CN106447131A - 独立型微电网光伏输出功率预测方法及能量调控方法 - Google Patents

Abstract

一种独立型微电网光伏输出功率预测方法，通过考虑当前光伏预测算法模型训练集选择时对天气类型分类模糊，且同一天气类型的不用日期的相同时刻数据存在差异，提出基于相似时的选择方法，从而避免了传统预测方法中由于相似日不同日期的相同时刻存在差异而导致的误差。一种独立型微电网的能量调控方法，基于微网当前的运行状态，对微网运行设备进行优化调度，建立备用电源竞价模型，采用智能优化算法对备用电源竞价模型进行求解，得出当前调度时刻应该投入使用的最优备用电源组合，由此避免下一调度时刻需要输出功率的备用电源由于存在计划开始投入运行时间导致功率供给延迟，如此在保证独立型微网供电可靠性的同时实现经济运行。

Description

独立型微电网光伏输出功率预测方法及能量调控方法

技术领域

本发明涉及微电网技术领域，特别是涉及一种独立型微电网的光伏输出功率预测方法及能量调控方法。

背景技术

随着科学技术及社会经济的发展，科技的进步正影响着社会的经济并改变着微电网技术领域。在微电网技术领域，特别是独立型微电网光伏输出功率预测及独立型微电网能量调控管理技术的发展对微电网技术的影响深远。

目前，微电网能量管理实际工程应用中，对于光伏预测，当需要对预测日的某一时刻光伏功率进行预测时，该时刻光伏预测算法模型的训练数据来源均值局限于相似日，忽略相似日不同日期的相似时刻数据存在差异，增大了预测日相应时刻的光伏预测误差；此外，独立型微网能量管理研究尚少，实际工程应用中独立型微网能量管理缺乏。

发明内容

基于此，有必要针对如何降低预测日相应时刻的光伏预测误差的技术问题，提供一种独立型微电网的光伏输出功率预测方法。

也有必要针对如何提高微网电能量调度控制效率的技术问题，提供一种独立型微电网的能量调控方法。

一技术方案是：一种独立型微电网光伏输出功率预测方法，包括：获取光伏历史数据、预测日气象数据及历史气象数据；根据所述历史气象数据，选取与预测日具有相同季节类型的历史气象数据，得到相同季节日数据集；计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离；当每一季节日对应的所述欧氏距离在预设欧氏距离值范围内时，获取各个满足所述欧氏距离在所述预设欧氏距离值范围内的季节日形成相似日数据集；计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，其中，所述相似时刻与所述预测时刻相同；当每一所述相似日的相似时刻对应的所述绝对距离在预设绝对距离值范围内时，获取各个满足所述绝对距离在所述预设绝对距离值范围内的相似日，形成相似时数据集；根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的光伏输出功率。

在其中一个实施例中，所述计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离，包括：分别获取所述相同季节日数据集的温度、空气质量指数及所述预测日气象信息的温度、空气质量指数；计算所述预测日气象信息的温度与所述相同季节日数据集中的每一季节日的温度的第一欧氏距离，及计算所述预测日气象信息的空气质量指数与所述相同季节日数据集每一季节日的空气质量指数的第二欧氏距离。

在其中一个实施例中，所述当每一季节日对应的所述欧氏距离在预设欧氏距离值范围内时，获取各个满足所述欧氏距离在所述预设欧氏距离值范围内的季节日形成相似日数据集，包括：判断所述第一欧氏距离是否在第一预设阈值内且所述第二欧氏距离是否在第二预设阈值内；若所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内，则将所述季节日标记为相似日；获取所述相同季节日数据集中满足所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内的所有相似日，得到相似日数据集。

在其中一个实施例中，所述计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，包括：获取所述预测日的预测时刻及所述相似日数据集的与所述预测日的预测时刻相同的相似时刻的实时温度、实时空气质量指数；计算所述预测日的预测时刻和所述相似日数集的相似时刻的温度的第一绝对距离及所述预测日的预测时刻和所述相似日数集的相似时刻的空气质量指数的第二绝对距离。

在其中一个实施例中，所述当每一所述相似日的相似时刻对应的所述绝对距离在预设绝对距离值范围内时，获取各个满足所述绝对距离在所述预设绝对距离值范围内的相似日，形成相似时数据集，包括：判断所述第一绝对距离是否在第三预设阈值内且所述第二绝对距离是否在第四预设阈值内；若所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内，则将所述相似日数集的相似日标记为具有相似时刻的预测日；获取所述相似日数集中的满足所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内的所有具有相似时刻的预测日，得到相似时数据集。

在其中一个实施例中，所述根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的光伏输出功率，包括：分别将相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据中的：历史功率值、最高温度、最低温度、平均温度、最高空气质量指数、最低空气质量指数、平均空气质量指数等代入所述支持向量机光伏预测模型中，由所述支持向量机光伏预测模型计算得到所述预测日的光伏输出功率。

上述独立型微电网的光伏输出功率预测方法，通过考虑当前光伏预测算法模型训练集选择时对天气类型分类模糊，且同一天气类型的不用日期的相同时刻数据存在差异，提出基于相似时的选择方法，获取光伏历史数据、预测日气象数据及历史气象数据，计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离及计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，通过温度以及与雾霾相关的空气质量指数在预测时与相似时之间建立联系，找出具有相似时的相似日作为预测模型的训练集，从而避免了传统预测方法中由于相似日不同日期的相同时刻存在差异而导致的误差。

一技术方案是：一种独立型微电网能量调控方法，包括：获取备用电源的运行状态、预测日的光伏输出功率及负荷预测功率；当所述备用电源的运行状态为投入运行，以微网总运行成本最低为优化目标，并满足相应的约束条件，采用智能优化算法对已投入运行的备用电源进行优化调度，得出当前时刻已投入运行的备用电源的功率调度指令；遵行所述最优实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出所述最优备用电源组合；根据所述最优启停计划，考虑所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

一技术方案是：一种独立型微电网能量调控方法，包括：获取微网设备的运行状态、备用电源输出功率、非电压/频率支撑单元储能的剩余容量、预测日的光伏输出功率及负荷预测功率；当所述备用电源的运行状态为未投入运行，且所述当预测日的实际光伏输出功率与所述电压/频率支撑单元储能输出功率的总和小于所述当前负荷功率时，所述非电压/频率支撑单元的储能放电；在该调度周期内，当所述非电压/频率支撑单元储能放电不满足系统负荷运行时，切除部分所述非重要负荷。遵行所述最优实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出备用电源的最优启停计划，得出所述最优备用电源组合；根据所述最优启停计划，考虑所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

一技术方案是：一种独立型微电网能量调控方法，包括：获取备用电源的运行状态、备用电源输出功率、非电压/频率支撑单元储能的剩余容量、预测日的光伏输出功率及负荷预测功率；当所述备用电源的运行状态为未投入运行，且所述当预测日的实际光伏输出功率与所述电压/频率支撑单元输出功率的总和不小于所述当前负荷功率时，所述非电压/频率支撑单元储能充电；计算所述非电压/频率支撑单元储能以此功率指令充电若在当前调度周期内能够充满，则考虑限制光伏功率输出，否则只进行充电；遵行所述实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出所述最优备用电源组合；根据所述最优启停计划，考虑所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

上述独立型微电网的能量调控方法，基于负荷功率预测以及光伏发电预测的数据，针对独立型微网运行的特点，采用不同的调度策略，得出最优实时功率调度指令。遵行所述最优实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出所述最优备用电源组合；根据所述最优启停计划，考虑所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用，如此在保证独立型微网供电可靠性的同时实现经济运行。

附图说明

图1为一个实施例中独立型微电网的光伏输出功率预测方法及能量调控方法的应用环境示意图；

图2为一个实施例中独立型微电网的光伏输出功率预测方法的步骤示意图；

图3为一个实施例中相似时选择算法流程示意图；

图4为一个实施例中光伏预测算法流程示意图；

图5为一个实施例中独立型微电网的能量调控算法流程示意图；

图6为一个实施例中独立型微电网的能量调控方法的步骤示意图；

图7为另一个实施例中独立型微电网的能量调控方法的步骤示意图；

图8为另一个实施例中独立型微电网的能量调控方法的步骤示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

请参阅图1，其为一个实施例中独立型微电网的光伏输出功率预测方法及能量调控方法的应用环境示意图。本实施中，该应用环境示意图中提出了独立型微网能量管理系统架构，其包括：光伏数据采集模块、气象数据采集模块、负荷数据采集模块、天气预报数据接收模块、微网设备数据采集模块、预测模块、调度模块、指令执行设备。各数据采集模块通过通信系统从目标站点的光伏数据收集站、气象数据收集站、负荷数据收集站以及天气预报站采集数据存入数据库，对数据库的数据进行实时更新，预测模块从数据库读取光伏数据、负荷数据、气象数据、天气预报数据对负荷以及光伏功率进行预测，并将数据存入数据库，调度模块从数据库读取设备运行数据、负荷预测以及光伏预测数据，通过智能优化算法求解调度指令。

请参阅图2，其为一个实施例中独立型微电网的光伏输出功率预测方法20的步骤示意图，一种独立型微电网光伏输出功率预测方法20包括步骤S201至步骤S207。为更好地理解独立型微电网光伏输出功率预测方法20，请一并参阅图3，图3为一个实施例中相似时选择算法流程示意图。本实施例中，一种独立型微电网光伏输出功率预测方法20，包括：

步骤S201：获取光伏历史数据、预测日气象数据及历史气象数据。

具体的，本实施例中，从实际工程应用出发，考虑当前光伏预测算法模型训练样本仅局限于相似日，获取光伏历史数据、预测日气象数据及历史气象数据。可知，由于同一种天气类型的不同日期的相同时刻数据存在较大差异，因此，当要对预测日某一时刻的光伏功率进行预测时，用相应时刻的历史数据输入对预测模型进行训练，容易产生较大的误差，本实施例中提出基于相似时选择的方法，考虑到温度以及雾霾光伏输出功率的影响，通过利用温度T以及与雾霾相关的空气质量指数AQI建立预测时与相似时的联系，找出具有相似时的相似日作为预测模型的训练样本，避免传统预测方法中由于同一种天气类型不同日期的相同时刻存在差异出现的误差。

步骤S202：根据所述历史气象数据，选取与预测日具有相同季节类型的历史气象数据，得到相同季节日数据集。

具体的，通过天气预报站提供预测日的气象信息，在历史数据中选取与预测日具有相同季节类型的历史数据形成相同季节日数据集A。

步骤S203：计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离。

具体的，分别获取所述相同季节日数据集的温度、空气质量指数及所述预测日气象信息的温度、空气质量指数；计算所述预测日气象信息的温度与所述相同季节日数据集中的每一季节日的温度的第一欧氏距离D_T1i，及计算所述预测日气象信息的空气质量指数与所述相同季节日数据集每一季节日的空气质量指数的第二欧氏距离D_AQI1i。

本实施例中，利用最高温度T₁、最低温度T₂、平均温度T₃、最高空气质量指数AQI₁、最低空气质量指数AQI₂、平均空气质量指数AQI₃，计算预测日与相同季节日数据集A中温度与空气质量指数的欧氏距离D_T1i和D_AQI1i，计算公式为式(1)和(2)，

式中：V_i1、V_i2、V_i3分别为相同季节日数据集A中第i日的最高温度、最低温度以及平均温度，W₁、W₂、W₃分别为预测日最高温度、最低温度以及平均温度。

式中：M_i1、M_i2、M_i3分别为相同季节日数据集A第i日的最高空气质量指数、最低空气质量指数以及平均空气质量指数，N1、N2、N3分别为预测日最高空气质量指数、最低空气质量指数以及平均空气质量指数。

步骤S204：当每一季节日对应的所述欧氏距离在预设欧氏距离值范围内时，获取各个满足所述欧氏距离在所述预设欧氏距离值范围内的季节日形成相似日数据集。

具体的，判断所述第一欧氏距离是否在第一预设阈值内且所述第二欧氏距离是否在第二预设阈值内；若所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内，则将所述季节日标记为相似日；获取所述相同季节日数据集中满足所述第一欧氏距离D_T1i在第一预设阈值P₁内且所述第二欧氏距离D_AQI1i在第二预设阈值P₂内的所有相似日，得到相似日数据集B。

本实施例中，利用最高温度T₁、最低温度T₂、平均温度T₃、最高空气质量指数AQI₁、最低空气质量指数AQI₂、平均空气质量指数AQI₃，计算预测日与相同季节日数据集A中温度与空气质量指数的欧氏距离D_T1i和D_AQI1i，计算公式为式(1)和(2)，并分别设置阈值P₁和P₂，当第i日的D_T1i<P₁且D_AQI1i<P₂时，将该日选择为相似日，A中所有满足D_T1i<P₁且D_AQI1i<P₂的日期形成相似日数据集B。

步骤S205：计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，其中，所述相似时刻与所述预测时刻相同。

具体的，获取所述预测日的预测时刻及所述相似日数据集的与所述预测日的预测时刻相同的相似时刻的实时温度、实时空气质量指数；计算所述预测日的预测时刻和所述相似日数集的相似时刻的温度的第一绝对距离及所述预测日的预测时刻和所述相似日数集的相似时刻的空气质量指数的第二绝对距离。

本实施例中，利用实时温度T、实时空气质量指数AQI，计算预测日的预测时刻和相似日数集B中相同时刻的温度T、空气质量指数AQI的绝对距离D_T2i和D_AQI2i，计算公式为(3)和(4)。

D_T2i＝|V_i-W|i＝1,2,3,...,n (3)

式中：V_i为相似日数据集B中与第i日与预测时刻相对应的历史时刻温度，W为预测日预测时刻的温度。

D_AQI2i＝|M_i-N|i＝1,2,3,...,n (4)

式中：M_i为相似日数据集B中与第i日与预测时刻相对应的历史时刻空气质量指数，N为预测日预测时刻的空气质量指数。

步骤S206：当每一所述相似日的相似时刻对应的所述绝对距离在预设绝对距离值范围内时，获取各个满足所述绝对距离在所述预设绝对距离值范围内的相似日，形成相似时数据集。

具体的，判断所述第一绝对距离D_T2i是否在第三预设阈值P₃内且所述第二绝对距离D_AQI2i是否在第四预设阈值P₄内；若所述第一绝对距离D_T2i在第三预设阈值P₃内且所述第二绝对距离D_AQI2i在第四预设阈值P₄内，则将所述相似日数集的相似日标记为具有相似时刻的预测日；获取所述相似日数集中的满足所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内的所有具有相似时刻的预测日，得到相似时数据集C。

本实施例中，利用实时温度T、实时空气质量指数AQI，计算预测日的预测时刻和相似日数集B中相同时刻的温度T、空气质量指数AQI的绝对距离D_T2i和D_AQI2i，计算公式为(3)和(4)。分别设置阈值P₃和P₄，当第i日的D_T2i<P₃且D_AQI2i<P₄时，将该日选为与预测时刻具有相似时刻的预测日，B中所有满足D_T2i<P₃且D_AQI2i<P₄的相似日组成数集称为相似时数集C，相似时数集C为该预测时刻的训练样本。

步骤S207：根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的光伏输出功率。

具体的，如图4所示，分别将相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据中的：历史功率值、最高温度、最低温度、平均温度、最高空气质量指数、最低空气质量指数、平均空气质量指数等代入所述支持向量机光伏预测模型中，由所述支持向量机光伏预测模型计算得到所述预测日的光伏输出功率。

上述独立型微电网的光伏输出功率预测方法，通过考虑当前光伏预测算法模型训练集选择时对天气类型分类模糊，且同一天气类型的不用日期的相同时刻数据存在差异，提出基于相似时的选择方法，获取光伏历史数据、预测日气象数据及历史气象数据，计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离及计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，通过温度以及与雾霾相关的空气质量指数在预测时与相似时之间建立联系，找出具有相似时的相似日作为预测模型的训练集，从而避免了传统预测方法中由于相似日不同日期的相同时刻存在差异而导致的误差。

例如，独立型微电网的光伏输出功率预测方法包括：获取光伏历史数据、预测日气象数据及历史气象数据；根据所述历史气象数据，选取与预测日具有相同季节类型的历史气象数据，得到相同季节日数据集；分别获取所述相同季节日数据集的温度、空气质量指数及所述预测日气象信息的温度、空气质量指数；计算所述预测日气象信息的温度与所述相同季节日数据集中的每一季节日的温度的第一欧氏距离，及计算所述预测日气象信息的空气质量指数与所述相同季节日数据集每一季节日的空气质量指数的第二欧氏距离；判断所述第一欧氏距离是否在第一预设阈值内且所述第二欧氏距离是否在第二预设阈值内；若所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内，则将所述季节日标记为相似日；获取所述相同季节日数据集中满足所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内的所有相似日，得到相似日数据集；获取所述预测日的预测时刻及所述相似日数据集的与所述预测日的预测时刻相同的相似时刻的实时温度、实时空气质量指数；计算所述预测日的预测时刻和所述相似日数集的相似时刻的温度的第一绝对距离及所述预测日的预测时刻和所述相似日数集的相似时刻的空气质量指数的第二绝对距离；判断所述第一绝对距离是否在第三预设阈值内且所述第二绝对距离是否在第四预设阈值内；若所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内，则将所述相似日数集的相似日标记为具有相似时刻的预测日；获取所述相似日数集中的满足所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内的所有具有相似时刻的预测日，得到相似时数据集；根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的预测时刻的光伏输出功率。

请参阅图5，其为一个实施例中独立型微电网的能量调控算法流程示意图，针对目前独立型微网的能量管理理论研究以及实际工程应用缺乏，提出独立型微网能量管理方法，独立性微网系统优先由光储设备提供电能，当光储设备不能满足负荷需求时，为保证微网系统供电可靠性同时实现经济运行，提出“备用电源竞价”的策略，建立备用电源竞价模型，通过智能优化算法解除能保证供电可靠性且最经济的备用电源，考虑备用电源的计划开始投入运行时间将其投入；备用电源投入运行后，将电池的放电深度、放电速率以及对蓄电池寿命的影响计入目标函数，建立功率优化模型，通过智能优化算法求解目标函数，得出最优的设备功率调度指令。最优组合设备在投入运行后，考虑频繁起停设备带来的启停费用较高，各设备需满足一定的运行时间才考虑将其关闭。

请参阅图6，其为一个实施例中独立型微电网的能量调控方法的步骤示意图，结合图5和图6，例如，一种独立型微电网能量调控方法，包括：

步骤S601：获取微网设备的运行状态、预测日的光伏输出功率及负荷预测功率。

具体的，备用电源的运行状态有投入运行以及未投入运行。本实施例中，根据备用电源是否投入运行获取备用电源的运行状态。预测日的光伏输出功率通过上述的独立型微电网光伏输出功率预测方法获得。由于负荷运行时的实际功率与额定功率相近，一实施例中，负荷预测功率通过直接获取各个负荷的数据信息中的额定功率，将额定功率设为负荷预测功率。本实施例中，将预测日的实际光伏输出功率标记为Ppv，实际负荷功率标记为Pload，电压/频率支撑单元储能输出功率标记为Pbat_vf。

步骤S602：当所述备用电源的运行状态为投入运行，以微网总运行成本最低为优化目标，并满足相应的约束条件，采用智能优化算法对已投入运行的备用电源进行优化调度，得出当前时刻已投入运行的备用电源的功率调度指令。

具体的，在当前调度时刻检测到有备用电源投入微网系统运行时，以微网总运行成本最低为优化目标，相应的目标函数为式(5)，并满足约束条件(10)～(20)，采用智能优化算法所述目标函数进行求解。得出微网设备的最优发电功率。

具体的，所述总运行成本包括：所述备用电源的发电成本，相应的成本函数为(21)；储能的发电成本，相应的成本函数为(7)；切除非重要负荷的成本，相应的成本函数为(6)。所述备用单元的发电成本包括：所述备用电源的能耗成本，所述备用电源的运行维护成本，所述备用电源计划开始投入运行时间导致功率延迟而产生的成本。所述储能发电成本为考虑储能放电深度和放电速率对储能寿命造成影响的成本。

式中：k为最优投入运行设备的数目，n为微网系统中储能装置数目，C_{stor_j}为考虑第j台储能装置电能质量的折旧成本函数，C_LS为切除非重要负荷的成本函数。

C_LS＝μ_LSP_LS(t) (6)

式中：P_LS(t)为切除的负荷功率。

考虑电池的放电深度、放电速率以及对蓄电池寿命的影响，在此设计考虑蓄电池电能质量的成本函数，以引导储能装置在SOC较小时少放多充，SOC较大时多放少充。相应的成本函数为

C_{stor_j}＝λ_jP_{stor_j} (7)

式中：λ_j是第j台储能装置放电功率罚函数，d_1j、d_2j、d_3j、d_4j、d_5j为所设计的系数。SOC_j(t+Δt)和SOC_j(t)分别为第j台储能装置在t+Δt与t时刻的剩余容量。

为使微电网内各个设备的功率平衡，由图5、图6、图7和图8所示，一实施例中，还利用功率平衡约束条件(12)～(22)约束微电网内各个设备的功率：

备用电源输出功率约束、最小连续投入运行时间约束、爬坡率约束分别如下：

P_{i_min}≤P_i(t)≤P_{i_max} (11)

T_i≥T_{i_min} (12)

式中：P_i(t)为t时刻第i台备用电源的功率，R_Gi、D_Gi分别为备用电源上升和下降速率限制，kW/h。储能装置最大充电功率约束、最大放电功率约束、非电压/频率支撑单元储能装置能量状态约束、电压/频率支撑单元储能装置剩余容量约束分别如下：

0≤P_ci(t)≤P_cimax (14)

0≤P_di(t)≤P_dimax (15)

SOC_imin≤SOC_i(t)≤SOC_imax (16)

SOC′_imin≤SOC_i(t)≤SOC′_imax (17)

SOC′_imin＝SOC_imin+ΔSOC_i1 (18)

SOC′_imax＝SOC_imax-ΔSOC_i2 (19)

式中：ΔSOC_i1和ΔSOC_i2是为了使电压/频率单元有足够的裕量自动吸收微网内非计划波动功率而设计。

由图5所示的切负荷步骤中，切负荷功率的约束条件为：

0≤P_LS(t)≤P_{LS_max} (20)

步骤S603：遵行所述调度指令，根据所述预测日的光伏输出功率和所述负荷预测功率对储能下一时刻剩余容量进行预测。所述预测日的光伏输出功率即光伏预测功率。

步骤S604：遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用只能优化算法对备用电源竞价模型进行求解，得出备用电源的最优启停计划。

一实施例中，智能优化算法用于求解备用电源竞价模型，得出所述备用电源的总运行成本，包括：获取每个备用电源的能耗成本、运行维护成本、功率延迟成本，将所述能耗成本、所述运行维护成本、所述功率延迟成本相加，得到每个所述备用电源的总成本。

具体的，所述备用电源竞价模型为(21)、(22)，以投入微网运行的备用电源的总运行成本最小为优化目标，且满足(10)～(20)约束条件，考虑每个备用电源的计划投入运行时间，采用智能优化算法对所述备用电源竞价模型进行求解，得出当前调度时刻投入使用的最优备用电源组合。

C_i＝C_f(P_Gi)+C_om(P_Gi)+C_T(T_Gi)i＝1,2,3,...,n (21)

C＝f(C₁,C₂,C₃,....,C_n) (22)

式中：C_i为第i台备用设备的总成本，C_f为与第i台备用设备的能耗成本，C_om为与第i台备用设备的运行维护成本，C_T为备用电源C计划开始投入运行时间导致功率延迟而产生的成本。

步骤S605：根据所述备用电源的最优启停计划，以及所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微网运行。

具体的，由式(21)、(22)求解出需投入的最优备用电源的最优组合，考虑最优设备计划开始投入运行时间，将其投入参与负荷供电。

请参阅图7，其为另一个实施例中独立型微电网的能量调控方法的步骤示意图，结合图5和图7，例如，一种独立型微电网能量调控方法，包括：

步骤S701：获取微网设备的运行状态、非电压/频率支撑单元储能的剩余容量、预测日的光伏输出功率、电压/频率支撑单元储能输出功率及实际负荷功率，以及预测日的光伏输出功率及负荷预测功率。

步骤S702：当所述备用电源的运行状态为未投入运行，且所述预测日的光伏输出功率与所述电压/频率支撑单元储能输出功率之和小于所述实际负荷功率时，所述非电压/频率支撑单元储能放电。

步骤S703：当所述非电压/频率支撑单元储能在调度周期内放电不能满足负荷需求，切除部分所述非重要负荷。

需要说明的是，调度周期指的是：相邻两个调度时刻之间的时间间隔。

需要说明的是，当前设备是指独立型微网也即离网型微网内所有的设备，包括非电压/频率支撑单元储能、光伏、电压/频率支撑单元储能、负荷以及柴油发电机等。

步骤S704：遵行所述实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，

步骤S705：遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划。

具体的，所述备用电源竞价模型为式(21)、(22)，具体的实施方法同一实施例中S604。

步骤S706：根据所述最优启停计划，考虑备用电源的计划开始投入运行时间将其投入，将所述最优备用电源组合投入微电网运行使用。

请参阅图8，其为另一个实施例中独立型微电网的能量调控方法的步骤示意图，结合图5和图8，例如，一种独立型微电网能量调控方法，包括：

步骤S801：获取微网设备的运行状态、备用电源输出功率、非电压/频率支撑单元储能的剩余容量、预测日的实际光伏输出功率、电压/频率支撑单元储能输出功率及实际负荷功率，以及预测日的光伏输出功率及负荷预测功率。

步骤S802：当所述备用电源的运行状态为未投入运行，且所述预测日的光伏输出功率与所述非电压/频率支撑单元储能输出功率之和不小于所述实际负荷功率时，所述非电压/频率支撑单元储能充电。

步骤S803：计算所述非电压/频率支撑单元储能以所述功率指令充电若在当前调度周期内能够充满，则考虑限制光伏功率输出，否则只进行充电。

步骤S804：遵行所述最优实时功率调度指令，根据所述光伏预测功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测，

步骤S805：遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出最优备用电源组合。

具体的，所述备用电源竞价模型为式(21)、(22)，具体的实施方法同一实施例中S604。

步骤S806：根据所述最优启停计划，考虑所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

上述独立型微电网的能量调控方法，基于负荷功率预测以及光伏发电预测的数据，针对独立型微网运行的特点，采用不同的实时调度策略，并得出相应的最优功率调度指令。遵行实时最优功率调度指令，根据光伏预测功率和负荷预测功率，对储能下一调度时刻的剩余容量进行预测，遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型简历备用电源竞价模型，并采用智能优化算法对备用电源竞价模型进行求解，求解出备用电源的最优启停计划；根据所述最优启停计划，考虑备用电源的计划开始投入运行时间，如此在保证独立型微网供电可靠性的同时实现经济运行。

综上可知，独立型微电网与并网型微电网不同，并网型微电网电压和频率有大电网支撑，而独立型微电网电压和频率必须由微电网内设备提供，对于只有光储运行供电的微电网系统电压和频率通常由储能装置提供；当有备用电源投入运行供电时，如柴油发电机等，通常由投入运行的备用电源作为主电源为微电网提供稳定的电压和频率，为独立型微电网提供稳定电压和频率的微电网设备在此称为电压/频率支撑单元，其余的微电源称为非电压/频率支撑单元。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种独立型微电网光伏输出功率预测方法，包括：

获取光伏历史数据、预测日气象数据及历史气象数据；

根据所述历史气象数据，选取与预测日具有相同季节类型的历史气象数据，得到相同季节日数据集；

计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离；

当每一季节日对应的所述欧氏距离在预设欧氏距离值范围内时，获取各个满足所述欧氏距离在所述预设欧氏距离值范围内的季节日形成相似日数据集；

计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，其中，所述相似时刻与所述预测时刻相同；

当每一所述相似日的相似时刻对应的所述绝对距离在预设绝对距离值范围内时，获取各个满足所述绝对距离在所述预设绝对距离值范围内的相似日，形成相似时数据集；

根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的光伏输出功率。

2.根据权利要求1所述的独立型微电网光伏输出功率预测方法，其特征在于，所述计算所述相同季节日数据集中的每一季节日气象数据与所述预测日气象数据中的欧氏距离，包括：

分别获取所述相同季节日数据集的温度、空气质量指数及所述预测日气象信息的温度、空气质量指数；

计算所述预测日气象信息的温度与所述相同季节日数据集中的每一季节日的温度的第一欧氏距离，及计算所述预测日气象信息的空气质量指数与所述相同季节日数据集每一季节日的空气质量指数的第二欧氏距离。

3.根据权利要求2所述的独立型微电网光伏输出功率预测方法，其特征在于，所述当每一季节日对应的所述欧氏距离在预设欧氏距离值范围内时，获取各个满足所述欧氏距离在所述预设欧氏距离值范围内的季节日形成相似日数据集，包括：

判断所述第一欧氏距离是否在第一预设阈值内且所述第二欧氏距离是否在第二预设阈值内；

若所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内，则将所述季节日标记为相似日；

获取所述相同季节日数据集中满足所述第一欧氏距离在第一预设阈值内且所述第二欧氏距离在第二预设阈值内的所有相似日，得到相似日数据集。

4.根据权利要求3所述的独立型微电网光伏输出功率预测方法，其特征在于，所述计算所述相似日数集中的每一相似日的相似时刻的气象数据与所述预测日的预测时刻的气象数据的绝对距离，包括：

获取所述预测日的预测时刻及所述相似日数据集的与所述预测日的预测时刻相同的相似时刻的实时温度、实时空气质量指数；

计算所述预测日的预测时刻和所述相似日数集的相似时刻的温度的第一绝对距离及所述预测日的预测时刻和所述相似日数集的相似时刻的空气质量指数的第二绝对距离。

5.根据权利要求4所述的独立型微电网光伏输出功率预测方法，其特征在于，所述当每一所述相似日的相似时刻对应的所述绝对距离在预设绝对距离值范围内时，获取各个满足所述绝对距离在所述预设绝对距离值范围内的相似日，形成相似时数据集，包括：

判断所述第一绝对距离是否在第三预设阈值内且所述第二绝对距离是否在第四预设阈值内；

若所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内，则将所述相似日数集的相似日标记为具有相似时刻的预测日；

获取所述相似日数集中的满足所述第一绝对距离在第三预设阈值内且所述第二绝对距离在第四预设阈值内的所有具有相似时刻的预测日，得到相似时数据集。

6.根据权利要求1所述的微电网的能量管理系统，其特征在于，所述根据所述相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据，利用支持向量机光伏预测模型，计算预测日的光伏输出功率，包括：

分别将相似时数据集、所述光伏历史数据、所述预测日气象数据及所述历史气象数据中的：

历史功率值、最高温度、最低温度、平均温度、最高空气质量指数、最低空气质量指数、平均空气质量指数等代入所述支持向量机光伏预测模型中，

由所述支持向量机光伏预测模型计算得到所述预测日的光伏输出功率。

7.一种独立型微电网能量调控方法，包括：

获取微网设备的运行状态、预测日的光伏输出功率及负荷预测功率；

当所述备用电源的运行状态为投入运行，采用智能优化算法对已投入运行的备用电源进行优化调度，得出当前时刻已投入运行的备用电源的最优实时功率调度指令；

遵行所述最优实时功率调度指令，根据所述预测日的光伏输出功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测；

遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对备用电源竞价模型进行求解，求解出备用电源的最优启停计划，得出最优备用电源组合；

根据所述备用电源最优启停计划，以及所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

8.一种独立型微电网能量调控方法，包括：

获取微网设备的运行状态、非电压/频率支撑单元储能的剩余容量、预测日的光伏输出功率、电压/频率支撑单元储能输出功率及实际负荷功率，以及预测日的光伏输出功率及负荷预测功率；

当所述备用电源的运行状态为未投入运行，且预测日的实际光伏输出功率与所述电压/频率支撑单元储能输出功率的总和小于所述实际负荷功率时，所述非电压/频率支撑单元储能放电；

在该调度周期内，当所述非电压/频率支撑单元储能放电不满足系统负荷需求时，切除部分非重要负荷；

遵行所述最优实时功率调度指令，根据所述预测日的光伏输出功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测；

遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出最优备用电源组合；

根据所述最优启停计划，以及所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。

9.一种独立型微电网能量调控方法，包括：

获取微网设备的运行状态、备用电源输出功率、非电压/频率支撑单元储能的剩余容量、预测日的实际光伏输出功率、电压/频率支撑单元储能输出功率及实际负荷功率，以及预测日的光伏输出功率及负荷预测功率；

当所述备用电源的运行状态为未投入运行，且当预测日的实际光伏输出功率与所述电压/频率支撑单元储能输出功率的总和不小于所述实际负荷功率时，所述非电压/频率支撑单元储能充电；

计算所述非电压/频率支撑单元储能以此功率指令充电若在当前调度周期内是否能够充满，是则限制光伏功率输出，否则进行充电；

遵行所述最优实时功率调度指令，根据所述预测日的光伏输出功率和所述负荷预测功率，对储能下一调度时刻的剩余容量进行预测；

遵行不满足启停条件的备用电源的启停状态，建立备用电源竞价模型采用智能优化算法对所述备用电源竞价模型进行求解，求解出所述备用电源的最优启停计划，得出最优备用电源组合；

根据所述最优启停计划，以及所述备用电源的计划开始投入运行时间，将所述最优备用电源组合投入微电网运行使用。