CN111064199A

CN111064199A - 一种智能微网的控制方法及装置

Info

Publication number: CN111064199A
Application number: CN202010013339.0A
Authority: CN
Inventors: 周希波; 赵钧陶; 郝吉芳
Original assignee: BOE Technology Group Co Ltd
Current assignee: BOE Technology Group Co Ltd
Priority date: 2020-01-07
Filing date: 2020-01-07
Publication date: 2020-04-24

Abstract

本发明实施例公开了一种智能微网的控制方法及装置，用于对智能微网的发电量与用电量进行整体预测，从而实现更加准确地电力调度。其中的智能微网控制方法包括：根据环境参数预测发电端在设定时间段内的发电量，以及根据历史用电量预测用电端在设定时间段内的用电量；若发电量大于用电量，则控制发电端向外部电网输送部分电量；若发电量小于用电量，则控制用电端从外部电网获取部分电量。

Description

一种智能微网的控制方法及装置

技术领域

本发明涉及智能微网技术领域，尤其涉及一种智能微网的控制方法及装置。

背景技术

智能微网系统是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，具备自主控制、保护与管理的能力。智能微网系统可以通过变压器与外部电网进行并网，例如，当智能微网系统产生的电力过剩，储能装置容量不足时，可以向外部电网输出多余电量(俗称上网)；或者，当智能微网系统电量供应不足时，可以从外部电网获取电量(俗称下网)。

目前，智能微网系统与外部电网的并网调度需要提前申报，因此需要对未来一段时间内的上网或下网电量进行预测。由于智能微网系统内部构成较为复杂，对于智能微网进行整体预测，目前尚无较好的解决方法。

发明内容

一种智能微网的控制方法及装置，可以对智能微网的全部发电端的发电量与全部用电端的用电量进行预测，从而更为精确地进行电力调度。

第一方面，本发明实施例提供一种智能微网的控制方法，所述智能微网包括发电端、用电端以及储能端，所述方法包括：

根据环境参数预测所述发电端在设定时间段内的发电量，以及根据历史用电量预测所述用电端在所述设定时间段内的用电量；

若所述发电量大于所述用电量，则控制所述发电端向外部电网输送部分电量；

若所述发电量小于所述用电量，则控制所述用电端从所述外部电网获取部分电量。

智能微网包括多个发电端和多个用电端，在本发明实施例中，一方面可以认为多个发电端的发电量与环境参数相关，那么可以通过获取未来预设时间段内的环境参数，从而根据获取的环境参数预测在未来预设时间段内的发电量；另一方面，通常来说用电端的用电量相对较为稳定，所以可以根据多个用电端的历史用电量预测多个用电端在预设时间段内的用电量。结合未来预设时间段内，多个发电端的发电量与多个用电端的用电量，可以较为准确地确定出智能微网与外部电网之间调度关系。

可选的，若所述发电量大于所述用电量，则确定所述发电端向外部电网输送部分电量，包括：

若所述发电量大于所述用电量，且所述发电量与所述用电量之间的差值大于储能端的待存储电量，则确定所述发电端向外部电网输送部分电量。

在本发明实施例中，若发电端的发电量大于用电端的用电量，可以认为发电端产生的电量过剩，那么优先考虑将过剩的电量存储于储能端。若过剩的电量大于储能端中待存储电量，即储能端不足以完全接收过剩的电量，那么可以将大于储能端中待存储电量的部分电量输出到外部电网。

可选的，若所述发电量小于所述用电量，则确定所述用电端从所述外部电网获取部分电量，包括：

若所述发电量小于所述用电量，且所述储能端的可用电量小于所述用电量与所述发电量之间的差值，则确定所述用电端从所述外部电网获取部分电量。

在本发明实施例中，若发电端的发电量小于用电端的用电量，可以认为用电端需要的电量供应不足，那么优先考虑从储能端获取电量提供给用电端。若用电端所需电量大于储能端中的可用电量，即储能端不足以完全供应用电端所需的电量，那么可以从外部电网获取大于储能端中可用电量的部分电量，从而保证用电端的正常运行。

可选的，根据环境参数预测发电端在设定时间段内的发电量，包括：

向服务器发送第一请求指令，所述第一请求指令用于获取所述服务器预测的所述设定时间段内的环境参数；

接收来自所述服务器的环境参数，将接收到的环境参数输入第一预测模型得到预测的所述发电量，所述第一预测模型用于指示环境参数与发电量之间的关系。

由于预测的是发电端在未来预设时间段内的发电量，该发电量与环境参数相关，所以可以通过服务器获取未来预设时间段内的发电量。在本发明实施例中，提供第一预测模型，该第一预测模型可以认为是通过训练环境参数与发电量得到的模型，即第一预测模型可以表示环境参数与发电量的对应关系，从而通过第一预测模型以及获取的在未来预设时间段内的环境参数，可以较为准确地预测出未来预设时间段内的发电量。相对目前分别独立监控各个发电端的发电量，效率更高。

可选的，根据历史用电量预测用电端在所述设定时间段内的用电量，包括：

向位于所述智能微网的多个电能监测装置分别发送第二请求指令，所述第二请求指令用于获取各个所述电能监测装置监测的历史发电量；

接收来自所述多个电能监测装置的历史发电量，将接收到的历史发电量输入第二预测模型得到预测的所述用电量，所述第二预测模型用于指示历史用电量与未来用电量的关系。

未来的用电量与历史用电量相关，在本发明实施例中，提供第二预测模型，该第二预测模型可以认为是通过训练多个不同时长内的历史用电量得到的模型，即第二预测模型可以表示历史用电量与未来用电量的对应关系，从而通过第二预测模型以及历史用电量，可以较为准确地预测出未来预设时间段内的用电量。

可选的，所述方法还包括：

根据所述发电量与所述用电量之间的差值，以及所述储能端的待存储电量，确定所述发电端向外部电网要输出的电量。

在本发明实施例中，发电量与用电量的差值可以认为是发电端产生的过剩的电量，通过比较发电端过剩的电量与储能端的待存储电量，可以较为准确地确定出需要向外部电网输出的电量。

可选的，所述方法还包括：

根据所述用电量与所述发电量之间的差值，以及所述储能端的可用电量，确定所述用电端要从所述外部电网获取的电量。

在本发明实施例中，用电量与发电量的差值可以认为是用电端还需要供应的电量，通过比较用电端还需要供应的电量与储能端的可用电量，可以较为准确地确定出需要从外部电网获取的电量。

第二方面，本发明实施例提供一种智能微网的控制装置，所述装置包括：

第一确定模块，用于根据环境参数预测发电端在设定时间段内的发电量，以及根据历史用电量预测用电量在所述设定时间段内的用电量；

第二确定模块，用于若所述发电量大于所述用电量，则确定所述发电端向外部电网输送电量；

第三确定模块，用于若所述发电量小于所述用电量，则确定所述用电端从所述外部电网获取电量。

可选的，第二确定模块具体用于：

可选的，第三确定模块具体用于：

可选的，第一确定模块具体用于：

可选的，第一确定模块具体还用于：

可选的，第二确定模块具体还用于：

可选的，第三确定模块具体还用于：

第三方面，本发明实施例提供一种装置，所述装置包括至少一个处理器以及与所述至少一个处理器连接的存储器，所述至少一个处理器用于执行所述存储器中存储的计算机程序时实现如第一方面实施例所述方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面实施例所述方法的步骤。

附图说明

图1为本发明实施例提供的一种智能微网的系统架构示意图；

图2为本发明实施例提供的一种智能微网的控制方法的流程示意图；

图3为本发明实施例提供的一种装置的示意图；

图4为本发明实施例提供的一种装置的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

请参见图1，图1为一种智能微网的系统架构示意图。该智能微网包括发电端101、用电端102、储能端103、控制中心104以及变压器105。其中，发电端101例如可以包括光伏发电装置、风力发电装置以及燃气发电装置等。用电端102例如可以包括工厂、商场以及居民区等。储能端103例如包括电站级的集装箱和/或用户级的储能装置。控制中心104可以对发电端101、用电端102以及储能端103进行统一的监控与调度，实现三者之间的平衡，使得该智能微网可以独立运行。

此外，控制中心104还可以通过变压器105与外部电网106连接，从而实现智能微网与外部电网106之间的并网运行。例如，当发电端101产生的电量过剩，即发电端101产生的电量大于用电端102消耗的电量，且两者的差值大于储能端103中待存储电量时，控制中心104可以通过变压器105向外部电网106输出多余电量。这种智能微网向外部电网输送电量的模式称为上网模式。当发电端101产生的电量不足，即发电端101产生的电量小于用电端102消耗的电量，且两者的差值大于储能端103中的可用储存电量时，控制中心104可以通过变压器105从外部电网106获取部分电量，从而保证用电端102的正常运行。这种智能微网从外部电网获取电量的模式称为下网模式。

智能微网与外部电网106之间的调度需要提前向国家电力部门进行申报，因此需要对智能微网未来一段时间内的发电量与用电量进行整体预测。由于智能微网内部的复杂性，目前的预测方法往往侧重于对发电端101或用电端102进行预测，而缺乏对智能微网进行整体预测的方法。

鉴于此，本发明实施例提供一种智能微网的控制方法，该方法可以预测出智能微网未来一段时间内的发电量与用电量，从而较为准确地实现智能微网与外部电网之间的调度。

下面将结合附图对本发明实施例提供的技术方案进行介绍。在下面的描述中以图1所示的智能微网作为应用场景。请参见图2，本发明实施例提供的一种智能微网的并网预测方法，该方法的流程描述如下。

步骤201：控制中心104根据环境参数预测发电端在设定时间段内的发电量，以及根据历史用电量预测用电端在设定时间段内的用电量。

发电端101可以包括不同类型的发电装置，例如，该发电装置根据发电所需能源不同，可以分为光伏发电装置、风力发电装置或燃气发电装置。上述发电装置的发电量均会受到环境参数的影响，例如，环境参数可以是风向、风速、温度、湿度、大气压力、降水量以及日照时长等，可以认为上述发电装置的发电量与环境参数相关。应理解，这里的环境参数与发电量均为历史值观测值，而预设时间段可以认为是未来的一段时间，例如，预设时间段为未来的一小时或者未来的一天。由于发电量与环境参数相关，那么可以通过确定环境参数与发电量之间的关系，进一步预测发电端101在未来预设时间段内的发电量。

一种可能的实施方式中，本发明实施例可以通过训练环境参数与发电量来得到环境参数与发电量的对应关系。例如，本申请实施例可以预先建立一个模型，在下文中，该模型称为第一预测模型，将环境参数与发电量作为训练数据对第一预测模型进行训练，直到该第一预测模型的输出满足预设条件，或者该第一预测模型设定的参数满足预设条件，此时可以认为第一预测模型根据环境参数可以较为准确地确定发电量。

具体的，该第一预测模型可以是基于分类回归树(classification andregression tree，CART)模型的梯度提升树(gradient boosting decision tree，GBDT)模型。在对第一预测模型进行训练之前，首先要获取智能微网中历史环境参数与对应的历史发电量。

对于环境参数而言，假设存在服务器，该服务器存储有多个时间段内的环境参数。例如气象中心的服务器，可能以小时或者天为单位，存储不同地理区域的单位内的多个环境参数。那么需要获得第一预测模型时，可以从服务器获取历史环境参数。例如控制中心104可以向服务器发送第一请求指令，该第一请求指令用于获取该智能微网所在地理区域的环境参数。在一些实施例中，控制中心104可以周期性向服务器发送第一请求指令，对应地，服务器接收到该第一请求指令，向控制中心104反馈环境参数。或者，在另一些实施例中，第一请求指令可以包括多个时间信息，以指示服务器反馈这多个时间信息分别指示的时间段内的环境参数。或者，在另一些实施例中，第一请求指令可以包括一个时间信息，该时间信息用于指示服务器每隔该时间信息指示的时长，向控制中心104反馈环境参数，即指示服务器周期性地上报环境参数。这样控制中心104可以获取多组智能微网所在地理区域的环境参数。

应理解，第一请求指令还可以包括智能微网所在地理区域的标识信息，例如该标识信息可以是智能微网所在区域的经度信息与纬度信息。

对于发电量而言，假设存在与每个发电端101连接的电能监测装置，该电能监测装置可以用于监测发电装置的发电量，且可以通过有线或无线的方式与控制中心104连接。

控制中心104获取历史发电量的方式与控制中心104获取历史环境参数的方式类似。例如在一些实施例中，控制中心104可以周期性向每个电能监测装置发送第二请求指令，对应地，每个电能监测装置接收到该第二请求指令，可以向控制中心104反馈历史发电量。应理解，如果电能监测装置记载的是累积的瞬时发电量，那么对应历史环境参数的时间段，例如称为第一时间段的历史发电量来说，第二请求指令可以携带该第一时间段的起始时刻和结束时刻，电能监测装置将该起始时刻对应的第一瞬时发电量和该结束时刻对应的第二瞬时发电量反馈给控制中心104，控制中心104根据第一瞬时发电量和第一瞬时发电量确定第一时间段内的发电量。

又例如，在另一些实施例中，第二请求指令可以包括多个时间信息，以指示服务器反馈这多个时间信息分别指示的时间段内的发电量。应理解，这种情况下，电能监测装置可以记载一段时间内的发电量，或者电能监测装置可以记载瞬时用电量，但是可以计算一段时间的发电量。

又例如，在另一些实施例中，第二请求指令可以包括一个时间信息，该时间信息用于指示电能监测装置每隔该时间信息指示的时长，向控制中心104反馈历史用电量，即指示电能监测装置周期性地上报历史发电量。这样控制中心104可以获取多组发电端101的历史发电量。应理解，第二请求指令包括的时间信息可以根据第一请求指令包括的时间信息确定，只要第一请求指令请求获取的环境参数对应的时间段与第二请求指令请求获取的历史发电量对应的时间段一致即可。

针对每个发电装置，控制中心104获取多组历史环境参数以及对应的历史发电量之后，将同一时间段内的历史环境参数与历史发电量作为一组训练样本，输入预先建立的第一预测模型，对第一预测模型进行训练。

具体的，以第一预测模型是GBDT模型为例，假设第一预测模型设置的损失函数为L，最大迭代次数为T，环境参数训练样本X＝{x₁，x₂，…，x_n}，历史发电量训练样本Y＝{y₁,y₂,…y_n}，GBDT首先初始化弱学习器，也就是采用如下公式进行迭代计算：

其中，n表示训练样本的数量，y_i表示历史用电量训练样本中的第i个样本，c_i表示f₀(X)对第i个发电量样本的拟合值，f₀(X)表示初始化时得到的预测模型。

每轮迭代的目的是找到一个CART回归树，使本轮的损失函数L最小。在每轮迭代中，对训练数据计算负梯度：

其中，r_t表示第t轮迭代时计算的负梯度值，f(X)表示第t轮迭代的预测模型，f_t-1(X)表示第t-1轮迭代时的预测模型，L(Y,f(X))表示t轮迭代时的损失函数。

利用(X,r_t)拟合CART回归树，其对应的叶子节点区域为R_tj，其中，j＝1,2,…,k，计算最佳拟合值：

其中，R_tj表示第t轮迭代中第j个叶子节点，c_tj表示第t轮拟合的CART回归树对应的R_tj区域的最佳拟合残差，x_i表示环境参数训练样本中的第i个样本，y_i表示历史用电量训练样本中的第i个样本，f_t-1(x_i)表示第i个环境训练样本在第t-1轮迭代模型的拟合值，c_i表示第i个环境训练样本在第t轮迭代中拟合残差。

根据拟合值更新强学习器，也就是继续进行迭代计算，可以获得如下公式：

其中，f_t(X)表示第t轮迭代产生的预测模型，f_t-1(X)表示第t-1轮迭代产生的预测模型，I为一个函数，当X∈R_tj时，I为1；当

时，I＝0。

经过T轮迭代后，损失函数L的输出满足预设条件，得到最终的第一预测模型，即满足如下公式：

其中，f_t(X)表示第t轮迭代产生的预测模型，f₀(X)表示初始化时得到的预测模型，c_tj表示第t轮拟合的CART回归树对应的R_tj区域的最佳拟合残差，I为一个函数，当X∈R_tj时，I为1；当

时，I＝0。

第一预测模型可以认为能够较好的对环境参数与发电量之间的关系进行拟合，那么在获知预设时间段内的环境参数的条件下，通过第一预测模型就可以获知发电端101中每个发电装置在预设时间段内的发电量。将上述每个发电装置的发电量相加，则得到发电端101的发电量。

本申请实施例通过第一预测模型可以较为准确地预测每个发电装置在未来预设时间段内的发电量，从而为对智能微网进行整体预测提供了基础。

本申请实施例除了可以预测发电端101的发电量，还可以预测用电端102的用电量。用电端102可以包括不同类型的用户，例如根据用电需求不同可以分为工厂、商场或者居民区。尽管不同类型的用户在用电量上存在差异，但是每种用户的用电方式都相对固定，例如对于居民区的用户而言，主要用于照明以及为家用电器供电，对于工厂用户而言，主要用于工业生产，从而可以认为每种用户的用电量在一段时间内发生较大波动的可能性较小。那么可以通过历史用电量对未来一段时间内的用电量进行预测。

一种可能的实施方式中，本发明实施例可以通过训练预设时间段内的历史用电量来得到历史用电量与未来发电量的对应关系。例如，本申请实施例可以预先建立一个模型，在下文中，该模型称为第二预测模型，将历史用电量作为训练数据对该第二预测模型进行训练，直到该第二预测模型的输出满足预设条件，或者该第二预测模型设定的参数满足预设条件，此时可以认为第二预测模型根据历史用电量可以较为准确地确定未来预设时间段内的发电量。

具体的，第二预测模型可以是差分整合移动平均自回归模型(autoregressiveintegrated moving average model，ARIMA)。ARIMA可以将表征历史用电量的数据作为输入，从而对预设时间段内的用电量进行预测。即该ARIMA模型的输出为未来一段时间内的用电量。

在对第二预测模型进行训练之前，首先要获取智能微网用电端102的历史用电量。一种可能的实施方式中，可以在用电端102内部设置多个电能监测装置，每个电能监测装置可以认为是用于检测不同类型的用户的用电量。该多个电能监测装置通过有线或无线的方式与控制中心104连接。

具体的，控制中心104获取历史用电量的方式与控制中心获取历史发电量的方式类似。例如在一些实施例中，控制中心104可以周期性向每个电能监测装置发送第三请求指令，对应地，每个电能监测装置接收到该第三请求指令，可以向控制中心104反馈历史用电量。应理解，如果电能监测装置记载的是累积的瞬时用电量，那么一段时间段，例如称为第二时间段的历史用电量来说，第三请求指令可以携带该第二时间段的起始时刻和结束时刻，电能监测装置将该起始时刻对应的第一瞬时用电量和该结束时刻对应的第二瞬时用电量反馈给控制中心104，控制中心104根据第一瞬时用电量和第一瞬时用电量确定第一时间段内的用电量。

又例如，在另一些实施例中，第三请求指令可以包括多个时间信息，以指示服务器反馈这多个时间信息分别指示的时间段内的用电量。应理解，这种情况下，电能监测装置可以记载一段时间内的用电量，或者电能监测装置可以记载瞬时用电量，但是可以计算一段时间的用电量。

又例如，在另一些实施例中，第三请求指令可以包括一个时间信息，该时间信息用于指示电能监测装置每隔该时间信息指示的时长，向控制中心104反馈历史用电量，即指示电能监测装置周期性地上报历史用电量。这样控制中心104可以获取多组发电端101的历史用电量。

针对每种用户，控制中心104可以获取多组历史用电量，控制中心104可以根据每种用户的历史用电量对第二预测模型进行训练。具体的，以第二预测模型是ARIMA(p,d,q)为例，其中，p为自回归阶数，q为移动平均阶数，d为差分阶数。

ARIMA模型是通过历史用电量对未来一段时间内的输出数据进行预测，因此为了提高预测的准确性，需要保证该ARIMA模型的历史用电量的波动尽可能较小，即历史用电量的均值或方差小于预设阈值。若历史用电量的波动较大，即历史用电量的均值或方差大于预设阈值，则需要对历史用电量进行预处理，例如对历史用电量进行差分处理，以尽量减小输入ARIMA模型的数据的均值或方差。

具体的，对历史用电量进行差分处理可以将历史用电量对应的时间段中t时刻与t-1时刻的历史用电量进行取差值处理，从而得到处理后的历史用电量，为了便于描述，下文中将未进行差分处理的历史用电量称为第一历史用电量，对进行差分处理后的历史用电量称为第二历史用电量。第二历史用电量随时间变化的曲线可以认为比第一历史用电量随时间变化的曲线更加平滑，即第二输入数据对应的均值或方差小于第一输入数据对应的均值或方差。若第二历史用电量的均值或方差大于预设阈值，则对第二历史用电量中t时刻与t-1时刻的数据进行取差值处理，从而得到第三历史用电量。第三历史用电量随时间变化的曲线可以认为比第二历史用电量随时间变化的曲线更加平滑，即第三历史用电量对应的均值或方差小于第二历史用电量对应的均值或方差。以此类推，直到第N次处理后，第N次输入的历史用电量对应的均值或方差小于或等于预设阈值，那么可以认为第N次输入的历史用电量随时间变化的曲线较为平稳，从而可以将上述ARIMA模型中的差分阶数d确定为N，即差分阶数d的取值与差分处理的次数相等。

自回归阶数p可以是自相关函数(ACF)的阶数，移动平均阶数q可以是偏自相关函数(PACF)的阶数，所以可以通过自相关函数(ACF)和偏自相关函数确定p、q的值。

这里的自相关函数用于指示时间序列观测值与过去的观测值之间的线性相关性，满足如下公式：

其中，y_t表示在t时刻历史用电量的观测值，k代表滞后期数(即时刻)，y_t-k表示t-k时刻历史用电量的观测值，Cov为协方差，Var为方差。

偏自相关函数(PACF)可以用于指示在给定中间观测值的条件下，时间序列观测值与过去的观测值之间的线性相关性，其中中间观测值为t时刻与t-k时刻之间的用电量观测值，即在t-k+1,t-k+2,…,t-1时刻的用电量观测值。

可以根据AIC(Akaike Information Criterion)准则或BIC(BayesianInformation Criterion)准则来确定最佳的p、q，满足如下公式：

AIC＝2m-2ln(L)

其中，m为模型参数的个数，L为模型的极大似然函数值。

或者，

BfC＝ln(n)×m-2ln(L)

其中，m为模型参数的个数，n为样本数，L为模型的极大似然函数值。

确定了差分阶数d以及p、q后，可以建立ARIMA(p,d,q)模型。其中AR为自回归模型，其满足公式为：

其中，y_t是当前的用电量，u是常数，p是自回归阶数，γ_i是自相关系数，∈_t是误差。

MA为移动平均模型，其满足公式为：

其中，y_t是当前的用电量，u是常数，q是移动平均阶数，θ_i是误差系数，ε_t是误差。

根据AR模型和MA模型可以确定ARIMA模型。

第二预测模型可以认为能够较好地对历史用电量随时间变化的趋势进行拟合，那么从而对未来预设时间段内的用电量进行预测。即通过第二预测模型就可以获知用电端102中每种用户在未来预设时间段内的用电量。将上述每种用户在未来预设时间段内的用电量相加，则得到用电端102的用电量。

本申请实施例中的第二预测模型可以预测用电端102在未来预设时间段内的用电量，从而为对智能微网整体进行预测提供了基础。且基于第一预测模型可以预测发电端101在未来预设时间段内的发电量，从而可以根据预测的发电量和用电量来确定并网模式，即上述的上网模式或者下网模式。

例如步骤202：若发电量大于用电量，控制中心104则控制发电端101向外部电网106输送部分电量。

如果发电量大于用电量，即可以认为发电端101产生的电量过剩，因此可以向外部电网106输出电量，即此时的并网模式为上网模式。考虑到，在一种可能的应用场景，智能微网还包括用于存储电量的储能端103，储能端103可以包括不同类型的储能装置，例如根据储能装置的存储容量可以分为电站级的集装箱以及用户级的储能装置。如果发电端101产生的电量过剩，那么可以优先考虑将过剩的电量存储于储能端103。如果发电端101产生的电量过剩，那么可以优先考虑将过剩的电量存储于储能端103。如果发电端101中剩余电量除了存储给储能端103之外，还有剩余，那么可以将剩余的电量输出给外部电网106。储能端103当前可能存储有部分电量，为了便于描述，下文中，将储能端103当前存储的电量称为可用电量，将储能端103还可以存储的电量称为待存储电量。

应理解，控制中心104可以根据发电端101的发电量，用电端102的用电量以及储能端103的可用电量共同确定发电端101需要向外部电网106输出的电量。例如，若发电端101的发电量大于用电端102的用电量，且发电端101的发电量与用电端102的用电量的差值大于储能端103的待存储电量，则表明发电端101需要向外部电网106输出部分电量。

例如，预设时间段为1天，第一预测模型得到的发电端101的发电量为800kwh，第二预测模型得到的用电端102的用电量为500kwh，储能端103的待存储电量为200kwh。此时，发电端101的发电量与用电端102的用电量的差值为300kwh，大于储能端103的待存储电量200kwh，那么发电端101需要向外部电网106输出100kwh的电量。

又例如，预设时间段为1天，第一预测模型得到的发电端101的发电量为800kwh，第二预测模型得到的用电端102的用电量为500kwh，储能端103的待存储电量为400kwh。此时，发电端101的发电量与用电端102的用电量的差值为300kwh，小于储能端103的待存储电量400kwh，那么发电端101不需要向外部电网106输出电量。

步骤203：若发电量小于所述用电量，控制中心104则控制用电端101从外部电网106获取部分电量。

如果发电量小于用电量，即可以认为用电端102需要的电量供应不足，因此可以从外部电网106获取电量，以供给用电端102，即此时的并网模式为下网模式。考虑到，在一种可能的应用场景，智能微网还包括用于存储电量的储能端103，该储能端103存储有电量，可以为用电端102提供电量。例如若用电端102的用电量小于发电端101的发电量，且用电端102的用电量与发电端101的发电量的差值大于储能端103中的可用电量，则表明用电端102需要向外部电量106获取部分电量。

应理解，控制中心104可以根据发电端101的发电量，用电端102的用电量以及储能端103的可用电量共同确定用电端102需要从向外部电网获取的电量。

例如，预设时间段为1天，第一预测模型得到的发电端101的发电量为500kwh，第二预测模型得到的用电端102的用电量为800kwh，储能端103的可用电量为200kwh。此时，用电端102的用电量与发电端101的发电量的差值为300kwh，大于储能端103的可用电量，那么用电端102还需要向外部电网获取100kwh的电量。

又例如，预设时间段为1天，第一预测模型得到的发电端101的发电量为500kwh，第二预测模型得到的用电端102的第一用电量为800kwh，储能端103的可用电量为400kwh。此时，用电端102的用电量与发电端101的发电量的差值为300kwh，小于储能端103的可用电量，那么用电端102不需要向外部电网获取电量。

本发明实施例对智能微网整体进行预测，例如预测智能微网的发电端101在未来预设时间内的发电量，以及预测智能微网的用电端102在未来预设时间段的用电量，根据预测的发电量和用电量可以较为准确地对智能微网的电量进行调度。

请参见图3，基于同一发明构思，本发明实施例提供一种智能微网的控制装置，该控制装置包括：第一确定模块301、第二确定模块302以及第三确定模块303。其中：

可选的，第二确定模块302具体用于：

若发电量大于用电量，且发电量与用电量之间的差值大于储能端103的待存储电量，则确定发电端101向外部电网输送部分电量。

可选的，第三确定模块303具体用于：

若发电量小于用电量，且储能端103的可用电量小于用电量与发电量之间的差值，则确定用电端102从外部电网106获取部分电量。

可选的，第一确定模块301具体用于：

向服务器发送第一请求指令，第一请求指令用于获取服务器预测的设定时间段内的环境参数；

接收来自服务器的环境参数，将接收到的环境参数输入第一预测模型得到预测的发电量，第一预测模型用于指示环境参数与发电量之间的关系。

可选的，第一确定模块301具体还用于：

向位于智能微网的多个电能监测装置分别发送第二请求指令，第二请求指令用于获取所述电能监测装置监测的历史发电量；

接收来自多个电能监测装置的历史发电量，将接收到的历史发电量输入第二预测模型得到预测的用电量，第二预测模型用于指示历史用电量与未来用电量的关系。

可选的，第二确定模块302具体还用于：

根据发电量与用电量之间的差值，以及储能端103的待存储电量，确定发电端101向外部电网106要输出的电量。

可选的，第三确定模块303具体还用于：

根据用电量与发电量之间的差值，以及储能端103的可用电量，确定用电端102要从所述外部电网获取的电量。

请参见图4，基于同一发明构思，本发明实施例提供一种智能微网的控制装置，该控制装置包括：

至少一个处理器401，处理器401用于执行存储器中存储的计算机程序，实现本发明实施例提供的如图2所示的智能微网的控制方法的步骤。

可选的，处理器401具体可以是中央处理器、特定ASIC，可以是一个或多个用于控制程序执行的集成电路。

可选的，该智能微网控制装置还可以包括与至少一个处理器401连接的存储器402，存储器402可以包括ROM、RAM和磁盘存储器。存储器402用于存储处理器401运行时所需的数据，即存储有可被至少一个处理器401执行的指令，至少一个处理器401通过执行存储器402存储的指令，执行如图2所示的方法。其中，存储器402的数量为一个或多个。其中，存储器402在图4中一并示出，但需要知道的是存储器402不是必选的功能模块，因此在图4中以虚线示出。

其中，第一确定模块301、第二确定模块302以及第三确定模块303所对应的实体设备均可以是前述的处理器401。该智能微网控制装置可以用于执行图2所示的实施例所提供的方法。因此关于该设备中各功能模块所能够实现的功能，可参考图2所示的实施例中的相应描述，不多赘述。

本发明实施例还提供一种计算机存储介质，其中，计算机存储介质存储有计算机指令，当计算机指令在计算机上运行时，使得计算机执行如图2所述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

Claims

1.一种智能微网的控制方法，其特征在于，所述智能微网包括发电端、用电端以及储能端，所述方法包括：

2.如权利要求1所述的方法，其特征在于，若所述发电量大于所述用电量，则确定所述发电端向外部电网输送部分电量，包括：

3.如权利要求1所述的方法，其特征在于，若所述发电量小于所述用电量，则确定所述用电端从所述外部电网获取部分电量，包括：

4.如权利要求1-3任一所述的方法，其特征在于，根据环境参数预测发电端在设定时间段内的发电量，包括：

5.如权利要求1-3任一所述的方法，其特征在于，根据历史用电量预测用电端在所述设定时间段内的用电量，包括：

6.如权利要求2所述的方法，其特征在于，还包括：

7.如权利要求3所述的方法，其特征在于，还包括：

8.一种装置，其特征在于，包括：

第二确定模块，用于若所述发电量大于所述用电量，则确定所述发电端外部电网输送电量；

9.一种装置，其特征在于，所述装置包括至少一个处理器以及与所述至少一个处理器连接的存储器，所述至少一个处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。