CN105826944A - 一种微电网群的功率预测方法和系统 - Google Patents

Abstract

本发明公开一种微电网群的功率预测方法和系统，包括：根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法；微电网群内每个子微电网在已知建立的通信关系图论拓扑基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测。本发明对多微电网组成的微电网群整体的电网需求功率进行短期预测，从而为微电网群电力共享系统在稳定运行和电力调度方面提供有力的保障。

Description

一种微电网群的功率预测方法和系统

技术领域

本发明属于电网功率领域，尤其涉及一种微电网群的功率预测方法和系统。

背景技术

在过去的几十年，电网规模不断扩大，已逐步发展成集中发电、远距离输电的超大互联网络系统。但远距离输电的不断增大、使得受端电网对外来电力的依赖程度不断提高，电网运行的稳定性和安全性趋于下降，而且难于满足多样化供电需求。另一方面，对全球常规能源的逐渐枯竭、环境污染等问题的担忧却日益突显。鉴于此，环保、高效和灵活的分布式发电广受青睐，目前世界各国均开展了含可再生能源的微电网研究项目。

微电网(Micro-Grid)也称为微网，是一种新型网络结构，是一组微电源、负荷、储能系统和控制装置构成的系统单元。微电网是一个能够实现自我控制、保护和管理的自治系统，既可以与外部常规电网并网运行，也可以孤立运行。微电网是相对传统常规电网的一个概念，是指多个分布式电源及其相关负载按照一定的拓扑结构组成的网络，并通过静态开关关联至常规电网。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，是传统电网向智能电网过渡。

目前，微电网已经成为全球现象，超过100个国家都在部署微电网项目，微电网中的电源多为微电源，亦即含有电力电子界面的小型机组(小于100kW)，如图1所示，为现有技术中一种微电网结构示意图，所示微电网11可以包括微型燃气轮机，燃料电池、光伏电池以及超级电容、飞轮、蓄电池等储能装置。微电网接在用户侧，具有低成本、低电压、低污染等特点。微电网既可与大电网常规电网12联网运行，也可在电网故障或需要时与主网断开单独运行。

微网具有双重角色。对于电网，微电网作为一个大小可以改变的智能负载，为本地电力系统提供了可调度负荷，可以在数秒内做出响应以满足系统需要，适时向大电网提供有力支撑；可以在维修系统同时不影响客户的负荷；可以减轻(延长)配电网更新换代，采用IEEE1547.4标准，指导分布式电源孤岛运行，能够消除某些特殊操作要求产生的技术阻碍。对于用户，微电网作为一个可定制的电源，可以满足用户多样化的需求，例如，增强局部供电可靠性，降低馈电损耗，支持当地电压，通过利用废热提高效率，提供电压下陷的校正，或作为不可中断电源服务等。

此外，紧紧围绕全系统能量需求的设计理念和向用户提供多样化电能质量的供电理念，是微电网的两个重要特征。在接入问题上，微电网的并网标准只针对微电网与大电网的公共连接点(PCC，PointofCommonCoupling)，而不针对各个具体的微电源。微电网不仅解决了分布式电源的大规模接入问题，充分发挥了分布式电源的各项优势，还为用户带来了其他多方面的效益。微网将从根本上改变传统的应对负荷增长的方式，在降低能耗、提高电力系统可靠性和灵活性等方面具有巨大潜力。

微电网的容量可以很小，小到以家庭为单位，也可以很大，大到以某一地方区域为单位。微电网发出的电能除了用来满足自身负荷的需求，还可以用来补给周边其他能量短缺的微电网，同时如果自身发出的电量短缺时，其可以向周边的微电网进行电量索取，因此这些彼此之间存在着一定能量交换的微电网便形成了一个微电网群落电力共享系统，称之为微电网群。

微电网群通过一个公共连接点(PCC)与配电网进行连接，它并不是传统意义上的由几个邻近的微电网机械的几何相加而成的微电网群落，这样的结果只能组成一个规模较大的微电网系统而非是一个微电网群电力共享系统，而微电网群是由两个及以上邻近的非均质子微电网构成，而对于均质的解释是组成微电网群的各个子微电网的投资主体和其运行目标相同，并且其可再生能源、负荷的类型以及重要程度等相同或者类似，这两种条件中任何一项不满足就称为非均质微电网。

由于组成微电网群的各子微电网内部的分布式发电能源存在着随机性，间歇性，波动性以及用户侧平滑负荷的问题，使得微电网群的上一级配电网，在电力调度和运行上存在很大的困难和挑战。所以，对微电网群总电网需求功率提前进行预测是一个很好地解决办法。微电网群总电网需求功率是该微电网群内所有子微电网的电网需求综合体现的结果，而子微电网的电网需求功率则是子微电网内分布式发电功率和用户负载需求功率综合体现的结果，电网需求功率在数值上可正可负，当数值为正时，指上一级电网向下一级电网供电，即此时的微电网处于电能购买模式；当数值为负时，指下一级电网向上一级电网供电，即此时的微电网处于电能的销售模式，这两种模式的切换需要微电网根据自身的实际需求情况而定。

目前，针对某个区域内由多个微电网组成的微电网群总电网需求功率预测的方法上主要存在以下两点问题：

1)从规模上看，目前国内外在微电网功率预测方法上主要针对于微电网内部的各分布式电源或者负荷单独的功率预测或者仅仅就是独立微电网总发电功率预测或者就是总负荷功率预测，而并没有一个针对于某个区域内多个微电网组成微电网群整体总电网需求功率预测的方法。

2)从模式上看，目前对于多个微电网的功率预测，基本上采用的是集中式功率预测方式，将多个微电网组成一个大微电网，将微源各自的发电量信息传输给大微电网系统的控制室，并由其统一进行集中式数据处理。在整个系统中，只有一个控制室作为数据融合中心，它将接收来自下层各个微源传输上来的数据信息，这使得这种集中式数据融合机制存在着通信要求高、在线计算时间长、通信装置的质量要求高、预测成本大的特点，并且该种集中式数据融合系统的扩展性和鲁棒性也很低，一旦控制室这个数据融合中心发生瘫痪，则整个微电网系统也将瘫痪。

综合国内外的分布式预测发展现状，分布式预测主要应用在无线传感器网络和电力系统两个领域中。在无线传感器网络中，主要应用分布式预测算法对网络中某一过程的状态值进行预测，实现定位和跟踪的效果；而在电力系统方面，主要是应用在分布式预测控制上，首先通过负荷预测的方法预测出下一时刻的负荷值，然后通过分布式控制思想建立传递函数模型进行自动发电量的调节，从而实现了分布式预测控制，虽然在整个控制算法上体现了分布式思想，但是并不是体现在分布式预测上而是体现在分布式控制上，所以严格上说在电力系统领域并没有一个完善的分布式预测算法，来完成对复杂大系统某一参数进行预测。所以针对这一现状，有必要发明一种微电网群的功率预测方法，对多微电网组成的微电网群整体的电网需求功率进行短期预测，从而为微电网群电力共享系统在稳定运行和电力调度方面提供有力的保障。

发明内容

以下给出对要求保护的主题的各种方面的简化概述以力图提供对这些方面的基本理解。本概述不是对所有构想到的方面的详尽纵览，且既非旨在指认出关键性或决定性要素，也非旨在描述这些方面的范围。其唯一目的是以简化的形式给出所公开方面的一些概念，作为稍后给出的更详细描述的前序。

本发明的各个方面提供一种微电网群的功率预测方法和系统，利用分布式卡尔曼滤波算法来预测微电网群总电网需求功率，既满足了微电网群总电网需求功率的预测又避免了集中式预测带来的各种弊端，同时还能实现更好的预测效果。

根据一方面，提供一种微电网群的功率预测方法，包括：

微电网群内各子微电网控制中心实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率；

对每个子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据；

根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法；

微电网群内每个子微电网在已知建立的通信关系图论拓扑基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测；

调度中心根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

较佳地，所述每个子微电网历史数据包括：各子微电网的发电功率的历史数据和各子微电网总用户负荷功率的历史数据。

较佳地，所述对各子微电网的发电功率的历史数据进行分类和修正处理包括：

利用公式(1)根据各子微电网发电功率的相关性来进行错误数据剔除和补全，其中，公式(1)如下：

$\begin{array}{c}r=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2\·\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}\\ =\frac{n\underset{i=1}{\overset{n}{\Σ}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\Σ}}{x}_i\·\underset{i=1}{\overset{n}{\Σ}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\Σ}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{x}_i\right)}^2}\·\sqrt{n\underset{i=1}{\overset{n}{\Σ}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{y}_i\right)}^2}}\end{array}---\left(1\right)$

其中，X和Y为两个变量，i和n均为大于等于1的正整数，相关性系数r的性质如下：

(a)相关系数|r|≤1；

(b)相关性|r|越接近于1，两变量之间的相关程度越大，当相关性|r|等于1时，两变量完全相关；

(c)相关性|r|越接近于0，两变量相之间的关程度越小，当相关性|r|等于0时，两变量不存在线性相关。

较佳地，对所述各子微电网总用户负荷功率的历史数据进行分类和修正处理包括：

通过公式(2)求出不同星期的相同星期类型日24小时数据的平均值，其中，平均值是指在同一个时刻各子微电网总的用户负荷功率和的平均值，公式(2)如下

${\stackrel{\‾}{x}}_j=\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}/n,(i\∈N^{+};j=1,...,24)---\left(2\right)$

通过公式(3)求出各小时点数据与平均值的差值，公式(3)如下：

${\mathrm{\Δx}}_{ij}=|x_{ij}-{\stackrel{\‾}{x}}_j|,(i\∈N^{+};j=1,...,24)---\left(3\right)$

通过公式(4)确定各子微电网负荷功率一天24个时刻的历史数据为不正常数据，公式(4)如下：

${\mathrm{\&Delta;x}}_{ij}>k{\stackrel{\&OverBar;}{x}}_j,(k<1;i\&Element;N^{+};j=1,...,24)---\left(4\right)$

其中，i是指i天相同星期类型日，其中，i为大于等于2的整数，j是指一天内j时刻，参数k(k<1)需要根据这些相似日的相似度来选取。

较佳地，所述每个子微电网为一个智能体节点，每个智能体节点上运行的微卡尔曼滤波预测算法包括：

分别对微卡尔曼滤波预测算法中的估计协方差矩阵和先验估计值进行初始化；

采集本地智能体节点及邻接智能体节点的数据并通过数据迭代融合求出本地智能体节点对目标系统的观测值z_i，令本地智能体节点采集到的本地数据为zz_i，其中

${\mathrm{zz}}_i(k+1)={\mathrm{zz}}_i\left(k\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}{w}_{ij}\left({\mathrm{zz}}_j\right(k)-{\mathrm{zz}}_i(k\left)\right)$

$z_i=\underset{i\&Element;V}{\&Sigma;}{\mathrm{zz}}_i$

其中，其中，zz_i(k)表示在k时刻智能体节点采集到的本地数据值，w_ij表示在微电网图论模型中智能体节点节点i和智能体节点节点j信息交互的权重系数；

分别对微卡尔曼滤波预测算法中的观测值z_i和观测协方差数据R_i进行融合，其中，

J_i＝N_i∪{i}

$u_j=H_j^T{R}_j^{-1}{z}_j,\&ForAll;j\&Element;J_i,y_i=\underset{j\&Element;J_i}{\&Sigma;}{u}_j$

$U_j=H_j^T{R}_j^{-1}{H}_j,\&ForAll;j\&Element;J_i,S_i=\underset{j\&Element;J_i}{\&Sigma;}{U}_j$

其中，N_i表示智能体节点i的邻接智能体节点节点的集合，J_i表示N_i集合中在并入智能体节点i这个元素；是矩阵H_j的转置，是一种标准表示方式，是矩阵R_j的逆矩阵，是一种标准表示方式，u_j和y_i是算法过程中的中间变量；

对目标系统的状态值进行分布式卡尔曼滤波预测估计，其中，

M_i＝(P_i ^-1+S_i)^-1

${\hat{x}}_{k+1|k+1}^i={\stackrel{\&OverBar;}{x}}_{k+1|k}^i+M_i(y_i-S_i{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)+{\mathrm{\&epsiv;M}}_i\underset{j\&Element;N_i}{\&Sigma;}({\stackrel{\&OverBar;}{x}}_{k+1|k}^j-{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)$

其中，是指k+1时刻最优预测估计值，是k+1时刻的先验估计值，ε为步长，取值范围：

对微卡尔曼滤波算法的估计协方差矩阵和先验估计值进行迭代更新，其中，

$P_{k+1}^i={\mathrm{AM}}_i{A}^T+Q$

${\stackrel{\&OverBar;}{x}}_{k+2|k+1}^i=A{\hat{x}}_{k+1|k+1}^i$

其中，是指微电网群图论模型中智能体节点节点i在k+1时刻的估计协方差矩阵，A是指状态转移矩阵，A^T是指状态矩阵的转置矩阵，Q是指系统噪声向量w(k)的协方差矩阵。

根据另一方面，提供一种微电网群的功率预测系统，包括：至少两个子微电网，每个子微电网包括发电设备、用电设备、储能设备和控制中心，所述发电设备、用电设备、储能设备通过静电开关与该子微电网的母线相连，控制中心控制所有的静电开关；每个子微电网的母线均分别连接电网的母线，每个子微电网的控制中心均分别连接配电网调度中心；

各子微电网控制中心，用于实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率；

所述所述配电网调度中心，用于对各自的子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据；

所述配电网调度中心，用于根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法；

所述配电网调度中心，还用于在各自的子微电网的已知建立的通信关系图论拓扑关系基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测；

所述配电网调度中心，还用于根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

较佳地，所述每个子微电网历史数据包括：各子微电网的发电功率的历史数据和各子微电网总用户负荷功率的历史数据。

较佳地，所述配电网调度中心，还用于对各子微电网的发电功率的历史数据进行分类和修正处理具体包括：

利用公式(1)根据各自子微电网发电功率的相关性来进行错误数据剔除和补全，其中，公式(1)如下：

$\begin{array}{c}r=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(x_i-\stackrel{\&OverBar;}{x})(y_i-\stackrel{\&OverBar;}{y})}{\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^2\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-\stackrel{\&OverBar;}{y})}^2}}\\ =\frac{n\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\&Sigma;}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\&Sigma;}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i\right)}^2}}\end{array}---\left(1\right)$

其中，X和Y为两个变量，i和n均为大于等于1的正整数，相关性系数r的性质如下：

(a)相关系数|r|≤1；

(b)相关性|r|越接近于1，两变量之间的相关程度越大，当相关性|r|等于1时，两变量完全相关；

(c)相关性|r|越接近于0，两变量相之间的关程度越小，当相关性|r|等于0时，两变量不存在线性相关。

较佳地，所述配电网调度中心，还用于对所述各子微电网总用户负荷功率的历史数据进行分类和修正处理包括：

通过公式(2)求出不同星期的相同星期类型日24小时数据的平均值，其中，平均值是指在同一个时刻各子微电网总的用户负荷功率和的平均值，公式(2)如下

${\stackrel{\&OverBar;}{x}}_j=\underset{i=1}{\overset{n}{\&Sigma;}}{x}_{ij}/n,(i\&Element;N^{+};j=1,...,24)---\left(2\right)$

通过公式(3)求出各小时点数据与平均值的差值，公式(3)如下：

${\mathrm{\&Delta;x}}_{ij}=|x_{ij}-{\stackrel{\&OverBar;}{x}}_j|,(i\&Element;N^{+};j=1,...,24)---\left(3\right)$

通过公式(4)确定各子微电网负荷功率一天24个时刻的历史数据为不正常数据，公式(4)如下：

${\mathrm{\&Delta;x}}_{ij}>k{\stackrel{\&OverBar;}{x}}_j,(k<1;i\&Element;N^{+};j=1,...,24)---\left(4\right)$

其中，i是指i天相同星期类型日，其中，i为大于等于2的整数，j是指一天内j时刻，参数k(k<1)需要根据这些相似日的相似度来选取。

较佳地，所述每个子微电网为一个智能体节点，每个智能体节点的控制中心还用于运行的微卡尔曼滤波预测算法包括：

分别对微卡尔曼滤波预测算法中的估计协方差矩阵和先验估计值进行初始化；

采集本地智能体节点及邻接智能体节点的数据并通过数据迭代融合求出本地智能体节点对目标系统的观测值z_i，令本地智能体节点采集到的本地数据为zz_i，其中

${\mathrm{zz}}_i(k+1)={\mathrm{zz}}_i\left(k\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}{w}_{ij}\left({\mathrm{zz}}_j\right(k)-{\mathrm{zz}}_i(k\left)\right)$

$z_i=\underset{i\&Element;V}{\&Sigma;}{\mathrm{zz}}_i$

其中，其中，zz_i(k)表示在k时刻智能体节点采集到的本地数据值，w_ij表示在微电网图论模型中智能体节点节点i和智能体节点节点j信息交互的权重系数；

分别对微卡尔曼滤波预测算法中的观测值z_i和观测协方差数据R_i进行融合，其中，

J_i＝N_i∪{i}

$u_j=H_j^T{R}_j^{-1}{z}_j,\&ForAll;j\&Element;J_i,y_i=\underset{j\&Element;J_i}{\&Sigma;}{u}_j$

$U_j=H_j^T{R}_j^{-1}{H}_j,\&ForAll;j\&Element;J_i,S_i=\underset{j\&Element;J_i}{\&Sigma;}{U}_j$

其中，N_i表示智能体节点i的邻接智能体节点节点的集合，J_i表示N_i集合中在并入智能体节点i这个元素；是矩阵H_j的转置，是一种标准表示方式，是矩阵R_j的逆矩阵，是一种标准表示方式，u_j和y_i是算法过程中的中间变量；

对目标系统的状态值进行分布式卡尔曼滤波预测估计，其中，

M_i＝(P_i ^-1+S_i)^-1

${\hat{x}}_{k+1|k+1}^i={\stackrel{\&OverBar;}{x}}_{k+1|k}^i+M_i(y_i-S_i{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)+{\mathrm{\&epsiv;M}}_i\underset{j\&Element;N_i}{\&Sigma;}({\stackrel{\&OverBar;}{x}}_{k+1|k}^j-{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)$

其中，是指k+1时刻最优预测估计值，是k+1时刻的先验估计值，ε为步长，取值范围：

对微卡尔曼滤波算法的估计协方差矩阵和先验估计值进行迭代更新，其中，

$P_{k+1}^i={\mathrm{AM}}_i{A}^T+Q$

${\stackrel{\&OverBar;}{x}}_{k+2|k+1}^i=A{\hat{x}}_{k+1|k+1}^i$

其中，是指微电网群图论模型中智能体节点节点i在k+1时刻的估计协方差矩阵，A是指状态转移矩阵，A^T是指状态矩阵的转置矩阵，Q是指系统噪声向量w(k)的协方差矩阵。

本发明的各个方面提供一种微电网群的功率预测方法和系统，利用分布式卡尔曼滤波算法来预测微电网群总电网需求功率，既满足了微电网群总电网需求功率的预测又避免了集中式预测带来的各种弊端，同时还能实现更好的预测效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，在相似标号指代着相似单元的以下附图的各图中通过例子而不是通过限制来说明本发明，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为现有技术中一种微电网结构示意图；

图2为本发明一实施例的一个含有5个子微电网的微电网群结构示意图；

图3为本发明实施例的微电网群总电网需求功率短期预测方法流程示意图；

图4为本发明另一实施例的一种数据处理方法流程示意图；

图5为本发明实施例的智能体节点上滤波器的结构示意图；

图6为本发明实施例的相邻智能体节点之间的数据通信结构示意图；

图7为本发明实施例的每个智能体节点上运行的微卡尔曼滤波预测算法流程示意图；

图8为本发明另一实施例的微电网群系统通信关系建立无向图的图论模型图；

图9为本发明实施例的同一时刻节点状态值在节点之间融合迭代过程结果示意图；

图10为本发明实施例的微电网群的电网需求功率预测结果示意图；

图11为本发明实施例的系统估计误差结果示意图；

图12为本发明实施例的系统估计非一致性误差结果示意图；

图13为本发明实施例的分布式预测平均值与传统集中式预测值比较结果图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透切理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明的各个实施例描述一种微电网群的功率预测方法和系统，利用分布式卡尔曼滤波实现短期功率预测方法，该微电网群的功率预测方法可以对一个包含多个微电网的微电网群总电网需求功率进行预测，该微电网群的功率预测方法，不需要解耦，也不需要集中，而是通过微电网群网络内各子微电网系统与邻居子微电网系统之间进行局部信息通信，实时地进行数据的交换和更新，网内所有子微电网系统间的相互协作，共同预测出所要预测的功率值。该种预测方式能够很好地取代通信要求高、在线计算时间长、通信装置质量好的高成本传统集中式预测方式，且最后通过现有的历史数据进行实验仿真可以发现，该分布式卡尔曼滤波预测算法的误差精度比用于传统集中式功率预测的卡尔曼滤波预测算法的误差精度，有明显的提高。

如图5所示，为一个含有5个子微电网的微电网群结构示意图，在本发明的另一实施例，也可以包括至少一个子微电网，但为描述方便，本发明实施例的微电网群包括5个邻近的非均质子微电网：子微电网21，子微电网22，子微电网23，子微电网24和子微电网25，其中，在微电网群中，每个子微电网均分别通过各自的一个静电开关与微电网母线(例如10KV(千伏))连接，所述10KV母线再通过静电开关200与微电网群外部的母线(例如35KV)连接。例如，所示子微电网21通过静电开关210与所述10KV母线相连，所示子微电网22通过静电开关220与所述10KV母线相连，所示子微电网23通过静电开关230与所述10KV母线相连，所示子微电网24通过静电开关240与所述10KV母线相连，所示子微电网25通过静电开关250与所述10KV母线相连。每个子微电网均包括电力生成设备，储能设备和至少一个用电设备，且每个设备均分别通过各自的静电开关与该子微电网的一个母线(例如400V)相连，例如，所述电力生成设备可以是风力发动机、太阳能光伏电池板(PV，PhotoVoltaic)、柴油发动机、微型燃气轮机，燃料电池、光伏电池等，所述储能设备可以是超级电容、飞轮、蓄电池等储能装置，所述用电设备可以是居民楼用电设备、微波站和/或电动车充电站等，每个子微电网还可以包括有源电力滤波器(APF：Activepowerfilter)或动态无功补偿及谐波治理装置(SVG)等。

每个子微电网的各个设备连接的静电开关还通过通信线路与一个该子微电网对应的控制中心相连，每个子微电网对应的控制中心还通过通信线路与配电网调度中心连接，每个控制中心包括能源管理器和通讯控制器。例如，所述子微电网21的各个设备连接的静电开关通过通信线路与控制中心211相连，所述控制中心211再通过通信线路与所述配电网调度中心连接。所述子微电网22的各个设备连接的静电开关通过通信线路与控制中心221相连，所述控制中心221再通过通信线路与所述配电网调度中心连接。所述子微电网23的各个设备连接的静电开关通过通信线路与控制中心231相连，所述控制中心231再通过通信线路与所述配电网调度中心连接。所述子微电网24的各个设备连接的静电开关通过通信线路与控制中心241相连，所述控制中心241再通过通信线路与所述配电网调度中心连接。所述子微电网25的各个设备连接的静电开关通过通信线路与控制中心251相连，所述控制中心251再通过通信线路与所述配电网调度中心连接。

本发明的实施例的微电网群总电网需求功率短期预测方法可以如图3所示，为本发明实施例的微电网群总电网需求功率短期预测方法流程示意图，如下所述。

步骤31，微电网群内各子微电网控制中心实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率。

步骤32，对每个子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据。

步骤33，根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法。

步骤34，微电网群内每个子微电网在已知建立的通信关系图论拓扑基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测。

在预测的过程中，微电网群总电网需求功率的预测系统不会因为子微电网系统突然故障而脱离微电网群或接入新的微电网系统而导致瘫痪或者不准确，预测系统会根据微电网群内各子微电网系统之间实时的信息交互而进行通信拓扑结构的实时调整，进而在此基础上进行微电网群总电网需求功率的预测。

步骤35，调度中心根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

本发明的另一实施例，还提供一种微电网群的功率预测系统，包括：至少两个子微电网，每个子微电网包括发电设备、用电设备、储能设备和控制中心，所述发电设备、用电设备、储能设备通过静电开关与该子微电网的母线相连，控制中心控制所有的静电开关；每个子微电网的母线均分别连接电网的母线，每个子微电网的控制中心均分别连接配电网调度中心。

各子微电网控制中心，用于实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率。

所述所述配电网调度中心，用于对各自的子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据。

所述配电网调度中心，用于根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法。

所述配电网调度中心，还用于在各自的子微电网的已知建立的通信关系图论拓扑关系基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测。

所述配电网调度中心，还用于根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

在预测过程中，由于存在着测量或人为等原因将会造成大量的伪数据。这些伪数据则会严重影响预测模型的精度。因此，如何对伪数据进行辨别和修正就成为了功率或负荷预测过程中的重要步骤。未来某时刻功率值或负荷值的预测应建立在能够获取准确历史数据的基础上。现有技术的功率或负荷预测过程中或者不考虑伪数据，或者对伪数据进行折中或求取平均值进行处理，所以这种方法必然会影响预测模型的准确度。因此，本发明实施例先对伪数据进行处理，然后再进行预测，能提高预测模型的精度。

本发明实施例的步骤32的数据处理是建立在历史数据的基础上，通过对每个子微电网历史数据中的盲点、误点进行分类处理，从而达到每个子微电网接近实际值的数据，其具体步骤如图4所示，为本发明另一实施例的一种数据处理方法流程示意图，下所述。

步骤321，建立数据库，收集存储预测模型所需的数据。

例如，收集的数据包括每天的发电功率或负荷功率、实时环境温度、天气情况以及日类型的数据。

步骤322，对伪数据进行分类，伪数据包括坏数据和畸变数据。

其中，伪数据即为不正常数据，一般的缺省值、毛刺值等都属于坏数据范畴，而畸变数据主要是由于停电或检修等原因引起的需要补偿的数据，以及由于突发事件或者自然环境因素引起的含冲击的数据。

步骤323，对伪数据进行辨别和修正处理。

在实际操作中，对待预测模型检验的历史数据，一般有以下几类修正方法:(a)经验修正法，根据长期积累的经验对伪数据进行修正处理；(b)曲线置换法，对有明显异常的曲线进行剔除处理，然后使用正常的曲线对其进行替换；(c)对比法，将有异常时刻的数据与其前后时刻数据或者前后一、二天相同时刻的数据进行比较然后进行修正处理；(d)数学方法，采用插值法、概率统计法以及迭代识别方法等对伪数据进行辨别和修正处理。

本实施例是对某地区微电网群的电网需求功率进行预测，微电网群的电网需求功率是指群内各微电网需求功率之和，而每个微电网的需求功率是指网内所有微源总发电功率与网内总负荷功率之和。所以本实施例所涉及到的历史数据有两种类型，一是各子微电网的发电功率的历史数据，二是各子微电网总用户负荷功率的历史数据。对于这两种历史数据，本文分别采用两种处理方式。

1)各子微电网的发电功率的历史数据

由于在相同气候环境影响下，各子微电网内各类型的分布式微源发电功率存在很大的相似性，所以可以根据各子微电网发电功率的相关性来进行错误数据剔除和补全。

对于两个变量X和Y，一般可以用相关关系来表示它们之间的非确定性的关系，而相关系数则用来表示它们之间的相关程度又称线性相关系数，常用r来表示，具体如公式(1)所示：

$\begin{array}{c}r=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(x_i-\stackrel{\&OverBar;}{x})(y_i-\stackrel{\&OverBar;}{y})}{\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^2\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-\stackrel{\&OverBar;}{y})}^2}}\\ =\frac{n\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\&Sigma;}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\&Sigma;}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{y}_i\right)}^2}}\end{array}---\left(1\right)$

其中，i和n均为大于等于1的正整数，相关性系数r的性质如下：

(a)相关系数|r|≤1；

(b)相关性|r|越接近于1，两变量之间的相关程度越大，当相关性|r|等于1时，两变量完全相关；

(c)相关性|r|越接近于0，两变量相之间的关程度越小，当相关性|r|等于0时，两变量不存在线性相关。

所以对于n维随机变量(X₁,X₂,…,X_n)，其相关系数矩阵为

2)各子微电网总用户负荷功率的历史数据

由于各子微电网的负荷容量、负荷特点、负荷属性等方面存在着差异，各子微电网系统负荷功率数据在纵向上虽然呈现出非线性变化特性，但在横向上却存在着明显的相似性特点：

(a)对于不同日的24小时变化规律存在着相似性；

(b)对于工作日和休息日的负荷功率存在着各自的相似性；

(c)对于不同星期的相同星期类型日的负荷功率存在着相似性；

(d)对于不同年的重大节日的负荷功率存在着相似性。

其中，所述不同星期的相同星期类型日是指不同星期内相同的星期日，例如上周星期一和本周星期一就为不同星期的相同星期类型日，所以本实施例根据负荷功率相似性的特点对微电网群内各个微电网总用户负荷功率数据进行了处理，首先根据判据依据剔除错误数据，再利用相似性对错误数据进行补全。

不同星期的相同星期类型日的24小时变化规律由于存在着很大的相似性，相似日内每一时刻的负荷功率值相差不会很大，所以为了剔除历史负荷功率值数据中的不正常数据，可以将每1点的负荷功率值与这些同时刻负荷功率值的平均值相比较而得到差值作为判断依据，如果该点的负荷功率值为正常数据则其差值一般很小，如果为不正常数据则其差值一般较大，各子微电网总用户负荷功率的历史数据是否异常的判断方法可以如下所述。

步骤51：通过公式(2)求出不同星期的相同星期类型日24小时数据的平均值，其中，平均值是指在同一个时刻各子微电网总的用户负荷功率和的平均值。

${\stackrel{\&OverBar;}{x}}_j=\underset{i=1}{\overset{n}{\&Sigma;}}{x}_{ij}/n,(i\&Element;N^{+};j=1,...,24)---\left(2\right)$

步骤52：通过公式(3)求出各小时点数据与平均值的差值。

${\mathrm{\&Delta;x}}_{ij}=|x_{ij}-{\stackrel{\&OverBar;}{x}}_j|,(i\&Element;N^{+};j=1,...,24)---\left(3\right)$

步骤53：通过公式(4)确定各子微电网负荷功率一天24个时刻的历史数据为不正常数据。

${\mathrm{\&Delta;x}}_{ij}>k{\stackrel{\&OverBar;}{x}}_j,(k<1;i\&Element;N^{+};j=1,...,24)---\left(4\right)$

其中，i是指i(i为大于等于2的整数)天相同星期类型日，j是指一天内j时刻，参数k(k<1)需要根据这些相似日的相似度来选取，需要选取一个适当的值来确定是否满足条件。

上述预测算法包括三个部分，分别包括微电网群通信关系图论模型的建立、微电网群电网需求功率值状态方程的建立及微电网群卡尔曼滤波预测算法模型的建立。

1)微电网群通信关系图论模型的建立

在建立微电网群通信关系图论模型之前，微电网群的定义和对各子微电网做的约束条件如下所述。

定义1：由非均质子微电网构成的微电网群作为一个整体并称为微电网群系统，将微电网群系统中的每个子微电网称为该系统中的智能体节点。

约束条件：

(a)微电网群系统中各子微电网所属的位置具有相似的气象条件，受到的影响规律也因此基本相同，因此各子微电网中分布式电源总发电功率和负荷功率，在波动幅度和变化速率上并不是很大。

(b)所涉及到的预测研究，只限于电网层面上的关于智能体节点的参数预测，不涉及智能体节点的功率反向控制。

(c)电网层面上的任意两智能体节点之间至少存在着一条通信链路。

根据以上的微电网群的定义及约束条件，就可以将微电网群系统的通信关系抽象成一个图G＝(V,E)的形式来展示出来，其中图中的节点表示一个单独的子微电网(智能体节点)，节点与节点之间的连线表示子微电网(智能体节点)之间的通信关系。这样就可以将实际的问题转化为了数学问题，从而建立了微电网群的数学模型。在这个微电网群模型中，各个智能体节点之间的相互关系及通信拓扑结构可以用有向图G＝(V,E)来表示，其中V＝{v₁,v₂,…,v_n}是顶点即智能体节点的集合；E＝{e₁,e₂,…,e_n}是网络中智能体节点与智能体节点之间形成边(v_i,v_j)的集合。可以用一个n×n维对称矩阵A来表示图G中各智能体节点与其邻居智能体节点的连接情况，记矩阵A＝[a_ij]为图G相对应的邻接矩阵。其中，若智能体节点v_i和智能体节点v_j之间存在连边，则a_ij＝a_ji＝1；否则a_ij＝a_ji＝0，且用集合N_i＝{v_j∈V:(v_i,v_j)∈E}来表示智能体节点v_i邻接智能体节点的集合。用节点的度deg(v_i)来表示图G中，与智能体节点v_i相关联边的条数，则节点的度用公式(5)表示如下：

$\mathrm{deg}\left(v_i\right)=\underset{j=1,j\&NotEqual;i}{\&Sigma;}{a}_{ij}=\underset{j=1,j\&NotEqual;i}{\&Sigma;}{a}_{ji}---\left(5\right)$

则用对角矩阵D＝[d_ij]来表示图G中每个节点的度，其中度矩阵D中的各元素表示如公式(6)：

$d_{ij}=\left\{\begin{array}{cc}0& i\&NotEqual;j\\ \mathrm{deg}\left(v_i\right)& i=j\end{array}\right.---\left(6\right)$

则用矩阵L来表示图G的拉普拉斯矩阵，且L＝D-A。

定义2：在有向图G＝(V,E)中，当且仅当图中的任意两个节点能通过边集中的有向路径连接起来，则该有向图是强连通图。对无向图来说，任意节点对之间有路径连接，则该无向图为连通图。

定义3：如果用来表示智能体节点v_i的入度，用来表示智能体节点v_i的出度，则智能体节点v_i的deg(v_i)＝deg_in(v_i)+deg_out(v_i)，当且仅当图G＝(V,E)中所有节点的入度和出度相等时，称该图为平衡图，任意一个无向图都是平衡图。

微电网群的通信关系模型的建立，可以有效地为接下来用分布式卡尔曼滤波短期功率预测方法来预测微电网群总电网需求功率做好铺垫。

2)微电网群电网需求功率值状态方程的建立

定义4：微电网群总电网需求功率D_net是群内各子微电网电网需求功率D_inet的代数和，而各子微电网的电网需求功率D_inet是网内发电功率G_i和负荷功率L_i的综合，它们之间的关系可以用数学公式(7)表达如下：

$D_{net}\left(k\right)=\underset{i=1}{\overset{N}{\&Sigma;}}{D}_{inet}\left(k\right)=\underset{i=1}{\overset{N}{\&Sigma;}}\left(L_i\right(k)-G_i(k\left)\right)---\left(7\right)$

其中，k是离散序列数，N是微电网群内子微电网数，i是指某个子微电网。

则微电网群预测的和实际测的电网需求功率离散时间序列可以分别表示公式(8)和(9)，如下：

D_{net_for}＝(D_{net_for}(1),D_{net_for}(2),…,D_{net_for}(k))(8)

D_{net_mea}＝(D_{net_mea}(1),D_{net_mea}(2),…,D_{net_mea}(k))(9)

D_{net_for}表示微电网群总的电网需求功率的预测值，D_{net_mea}表示微电网群总的电网需求功率实际测量值。

而微电网群内的子微电网i预测的和实际测的电网需求功率离散时间序列可以分别表示公式(10)和(11)，如下：

D_{inet_for}＝(D_{inet_for}(1),D_{inet_for}(2),…,D_{inet_for}(k))(10)

D_{inet_mea}＝(D_{inet_mea}(1),D_{inet_mea}(2),…,D_{inet_mea}(k))(11)

其中，D_{inet_for}表示微电网群内子微电网i总的电网需求功率的预测值，D_{inet_mea}表示微电网群内子微电网i总的电网需求功率实际测量值。

分布式卡尔曼滤波预测算法是利用当前时刻的值来对下一时刻的值进行预测，通常预测值可以写成以下表达式公式(12)：

D_net(k)＝H(k)D_{Base_net}(k)+v(k)(12)

其中，D_net(k)是第k时刻的微电网群电网需求功率值，D_{Base_net}(k)是第k时刻的微电网群电网需求功率的基本值，H(k)是系数矩阵，v(k)是误差。

为了便于分布式卡尔曼滤波预测算法进行微电网群功率状态值的预测，将公式(12)进行如下转换：

z(k)＝D_net(k)(13)

x(k)＝D_{Base_net}(k)(14)

可得：

x(k)＝A(k)x(k-1)+w(k)(15)

z(k)＝H(k)x(k)+v(k)(16)

其中，A(k)是第k时刻的微电网群电网需求功率的状态转移矩阵，w(k)是第k时刻的微电网群电网需求功率的状态误差，z(k)是第k时刻的微电网群电网需求功率的观测值，H(k)是第k时刻的微电网群电网需求功率的观测矩阵，v(k)是第k时刻的微电网群电网需求功率的观测误差。

3)微电网群卡尔曼滤波预测算法模型的建立

分布式卡尔曼滤波预测方法是由n个微卡尔曼滤波器(Micro-KalmanFiler，MKF)组成，这些n个微卡尔曼滤波器分别布置在每个智能体节点上，且每个微卡尔曼滤波器内嵌两个并列的高通一致性滤波器(ConsensusFilter，CF)。在同一时刻，以智能体节点为单位的各节点i(1<i<n)之间相互进行数据的交换和融合；在不同时刻，节点i在时间t上进行状态变量估计值的更新，最后分布地预测出地区电网微电网群总电网需求功率值。其中，每个智能体节点上滤波器的结构如图5所示，为本发明另一实施例的智能体节点的结构示意图，每个智能体节点包括两个并列的高通一致性滤波器，并每个滤波器分别均连接同一个微卡尔曼滤波器。微卡尔曼滤波器内嵌的两个并列的高通一致性滤波器在相邻智能体节点之间的数据通信模式如图6所示，为本发明另一实施例的相邻智能体节点之间的结构示意图，每个智能体节点包括两个并列的高通一致性滤波器，并每个滤波器分别均连接同一个微卡尔曼滤波器，相邻智能体节点的滤波器两两连接。

分布式卡尔曼滤波预测方法是由子微电网群的控制中心运行在每个智能体节点上的分布式卡尔曼滤波预测方法共同协作完成对目标系统状态值的预测估计，且每个智能体节点上运行的微卡尔曼滤波预测算法是一样的。

每个智能体节点上运行的微卡尔曼滤波预测算法流程如图7所示，主要过程如下所述。

步骤71：分别对微卡尔曼滤波预测算法中的估计协方差矩阵和先验估计值进行初始化。

$P_k^i=P_0---\left(17\right)$

${\stackrel{\&OverBar;}{x}}_{k+1|k}^i=x_0---\left(18\right)$

其中，P₀表示单位阵，x₀表示零矩阵。

步骤72：采集本地智能体节点及邻接智能体节点的数据并通过数据迭代融合求出本地智能体节点对目标系统的观测值z_i，令本地智能体节点采集到的本地数据为zz_i。

${\mathrm{zz}}_i(k+1)={\mathrm{zz}}_i\left(k\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}{w}_{ij}\left({\mathrm{zz}}_j\right(k)-{\mathrm{zz}}_i(k\left)\right)---\left(19\right)$

$z_i=\underset{i\&Element;V}{\&Sigma;}{\mathrm{zz}}_i---\left(20\right)$

其中，zz_i(k)表示在k时刻智能体节点采集到的本地数据值，w_ij表示在微电网图论模型中智能体节点节点i和智能体节点节点j信息交互的权重系数。

步骤73：分别对微卡尔曼滤波预测算法中的观测值z_i和观测协方差数据R_i进行融合。

J_i＝N_i∪{i}(21)

$u_j=H_j^T{R}_j^{-1}{z}_j,\&ForAll;j\&Element;J_i,y_i=\underset{j\&Element;J_i}{\&Sigma;}{u}_j---\left(22\right)$

$U_j=H_j^T{R}_j^{-1}{H}_j,\&ForAll;j\&Element;J_i,S_i=\underset{j\&Element;J_i}{\&Sigma;}{U}_j---\left(23\right)$

其中，N_i表示智能体节点i的邻接智能体节点节点的集合，J_i表示N_i集合中在并入智能体节点i这个元素。

是矩阵H_j的转置，是一种标准表示方式，是矩阵R_j的逆矩阵，是一种标准表示方式，u_j和y_i是算法过程中的中间变量。

步骤74：对目标系统的状态值进行分布式卡尔曼滤波预测估计。

M_i＝(P_i ^-1+S_i)^-1(24)

${\hat{x}}_{k+1|k+1}^i={\stackrel{\&OverBar;}{x}}_{k+1|k}^i+M_i(y_i-S_i{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)+{\mathrm{\&epsiv;M}}_i\underset{j\&Element;N_i}{\&Sigma;}({\stackrel{\&OverBar;}{x}}_{k+1|k}^j-{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)---\left(25\right)$

其中，是指k+1时刻最优预测估计值，是k+1时刻的先验估计值。

步骤75：对微卡尔曼滤波算法的估计协方差矩阵和先验估计值进行迭代更新。

$P_{k+1}^i={\mathrm{AM}}_i{A}^T+Q---\left(26\right)$

${\stackrel{\&OverBar;}{x}}_{k+2|k+1}^i=A{\hat{x}}_{k+1|k+1}^i---\left(27\right)$

其中，是指微电网群图论模型中智能体节点节点i在k+1时刻的估计协方差矩阵，A是指状态转移矩阵，A^T是指状态矩阵的转置矩阵，Q是指系统噪声向量w(k)的协方差矩阵。

步骤76：返回步骤72。

其中，算法中，ε为步长，取值范围：

从上述步骤72到步骤74可以看出，在同一时刻，每个智能体节点和邻接智能体节点需要交换的数据包括zz_i，u_i，U_i和其中，所示步骤72中的智能体节点观测值z_i，并不是仅仅对本地子微电网电网需求功率值zz_i的采集，而是通过对采集到的本地子微电网的电网需求功率值和周围相连接子微电网的电网需求功率值进行分布地局部数据融合，最终得出同一时刻的地区微电网群内所有子微电网的电网需求功率测量值作为该子微电网的观测值z_i。所示步骤73是将智能体节点及邻接智能体节点之间的数据进行分布地局部融合处理，然后在所示步骤74中对目标系统的先验估计值进行修正补偿，最后在所示步骤75中进行估计协方差矩阵和先验估计值的更新。

为了验证本发明实施例所提出的算法可行性，下面通过实例来证明。

如图2所示，将某一A地区电网的5个风电场的发电数据及各风电场所在地区的用户负荷数据分别和图2中的微电网群内各子微电网的两类数据一一对应，而且对于这两类数据，下文将统一对应地称为各子微电网的发电数据和各子微电网的负荷数据，并不再做另外解释。

对微电网群系统通信关系建立无向图的图论模型，可以如图8所示，为本发明另一实施例的微电网群系统通信关系建立无向图的图论模型图。

在图8的无向图中，带有编号的节点表示微电网群内的子微电网系统，点与点之间的连线表示微电网群内各个子微电网之间的通信关系，则图8所表示的无向图的连接矩阵A、节点的度矩阵D及拉普拉斯矩阵L分别表示如下：

$A=\left[\begin{array}{ccccc}0& 1& 1& 0& 0\\ 1& 0& 1& 1& 1\\ 1& 1& 0& 1& 0\\ 0& 1& 1& 0& 1\\ 0& 1& 0& 1& 0\end{array}\right]$

$D=\left[\begin{array}{ccccc}2& 0& 0& 0& 0\\ 0& 4& 0& 0& 0\\ 0& 0& 3& 0& 0\\ 0& 0& 0& 3& 0\\ 0& 0& 0& 0& 2\end{array}\right]$

$L=\left[\begin{array}{ccccc}2& -1& -1& 0& 0\\ -1& 4& -1& -1& -1\\ -1& -1& 3& -1& 0\\ 0& -1& -1& 3& -1\\ 0& -1& 0& -1& 2\end{array}\right]$

根据节点的度矩阵D可知，故步长ε的取值范围为0<ε<0.25。当微电网群内以各微电网为单位的各智能体节点在某一时刻采集到的本地功率值分别为1MW，2MW，3MW，4MW，5MW，则同一时刻微电网群内5个智能体节点状态值经过智能体节点之间的200次的迭代过程如图9所示，其中融合的过程中步长ε取0.2。

由图9可知，在同一时刻，不论节点的状态值是多少，通过数据融合过程，节点的最终状态值是趋于一致的，且如果各节点之间通信关系构成的无向图是一个平衡图，则该无向图中的各节点的状态值最终趋于各节点初始状态值的平均值。而分布式卡尔曼滤波预测算法就是一致性数据融合算法和卡尔曼滤波算法的一种组合，在同一时刻，以智能体节点为单位的各节点i(1<i<n)之间相互进行数据的交换和融合；在不同时刻，节点i在时间t上进行状态变量估计值的更新，最后分布地预测出地区电网微电网群总的电网需求功率值。

定义5：

多智能体节点的系统误差：

多智能体节点的非一致性误差：

x_k是指k时刻的智能体节点节点实际值，该两种误差指标主要针对于本实施例微电网群所提到的分布式卡尔曼滤波预测算法，k时刻系统误差越小，网络图中各智能体节点在k时刻的均方根误差越小；k时刻系统非一致性误差值越小，网络图中各智能体节点在k时刻的状态估计预测值之间一致性越好。其中，i∈V,V是指网络图中包含所有智能体节点的非空集合；是指网络图中智能体节点i在k时刻的状态估计预测值；是指网络图中所有智能体节点状态估计预测值在k时刻的平均值。

图10是分布式卡尔曼滤波预测在图8的通信拓扑结构图论模型的基础上对微电网群一天24个时刻进行的总电网需求功率预测的结果，其中，零点以上的数值，指上一级电网向微电网群系统供电，即此时的微电网处于电能购买模式，零点以下的数值，指微电网群系统向上一级电网供电，即此时的微电网处于电能的销售模式。图11是分布式卡尔曼滤波预测算法的系统误差，即以子微电网为单位的各智能体节点在同一时刻的均方根误差，图12是分布式卡尔曼滤波预测算法的系统估计非一致性误差，即在同一时刻以子微电网为单位的各智能体节点估计预测值之间的非一致性误差。

为了显示分布式卡尔曼滤波预测算法的预测效果，将分布式卡尔曼滤波预测算法与用于集中式预测的卡尔曼滤波预测算法进行了比较，比较结果如图13所示，其中这两种算法的性能比较结果如表1所示。

表1分布式预测算法与集中式预测算法的性能比较

性能评价指标	EMAE(Mw)	EMRE(％)	ERMSE(Mw)
				分布式预测算法	12.8993	108.0319	15.9087
集中式预测算法	33.2091	226.0301	40.0079

其中，各种误差的定义如下：

平均绝对误差：

平均相对误差：

均方根误差：

其中，x_{i_for}—第i个预测值；

x_{i_real}—第i个实际值。

由表1可以看出，对于为微电网群总的电网需求功率的预测，采用分布式卡尔曼滤波预测算法比采用一般用于传统的集中式卡尔曼滤波预测算法在预测精度上有更好的提高，分布式卡尔曼滤波预测算法平均绝对误差比改进后的卡尔曼滤波预测算法提高了20.3098Mw；在平均相对误差上，前者比后者提高了117.9982％；在均方根误差上，前者比后者提高了24.0992Mw。

所以综上所述，如果对一个微电网群总的电网需求功率进行预测，且微电网群的通信拓扑结构是一个无向图时，则使用分布式卡尔曼滤波预测算法，在算法性能上要比一般用于传统集中式预测的卡尔曼滤波预测有很好的优势。

以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种微电网群的功率预测方法，其特征在于，包括：

微电网群内各子微电网控制中心实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率；

对每个子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据；

根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法；

微电网群内每个子微电网在已知建立的通信关系图论拓扑基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测；

调度中心根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

2.如权利要求1所述的方法，其特征在于，所述每个子微电网历史数据包括：各子微电网的发电功率的历史数据和各子微电网总用户负荷功率的历史数据。

3.如权利要求2所述的方法，其特征在于，所述对各子微电网的发电功率的历史数据进行分类和修正处理包括：

利用公式(1)根据各子微电网发电功率的相关性来进行错误数据剔除和补全，其中，公式(1)如下：

$\begin{array}{c}r=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(x_i-\stackrel{\&OverBar;}{x}\right)\left(y_i-\stackrel{\&OverBar;}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(x_i-\stackrel{\&OverBar;}{x}\right)}^2\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(y_i-\stackrel{\&OverBar;}{y}\right)}^2}}\\ =\frac{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i\right)}^2}}\end{array}---\left(1\right)$

其中，X和Y为两个变量，i和n均为大于等于1的正整数，相关性系数r的性质如下：

(a)相关系数|r|≤1；

(b)相关性|r|越接近于1，两变量之间的相关程度越大，当相关性|r|等于1时，两变量完全相关；

(c)相关性|r|越接近于0，两变量相之间的关程度越小，当相关性|r|等于0时，两变量不存在线性相关。

4.如权利要求2所述的方法，其特征在于，对所述各子微电网总用户负荷功率的历史数据进行分类和修正处理包括：

通过公式(2)求出不同星期的相同星期类型日24小时数据的平均值，其中，平均值是指在同一个时刻各子微电网总的用户负荷功率和的平均值，公式(2)如下

${\stackrel{\&OverBar;}{x}}_j=\underset{i=1}{\overset{n}{\&Sigma;}}{x}_{ij}/n,(i\&Element;N^{+};j=1,...,24)---\left(2\right)$

通过公式(3)求出各小时点数据与平均值的差值，公式(3)如下：

${\mathrm{\&Delta;x}}_{ij}=|x_{ij}-{\stackrel{\&OverBar;}{x}}_j|,(i\&Element;N^{+};j=1,...,24)---\left(3\right)$

通过公式(4)确定各子微电网负荷功率一天24个时刻的历史数据为不正常数据，公式(4)如下：

${\mathrm{\&Delta;x}}_{ij}>k{\stackrel{\&OverBar;}{x}}_j,(k<1;i\&Element;N^{+};j=1,...,24)---\left(4\right)$

其中，i是指i天相同星期类型日，其中，i为大于等于2的整数，j是指一天内j时刻，参数k(k<1)需要根据这些相似日的相似度来选取。

5.如权利要求1所述的方法，其特征在于，所述每个子微电网为一个智能体节点，每个智能体节点上运行的微卡尔曼滤波预测算法包括：

分别对微卡尔曼滤波预测算法中的估计协方差矩阵和先验估计值进行初始化；

采集本地智能体节点及邻接智能体节点的数据并通过数据迭代融合求出本地智能体节点对目标系统的观测值z_i，令本地智能体节点采集到的本地数据为zz_i，其中

${\mathrm{zz}}_i(k+1)={\mathrm{zz}}_i\left(k\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}{w}_{ij}\left({\mathrm{zz}}_j\right(k)-{\mathrm{zz}}_i(k\left)\right)$

$z_i=\underset{i\&Element;V}{\&Sigma;}{\mathrm{zz}}_i$

其中，其中，zz_i(k)表示在k时刻智能体节点采集到的本地数据值，w_ij表示在微电网图论模型中智能体节点节点i和智能体节点节点j信息交互的权重系数；

分别对微卡尔曼滤波预测算法中的观测值z_i和观测协方差数据R_i进行融合，其中，

J_i＝N_i∪{i}

$u_j=H_j^T{R}_j^{-1}{z}_j,\&ForAll;j\&Element;J_i,y_i=\underset{j\&Element;J_i}{\&Sigma;}{u}_j$

$U_j=H_j^T{R}_j^{-1}{H}_j,\&ForAll;j\&Element;J_i,S_i=\underset{j\&Element;J_i}{\&Sigma;}{U}_j$

其中，N_i表示智能体节点i的邻接智能体节点节点的集合，J_i表示N_i集合中在并入智能体节点i这个元素；是矩阵H_j的转置，是一种标准表示方式，是矩阵R_j的逆矩阵，是一种标准表示方式，u_j和y_i是算法过程中的中间变量；

对目标系统的状态值进行分布式卡尔曼滤波预测估计，其中，

$M_i={(P_i^{-1}+S_i)}^{-1}$

${\hat{x}}_{k+1|k+1}^i={\stackrel{\&OverBar;}{x}}_{k+1|k}^i+M_i(y_i-S_i{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)+{\mathrm{\&epsiv;M}}_i\underset{j\&Element;N_i}{\mathrm{\&Sigma;}}({\stackrel{\&OverBar;}{x}}_{k+1|k}^j-{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)$

其中，是指k+1时刻最优预测估计值，是k+1时刻的先验估计值，ε为步长，取值范围： $0<\mathrm{\&epsiv;}<\frac{1}{\mathrm{\&Delta;}}(\mathrm{\&Delta;}={\max }_i(\underset{i\&NotEqual;j}{\mathrm{\&Sigma;}}{a}_{ij}\left)\right);$

对微卡尔曼滤波算法的估计协方差矩阵和先验估计值进行迭代更新，其中，

$P_{k+1}^i={\mathrm{AM}}_i{A}^T+Q$

${\stackrel{\&OverBar;}{x}}_{k+2|k+1}^i=A{\hat{x}}_{k+1|k+1}^i$

其中，是指微电网群图论模型中智能体节点节点i在k+1时刻的估计协方差矩阵，A是指状态转移矩阵，A^T是指状态矩阵的转置矩阵，Q是指系统噪声向量w(k)的协方差矩阵。

6.一种微电网群的功率预测系统，其特征在于，包括：至少两个子微电网，每个子微电网包括发电设备、用电设备、储能设备和控制中心，所述发电设备、用电设备、储能设备通过静电开关与该子微电网的母线相连，控制中心控制所有的静电开关；每个子微电网的母线均分别连接电网的母线，每个子微电网的控制中心均分别连接配电网调度中心；

各子微电网控制中心，用于实时对各自子微电网内分布式发电总输出功率和总负荷功率数据进行监测，求出每个时刻各个子微电网的总输出功率和总负荷功率的代数和即为当前时刻各个子微电网总的电网需求功率；

所述所述配电网调度中心，用于对各自的子微电网历史数据中的盲点或误点进行分类和修正处理，从而达到每个子微电网接近实际值的数据；

所述配电网调度中心，用于根据微电网群总电网需求功率的历史数据建立微电网群的电网需求功率的状态方程；根据微电网群内各子微电网之间的通信关系建立微电网的图论模型；根据智能体节点一致性理论并结合微卡尔曼滤波预测算法确定针对于微电网群总电网需求功率分布式预测的功率预测算法；

所述配电网调度中心，还用于在各自的子微电网的已知建立的通信关系图论拓扑关系基础上，集合本地子微电网系统及邻接子微电网系统的电网需求功率信息，利用预测算法在本地子微电网系统上分布地进行微电网群总电网需求功率的短期预测；

所述配电网调度中心，还用于根据微电网群总电网需求功率的预测值来确定这个区域内整个微电网群在未来短期内的电网需求供给情况。

7.如权利要求6所述的系统，其特征在于，所述每个子微电网历史数据包括：各子微电网的发电功率的历史数据和各子微电网总用户负荷功率的历史数据。

8.如权利要求7所述的系统，其特征在于，所述配电网调度中心，还用于对各子微电网的发电功率的历史数据进行分类和修正处理具体包括：

利用公式(1)根据各自子微电网发电功率的相关性来进行错误数据剔除和补全，其中，公式(1)如下：

$\begin{array}{c}r=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(x_i-\stackrel{\&OverBar;}{x}\right)\left(y_i-\stackrel{\&OverBar;}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(x_i-\stackrel{\&OverBar;}{x}\right)}^2\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(y_i-\stackrel{\&OverBar;}{y}\right)}^2}}\\ =\frac{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i\right)}^2}}\end{array}---\left(1\right)$

其中，X和Y为两个变量，i和n均为大于等于1的正整数，相关性系数r的性质如下：

(a)相关系数|r|≤1；

(b)相关性|r|越接近于1，两变量之间的相关程度越大，当相关性|r|等于1时，两变量完全相关；

(c)相关性|r|越接近于0，两变量相之间的关程度越小，当相关性|r|等于0时，两变量不存在线性相关。

9.如权利要求7所述的方法，其特征在于，所述配电网调度中心，还用于对所述各子微电网总用户负荷功率的历史数据进行分类和修正处理包括：

通过公式(2)求出不同星期的相同星期类型日24小时数据的平均值，其中，平均值是指在同一个时刻各子微电网总的用户负荷功率和的平均值，公式(2)如下

${\stackrel{\&OverBar;}{x}}_j=\underset{i=1}{\overset{n}{\&Sigma;}}{x}_{ij}/n,(i\&Element;N^{+};j=1,...,24)---\left(2\right)$

通过公式(3)求出各小时点数据与平均值的差值，公式(3)如下：

${\mathrm{\&Delta;x}}_{ij}=|x_{ij}-{\stackrel{\&OverBar;}{x}}_j|,(i\&Element;N^{+};j=1,...,24)---\left(3\right)$

通过公式(4)确定各子微电网负荷功率一天24个时刻的历史数据为不正常数据，公式(4)如下：

${\mathrm{\&Delta;x}}_{ij}>k{\stackrel{\&OverBar;}{x}}_j,(k<1;i\&Element;N^{+};j=1,...,24)---\left(4\right)$

其中，i是指i天相同星期类型日，其中，i为大于等于2的整数，j是指一天内j时刻，参数k(k<1)需要根据这些相似日的相似度来选取。

10.如权利要求6所述的系统，其特征在于，所述每个子微电网为一个智能体节点，每个智能体节点的控制中心还用于运行的微卡尔曼滤波预测算法包括：

分别对微卡尔曼滤波预测算法中的估计协方差矩阵和先验估计值进行初始化；

采集本地智能体节点及邻接智能体节点的数据并通过数据迭代融合求出本地智能体节点对目标系统的观测值z_i，令本地智能体节点采集到的本地数据为zz_i，其中

${\mathrm{zz}}_i(k+1)={\mathrm{zz}}_i\left(k\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}{w}_{ij}\left({\mathrm{zz}}_j\right(k)-{\mathrm{zz}}_i(k\left)\right)$

$z_i=\underset{i\&Element;V}{\&Sigma;}{\mathrm{zz}}_i$

其中，其中，zz_i(k)表示在k时刻智能体节点采集到的本地数据值，w_ij表示在微电网图论模型中智能体节点节点i和智能体节点节点j信息交互的权重系数；

分别对微卡尔曼滤波预测算法中的观测值z_i和观测协方差数据R_i进行融合，其中，

J_i＝N_i∪{i}

$u_j=H_j^T{R}_j^{-1}{z}_j,\&ForAll;j\&Element;J_i,y_i=\underset{j\&Element;J_i}{\&Sigma;}{u}_j$

$U_j=H_j^T{R}_j^{-1}{H}_j,\&ForAll;j\&Element;J_i,S_i=\underset{j\&Element;J_i}{\&Sigma;}{U}_j$

其中，N_i表示智能体节点i的邻接智能体节点节点的集合，J_i表示N_i集合中在并入智能体节点i这个元素；是矩阵H_j的转置，是一种标准表示方式，是矩阵R_j的逆矩阵，是一种标准表示方式，u_j和y_i是算法过程中的中间变量；

对目标系统的状态值进行分布式卡尔曼滤波预测估计，其中，

$M_i={(P_i^{-1}+S_i)}^{-1}$

${\hat{x}}_{k+1|k+1}^i={\stackrel{\&OverBar;}{x}}_{k+1|k}^i+M_i(y_i-S_i{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)+{\mathrm{\&epsiv;M}}_i\underset{j\&Element;N_i}{\mathrm{\&Sigma;}}({\stackrel{\&OverBar;}{x}}_{k+1|k}^j-{\stackrel{\&OverBar;}{x}}_{k+1|k}^i)$

其中，是指k+1时刻最优预测估计值，是k+1时刻的先验估计值，ε为步长，取值范围：

对微卡尔曼滤波算法的估计协方差矩阵和先验估计值进行迭代更新，其中，

$P_{k+1}^i={\mathrm{AM}}_i{A}^T+Q$

${\stackrel{\&OverBar;}{x}}_{k+2|k+1}^i=A{\hat{x}}_{k+1|k+1}^i$

其中，是指微电网群图论模型中智能体节点节点i在k+1时刻的估计协方差矩阵，A是指状态转移矩阵，A^T是指状态矩阵的转置矩阵，Q是指系统噪声向量w(k)的协方差矩阵。