法的训练包括：

14、步骤a：获取负荷的历史各个时刻的历史大小；

15、步骤b：将每一个时刻及前设定数量个连续时刻的历史大小作为所述预测算法的输入，该时刻后一个连续时刻的历史大小作为所述预测算法的输出，对所述预测算法进行训练；

16、步骤c：遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，得到训练好的所述预测算法。

17、作为优选的，所述步骤c中，遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，包括：

18、根据时间顺序遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，直至达到训练次数或算法误差满足训练要求。

19、作为优选的，所述将负荷在当前时刻及前设定数量个连续时刻的历史大小输入到预先训练的预测算法中，包括：

20、将负荷在当前时刻及前设定数量个连续时刻的历史大小形成设定形式的矩阵；

21、将所述矩阵输入到预先训练的预测算法中。

22、基于同一发明构思，本发明还提出了一种基于负荷实时预测的微电网储能调度系统，包括：

23、负荷大小预测模块，用于：将负荷在当前时刻及前设定数量个连续时刻的历史大小输入到预先训练的预测算法中输出得到负荷对应的预测大小；

24、负荷位置获取模块，用于：获取负荷对应的负载重要度，并将负荷对应的负载重要度和预测大小一并输入到二进制粒子群算法中，得到接入到微电网中负荷的位置；

25、储能调度模块，用于：根据所述接入到微电网中负荷的位置，完成微电网储能调度；

26、所述预测算法，用于根据负荷在当前时刻及前设定数量个连续时刻的历史大小得到负荷对应的预测大小。

27、作为优选的，所述储能调度模块完成微电网储能调度，包括：

28、判断微电网中所有分布式电电源和储能的出力总和与微电网中所有负荷总和的大小；

29、当前者大于后者时，不操作；

30、当前者不大于后者时，保留所述接入到微电网中负荷，切除其余负荷。

31、作为优选的，所述预测算法为以下的其中一种：bp神经网络算法、小波变化算法以及遗传算法。

32、作为优选的，所述预测算法的训练包括：

33、步骤a：获取负荷的历史各个时刻的历史大小；

34、步骤b：将每一个时刻及前设定数量个连续时刻的历史大小作为所述预测算法的输入，该时刻后一个连续时刻的历史大小作为所述预测算法的输出，对所述预测算法进行训练；

35、步骤c：遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，得到训练好的所述预测算法。

36、作为优选的，所述步骤c中，遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，包括：

37、根据时间顺序遍历所述负荷的历史各个时刻的历史大小重复所述步骤b，直至达到训练次数或算法误差满足训练要求。

38、作为优选的，所述负荷大小预测模块将负荷在当前时刻及前设定数量个连续时刻的历史大小输入到预先训练的预测算法中，包括：

39、将负荷在当前时刻及前设定数量个连续时刻的历史大小形成设定形式的矩阵；

40、将所述矩阵输入到预先训练的预测算法中。

41、与最接近的现有技术相比，本发明具有的有益效果如下：

42、本发明提供了一种基于负荷实时预测的微电网储能调度方法及系统，首先将负荷在当前时刻及前设定数量个连续时刻的历史大小输入到预先训练的预测算法中输出得到负荷对应的预测大小；其次，获取负荷对应的负载重要度，并将负荷对应的负载重要度和预测大小一并输入到二进制粒子群算法中，得到接入到微电网中负荷的位置；最后根据所述接入到微电网中负荷的位置，完成微电网储能调度；其中，所述预测算法用于根据负荷在当前时刻及前设定数量个连续时刻的历史大小得到负荷对应的预测大小。实现了微电网在储能调度的时候，考虑到负荷的大小而进行调度，在能量分配过程中合理，使得电网稳定运行。