一种光储直流微电网的出力调度方法及终端

技术领域

本发明涉及光储出力调度的技术领域，特别涉及一种光储直流微电网的出力调度方法及终端。

背景技术

由于光照具有极强的不确定性和波动性，导致光伏也具有该特性，给变电站光储直流微电网造成危害。

为了解决该问题，目前的做法通常是以光储的综合运行成本最小为目标建立鲁棒优化协调调度模型，再求解调度模型的最优解，以灵活地实现不确定环境下的优化调度。可见，目前多数是考虑经济性或者可靠性来进行出力优化调度，并结合鲁棒优化提高调度灵活性，但是其计算过程较复杂，不易保证出力调度控制的实时性。

发明内容

本发明所要解决的技术问题是：提供一种光储直流微电网的出力调度方法及终端，能够降低光伏发电波动性对微电网中站用负荷的影响的同时，保证调度控制的实时性和可靠性。

为了解决上述技术问题，本发明采用的技术方案为：

一种光储直流微电网的出力调度方法，包括步骤：

收集光储直流微电网的历史光伏发电数据，建立长短期记忆网络模型，使用所述历史光伏发电数据对所述长短期记忆网络模型进行训练，通过已训练的长短期记忆网络模型进行发电量预测；

以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型；

基于预测得到的发电量，通过引入佳点集原理的蜻蜓优化算法获取所述光储优化控制模型的最优解，根据所述最优解得到对应的出力调度计划。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种光储直流微电网的出力调度终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种光储直流微电网的出力调度方法的各个步骤。

本发明的有益效果在于：收集光储直流微电网的历史光伏发电数据，利用历史光伏发电数据对建立的神经网络模型进行训练，并通过训练得到的模型进行未来光伏发电量的预测。通过以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型，能够达到平抑光伏波动的作用；基于预测得到的发电量通过蜻蜓优化算法获取光储优化控制模型的最优解，根据最优解得到对应的出力调度计划，其中蜻蜓优化算法引入了佳点集原理，通过佳点集原理生成初始种群，能够使蜻蜓优化算法中的粒子初始分布更加均匀，有利于摆脱局部最优值的吸引，在保证精度的同时，提高算法的搜索速度。以此方式，能够降低光伏发电波动性对微电网中站用负荷的影响的同时，保证调度控制的实时性和可靠性。

附图说明

图1为本发明实施例的一种光储直流微电网的出力调度方法的流程图；

图2为本发明实施例的一种光储直流微电网的出力调度终端的示意图；

图3为本发明实施例的一种光储直流微电网的出力调度方法的具体步骤流程图；

图4为本发明实施例的发电量预测的流程图；

图5为本发明实施例的改进蜻蜓优化算法的流程图。

标号说明：

1、一种光储直流微电网的出力调度终端；2、存储器；3、处理器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，本发明实施例提供了一种光储直流微电网的出力调度方法，包括步骤：

收集光储直流微电网的历史光伏发电数据，建立长短期记忆网络模型，使用所述历史光伏发电数据对所述长短期记忆网络模型进行训练，通过已训练的长短期记忆网络模型进行发电量预测；

以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型；

基于预测得到的发电量，通过引入佳点集原理的蜻蜓优化算法获取所述光储优化控制模型的最优解，根据所述最优解得到对应的出力调度计划。

从上述描述可知，本发明的有益效果在于：收集光储直流微电网的历史光伏发电数据，利用历史光伏发电数据对建立的神经网络模型进行训练，并通过训练得到的模型进行未来光伏发电量的预测。通过以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型，能够达到平抑光伏波动的作用；基于预测得到的发电量通过蜻蜓优化算法获取光储优化控制模型的最优解，根据最优解得到对应的出力调度计划，其中蜻蜓优化算法引入了佳点集原理，通过佳点集原理生成初始种群，能够使蜻蜓优化算法中的粒子初始分布更加均匀，有利于摆脱局部最优值的吸引，在保证精度的同时，提高算法的搜索速度。以此方式，能够降低光伏发电波动性对微电网中站用负荷的影响的同时，保证调度控制的实时性和可靠性。

进一步地，所述收集光储直流微电网的历史光伏发电数据，建立长短期记忆网络模型，使用所述历史光伏发电数据对所述长短期记忆网络模型进行训练，通过已训练的长短期记忆网络模型进行发电量预测，包括：

收集光储直流微电网的历史光伏发电数据，并对所述历史光伏发电数据进行预处理，将预处理后的数据划分为训练集和验证集，所述历史光伏发电数据包括历史预设时间段的发电量以及天气特征数据；

使用深度学习框架建立长短期记忆网络模型，使用所述训练集对所述长短期记忆网络模型进行训练；

获取待预测光伏发电数据，所述待预测光伏发电数据包括当前的发电量和待预测时间段的天气特征数据，将所述待预测光伏发电数据输入已训练的长短期记忆网络模型，进行发电量的预测。

由上述描述可知，将收集到的历史光伏发电数据进行预处理和数据集划分；并使用深度学习框架建立长短期记忆网络模型，使用历史光伏发电量的数据和天气特征数据作为LSTM模型的输入，定义训练的超参数；最后使用当日的光伏发电量和次日的天气特征数据作为输入数据对训练好的LSTM模型进行次日发电量的预测。以此方式，实现待预测时段光伏发电量的准确预测，以便于后续基于此进行光储的出力调度。

进一步地，所述将预处理后的数据划分为训练集和验证集，还包括：

将预处理后的所述历史光伏发电数据按对应的时间特征转换为连续时间的序列数据。

由上述描述可知，将连续的时间窗口作为输入序列，从而将历史光伏发电数据转换为适合神经网络输入的序列数据，以便于将下一个时间段的发电量作为预测目标。

进一步地，使用所述训练集对所述长短期记忆网络模型进行训练，包括：

将所述训练集输入所述长短期记忆网络模型，定义训练的超参数，所述超参数为蜻蜓优化算法的神经网络的超参数；

使用反向传播法调整所述长短期记忆网络模型的权重和偏置值，以最小化训练集的预测值与实际值之间的损失函数。

由上述描述可知，不同的超参数对于神经网络的影响较大，关系到训练结果的精度，合适的超参数不仅能加快训练速度，还可以提高模型预测精度。采用蜻蜓优化算法神经网络的超参数可以节省人力调整的时间成本，同时精度也可以得到保证。

进一步地，将所述待预测光伏发电数据输入已训练的长短期记忆网络模型，进行发电量的预测，之后还包括：

将发电量预测值与真实的光伏发电值进行比较，并使用均方根误差以及平均绝对误差评估所述长短期记忆网络模型的预测性能。

由上述描述可知，采用均方根误差和平均绝对误差两个评价指标来评估模型的预测性能，以便于后续对模型进行进一步的调整与优化。

进一步地，所述以光储出力的方差最小为目标，包括：

以光储联合处理的方差最小建立目标函数：

式中，

由上述描述可知，以光储联合出力的方差为目标，能够达到平抑光伏波动的目的，降低光伏发电波动性对微电网中站用负荷的影响。

进一步地，所述以光伏和储能系统的出力范围为约束，包括：

设置微电网与配电网的交互功率约束、储能系统运行约束、光伏发电出力约束以及功率平衡约束。

请参照图2，本发明另一实施例提供了一种光储直流微电网的出力调度终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种光储直流微电网的出力调度方法的各个步骤。

本发明上述的一种光储直流微电网的出力调度方法及终端，适用于在降低光伏发电波动性对微电网中站用负荷的影响的同时，保证调度控制的实时性和可靠性，以下通过具体的实施方式进行说明：

实施例一

请参照图1和图3，一种光储直流微电网的出力调度方法，包括步骤：

S1、收集光储直流微电网的历史光伏发电数据，建立长短期记忆网络模型，使用所述历史光伏发电数据对所述长短期记忆网络模型进行训练，通过已训练的长短期记忆网络模型进行发电量预测。

S11、收集光储直流微电网的历史光伏发电数据，并对所述历史光伏发电数据进行预处理，将预处理后的数据划分为训练集和验证集，将预处理后的所述历史光伏发电数据按对应的时间特征转换为连续时间的序列数据，所述历史光伏发电数据包括历史预设时间段的发电量以及天气特征数据。

具体的，请参照图4，收集历史的光伏发电量数据，包括每15分钟的发电量以及与天气特征数据，还可以包括对应的时间特征数据等。

对采集到的数据进行预处理，数据清洗、填充数据缺失值，将异常值删除，对齐缺失的数据，取前一时刻与后一时刻数据的平均值作为缺失时刻的数据，并且为了加快训练的收敛速度，减小模型训练过程中的振荡现象，避免反向传播过程中过于冗余的计算，提高网络精准性与泛化能力，将每个数据进行归一化处理，计算方法如下：

其中，x

将历史的光伏发电量数据转换为适合LSTM网络(Long Short-Term Memory，长短期记忆网络)输入的序列数据，使用滑动窗口的方法，将连续的时间窗口作为输入序列，下一个时间步的发电量作为目标。例如：采用数据集中前三个小时的数据，预测第四个小时的数据，维持窗口宽度为3h；下一时刻输入采用数据集中第2-4h的数据，预测第5h，以此类推。

S12、使用深度学习框架建立长短期记忆网络模型，使用所述训练集对所述长短期记忆网络模型进行训练。

具体的，将所述训练集输入所述长短期记忆网络模型，定义训练的超参数，所述超参数为蜻蜓优化算法的神经网络的超参数；使用反向传播法调整所述长短期记忆网络模型的权重和偏置值，以最小化训练集的预测值与实际值之间的损失函数。

在本实施例中，使用深度学习框架构建LSTM模型，定义LSTM层的数量和每层的神经元数量，设置其他参数，如激活函数、优化器、损失函数等。

使用训练集对LSTM模型进行训练。使用历史光伏发电量的数据和天气特征数据作为LSTM模型的输入，定义训练的超参数，如批次大小、迭代次数(epochs)等，通过反向传播算法不断调整模型的权重和偏置，以最小化预测值与实际值之间的损失函数。不同的超参数对于神经网络的影响较大，关系到训练结果的精度，合适的超参数不仅能加快训练速度，还可以提高模型预测精度。采用改进蜻蜓算法优化神经网络的超参数可以节省人力调整的时间成本，同时精度也可以得到保证。

其中，请参照图5，蜻蜓算法寻优计算主要思路通过模拟蜻蜓的捕食行为来实现，该飞行寻优机制可以表示为蜻蜓群体的分离、对齐、聚集、食物吸引与天敌驱散五个步骤：

(1)分离。表示避免蜻蜓个体距离太近降低搜索效率：

式中，E

(2)对齐。表示某个蜻蜓与其邻近蜻蜓个体速度的相同程度：

式中，U

(3)聚集。表示某个蜻蜓具有朝着其附近较优蜻蜓个体靠近的趋势：

式中，B

(4)食物吸引。食物是指某一次迭代计算中最优个体的位置：S

(5)天敌驱散。目的是使个体尽可能远离最差的蜻蜓个体，提高寻优计算效率：T

蜻蜓个体k飞行位置更新步长：ΔD

式中，e、u、b、s、t分别表示分离度、对齐度、聚集度、食物吸引度、天敌驱散度的影响系数；β代表惯性系数；i表示当前迭代次数

蜻蜓飞行位置更新：D

为了提高算法的搜索效率以及搜索精度，在生成初始种群时采用基于佳点集原理的生成方法，可以在算法首次迭代时产生更加均匀分布的种群，有利于摆脱局部最优值得吸引。佳点集原理如下：

设G

其偏差

S13、获取待预测光伏发电数据，所述待预测光伏发电数据包括当前的发电量和待预测时间段的天气特征数据，将所述待预测光伏发电数据输入已训练的长短期记忆网络模型，进行发电量的预测。

具体的，使用当日的光伏发电量和次日的天气特征数据作为输入数据对训练好的LSTM模型进行次日发电量的预测。

S14、将发电量预测值与真实的光伏发电值进行比较，并使用均方根误差以及平均绝对误差评估所述长短期记忆网络模型的预测性能。

模型预测结果与真实的光伏发电量进行比较，采用均方根误差(RMSE)、平均绝对误差(MAE)两个评价指标来评估模型的预测性能，计算方式如下：

式中，y

S2、以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型。

S21、以光储联合处理的方差最小建立目标函数：

式中，

S22、设置微电网与配电网的交互功率约束、储能系统运行约束、光伏发电出力约束以及功率平衡约束。

具体的，微电网与大电网交互功率约束为：

式中，U

储能系统运行约束为：

u

式中，

光伏发电出力约束为：

式中，P

功率平衡约束为：

式中，

S3、基于预测得到的发电量，通过引入佳点集原理的蜻蜓优化算法获取所述光储优化控制模型的最优解，根据所述最优解得到对应的出力调度计划。

实施例二

请参照图2，一种光储直流微电网的出力调度终端1，包括存储器2、处理器3以及存储在所述存储器2上并可在处理器3上运行的计算机程序，所述处理器3执行所述计算机程序时实现实施例一的一种光储直流微电网的出力调度方法的各个步骤。

综上所述，本发明提供的一种光储直流微电网的出力调度方法及终端，收集光储直流微电网的历史光伏发电数据，利用历史光伏发电数据对建立的神经网络模型进行训练，并通过训练得到的模型进行未来光伏发电量的预测。通过以光储出力的方差最小为目标，以光伏和储能系统的出力范围为约束建立光储优化控制模型，能够达到平抑光伏波动的作用；基于预测得到的发电量通过蜻蜓优化算法获取光储优化控制模型的最优解，根据最优解得到对应的出力调度计划，其中蜻蜓优化算法引入了佳点集原理，通过佳点集原理生成初始种群，能够使蜻蜓优化算法中的粒子初始分布更加均匀，有利于摆脱局部最优值的吸引，在保证精度的同时，提高算法的搜索速度。以此方式，能够降低光伏发电波动性对微电网中站用负荷的影响的同时，保证调度控制的实时性和可靠性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。