CN103236718B

CN103236718B - 一种智能微网的源-网-荷自动控制系统及控制方法

Info

Publication number: CN103236718B
Application number: CN201310099733.0A
Authority: CN
Inventors: 张化光; 孙秋野; 杨珺; 刘鑫蕊; 滕菲; 郭靖; 王占山; 刘振伟; 梁雪
Original assignee: Northeastern University China
Current assignee: Northeastern University China
Priority date: 2013-03-26
Filing date: 2013-03-26
Publication date: 2014-12-31
Anticipated expiration: 2033-03-26
Also published as: CN103236718A; US20140297051A1; US9618914B2

Abstract

一种智能微网的源-网-荷自动控制系统及控制方法，属于微网控制与电气技术领域。包括分布式新能源发电模块、分布式新能源逆变模块、传统发电模块、用户负载模块、双向并网控制模块、分布式新能源智能优化发电控制模块、储能模块、智能储能单元调节器和蓄电池组。同传统含有分布式新能源发电系统的微网相比，本发明保证了发电系统的稳定性和较高的能源利用率、有效解决蓄电池使用次数不均的问题，使蓄电池组整体使用寿命达到统一、智能优化用电控制器可以对用户负荷用电量进行合理预测，从而达到可在整个微网范围内，对系统内每个发电单元未来发电状态进行合理化调节，同时可以对未来可能存在的故障隐患进行合理预防。

Description

一种智能微网的源-网-荷自动控制系统及控制方法

技术领域

本发明属于微网控制与电气技术领域，具体涉及一种智能微网的源-网-荷自动控制系统机及控制方法。

背景技术

随着经济与科学技术的发展，工业化时代规模效益的追求，分散的、小型的电力系统逐渐被大容量高参数机组的中心电站、超高压远距离输电、大电网互联集中供电方式所取代。但是目前电能生产、输送和分配的主要方式在适应负荷变化的灵活性与供电安全性方面仍然都存在一些弊端。在近年来屡屡发生能源危机，大电网停电事故也频繁发生，我国各省近几年在夏季也都发生不同程度的拉闸限电现象。电力危机与大面积停电事故中，已暴露出现有的庞大电力系统存在着缺点。（1）大电网中任何一点的故障都可能对整个电网带来严重的影响，甚至可能导致大面积停电和电网崩溃；（2）大电网不能灵活跟踪负荷的变化，随着负荷峰谷差的不断增长，电网的负荷率正逐年下降，发电及输电设施的利用率都有下降的趋势；（3）在一些比较偏远地区，由于距离电力系统太远，或者自然条件太恶劣，输配电建设投资过大或者根本就无法架设，导致供电不理想；（4）近年来大电网经常是恐怖袭击和战争攻击的目标，一旦遭到破坏，后果不堪设想。同时，全球的一次能源正日渐衰竭，而由电力生产所带来的环境污染(如酸雨、温室效应、电磁污染等等)也越来越明显。

由于严峻的环境问题和未来能源的安全供应和电力体制的改革等，促使人们追求高效的能源转换、降低有害物质的排放、寻找替代燃料、实施能源梯级、利用的小规模的分布式发电系统，来适应上述要求。

但将带有分布式新能源的微网接入配电网后，会对电网的结构带来很大的影响。因此需要对包含微网在内的电网进行重新规划，其中，负荷优化、变电站优化和无功电源优化等常规的电网规划问题以及微网接入点、接入容量优化等一系列新问题尚待解决。由于微网和大电网之间能量是双向流动的，且分布式电源本身具有间歇性和波动性，因此含分布式电源的微网的保护与控制策略也会有别于传统的电网。如何在保证大电网稳定运行的情况下，尽可能满足配电侧用户对电能质量的多样化需求也是一个难点。然而现有的技术不能很好的协调微网内的新能源发电，网内储能设备的协调和负荷的智能控制。这些问题给分布式发电系统的发展造成了极大的障碍。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种适用于智能微网内的源-网-荷自动控制系统及控制方法，实现对智能微网内分布式新能源发电、网内储能模块的协调与用户负荷用电量的智能控制。

本发明的技术方案是这样实现的：一种智能微网的源-网-荷自动控制系统，其包括：

分布式新能源发电模块：用于将太阳能、风能及生物质能转换为电能，为负载或电网供电；

分布式新能源逆变模块：用于将光伏电池板、风力发电机以及生物质能发电设备所发直流电转变为交流电；

传统发电模块：用于控制微型燃气轮机为用户负载或电网进行供电；

用户负载模块：为微网中的本地负载；

双向并网控制模块：用于控制微网与电网间的通断与能量传输；

其特征在于：还包括：

分布式新能源智能优化发电控制模块：1）用于采集光伏电池、风力发电机和生物质能发电设备的节点电压和电流值，采用不确定性预估方法在4～5个采样周期内对光伏电池的发电能力、风力发电机的发电能力和生物质能发电设备的发电能力进行预估，绘制发电能力波动预报曲线，再分别计算上述三者发电能力的鲁棒性，选择鲁棒性最好的，为用户负载或电网进行供电；

2）用于当光伏电池、风力发电机和生物质能发电设备的实际发电量与用于供给用户负载和电网的电能总量存在差值时，发送控制信号给智能储能单元调节器；

3）用于当光伏电池、风力发电机和生物质能发电设备的发电量和储能模块所发电量与用户负载和电网需求的电能总量存在差值时，发送控制信号给微燃机发电控制器；

储能模块：用于控制蓄电池组的充、放电，保证每个蓄电池充放电次数平均，其进一步包括：

智能储能单元调节器：1）若接收光伏电池、风力发电机和生物质能发电设备的剩余电量，计算每个蓄电池充电次数和放电次数的总和，该值与所有蓄电池充放电次数的的平均值进行比较，选择差值最大的蓄电池作为本次充电所用蓄电池；

2）、若光伏电池、风力发电机和生物质能发电设备所发电量无法满足用户负载或电网需求，则接收由分布式新能源智能优化发电控制器发出的发电控制信号，控制蓄电池组进行放电：计算每个蓄电池充电次数和放电次数的总和，该值与所有蓄电池充放电次数的的平均值进行比较，选择差值最大的蓄电池作为本次放电所用蓄电池；

蓄电池组：用于存储或释放光伏电池、风力发电机和生物质能发电设备的剩余电能；

所述的传统发电模块包括：

微型燃气轮机智能优化发电控制单元：用于在光伏电池、风力发电机和生物质能发电设备的发电量和储能模块所发电量均无法满足用户负载或电网需要时，利用微型燃气轮机产生的发电量进行补充；

微型燃气轮机发电单元：用于为用户负载或电网进行供电；

所述的用户负载模块包括：

智能优化用电控制器：用于将状态采集器采集的负载端的电压、电流信号建立负载矩阵，利用神经网络建模来构建用户负载的用电量规律，利用该电量规律自动控制用户负载的用电量；

状态采集器：用于实时采集用户负载端的节点电压和电流。

所述的分布式新能源发电模块通过直流母线与分布式新能源逆变模块连接，所述的直流母线由三段组成，分开设置，光伏发电单元的输出端分别通过第一段直流母线、第二段直流母线和第三段直流母线连接光伏发电逆变单元的输入端；风力发电单元的输出端分别通过第一段直流母线、第二段直流母线和第三段直流母线连接风力发电逆变单元的输入端；生物质能发电单元的输出端分别通过第一段直流母线、第二段直流母线和第三段直流母线连接生物质能发电逆变单元的输入端。

所述的储能模块的输入端同时连接第一段直流母线、第二段直流母线和第三段直流母线。

本发明一种智能微网的源-网-荷自动控制系统中的控制方法包括一种分布式新能源智能优化发电控制方法、一种储能单元的充放电控制方法及一种用户负载的用电量规律协调方法，其中，所述分布式新能源智能优化发电控制方法步骤如下：

步骤1：采用霍尔元件测量法采集光伏电池、风力发电机和生物质能发电设备的节点电压和电流；

步骤2：采用不确定估计方法对光伏电池的发电能力、风力发电机的发电能力和生物质能发电设备的发电能力进行预估，所述的发电能力包括电阻、电抗和P步节点电压值，具体公式为：

对于电阻和电抗的预估：

R_m+4=R_m+3=R_m+2=R_m+1 （1）

=0.01R_m-7+0.03R_m-6+0.06R_m-5+0.1R_m-4+0.15R_m-3+0.16R_m-2+0.22R_m-1+0.30R_m

式中，R_m为第m个采样周期内的电阻;R_m+n为预估的第m+n个采样周期内的电阻，其中，n=-7，-6，-5，-4，-3，-2，-1，1,2,3,4；

X_m+4=X_m+3=X_m+2=X_m+1=0.15X_m-2+0.25X_m-1+0.6X_m （2）

式中，X_m为第m个采样周期内的电抗；X_m+p为预估的第m+p个采样周期内的电抗，其中，p=-2，-1，1，2，3，4；

对于PV节点的电压预估：

U₊₄=U₊₃=U₊₂=U₊₁ （3）

=0.01U_m-7+0.03U_m-6+0.06U_m-5+0.1U_m-4+0.15U_m-3+0.16U_m-2+0.22U_m-1+0.30U_m

式中，U_m为第m个采样周期内的PV节点电压；U_m+n为预估的第m+n个采样周期内的PV节点电压，其中，n=-7，-6，-5，-4，-3，-2，-1，1,2,3,4；

步骤3：根据步骤2获得的PV节点电压值，以时间为横坐标、以PV节点电压值为纵坐标绘制发电能力波动预报曲线；

步骤4：计算光伏电池、风力发电机和生物质能发电设备发电能力的鲁棒性，选择鲁棒性最好的，为用户负载或电网进行供电，鲁棒性的计算公式如下：

D_N为鲁棒值，该值越小，表示发电设备发电能力的鲁棒性越好；U_市电为市电网络中的节点电压；

步骤5：计算光伏电池、风力发电机和生物质能发电设备供给用户负载和电网的电能总量，公式为：

W_{N} = \frac{α D_{N}}{D_{1} + D_{2} + D_{3} + \cdot \cdot \cdot + D_{N - 2} + D_{N - 1} + D_{N}} W - - - (5)

式中，W_N为光伏电池、风力发电机和生物质能发电设备供给用户负载和电网的电能总量，W为用户负载和电网实际所需的电能总量；α为发电种类参数，当为风力发电机时，α=0.1；当为光伏电池时，α=0.83；当为生物质能发电设备时，α=0.92；

步骤6：计算光伏电池、风力发电机和生物质能发电设备实际发电量与供给用户负载和电网的电能总量的差值，公式为：

W_storageN=W_outN-W_N （6）

式中，W_storageN为光伏电池、风力发电机和生物质能发电设备实际发电量与供给用户负载和电网的电能总量的差值；W_outN为光伏电池、风力发电机和生物质能发电设备实际发电量；

步骤7：若W_storageN=0，则光伏电池、风力发电机和生物质能发电设备中鲁棒性最好的直接为用户负载和电网进行供电；若W_storageN>0，则将光伏电池、风力发电机和生物质能发电设备中的剩余电量存入储能模块；若W_storageN<0，则由储能模块对用户负载和电网进行放电补给；

步骤8：计算光伏电池、风力发电机和生物质能发电设备实际发电量和用户负载和电网实际所需的电能总量的差值W_E，公式为：

W_E=W-W_N （7）

若W_E>0，则由微型燃气轮机对用户负载和电网进行发电补给，补给量即为W_E。

所述储能单元的充放电控制方法步骤如下：

步骤1：若接收的是光伏电池、风力发电机和生物质能发电设备发送来的剩余电量，则执行步骤2，蓄电池进行充电；若接收到是由分布式新能源智能优化发电控制器发送的控制信号，则执行步骤3，蓄电池进行放电；

步骤2：统计每个蓄电池的充放电次数c，计算所有蓄电池充放电次数的总和并求取平均值C，计算C-c的差值，取差值绝对值最大的蓄电池作为充电对象；

步骤3：统计每个蓄电池的充放电次数c，计算所有蓄电池充放电次数的总和并求取平均值C，计算C-c的差值，取差值绝对值最大的蓄电池作为放电对象。

所述用户负载的用电量规律协调方法步骤如下：

步骤1：根据所采集的用户负载端节点的电压和电流历史数据，建立神经网络模型来预测用户负载的用电量规律；

步骤2：状态采集器实时采集用户负载端的节点电压和电流，对步骤1的神经网络模型不断进行修正；

步骤3：智能优化用电控制器根据经步骤2修正后得到的用电量，向分布式新能源智能优化发电控制器发送用户负载的实际用电总量，启动光伏电池、风力发电机、生物质能发电设备、储能模块和传统发电模块中相应设备进行供电。

有益效果

1）同传统含有分布式新能源发电系统的微网相比，本发明对微网中所有的分布式新能源发电单元进行合理监控及发电状态预测，通过对分布式新能源发电单元的鲁棒性进行判断调节每一个分布式新能源发电单元发出电能的占总电力需求的百分比，最大程度上保证了发电系统的稳定性和较高的能源利用率；

（2）与传统的储能模块不同，本发明在储能模块中增加了一种智能储能单元调节器，有效解决蓄电池使用次数不均的问题，使蓄电池组整体使用寿命达到统一，增加系统的储能环节使用效率，同时利于环境保护；

（3）智能优化用电控制器可以对用户负荷用电量进行合理预测，从而达到可在整个微网范围内，对系统内每个发电单元未来发电状态进行合理化调节，同时可以对未来可能存在的故障隐患进行合理预防。

附图说明

图1为本发明一种智能微网的源-网-荷自动控制系统整体结构框图；

图2为本发明一种智能微网的源-网-荷自动控制系统风力发电机接入电路原理图；

图3为本发明一种智能微网的源-网-荷自动控制系统光伏电池接入电路原理图；

图4为本发明一种智能微网的源-网-荷自动控制系统生物质能发电设备接入电路原理图；

图5为本发明一种智能微网的源-网-荷自动控制系统微型燃气轮机接入电路原理图；

图6为本发明一种智能微网的源-网-荷自动控制系统智能储能单元调节器结构图；

图7为本发明一种智能微网的源-网-荷自动控制系统智能优化用电控制器结构图；

图8为本发明具体实施方式神经网络结构图；

图9为本发明具体实施方式用户负载用电规律曲线；

图10为本发明一种分布式新能源智能优化发电控制方法流程图；

图11为本发明一种储能单元的充放电控制方法流程图；

图12为本发明一种用户负载的用电量规律协调方法流程图。

图中，1、分布式新能源发电模块；2、分布式新能源逆变模块；3、传统发电模块；4、微型燃气轮机智能优化发电控制单元；5、微型燃气轮机发电单元；6、用户负载模块；7、智能优化用电控制器；8、状态采集器；9、储能模块；10、智能储能单元调节器；11、蓄电池组；12、双向并网控制模块；13、分布式新能源智能优化发电控制模块；14、光伏电池；15、风力发电机；16、生物质能发电设备；17、光伏逆变器；18、风机逆变器；19、生物质能发电设备逆变器；20、微型燃气轮机；21、整流器；Bus1、第一段直流母线；Bus2；第二段直流母线；Bus3：第三段直流母线。

具体实施方式

下面结合附图对本发明的实施方式作地一步详细的说明。

本实施方式中，一种智能微网的源-网-荷自动控制系统及方法可进一步解释为一种适用于智能微网，对电源、电网及负荷进行自动控制的系统及其控制方法。

本实施方式中，所采用的风力发电机的型号为SN-1000W，光伏电池型号为SN—120W，微型燃气轮机的型号为DTE846，数据处理器DSP的型号为TMS320F2407A，逆变器的型号为MM440单相入三相出120W的逆变器，蓄电池型号为6—GFM—200Ah；

本实施方式中，所述智能微网的源-网-荷自动控制系统的结构如图1所示，包括分布式新能源发电模块1、分布式新能源逆变模块2、分布式新能源智能优化发电控制模块13、传统发电模块3、用户负载模块6、储能模块9及双向并网控制模块12。其中，所述的分布式新能源发电模块1进一步包括光伏发电单元、风力发电单元和生物质能发电单元。其中，光伏发电单元包括至少一个光伏电池，风力发电单元包括至少一个风力发电机，生物质能发电单元包括至少一个生物质能发电设备。所述分布式新能源逆变模块2进一步包括光伏发电逆变单元、风力发电逆变单元和生物质能发电逆变单元。其中，光伏发电逆变单元包括至少一个光伏逆变器，风力发电逆变单元包括至少一个风机逆变器，生物质能发电逆变单元包括至少一个生物质能发电设备逆变器。所述分布式新能源智能优化发电控制模块13包括一个分布式新能源智能优化发电控制器。所述传统发电模块0进一步包括微型燃气轮机智能优化发电控制单元4和微型燃气轮机发电单元5。其中，微型燃气轮机智能优化发电控制单元4包括至少一个微燃机发电控制器，微型燃气轮机发电单元5包括至少一个微型燃气轮机。所述用户负载模块6进一步包括一个智能优化用电控制器7，至少一个状态采集器8，至少一个用户负载。所述储能模块9进一步包括一个智能储能单元调节器10和一个蓄电池组11。其中，蓄电池组11包括至少一个蓄电池。

本实施方式中，采用3段直流母线结构（如图1中的Bus1，Bus2和Bus3），这3段直流母线互不相连。

本实施方式中，所述智能微网的源-网-荷自动控制系统的连接方式如下：所述光伏发电单元的输出端通过第一段直流母线Bus1、第二段直流母线Bus2、第三段直流母线Bus3分别连接所述光伏发电逆变单元的输入端，所述风力发电单元的输出端通过第一段直流母线Bus1、第二段直流母线Bus2、第三段直流母线Bus3分别连接所述风力发电逆变单元的输入端，所述生物质能发电单元的输出端通过第一段直流母线Bus1、第二段直流母线Bus2、第三段直流母线Bus3分别连接所述生物质能发电设备逆变单元的输入端；所述智能储能单元调节器的输入端分别连接到第一段直流母线Bus1、第二段直流母线Bus2、第三段直流母线Bus3上；所述智能储能单元调节器的输出端连接所述蓄电池组的输入端；所述光伏发电逆变单元的输出端、所述风力发电逆变单元的输出端和所述生物质能发电设备逆变单元的输出端连接到所述分布式新能源智能优化发电控制器的输入端；所述分布式新能源智能优化发电控制器的输出端通过交流母线分别连接所述微燃机发电控制器的输入端、所述智能优化用电控制器的输入端和所述双向并网控制模块的输入端；所述微燃机发电控制器的输入端通过交流母线分别连接所述分布式新能源智能优化发电控制器的输出端、所述智能优化用电控制器的输入端和所述双向并网控制模块的输入端；所述微燃机发电控制器的输出端连接所述微型燃气轮机的输入端；所述智能优化用电控制器的输出端连接所述状态采集器的输入端；所述状态采集器的输出端连接所述用户负载的输入端；所述双向并网控制模块的输出端连接电网。

本实施方式中，所述光伏电池、风力发电机、生物质能发电设备及微型燃气轮机的接入电路如图2，3，4，5所示。所述光伏电池14、生物质能发电设备16所发直流电经过所述光伏逆变器17、生物质能发电设备逆变器19逆变成交流电，通过交流母线对用户负载和电网进行供能；所述风力发电机15所发电能经过整流器21成为稳定直流电，再经过风机逆变器18逆变成交流电，通过交流母线对用户负载和电网进行供能；所述微型燃气轮机20所发交流电通过交流母线对用户负载和电网进行供能。

本实施方式中，所述分布式新能源智能优化发电控制器、微燃机发电控制器、智能优化用电控制器、状态采集器、智能储能单元调节器和双向并网控制模块均采用DSP作为核心芯片。所述智能储能单元调节器的结构如图6所示，分布式新能源智能优化发电控制器控制信号给智能储能单元调节器的DSP，DSP输出信号控制蓄电池组的充放电过程。这里列举DSP具有6路输出信号，其中，DSP的Q0.0输出端、Q0.1输出端分别连接1#蓄电池的两个输入端，为1#蓄电池提供充电或放电控制信号，控制开关K1通断动作；DSP的Q0.2输出端、Q0.3输出端分别连接2#蓄电池的两个输入端，为2#蓄电池提供充电或放电控制信号，控制开关K2通断动作；DSP的Q0.4输出端、Q0.附输出端分别连接3#蓄电池的两个输入端，为3#蓄电池提供充电或放电控制信号，控制开关K3通断动作。所述智能优化用电控制器的结构如图7所示，以存在一个用户负载为例，所述状态采集器采集用户负载的节点电压和电流经过锁相环和信号调制电路(锁相环和信号调理电路组成状态检测器)传入所述智能优化用电控制器，所述智能优化用电控制器基于神经网络得到用户负载用电规律，再根据所得规律，为用户负载提供电能。

本实施方式中，所述分布式新能源智能优化发电控制方法流程如图10所示，具体步骤如下：

步骤1：采用霍尔元件测量法采集光伏电池、风力发电机和生物质能发电设备的节点电压和电流：

所采用的霍尔元件测量法具体体现为利用霍尔效应测量光伏电池、风力发电机和生物质能发电设备的节点电压和电流；

将实验所采电压、电流数据表示为矩阵形式，具体如下式所示：

[\begin{matrix} {\overset{\cdot}{U}}_{1} \\ {\overset{\cdot}{U}}_{2} \\ \cdot \\ \cdot \\ \cdot \\ {\overset{\cdot}{U}}_{N} \end{matrix}] = [\begin{matrix} Z_{11} & Z_{12} & \cdot \cdot \cdot & Z_{1 N} \\ Z_{21} & Z_{22} & \cdot \cdot \cdot & Z_{2 N} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ Z_{N 1} & Z_{N 2} & \cdot \cdot \cdot & Z_{NN} \end{matrix}] [\begin{matrix} {\overset{\cdot}{I}}_{1} \\ {\overset{\cdot}{I}}_{2} \\ \cdot \\ \cdot \\ \cdot \\ {\overset{\cdot}{I}}_{N} \end{matrix}]

则开始发电后第10分钟，测得各节点电压、电流值为：

[\begin{matrix} 220.5 \\ 219.8 \\ \cdot \\ \cdot \\ \cdot \\ 221.3 \end{matrix}] = [\begin{matrix} 23.4 & 103.2 & \cdot \cdot \cdot & 43.5 \\ 76.2 & 3.21 & \cdot \cdot \cdot & 21.9 \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ 76.2 & 65.4 & \cdot \cdot \cdot & 56.7 \end{matrix}] [\begin{matrix} 1.25 \\ 0.89 \\ \cdot \\ \cdot \\ \cdot \\ 1.73 \end{matrix}];

步骤2：采用不确定估计方法对光伏电池的发电能力、风力发电机的发电能力和生物质能发电设备的发电能力进行预估，所述的发电能力包括电阻、电抗和PV节点电压值，具体公式为：

对于电阻和电抗的预估：

R_m+4=R_m+3=R_m+2=R_m+1 （8）

=0.01R_m-7+0.03R_m-6+0.06R_m-5+0.1R_m-4+0.15R_m-3+0.16R_m-2+0.22R_m-1+0.30R_m

式中，R_m为第m个采样周期内的电阻；R_m+n为预估的第m+n个采样周期内的电阻，其中，n=-7，-6，-5，-4，-3，-2，-1，1,2,3,4；

X_m+4=X_m+3=X_m+2=X_m+1=0.15X_m-2+0.25X_m-1+0.6X_m （9）

对于PV节点的电压预估；

U₊₄=U₊₃=U₊₂=U₊₁ （10）

=0.01U_m-7+0.03U_m-6+0.06U_m-5+0.1U_m-4+0.15U_m-3+0.16U_m-2+0.22U_m-1+0.30U_m

假设采样期间，每个采样周期（设置采样周期为20ms）内的节点电压和电流值不会改变，通过式（3）得到未来80ms的所采用的分布式电源的节点电压为

U₁=220.3；

D_N为鲁棒值，该值越小，表示发电设备发电能力的鲁棒性越好；U_市电为市电网络中的节点电压：

假设所采用的分布式电源为2#光伏电池，根据式（4）计算其鲁棒性D₂，则

D₂=0.0714；

W_{N} = \frac{α D_{N}}{D_{1} + D_{2} + D_{3} + \cdot \cdot \cdot + D_{N - 2} + D_{N - 1} + D_{N}} W - - - (12)

式中，W_N为光伏电池、风力发电机和生物质能发电设备供给用户负载和电网的电能总量，W为用户负载和电网实际所需的电能总量；α为发电种类参数，当为风力发电机时，α=0.1;当为光伏电池时，α=0.83；当为生物质能发电设备时，α=0.92；

因为此时采用的是光伏电池，所以α=0.83，若用户负载和电网实际所需的电能总量为500KW，根据式（5）计算2#光伏电池供给用户负载和电网的电能总量为

W₂=013.5KW；

W_storageN=W_outN-W_N （13）

假设光伏电池总以最大功率点发电，则根据式（6）可得：

W_storageN=W_outN-W_N=120KW-113.5KW=6.5KW；

步骤7：若W_storageN=0，则光伏电池、风力发电机和生物质能发电设备中鲁棒性最好的直接为用户负载和电网进行供电：若W_storageN>0，则将光伏电池、风力发电机和生物质能发电设备中的剩余电量存入储能模块；若W_storageN<0，则由储能模块对用户负载和电网进行放电补给；

因为此时W_storageN=6.5KW>0，所以此时将2#光伏电池的剩余电量6.5KW存入储能模块中；

W_E=W-W_N （14）

根据式（7）计算可得：

W_E=W-W_N

=500KW-113.5KW

=386.5KW

即为微型燃气轮机的发电量为386.5KW。

本实施方式中，所述储能单元的充放电控制方法流程如图11所示，具体步骤如下：

步骤1：若接收的是光伏电池、风力发电机和生物质能发电设备发送来的剩余电量，则执行步骤2，蓄电池进行充电：若接收到是由分布式新能源智能优化发电控制器发送的控制信号，则执行步骤3，蓄电池进行放电；

本实施方式中，统计每个蓄电池的充放电次数c，计算所有蓄电池充放电次数的总和并求取平均值C，计算C-c的差值的具体过程如下：

利用计数器分别计量每个蓄电池的充电次数BatteryinN和放电次数BatteryoutN，并表示成矩阵Countin和Countout的形式，如下式所示：

Countin=[Batteryin1 Batteryin2…BatteryinN-1 BatteryinN]

Countout=[Batteryout1 Batteryout2…BatteryoutN-1 BatteryoutN]

则可得出每个蓄电池充放电次数c，表达为矩阵形式如下：

c=[c1 c2…cN-1 cN]

=Countin+Countout

=[Batteryin1+Batteryout1 Batteryin2+Batteryout2…BatteryinN-1+BatteryoutN-1 BatteryinN+BatteryoutN]

所有蓄电池充放电次数的总和并求取平均值C为

C = \frac{Σ_{i = 1}^{N} Batteryini + Σ_{i = 1}^{N} Batteryouti}{N}

将其表达为矩阵形式如下式所示：

在进行矩阵间运算，C-c，再在得到的矩阵中提取绝对值最大的元素值，该元素对应蓄电池即为本次充放电所选的那个蓄电池。

本实施方式中，所述用户负载的用电量规律协调方法流程如图12所示，具体步骤如下：

步骤1：根据所采集的用户负载端节点的电压和电流历史数据，建立神经网络模型来预用户负载的用电量规律：

所建立神经网络模型结构如图8所示；

步骤2：状态采集器实时采集用户负载端的节点电压和电流，对步骤1的神经网络模型不断进行修正：

提取实验所得节点电压和电流的历史数据，经过本方法中步骤1和步骤2，得到用户负载用电规律曲线如图9所示，用户负载在实验过程中，始终在0.1MW左右抖动；

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims

1.一种智能微网的源-网-荷自动控制系统，其包括：

分布式新能源发电模块(1)：用于将太阳能、风能及生物质能转换为电能，为负载或电网供电；

分布式新能源逆变模块(2)：用于将光伏电池板、风力发电机以及生物质能发电设备所发直流电转变为交流电；

传统发电模块(3)：用于控制微型燃气轮机为用户负载或电网进行供电；

用户负载模块(6)：为微网中的本地负载；

双向并网控制模块(12)：用于控制微网与电网间的通断与能量传输；

其特征在于：还包括：

分布式新能源智能优化发电控制模块(13)：1)用于采集光伏电池、风力发电机和生物质能发电设备的节点电压和电流值，采用不确定性预估方法在4～5个采样周期内对光伏电池的发电能力、风力发电机的发电能力和生物质能发电设备的发电能力进行预估，绘制发电能力波动预报曲线，再分别计算上述三者发电能力的鲁棒性，选择鲁棒性最好的，为用户负载或电网进行供电；

2)用于当光伏电池、风力发电机和生物质能发电设备的实际发电量与用户负载和电网需求的电能总量存在差值时，发送控制信号给智能储能单元调节器；

3)用于当光伏电池、风力发电机和生物质能发电设备的实际发电量和储能模块释放电量与用户负载和电网需求的电能总量存在差值时，发送控制信号给微燃机发电控制器；

储能模块(9)：用于控制蓄电池组的充、放电，保证每个蓄电池充放电次数平均，其进一步包括：

智能储能单元调节器(10)：1)若接收光伏电池、风力发电机和生物质能发电设备的剩余电量，计算每个蓄电池充电次数和放电次数的总和，该值与所有蓄电池充放电次数的平均值进行比较，选择差值最大的蓄电池作为本次充电所用蓄电池；

2)、若光伏电池、风力发电机和生物质能发电设备所发电量无法满足用户负载或电网需求，则接收由分布式新能源智能优化发电控制器发出的发电控制信号，控制蓄电池组进行放电：计算每个蓄电池充电次数和放电次数的总和，该值与所有蓄电池充放电次数的平均值进行比较，选择差值最大的蓄电池作为本次放电所用蓄电池；

蓄电池组(11)：用于存储或释放光伏电池、风力发电机和生物质能发电设备的剩余电能；

所述的传统发电模块(3)包括：

微型燃气轮机智能优化发电控制单元(4)：用于在光伏电池、风力发电机和生物质能发电设备的发电量和储能模块所发电量均无法满足用户负载或电网需要时，利用微型燃气轮机产生的发电量进行补充；

微型燃气轮机发电单元(5)：用于为用户负载或电网进行供电；

所述的用户负载模块(6)包括：

智能优化用电控制器(7)：用于将状态采集器采集的负载端的电压、电流信号建立负载矩阵，利用神经网络建模来构建用户负载的用电量规律，利用该电量规律自动控制用户负载的用电量；

状态采集器(8)：用于实时采集用户负载端的节点电压和电流。

2.根据权利要求1所述的智能微网的源-网-荷自动控制系统，其特征在于：所述的分布式新能源发电模块通过直流母线与分布式新能源逆变模块连接，所述的直流母线由三段组成，分开设置，光伏发电单元的输出端分别通过第一段直流母线(Bus1)、第二段直流母线(Bus2)和第三段直流母线(Bus3)连接光伏发电逆变单元的输入端；风力发电单元的输出端分别通过第一段直流母线(Bus1)、第二段直流母线(Bus2)和第三段直流母线(Bus3)连接风力发电逆变单元的输入端；生物质能发电单元的输出端分别通过第一段直流母线(Bus1)、第二段直流母线(Bus2)和第三段直流母线(Bus3)连接生物质能发电逆变单元的输入端。

3.根据权利要求2所述的智能微网的源-网-荷自动控制系统，其特征在于：所述的储能模块的输入端同时连接第一段直流母线(Bus1)、第二段直流母线(Bus2)和第三段直流母线(Bus3)。

4.一种分布式新能源智能优化发电控制方法，采用如权利要求1所述的智能微网的源-网-荷自动控制系统，其特征在于：

对于电阻和电抗的预估：

R_m+4＝R_m+3＝R_m+2＝R_m+1 (1)

＝0.01R_m-7+0.03R_m-6+0.06R_m-5+0.1R_m-4+0.15R_m-3+0.16R_m-2+0.22R_m-1+0.30R_m

式中，R_m为第m个采样周期内的电阻；R_m+n为预估的第m+n个采样周期内的电阻，其中，n＝-7，-6，-5，-4，-3，-2，-1，1，2，3，4；

X_m+4＝X_m+3＝X_m+2＝X_m+1＝0.15X_m-2+0.25X_m-1+0.6X_m (2)

式中，X_m为第m个采样周期内的电抗；X_m+p为预估的第m+p个采样周期内的电抗，其中，p＝-2，-1，1，2，3，4；

对于PV节点的电压预估：

U_m+4＝U_m+3＝U_m+2＝U_m+1 (3)

＝0.01U_m-7+0.03U_m-6+0.06U_m-5+0.1U_m-4+0.15U_m-3+0.16U_m-2+0.22U_m-1+0.30U_m

式中，U_m为第m个采样周期内的PV节点电压；U_m+n为预估的第m+n个采样周期内的PV节点电压，其中，n＝-7，-6，-5，-4，-3，-2，-1，1，2，3，4；

D_N为第N发电设备的鲁棒值，该值越小，表示发电设备发电能力的鲁棒性越好；U_市电为市电网络中的节点电压；

W_{N} = \frac{α D_{N}}{D_{1} + D_{2} + D_{3} + . . . + D_{N - 2} + D_{N - 1} + D_{N}} W - - - (5)

式中，W_N为光伏电池、风力发电机和生物质能发电设备供给用户负载和电网的电能总量，W为用户负载和电网实际所需的电能总量；D₁，D₂，D₃，...，D_N-2，D_N-1分别为第1，2，3，...，N-2，N-1发电设备的鲁棒值；α为发电种类参数，当为风力发电机时，α＝0.1；当为光伏电池时，α＝0.83；当为生物质能发电设备时，α＝0.92；

W_storageN＝W_outN-W_N (6)

步骤7：若W_storageN＝0则光伏电池、风力发电机和生物质能发电设备中鲁棒性最好的直接为用户负载和电网进行供电；若W_storageN＞0，则将光伏电池、风力发电机和生物质能发电设备中的剩余电量存入储能模块；若W_storageN＜0，则由储能模块对用户负载和电网进行放电补给；

W_E＝W-W_outN (7)

若W_E＞0，则由微型燃气轮机对用户负载和电网进行发电补给，补给量即为W_E。

5.一种储能单元的充放电控制方法，采用如权利要求1所述的智能微网的源-网-荷自动控制系统，其特征在于：

6.一种用户负载的用电量规律协调方法，采用如权利要求1所述的智能微网的源-网-荷自动控制系统，其特征在于：