CN112508325A - 一种家庭微电网多时间尺度电能调度方法 - Google Patents

Abstract

本发明公开了一种家庭微电网多时间尺度电能调度方法，包括：采集微电网的用户用电的历史数据；对所述历史数据进行学习，进而预测未来待调度时间区间内新能源以及不能控设备的预测值；考虑可迁移负荷的优先调度规划，以优先规划调度可迁移负载以及用户电价为目标，建立指标函数，采用混合整数优化方法对指标函数求解，得到可迁移负载的调度序列和能控设备的负荷曲线；定义微电网的状态变量和控制变量，建立自学习优化机制，训练微电网控制器；调度时，以设定的时间尺度测量微电网的状态变量，并根据训练好的微电网控制器得到优化的控制变量；当微电网的温控设备开启时，通过调节温控设备的用电功率，来使得实际的用电负荷和预测的用电负荷一致。

Description

一种家庭微电网多时间尺度电能调度方法

技术领域

本发明涉及智能微电网技术领域，具体涉及一种家庭微电网多时间尺度电能调度方法。

背景技术

家庭智能微电网由公用电网、蓄电池、新能源发电、用户负载侧等组成；其中，负载侧的用户用电行为对价格因素不敏感。公用电网的电价机制是以小时为时间间隔的动态电价。现有方案设计的目标是：通过蓄电池每一个小时的充电放电决策(包括充电、放电、闲置三种模式的选择，以及充放电功率的计算)，在高电价时放电，在低电价时充电，达到家庭用户的用电费用最少。同时，现有技术设计了避免蓄电池过充过放的罚函数指标项以及保证电池寿命的指标项。

对于家庭微电网的相关研究，现有技术存在如下缺点：

1.一些现有技术是基于离散时间进行分析的，而电能调度在物理上是连续变化的量。为了方便分析，现有技术的采样时间均选取了1个小时，和实时电价变化的时间间隔是一致的。选取1个小时作为采样时间，是在假定用户负荷在一个小时内不变的情况下，设计的最优控制策略。而在实际的微电网中，用户的用电曲线在一个小时内是不平稳的，从而可能导致设计的方案施加到实际电网时存在误差。

2.现有技术采用的方案，仅将微网的负载看作一个等效的节点。然而在这个节点下面，还可以将用户不同的用电设备划分为能控的和不能控的用电设备。对于能控的用电设备，可以进一步引导其参与到需求侧响应来，进一步响应电价变化。

3.现有技术的方案中，只考虑了选取多层前馈神经网络作为评判者和优化控制器的参数化结构，而对于多层前馈神经网络的收敛性质，在实际应用中并没有很好的保证。事实上，在现有的技术方案中，只证明了自适应迭代算法在理论意义下的收敛性，并未讨论采用多层前馈神经网络作为参数化结构在实现该算法时的收敛性。而由于参数化结构具有模型残差，在迭代时模型残差的积累非常容易使得误差发散。

发明内容

本发明的目的是提供一种家庭微电网多时间尺度电能调度方法，用以克服现有技术存在的设计方案到实际方案可能存在误差、未考虑到设备级层面调度、容易误差发散等问题。

为了实现上述任务，本发明采用以下技术方案：

一种家庭微电网多时间尺度电能调度方法，包括：

采集微电网的用户用电的历史数据；

利用机器学习的方法对所述历史数据进行学习，进而预测未来待调度时间区间内的光伏微电网的光伏最大功率输出预测值、微电网的风机最大功率输出预测值以及微电网的不能控设备最大功率输出预测值；

基于所述不能控设备最大功率输出预测值，考虑可迁移负荷的优先调度规划，以优先规划调度可迁移负载以及用户电价为目标，建立指标函数，采用混合整数优化的方法对指标函数求解，得到可迁移负载的调度序列，继而得到微电网中能控设备的负荷曲线；

定义微电网的状态变量和控制变量，建立自学习优化机制，训练微电网控制器；

在未来待调度时间区间内，以设定的时间尺度测量微电网的状态变量，并根据训练好的微电网控制器得到优化的控制变量；当微电网的温控设备开启时，通过调节温控设备的用电功率，来使得实际的用电负荷和预测的用电负荷一致。

进一步地，所述微电网的用户用电的历史数据包括{P_G,i,P_un,i,I_PV,i,v_WT,i,C,P_agg}，其中P_G,i表示微电网i从公用电网取电的历史数据，P_un,i表示微电网i不能控设备的历史负荷曲线，I_PV,i表示微电网i光伏板受到的的历史辐射强度，v_WT,i表示微电网i的风机所处环境受到的的历史风速，C表示多微网的电价历史数据，P_agg表示所有微电网向配电网取电的总功率历史数据。

进一步地，所述以优先规划调度可迁移负载以及用户电价为目标，建立指标函数，表示为：

上式中，ω₁和ω₂表示罚函数，C(t)是电价，q_i表示微电网i可迁移设备的数量，z_ζ(t)表示微电网的可迁移设备在不同时刻的开关量，取值为0或1；Γ_ζ表示第ζ个可迁移设备的额定功率，q_i表示可迁移设备数量，P_un,i(t)表示未来待调度时间区间的不能控设备最大功率输出，T表示未来待调度的时间区间的集合。

进一步地，所述定义微电网的状态变量和控制变量，表示为：

状态变量：

其中，P_G,i(t)表示微电网i从配电网中取电的功率，SOC_i(t)表示微电网i的蓄电池在t时刻的电量，P_R,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率，其等于负载侧供电部分光伏发电的最大输出功率与负载侧供电部分风机发电的最大输出功率之和；

表示微电网i的不能控负荷的预测值，

为微电网中能控设备的负荷曲线的表达式。

控制变量：

u_i(t)＝[P_b,i(t) s_i(t) L_i(t)]

其中，P_b,i(t)表示微电网i买入的电，s_i(t)表示可供给其他微电网的电，其值为微电网i的风机发电的功率和光伏发电的功率之和；L_i(t)表示微电网i的买卖电价。

进一步地，所述建立自学习优化机制，训练微电网控制器，包括：

自学习优化机制包括指标评判模块和微网调度控制器模块，其中，指标评判模块用于对微电网i的性能指标函数，通过参数化的方式做函数逼近；微网调度控制器模块用于根据指标评判模块，对微电网控制器的参数作修正和改进，以达到优化的效果，包括：

首先，初始化指标评判模块为一个正定函数，即：

其中，Q₀(x_i(t),u_i(t))表示指标评判模块初始化的表达式，

是指标评判模块中的参数，初始化时随机选取，

x_i(t)是状态变量，u_i(t)是控制变量；

同时微网调度控制器模块：

其中，υ₀(x_i(t))表示微电网控制器，U(x_i(t),u_i(t))表示效用函数；

指标评判模块更新过程为：

Q₁(x_i(t),u_i(t))＝U(x_i(t),υ₀(x_i(t)))+Q₀(x_i(t+Δt),u_i(t+Δt))

其中，Q₁(x_i(t),u_i(t))表示根据微网调度控制器υ₀(x_i(t))，进一步去改进指标评价模块的参数；

根据上面的式子反复进行优化，直到

这三个参数收敛，和控制器υ₀(x_i(t))的参数收敛，以完成模型训练过程。

进一步地，微电网i的性能指标函数J_i＝κ₁J_1,i+κ₂J_2,i+κ₃J_3,i，其中：

上式中，P_G,i(t)表示微电网i从配电网中取电的功率，P_b,i(t)表示微电网i买入的电，P_s,i(t)表示微电网i卖出的电，微电网指定的自己的买卖电价为L_i(t)，C(t)为配电网对多微电网在接下来一日的用电负荷的预测值，P_b(t)表示蓄电池在t时刻的充放电功率，μ_i是罚函数系数；α_m表示第m个用电设备的罚函数系数，T_m(t)表示t时刻第m个用电设备的温度，T_set,m(t)表示t时刻用电设备m期望的温度设定值，M_i表示微电网i的能控设备的集合，κ₁κ₂κ₃为一组控制变量。

进一步地，所述自学习优化机制中进行学习的策略为：

将配电网对多微电网在接下来一日的用电负荷的预测值C(t)作为控制变量，将t时刻所有微电网向配电网取电的总功率P_agg(t)作为状态变量，建立启发式优化结构；所述启发式优化结构包括电价决策模块、电价响应模型以及指标评判模块，其中：

电价决策模块表示电价指定策略的函数关系；电价响应模型为用户在给定电价下的负荷变化规律；指标评判模块用于计算在当前的电价指定策略下的近似指标值；启发式优化的过程如下：

首先，根据用户用电的历史数据，通过训练得到电价响应模型；

初始化指标评判模块为一个准二次型函数，即：

其中，V₀(P_agg)表示用于逼近公用电网的性能指标的函数关系，

表示迭代的参数，初始时随机选取；P_agg表示状态变量；

进而修正电价决策模块：

指标评判模块的参数和电价决策模块的参数修正次数由β表示，对于β＝1,2,…，指标评判模块修正：

V_β(P_agg)＝[P_agg(t)-P_con]²+V_β-1(P_agg)

其中，P_con为常数，V_β-1(P_agg)为β-1次迭代时的V_β(P_agg)；

电价决策模块修正后：

通过上式进行迭代，直到参数收敛后停止。

与现有技术相比，本发明具有以下技术特点：

1.本发明提出一种双时间尺度的方案实现调度方案，控制器的设计涉及两个时间尺度，分别是慢时间尺度和快时间尺度，其中慢时间尺度的采样时间和现有方案一致，为1个小时，而快时间尺度则为5分钟，增加快时间尺度的优化方案意在保证蓄电池在1个小时内尽可能补偿负载侧的负荷的波动，有效地克服了从设计方案到实际电网时可能存在的误差问题。

2.本发明方法中设计了家庭设备级层面的调度，首先将家庭的负荷分为能控型负荷和不能控型负荷，对于能控型负荷，分为温控型负荷(柔性负荷)和可迁移负荷。考虑温控型负荷和可迁移负荷的可调度特性，在不引起用户不舒适的前提下，优先调度能控负荷，减少蓄电池损耗。

3.本发明方法提出准二次型的参数化结构，而不是用现有方案的多层前馈神经网络来实现自适应迭代算法。对于本发明设计的效用函数而言，采用准二次型的参数化结构可以很好地消除模型残差，进而避免了自适应迭代过程当中误差的积累使得算法发散。

附图说明

图1为家庭智能微电网的结构示意图；

图2为自学习优化机制的示意图；

图3为启发式优化结构的示意图。

具体实施方式

本技术方案研究的场景是一个具有多个微电网的配电网，其中每一个微电网用i或j表示，微电网的集合用G表示，时间用t表示，微电网i从配电网中取电的功率用P_G,i(t)表示，微电网i的储能设备(蓄电池)的充放电功率用P_B,i(t)表示，微电网i的光伏发电的最大输出功率用P_PV,i(t)表示，微电网i的风机发电的最大输出功率用P_WT,i(t)表示，P_s,i(t)表示微电网i卖出的电，P_b,i(t)表示微电网i买入的电，当微电网i向微电网j充电时，P_s,i(t)＝-P_b,j(t)且P_s,j(t)＝P_b,i(t)＝0。

表示第i个微电网的不能控设备的不能控负荷在t时刻的功率；

表示第i个微电网的能控设备在t时刻的功率。

对于微电网i，需要满足如下的物理规律：

(1)功率平衡关系

上式中，

表示蓄电池的充电功率，

表示蓄电池的放电功率；

表示微电网i在t时刻不能控的负载用电功率，P_c,i(t)表示微电网i在t时刻能控的负载用电功率。P_R,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率，

表示微电网i的负载侧供电部分光伏发电的最大输出功率，

表示微电网i的负载侧供电部分风机发电的最大输出功率。

即本方案中，参数上标～表示该参数在微电网i的负载侧的供电部分，参数上标^表示该参数在微电网i用于和其他微电网进行能源交易部分，下同。

(2)蓄电池的动态特性

其中，SOC_i(t)、SOC_i(t+Δt)表示微电网i的蓄电池在t、t+Δt时刻的电量；σ_i表示微电网i的蓄电池自放电系数，

表示微电网i的蓄电池额定容量，λ表示定积分的积分变量，

分别表示蓄电池充电功率、放电功率的积分形式。

(3)光伏板的最大输出功率

P_PV,i(t)＝A_PVη_PVI_PV,i(t)

其中，P_PV,i(t)表示t时刻微电网i的光伏板最大输出功率，A_PV表示光伏板面积，η_PV表示光伏板效率，I_PV,i(t)表示t时刻微电网i的光伏板受到的辐射强度，

表示用于微电网i负载侧供电的那部分光伏功率，

表示微电网i用来和其他微电网作能源交易的部分光伏功率。

(4)风机的的最大输出功率：

其中，P_WT,i(t)表示微电网i的风机的最大输出功率，

表示风机用于给微电网i供电的功率，

表示t时刻风机发出的用于跟别的微电网作能源交换的功率。

(5)不能控负荷，用

表示，不能控负荷的预测值，由

表示，可通过现有技术预测得到。

(6)能控负荷，分为温控负荷和可迁移负荷，其中：

温控负荷：包括暖通空调和热水器的负荷。

可迁移负荷：给定第i个微电网的可迁移负荷的集合Ψ_i，其中由q_i个可迁移设备，对于第ζ个可迁移设备，即ζ＝1,2,…,q_i，可迁移负荷由Γ_ζ、z_ζ(t)表示，其中Γ_ζ表示第ζ个可迁移设备的用电功率，z_ζ(t)∈{0,1}表示用电设备的开关状态。

对于多微电网和公用电网：

公用电网基于现有的定价方案进行区域配电网的电价指定，其电价制定方案用g(·)表示，电价机制采用日前电价的形式，其电价制定与配电网对多微电网在接下来一日的用电负荷的预测值有关：

其中电价制定方案用g(·)表示，

表示未来的调度时间区间内的多微电网总负荷的预测值，T表示待调度的时间区间的集合。指定电价的方案可通过现有技术确定。

对于微电网之间：

微电网和微电网之间存在售电机制，微电网i可供给其他微电网的电，为风机发电的功率

和光伏发电的功率

之和，用

表示；每个微电网之间，根据自己的供需关系进行微电网之间购电和卖电的定价机制，微电网指定的自己的买卖电价为L_i(t)，其中L_i(t)＜0时表示第i个微电网能接受的卖电价格，反之则为买电价格，当且仅当L_i(t)＝-L_j(t)时，微电网i和微电网j产生电能交易。

对于微电网i，其优化目标主要有：

用户的电费支出最优、蓄电池的寿命损耗尽可能小、用户的不舒适度在容许范围内，分别由J₁、J₂、J₃表示，其中：

其中，P_b(t)表示蓄电池在t时刻的充放电功率，是人为决定的决策变量；μ_i是罚函数系数；α_m表示第m个用电设备的罚函数系数，T_m(t)表示t时刻第m个用电设备的温度，T_set,m(t)表示t时刻用电设备m期望的温度设定值，M_i表示微电网i的能控设备的集合。

则有性能指标函数J_i＝κ₁J_1,i+κ₂J_2,i+κ₃J_3,i，目标在于，选取一组控制变量u_i(t)，通过在容许的控制变量集合Ω_u中选取能使性能指标最小的J_i，其中：

u_i(t)＝[P_b,i(t) s_i(t) L_i(t)]

上式中，P_b,i(t)表示微电网i的蓄电池的充放电功率，s_i(t)表示微电网i向其他电网买电和卖电的功率，L_i(t)表示微电网i和其他微电网买卖电能的电价；控制变量由人为设定，其控制变量集合Ω_u根据微电网的物理约束设定，例如蓄电池的充放电功率不能超过额定充放电功率，微电网间买卖电能不能超过其新能源发电的最大功率。

对于公用电网，其优化目标主要为：

希望通过指定电价的方式，使得多微网的用户的总用电功率趋向恒值，即：

其中，P_agg(t)表示t时刻所有微电网向配电网(公用电网)取电的总功率，P_con为常数，R表示未来待调度时间区间内对于公用电网的指标值。

本发明考虑了一种多微电网能源调度的方案，包括：配电网级的电价制定方案，以及单个微电网的经济效益最优方案，其中允许微电网之间进行竞价交易；本发明方法的技术步骤如下：

步骤1，采集微电网i的用户用电的历史数据，包括{P_G,i,P_un,i,I_PV,i,v_WT,i,C,P_agg}，其中P_G,i表示微电网i从公用电网取电的历史数据，P_un,i表示微电网i不能控设备的历史负荷曲线，I_PV,i表示微电网i光伏板受到的的历史辐射强度，v_WT,i表示微电网i的风机所处环境受到的的历史风速，C表示多微网的电价历史数据(所有微电网接受一个共同电价)，P_agg表示所有微电网向配电网取电的总功率历史数据；这些数据为为未来待调度时间区间之前的历史数据。

步骤2，未来待调度时间区间的变量预测与用户交互。

基于用户用电的历史数据，对未来待调度时间区间内的负荷、新能源做出预测。对第i个微电网，采用LSTM网络，对历史数据进行学习，进而预测未来待调度时间区间内的P′_PV,i(t)，P′_WT,i(t)，P′_un,i(t)，其中P′_PV,i(t)表示未来待调度时间区间的光伏最大功率输出预测值，P′_WT,i(t)表示未来待调度时间区间的风机最大功率输出预测值，P′_un,i(t)表示未来待调度时间区间的不能控设备最大功率输出预测值。

用户向能量管理系统报备未来待调度时间区间内的未来待调度时间区间的不能控设备最大功率输出预测值P′_un,i(t)，其中用电计划P′_un,i(t)为用户在未来待调度时间区间来临前向能量管理系统报备，或者由能量管理系统根据用户的历史用电数据作出预测。

步骤3，将所述未来待调度时间区间的不能控设备最大功率输出预测值P′_un,i(t)作为不能控的负荷的预测值

由步骤2.2，得到不能控的负荷的预测值为P′_un,i(t)，考虑可迁移负荷的优先调度规划；由混合整数优化的相关方法，指定需求侧响应的调度方案。在第i个微电网中，考虑优先规划调度可迁移负载，以减小峰谷差，且优化用户电价，其指标函数可表示为：

上式中，ω₁和ω₂表示罚函数，由人为设定；C(t)是电价，q_i表示微电网i可迁移设备的数量，z_ζ(t)表示可迁移设备在不同时刻的开关量，取值为0或1；Γ_ζ表示第ζ个可迁移设备的额定功率，P_un,i(t)表示未来待调度时间区间的不能控设备最大功率输出。

步骤3在于用混合整数规划的求解模块，如MATLAB软件的Yalmip工具箱，将工具箱函数嵌入到芯片中，通过对所述指标函数的求解可迁移负载的调度序列z_ζ(t)。

通过混合整数规划，对微电网i的能控设备中的可迁移设备作出调度以后，未来待调度时间区间的能控负荷曲线是有变化的，因此将产生新的负荷曲线。

则在考虑可迁移负荷的调度后，新的能控设备的负荷曲线的表达式为：

步骤4，划分状态变量和控制变量，并且交替求解：

本发明的家庭能源调度，通过自学习的机制，自学习得到最优的蓄电池调度方案。注意到，在家庭能源调度中，自学习的机制不需要事先训练参数化的模型逼近器。

对于微电网i，在未来待调度时间区间来临前，定义：

状态变量：

控制变量：

u_i(t)＝[P_b,i(t) s_i(t) L_i(t)]

建立如图2所示的自学习优化机制，在本发明中，选取准二次型函数作为指标评判模块，以具有记忆效应的LSTM神经网络作为微网调度控制器，作为两个参数化结构的逼近器。

自学习优化机制中，具有两个模块，分别是指标评判模块，和微网调度控制器模块：

指标评判模块用于对微电网i的性能指标函数J_i，通过参数化的方式做函数逼近；

微网调度控制器模块用于根据指标评判模块，对微电网控制器的参数作修正和改进，以达到优化的效果，具体如下：

首先，初始化指标评判模块为一个正定函数，即：

其中，Q₀表示指标评判模块初始化的表达式，

是指标评判模块中的参数，初始化时，是随机选取的，

同时微网调度控制器模块：

其中，υ₀(x_i(t))表示微电网控制器，U(x_i(t),u_i(t))表示效用函数，

指标评判模块更新：

Q₁(x_i(t),u_i(t))＝U(x_i(t),u_i(t))+Q₀(x_i(t+Δt),υ₀(x_i(t+Δt)))

其中，Q₁(x_i(t),u_i(t))表示根据微网调度控制器υ₀(x_i(t))，进一步去改进指标评价模块的参数。

根据上面两条式子反复进行优化，即：若令χ表示微电网控制器参数和指标评判模块参数的迭代次数，则当χ＝1,2,…

Q_χ+1(x_i(t),u_i(t))＝U(x_i(t),u_i(t))+Q_χ(x_i(t+Δt),υ₀(x_i(t+Δt)))

直到

这三个参数收敛，和微电网控制器υ₀(x_i(t))的参数收敛。即指标评判模块和微网调度控制器模块收敛，以完成模型训练过程。

之所以称之为自学习，是因为一开始，指标评判模块是随机取的参数、而微网调度控制器模块也是随机取的参数，经过上面的Q₀、υ₀的迭代，逐步逼近到最优的一个控制策略。

本发明中电价的指定采用了一种自学习机制，通过三个通用参数化结构，自学习得到最优的电价方案；而不是只依据某个特定的函数制定电价。注意到，在家庭能源调度中，自学习的机制需要事先训练参数化的模型逼近器。

对于公用电网，在在未来待调度时间区间来临前，将配电网对多微电网在接下来一日的用电负荷的预测值C(t)作为控制变量，将t时刻所有微电网向配电网(公用电网)取电的总功率P_agg(t)作为状态变量，建立如图3所示启发式优化结构，其中：

(1)电价决策模块表示电价指定策略的函数关系g(·)；

(2)电价响应模型为用户在给定电价下的负荷变化规律；

(3)指标评判模块用于计算在当前的电价指定策略下的近似指标值。

需要说明的是，图中的电价决策模块、电价响应模型是通用的参数化结构，而指标评判模块为准二次型函数，而并非某种特定形式的简单函数(比如二次函数、正弦函数)。

在本发明中，选取径向基网络作为三个参数化结构的逼近器。注意到，V(P_agg)为对指标R的近似。

首先，根据步骤1中采集的用户用电的历史数据，训练一组参数，得到电价响应模型。

其次，初始化指标评判模块为一个准二次型函数，即：

其中，V₀(P_agg)表示用于逼近公用电网的性能指标的函数关系，

表示迭代的参数，也是一开始随机取，C₀(t)为对于公用电网的电价决策模块，根据V₀(P_agg)修正，后面的迭代过程类似，表达的就是当迭代次数β增多，

将会收敛。

进而修正电价决策模块：

指标评判模块的参数和电价决策模块的参数修正次数由β表示，对于β＝1,2,…，指标评判模块修正：

V_β(P_agg)＝[P_agg(t)-P_con]²+V_β-1(P_agg)

其中，P_con为常数，V_β-1(P_agg)为β-1次迭代时的V_β(P_agg)；

电价决策模块修正后：

修正程序直到两个模块的参数收敛后停止。

本发明的效用函数J_1,i、J_2,i和J_3,i，对于单微电网，考虑了单微电网的电费、蓄电池损耗、温控设备的用户舒适度；对于公用配电网，考虑能够实现恒功率取电。

步骤5，在t∈T的未来待调度时间区间内，系统实时运行过程中，以每5分钟的时间尺度，测量微电网的状态变量x_i(t)，并根据步骤4中训练得到的υ₀(x_i(t))得到优化的控制变量u_i(t)，当微电网的温控设备开启时，通过调节温控设备的用电功率P_ac(t)，来使得实际的用电负荷和预测的用电负荷一致，保证调度策略的最优性。

步骤4训练好了参数化结构后，得到最优的控制器参数，在步骤5的实际运行过程中，只要测量微电网的状态x_i(t)，就能根据训练好的参数计算出u_i(t)。

其中，调节温控设备的用电功率P_ac(t)，为通过使得步骤3中设定的J_i最小来调节温控设备的用电功率P_ac(t)；具体的优化方法，可以采用现有的非线性规划方法等。

在步骤3到步骤5中，采用可迁移负荷进行离线规划，得到蓄电池的充放电功率后，利用温控型设备对用电功率进行补偿。

本发明考虑了两个时间尺度的优化，为“离线-在线”结合的优化；可迁移负荷和不能控负荷曲线用于设计慢时间尺度的调度方案，以一个小时为时间尺度。为了应对负荷的实时变化，通过调节温控设备的功率，在满足用户舒适度的前提下，调节实时用电负荷和预测负荷之间的误差；由于本方案采用了设备级的调度，对设备进行了划分，因而减少了蓄电池的消耗，降低了电能的储存成本，提高了电能的实时利用率。本发明提供了一种多微电网之间能源交互的方案，与配电网级的电价设计方案，与单微电网相比，多微电网的协同优化有利于配电网级的调度，通过价格调动需求侧响应，使得多微电网在配电网的取电尽可能接近恒功率，进而在降低调峰调频电站的建设规模，提高社会经济效益。

Claims (7)

1.一种家庭微电网多时间尺度电能调度方法，其特征在于，包括：

采集微电网的用户用电的历史数据；

利用机器学习的方法对所述历史数据进行学习，进而预测未来待调度时间区间内的光伏微电网的光伏最大功率输出预测值、微电网的风机最大功率输出预测值以及微电网的不能控设备最大功率输出预测值；

基于所述不能控设备最大功率输出预测值，考虑可迁移负荷的优先调度规划，以优先规划调度可迁移负载以及用户电价为目标，建立指标函数，采用混合整数优化的方法对指标函数求解，得到可迁移负载的调度序列，继而得到微电网中能控设备的负荷曲线；

定义微电网的状态变量和控制变量，建立自学习优化机制，训练微电网控制器；

在未来待调度时间区间内，以设定的时间尺度测量微电网的状态变量，并根据训练好的微电网控制器得到优化的控制变量；当微电网的温控设备开启时，通过调节温控设备的用电功率，来使得实际的用电负荷和预测的用电负荷一致。

2.根据权利要求1所述的家庭微电网多时间尺度电能调度方法，其特征在于，所述微电网的用户用电的历史数据包括{P_G,i,P_un,i,I_PV,i,v_WT,i,C,P_agg}，其中P_G,i表示微电网i从公用电网取电的历史数据，P_un,i表示微电网i不能控设备的历史负荷曲线，I_PV,i表示微电网i光伏板受到的的历史辐射强度，v_WT,i表示微电网i的风机所处环境受到的的历史风速，C表示多微网的电价历史数据，P_agg表示所有微电网向配电网取电的总功率历史数据。

3.根据权利要求1所述的家庭微电网多时间尺度电能调度方法，其特征在于，所述以优先规划调度可迁移负载以及用户电价为目标，建立指标函数，表示为：

上式中，ω₁和ω₂表示罚函数，C(t)是电价，q_i表示微电网i可迁移设备的数量，z_ζ(t)表示微电网的可迁移设备在不同时刻的开关量，取值为0或1；Γ_ζ表示第ζ个可迁移设备的额定功率，q_i表示可迁移设备数量，P_un,i(t)表示未来待调度时间区间的不能控设备最大功率输出，T表示未来待调度的时间区间的集合。

4.根据权利要求1所述的家庭微电网多时间尺度电能调度方法，其特征在于，所述定义微电网的状态变量和控制变量，表示为：

状态变量：

其中，P_G,i(t)表示微电网i从配电网中取电的功率，SOC_i(t)表示微电网i的蓄电池在t时刻的电量，P_R,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率，其等于负载侧供电部分光伏发电的最大输出功率与负载侧供电部分风机发电的最大输出功率之和；

表示微电网i的不能控负荷的预测值，

为微电网中能控设备的负荷曲线的表达式。

控制变量：

u_i(t)＝[P_b,i(t) s_i(t) L_i(t)]

其中，P_b,i(t)表示微电网i买入的电，s_i(t)表示可供给其他微电网的电，其值为微电网i的风机发电的功率和光伏发电的功率之和；L_i(t)表示微电网i的买卖电价。

5.根据权利要求1所述的家庭微电网多时间尺度电能调度方法，其特征在于，所述建立自学习优化机制，训练微电网控制器，包括：

自学习优化机制包括指标评判模块和微网调度控制器模块，其中，指标评判模块用于对微电网i的性能指标函数，通过参数化的方式做函数逼近；微网调度控制器模块用于根据指标评判模块，对微电网控制器的参数作修正和改进，以达到优化的效果，包括：

首先，初始化指标评判模块为一个正定函数，即：

其中，Q₀(x_i(t),u_i(t))表示指标评判模块初始化的表达式，

是指标评判模块中的参数，初始化时随机选取，

x_i(t)是状态变量，u_i(t)是控制变量；

同时微网调度控制器模块：

其中，υ₀(x_i(t))表示微电网控制器，U(x_i(t),u_i(t))表示效用函数；

指标评判模块更新过程为：

Q₁(x_i(t),u_i(t))＝U(x_i(t),υ₀(x_i(t)))+Q₀(x_i(t+Δt),u_i(t+Δt))

其中，Q₁(x_i(t),u_i(t))表示根据微网调度控制器υ₀(x_i(t))，进一步去改进指标评价模块的参数；

根据上面的式子反复进行优化，直到

这三个参数收敛，和微电网控制器υ₀(x_i(t))的参数收敛，以完成模型训练过程。

6.根据权利要求5所述的家庭微电网多时间尺度电能调度方法，其特征在于，微电网i的性能指标函数J_i＝κ₁J_1,i+κ₂J_2,i+κ₃J_3,i，其中：

上式中，P_G,i(t)表示微电网i从配电网中取电的功率，P_b,i(t)表示微电网i买入的电，P_s,i(t)表示微电网i卖出的电，微电网指定的自己的买卖电价为L_i(t)，C(t)为配电网对多微电网在接下来一日的用电负荷的预测值，P_b(t)表示蓄电池在t时刻的充放电功率，μ_i是罚函数系数；α_m表示第m个用电设备的罚函数系数，T_m(t)表示t时刻第m个用电设备的温度，T_set,m(t)表示t时刻用电设备m期望的温度设定值，M_i表示微电网i的能控设备的集合，κ₁κ₂κ₃为一组控制变量。

7.根据权利要求1所述的家庭微电网多时间尺度电能调度方法，其特征在于，所述自学习优化机制中进行学习的策略为：

将配电网对多微电网在接下来一日的用电负荷的预测值C(t)作为控制变量，将t时刻所有微电网向配电网取电的总功率P_agg(t)作为状态变量，建立启发式优化结构；所述启发式优化结构包括电价决策模块、电价响应模型以及指标评判模块，其中：

电价决策模块表示电价指定策略的函数关系；电价响应模型为用户在给定电价下的负荷变化规律；指标评判模块用于计算在当前的电价指定策略下的近似指标值；启发式优化的过程如下：

首先，根据用户用电的历史数据，通过训练得到电价响应模型；

初始化指标评判模块为一个准二次型函数，即：

其中，V₀(P_agg)表示用于逼近公用电网的性能指标的函数关系，

表示迭代的参数，初始时随机选取；P_agg表示状态变量；

进而修正电价决策模块：

指标评判模块的参数和电价决策模块的参数修正次数由β表示，对于β＝1,2,…，指标评判模块修正：

V_β(P_agg)＝[P_agg(t)-P_con]²+V_β-1(P_agg)

其中，P_con为常数，V_β-1(P_agg)为β-1次迭代时的V_β(P_agg)；

电价决策模块修正后：

通过上式进行迭代，直到参数收敛后停止。

Images