CN115528752B - 一种微电网群的控制方法及装置 - Google Patents
一种微电网群的控制方法及装置 Download PDFInfo
- Publication number
- CN115528752B CN115528752B CN202211470191.9A CN202211470191A CN115528752B CN 115528752 B CN115528752 B CN 115528752B CN 202211470191 A CN202211470191 A CN 202211470191A CN 115528752 B CN115528752 B CN 115528752B
- Authority
- CN
- China
- Prior art keywords
- micro
- grid
- preset
- grid group
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 30
- 238000004146 energy storage Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 101100001673 Emericella variicolor andH gene Proteins 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种微电网群的控制方法及装置，可应用于微电网技术领域。该方法包括：连续获取微电网群测量信息，根据测量信息得到微电网群的瞬时功率；当瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；通过预设的优化模型对预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。本技术方案提高了优化控制器对于底层微电网群连续动态过程的感知能力，克服了传统优化调度策略优化结果不准确的缺陷，提高了控制的实时性，提高新能源的利用率和供电可靠性。
Description
技术领域
本申请涉及微电网技术领域，尤其涉及一种微电网群的控制方法及装置。
背景技术
微电网是由分布式电源、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。而由于可再生能源出力和区域负荷存在随机性和不确定性的问题，容易给低惯性的微电网带来诸多不利影响，而微电网群作为多个微电网的集成体，可以通过能源互济实现区域可再生能源利用和负荷转移。
目前现有技术中对微电网群控制的方法存在很多弊端，例如：基于数据断面的实时控制方法无法实现微电网群以单日为周期的优化调度；其他的一些集中式日前优化策略能够解决长周期内的优化调度问题，但策略层级较高，依赖于采样周期长、数据量大的离散量信息，忽视了底层微电网群连续动态过程，不能及时检测微电网群事件的发生，而检测微电网群事件的不及时会使系统控制效果变得不可靠，忽视底层连续动态信息导致优化结果不准确。现有技术中对微电网群控制的方法难以做到既准确可靠又具有实时性。
由此，如何设计出一种具有高可靠性且实时优化控制微电网群的方法成为本领域亟需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种微电网群的控制方法及装置，旨在实现高可靠性且实时优化控制微电网群的要求。
第一方面，本申请实施例提供了一种微电网群的控制方法，该方法包括：
连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率；
当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；
利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；
通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。
可选的，所述预设的预测模型的具体建立方式包括：
获取微电网群的历史数据；其中，所述历史数据包括微电网群历史可再生能源发电和区域负荷数据；
将所述历史数据按照预设的比例分为训练集和测试集；
通过训练集完成神经网络预测模型的初步训练，并通过测试集测试，得到预测模型。
可选的，所述预设的优化模型的具体建立方式包括：
将发电机功率和储能功率的向量形式作为决策向量；
根据所述决策向量、第一多项式和第二多项式构建优化模型；其中，所述第一多项式为关于当前时刻的微电网的发电机有功功率和燃料成本系数的多项式；所述第二多项式为关于当前时刻的微电网的储能功率和储能运行维护成本和寿命损耗等效替换成本系数的多项式。
可选的，在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，还包括：
获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据；
根据所述测试数据，判断预设的预测模型精度是否满足要求。
可选的，在所述预设的预测模型精度不满足要求时，还包括：
将新的记录和历史记录混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
可选的，所述通过预设的优化模型对所述预测结果进行计算，具体包括：
将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
第二方面，本申请实施例提供了一种微电网群的控制装置，该装置包括：
信息获取模块，用于连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率；
离散事件确定模块，用于当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；
预测模块，用于利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；
控制模块，用于通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。
可选的，所述预测模块具体用于：
在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据；
根据所述测试数据，判断预设的预测模型精度是否满足要求。
可选的，在所述预设的预测模型精度不满足要求时，所述预测模块具体用于：
将新的记录和历史记录混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
可选的，所述控制模块具体用于：
将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
本申请实施例提供了一种微电网群的控制方法。该方法包括：连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率；当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。可见，本技术方案以连续的瞬时功率预测离散事件，实现连续过程和离散事件的交互，提高了优化控制器对于底层微电网群连续动态过程的感知能力，克服了传统优化调度策略对微电网群优化控制不及时、忽视底层连续动态信息导致优化结果不准确的缺陷，提高了控制的实时性，提高新能源的利用率和供电可靠性。
此外，本申请还提供了一种微电网群的装置，其技术效果与上述方法相对应，这里不再赘述。
附图说明
为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1为本申请实施例提供的微电网群的方法的一种方法流程图；
图2为本申请实施例提供的对预设的预测模型的一种判断流程图；
图3为本申请实施例提供的优化模型的执行逻辑示意图；
图4为本申请实施例提供的微电网群的方法的一种效果示意图；
图5为本申请实施例提供的微电网群的方法的另一种效果示意图；
图6为本申请实施例提供的微电网群的装置的一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为用户实现个性化、差异化的电力服务是微电网优化调度和智能电网技术发展的重要手段。首先，考虑到微电网不同负载的特点，需要建立固定负载、可移动负载和可调负载的模型。然后，在不同的使用时间(time-of-use，TOU）对应不同的条件下，一般采用日能量最优调度模型，以达到最大用户满意度的微电网为目标，其中包括光伏阵列，能源存储设备和负载设备。现有技术中还会采用配合微电网经济发展和环保的最优调度模型。鉴于最优的问题包括光伏电池组成的微电网系统、风力发电机、微型涡轮机、柴油发电机和电池，建立了一个包含运营成本的多目标优化调度模型，系统负荷中断和污染处置成本的补偿费用作为约束条件。
微电网是一种新型的能源网络供应管理结构，为分布式提供渠道访问低压配电网络。它可以减少能源消耗减少环境污染，同时也可以提高系统的可靠性和灵活性。在微电网的时代，为了突出特色需要对电量分配调度进行优化。首先，微电网中的分布式有不同的经营特点，也可能容易受客观天气条件和负载需求的影响；其次，应当越来越多的关注微电网的大量可再生能源；最后，能源计划的种类也影响微电网运行效率。所有的这些都增加了微电网优化调度问题建模的复杂性。
目前，现有技术中，尚无完善的微电网群的控制方式能够实现对微电网群进行协同能量管理。主流的控制方式主要分为基于数据断面的实时控制方式和集中式日前优化调度策略。其中基于数据断面的实时控制方法无法实现微电网群以单日为周期的优化调度；而其他的一些集中式日前优化调度策略能够解决长周期内的优化调度问题，但策略层级较高，依赖于采样周期长、数据量大的离散量信息，忽视了底层微电网群连续动态过程，不能及时检测微电网群事件的发生，难以满足微电网群高可靠性的实时优化控制需求。
本申请中提出了一种基于混成控制器的微电网群控制方式，以克服上述现有技术中的缺点。
本申请实施例提供一种微电网群的控制方法，该方法的方法流程图如图1所示，包括如下步骤：
S10，连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率。
获取微电网群的测量信息，相对于获取微电网群中各个微电网的测量信息。测量信息包括，分布式发电、负荷、储能和发电机电压电流信息等，通过测量信息对各个微电网的瞬时功率进行计算。
S20，当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件。
当通过测量信息计算出各个微电网的瞬时功率后，可以将各个微电网的瞬时功率和离散表达式中的瞬时功率进行对比，也可以将各个微电网中计算得出的瞬时功率整合成为微电网群的瞬时功率并与离散表达式中的瞬时功率进行对比。
其中预设的离散触发表达式是判断离散事件发生的标准，既可以分别基于各个微电网的瞬时功率，也可以基于微电网群整体的瞬时功率进行对比。其标准是用户可以根据需要进行设置，本申请在此不做具体的限定。
S30，利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果。
对于未来一段时间的各个微电网中可再生能源出力和负荷出力进行预测，其中出力为输出功率。得到初步的预测结果，以便后续步骤中形成优化模型。
S40，通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。
将预测结果代入优化模型进行求解，由于是连续结果，则根据首个计算结果生成对微电网群中的各个微电网进行控制的控制指令。在后续重复进行控制优化步骤中，每次都根据首个优化模型的求解计算结果进行优化，也就实现了滚动优化逻辑。得到的第一个时间点的优化结果作为当前优化控制指令下发至各个子微电网控制器，并由子微电网控制器转发至本地可控设备和储能。
可见，本技术方案以连续的瞬时功率预测离散事件，实现连续过程和离散事件的交互，提高了优化控制器对于底层微电网群连续动态过程的感知能力，克服了传统优化调度策略对微电网群优化控制不及时、忽视底层连续动态信息导致优化结果不准确的缺陷，提高了控制的实时性，提高新能源的利用率和供电可靠性。
在一些具体实施例中，预设的预测模型的具体建立方式包括：
获取微电网群的历史数据；其中，所述历史数据包括微电网群历史可再生能源发电和区域负荷数据；
将所述历史数据按照预设的比例分为训练集和测试集；
通过训练集完成神经网络预测模型的初步训练，并通过测试集测试，得到预测模型。
通过调控中心数据库获取微电网群历史风光发电、区域负荷数据，并分配为训练集和测试集。训练集可表示为：
(1.1)
测试集可表示为：
(1.2)
其中和分别表示新能源出力的训练集和测试集，和分别表示负载出力的训练集和测试集，N和M分别表示训练集和测试集的大小，可以根据用户的需要进行调整。设定神经网络初始状态
W 0，通过训练集完成神经网络预测模型的初步训练，得到新能源出力和负荷预测网络模型，所述预测网络模型用作出力与负荷预测，预测结果用于形成优化模型。
在一些具体实施例中，预设的优化模型的具体建立方式包括：
将发电机功率和储能功率的向量形式作为决策向量；
根据所述决策向量、第一多项式和第二多项式构建优化模型；其中，所述第一多项式为关于当前时刻的微电网的发电机有功功率和燃料成本系数的多项式；所述第二多项式为关于当前时刻的微电网的储能功率和储能运行维护成本和寿命损耗等效替换成本系数的多项式。
具体优化模型为：
(1.3)
其中
x表示决策向量，即发电机功率和储能功率向量形式，和表示n个微电网i在t时刻的发电机有功功率与储能功率，
H 1和
H 2表示目标系数矩阵，和表示燃料成本二次系数与一次系数，表示储能运行维护成本和寿命损耗等效替换成本系数。i为索引变量，n为微电网总个数同时也是求和终止值。T为优化周期包含的时间点，也就是连续获取测量数据的时间点。
建立模型约束：优化模型等式约束和不等式约束可表示为：
(1.4)
(1.5)
其中等式约束（1.4）包括子微电网在所有时间点的功率平衡约束、储能SoC变化约束，其中
A和
c为预设的参数；不等式约束（1.5）包括子微电网所有时间点的设备功率约束、爬坡率约束、交换功率约束和储能SoC安全约束其中
D为预设的参数。
例如：以3个子微电网构成的微电网群为例，相邻两个优化时间点相差15分钟，优化周期为96个时间点，代入公式（1.3）中可得：
(1.6)
其中 表示决策向量，即发电机功率和储能功率向量形式，和表示子微电网i在t时刻的发电机有功功率与储能功率，
H 1和
H 2表示目标系数矩阵，此时，等式右侧的优化结果和均为96维向量，表示后续96个时间点的优化结果，这里将其中第1个时间点的优化结果下发作为控制指令。
在一些具体实施例中，在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，如图2所示，在执行步骤S30前还包括：
S301，获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据。
获取前一次离散事件时的可再生能源出力和负荷出力的原因是，对前一次的离散事件进行优化时利用的预测模型是基于历史数据进行训练的，而不包括前一次的数据。
S302，根据所述测试数据，判断预设的预测模型精度是否满足要求。当预测模型精度满足要求时，执行步骤S30，当预测模型精度不满足要求时，执行步骤S303。
利用前一次的数据作为预测数据再次对预测模型进行检测，也就相当于是对预测模型精度进行检查，检测预测模型是否适用于最新一次的数据。当预测模型精度满足要求时继续执行步骤S30对本次离散事件进行预测，若不满足则执行步骤S303重新预测模型，同时将原有的预测模型删除。
S303，将所述测试数据和历史数据混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
与上文中公式（1.1）和（1.2）相同，将新的数据混入历史数据后，按预设比例分配为训练集和测试集，重新训练预测模型。
在一些具体实施例中，步骤S40具体包括：
通过预设的优化模型对所述预测结果进行计算，可以是，将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
将预测结果作为参数代入优化模型进行求解得到结果，以便后续利用结果生成优化指令。
在一些具体实施例中，优化模型的执行逻辑如图3中所示：
图中t为优化开始时间，k为常数。图中靠上的时间轴所代表的是上一次离散事件的优化区间。在本次离散事件触发后，从图中靠上的时间轴变化为图中靠下的时间轴，是根据求解优化模型的第一个计算结果生成电网群控制指令，对微电网群中的各个微电网进行控制优化，如图中阴影部分所示。
每次事件触发后更新预测结果和优化模型的参数，求解上述优化模型，并在下次事件触发时如图3中所示重复这一过程，相当于将优化区间的开始位置向后延长至k+1，以实现滚动优化。
在一些具体实施例中，微电网群的方法的实现效果如图4和图5中所示：
图4表示3个微电网构成的微电网群在24小时内负载、新能源出力、储能和发电机总功率曲线。图5表示微电网群中3个微电网24小时各自的负载、新能源出力、储能和发电机功率曲线。
图4和图5中所示的微电网功率曲线是根据本方案中的控制方法调整后的效果，其中三个灰度的矩形，分别代表新能源出力、燃机优化和储能优化，在矩形正值一侧存在一条包络线，其为总负载。能够清楚的看出3个微电网通过能源互济实现区域可再生能源利用和负荷转移，实现了实时的，准确可靠的对微电网群进行控制。例如：在时间0~9h左右和17h左右~24h时，新能源出力、燃机优化和储能优化均出力，也就是进行了功率输出；在9h左右~17h左右时，新能源出力较高，则通过对微电网的控制调整储能优化，暂停其输出功率，改为对超过总负载的新能源出力部分进行存储。
基于上述实施例提供的微电网群的控制方法，本申请实施例则提供一种执行上述微电网群的控制的装置。该微电网群的控制装置的结构示意图如图6所示，微电网群的控制装置包括：
信息获取模块10，用于连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率。
获取微电网群的测量信息，相对于获取微电网群中各个微电网的测量信息。测量信息包括，分布式发电、负荷、储能和发电机电压电流信息等，通过测量信息对各个微电网的瞬时功率进行计算。
离散事件确定模块20，用于当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件。
当通过测量信息计算出各个微电网的瞬时功率后，可以将各个微电网的瞬时功率和离散表达式中的瞬时功率进行对比，也可以将各个微电网中计算得出的瞬时功率整合成为微电网群的瞬时功率并与离散表达式中的瞬时功率进行对比。
其中预设的离散触发表达式是判断离散事件发生的标准，既可以分别基于各个微电网的瞬时功率，也可以基于微电网群整体的瞬时功率进行对比。其标准是用户可以根据需要进行设置，本申请在此不做具体的限定。
预测模块30，用于利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果。
对于未来一段时间的各个微电网中可再生能源出力和负荷出力进行预测，其中出力为输出功率。得到初步的预测结果，以便后续模块中形成优化模型。
控制模块40，用于通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制。
将预测结果代入优化模型进行求解，由于是连续结果，则根据首个计算结果生成对微电网群中的各个微电网进行控制的控制指令。在后续重复进行控制优化步骤中，每次都根据首个优化模型的求解计算结果进行优化，也就实现了滚动优化逻辑。得到的第一个时间点的优化结果作为当前优化控制指令下发至各子微电网控制器，并由子微电网控制器转发至本地可控设备和储能。
在一些具体实施例中，所述预测模块30具体用于：
在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据。
获取前一次离散事件时的可再生能源出力和负荷出力的原因是，对前一次的离散事件进行优化时利用的预测模型是基于历史数据进行训练的，而不包括前一次的数据。
根据所述测试数据，判断预设的预测模型精度是否满足要求。
利用前一次的数据作为预测数据再次对预测模型进行检测，也就相当于是对预测模型精度进行检查，检测预测模型是否适用于最新一次的数据。当预测模型精度满足要求时继续利用预测模块30对本次离散事件进行预测，若不满足则将对应重新预测模型，同时将原有的预测模型删除。
在所述预设的预测模型精度不满足要求时，将新的记录和历史记录混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
将新的数据混入后，按预设比例分配为训练集和测试集，重新训练预测模型。
在每次使用预测模型前，利用前一次的数据对预测模型进行测试，实时地检测预设的预测模型的精确度，也就能够克服集中式日前优化调度策略中，忽视底层微电网群连续动态过程导致无法实时检测微电网群事件，无法实时地对微电网群进行有效控制的缺点。
在一些具体实施例中，所述控制模块40具体用于：
将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
将预测结果作为参数代入优化模型进行求解得到结果，以便后续利用结果生成优化指令。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种微电网群的控制方法，其特征在于，所述方法包括：
连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率；
当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；
利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；
通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制；
所述优化模型为：
其中，x为决策向量，PG i,t和PES i,t为n个微电网i在t时刻的发电机有功功率与储能功率，H 1和H 2为目标系数矩阵，aF i和bF i为燃料成本二次系数与一次系数，aES i为储能运行维护成本和寿命损耗等效替换成本系数，i为索引变量，n为微电网总个数，T为优化周期包含的时间点。
2.根据权利要求1所述的方法，其特征在于，所述预设的预测模型的具体建立方式包括：
获取微电网群的历史数据；其中，所述历史数据包括微电网群历史可再生能源发电和区域负荷数据；
将所述历史数据按照预设的比例分为训练集和测试集；
通过训练集完成神经网络预测模型的初步训练，并通过测试集测试，得到预测模型。
3.根据权利要求1所述的方法，其特征在于，所述预设的优化模型的具体建立方式包括：
将发电机功率和储能功率的向量形式作为决策向量；
根据所述决策向量、第一多项式和第二多项式构建优化模型；其中，所述第一多项式为关于当前时刻的微电网的发电机有功功率和燃料成本系数的多项式；所述第二多项式为关于当前时刻的微电网的储能功率和储能运行维护成本和寿命损耗等效替换成本系数的多项式。
4.根据权利要求1所述的方法，其特征在于，在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，还包括：
获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据；
根据所述测试数据，判断预设的预测模型精度是否满足要求。
5.根据权利要求4所述的方法，其特征在于，在所述预设的预测模型精度不满足要求时，还包括：
将所述测试数据和历史数据混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述通过预设的优化模型对所述预测结果进行计算，具体包括：
将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
7.一种微电网群的控制装置，其特征在于，所述装置包括：
信息获取模块，用于连续获取微电网群测量信息，根据所述测量信息得到微电网群的瞬时功率；
离散事件确定模块，用于当所述瞬时功率与预设的离散触发表达式中的瞬时功率相同时，确定发生离散事件；
预测模块，用于利用预设的预测模型，对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测，得到预测结果；
控制模块，用于通过预设的优化模型对所述预测结果进行计算，并根据首个计算结果生成微电网群控制指令对微电网群中的各个微电网进行控制；
所述优化模型为：
其中，x为决策向量，PG i,t和PES i,t为n个微电网i在t时刻的发电机有功功率与储能功率，H 1和H 2为目标系数矩阵，aF i和bF i为燃料成本二次系数与一次系数，aES i为储能运行维护成本和寿命损耗等效替换成本系数，i为索引变量，n为微电网总个数，T为优化周期包含的时间点。
8.根据权利要求7所述的装置，其特征在于，所述预测模块具体用于：
在所述对未来预设的时间段内微电网群中的各个微电网内可再生能源出力和负荷出力进行预测前，获取前一次确定发生离散事件时的可再生能源出力和负荷出力作为测试数据；
根据所述测试数据，判断预设的预测模型精度是否满足要求。
9.根据权利要求8所述的装置，其特征在于，在所述预设的预测模型精度不满足要求时，所述预测模块具体用于：
将所述测试数据和历史数据混合后，随机分解为新的测试集和新的训练集，并利用新的训练集重新训练所述预测模型，再通过测试集测试，将新得到的预测模型作为预设的预测模型。
10.根据权利要求7-9任一项所述的装置，其特征在于，所述控制模块具体用于：
将所述预测结果代入优化模型进行求解，得到各个微电网内可控发电设备运行曲线和储能充放电功率曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470191.9A CN115528752B (zh) | 2022-11-22 | 2022-11-22 | 一种微电网群的控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470191.9A CN115528752B (zh) | 2022-11-22 | 2022-11-22 | 一种微电网群的控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115528752A CN115528752A (zh) | 2022-12-27 |
| CN115528752B true CN115528752B (zh) | 2023-04-21 |
Family
ID=84704683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211470191.9A Active CN115528752B (zh) | 2022-11-22 | 2022-11-22 | 一种微电网群的控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115528752B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9564757B2 (en) * | 2013-07-08 | 2017-02-07 | Eaton Corporation | Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing |
| CN104734145B (zh) * | 2013-12-24 | 2017-07-04 | 长沙理工大学 | 基于混成递阶层次结构模型的微电网并网控制方法 |
| CN108418204B (zh) * | 2018-02-12 | 2020-10-02 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
| CN108233384B (zh) * | 2018-03-16 | 2021-06-18 | 南瑞集团有限公司 | 一种基于Petri网的在网络攻击下稳定负载侧电压的方法 |
| CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
| US20210091565A1 (en) * | 2019-09-20 | 2021-03-25 | General Electric Company | Systems and methods for controlling distributed power systems using down-sampling |
| CN113112004B (zh) * | 2021-04-21 | 2022-12-06 | 上海电力大学 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
| CN113765105B (zh) * | 2021-09-24 | 2023-07-25 | 国网黑龙江省电力有限公司电力科学研究院 | 基于动态随机模型的微电网群能量管理方法 |
-
2022
- 2022-11-22 CN CN202211470191.9A patent/CN115528752B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115528752A (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Stratified optimization strategy used for restoration with photovoltaic-battery energy storage systems as black-start resources | |
| Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| CN110854932B (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
| CN104779631B (zh) | 基于风电预测功率的储能跟踪风电出力计划方法及其系统 | |
| CN110401186A (zh) | 地区电网源网荷储多元协调泛在调度控制系统 | |
| CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
| US20130096725A1 (en) | Electric Power Control Method, Program, and Electric Power Control Apparatus | |
| CN114336599B (zh) | 一种独立型微电网动态优化调度方法 | |
| CN112381375B (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
| CN117833285A (zh) | 一种基于深度强化学习的微电网储能优化调度方法 | |
| CN114977321B (zh) | 一种计及源荷不确定性的配电网优化调度方法 | |
| CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
| CN113255982B (zh) | 一种风光水互补系统中长期优化调度方法 | |
| CN111641233A (zh) | 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法 | |
| CN114825388A (zh) | 一种基于源网荷储协同的新能源综合消纳调度方法 | |
| CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
| Chang et al. | Model predictive control based energy collaborative optimization management for energy storage system of virtual power plant | |
| CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
| CN107122599A (zh) | 一种蓄热电锅炉实时消纳弃风弃光电量能力的评估方法 | |
| CN110429626B (zh) | 一种适用于并网型储能系统的能量管理系统及管理方法 | |
| CN117060400A (zh) | 一种城市配电网韧性恢复方法、系统、设备及介质 | |
| CN115528752B (zh) | 一种微电网群的控制方法及装置 | |
| Bruno et al. | Integration of operating reserve constrains in the predictive optimal dispatch of energy and storage resources in small islands | |
| CN117132040A (zh) | 一种基于极限场景驱动的多能微网二阶段鲁棒优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |