计及光伏的微电网短期负荷预测及控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112418950A(43)申请公布日2021.02.26(21)申请号202011441602.2(22)申请日2020.12.08(71)申请人江苏科技大学地址212003江苏省镇江市梦溪路2号江苏科技大学科技处(72)发明人马国军刘清源张国清张宁张人尹(74)专利代理机构南京经纬专利商标代理有限公司32200代理人徐澍(51)Int.Cl.G06Q30/02(2012.01)G06Q50/06(2012.01)G06N3/00(2006.01)权利要求书3页说明书9页附图3页(54)发明名称计及光伏的微电网短期负荷预测及控制方法(57)摘要本发明计及光伏的微电网短期负荷预测及控制方法，通过建立发电训练数据集、负荷训练数据集，来获取发电神经网络、负荷神经网络；运用发电神经网络、负荷神经网络对成本优化目标中的各个成本进行构建，最后通过人工蜂群、粒子优化算法获取在成本优化目标的前提下最优的微电网的控制参数，根据这些控制参数对微电网进行控制。本发明对微电网的运行策略进行了优化控制，降低微电网的运营总成本，提高环保性，能够在保护环境的同时显著提高微电网的经济效益。CN112418950ACN112418950A权利要求书1/3页1.一种计及光伏的微电网短期负荷预测及控制方法，其特征在于，包括：步骤1：根据历史光伏发电数据、历史太阳辐射强度、历史温度、历史湿度、历史气象类型建立发电训练数据集；根据历史负荷数据、历史温度、历史湿度、日类型建立负荷训练数据集；步骤2：剔除历史光伏发电数据中的异常数据，以气象类型为聚类类型，建立优化后的历史光伏发电数据的发电相似日筛选模型；剔除历史负荷数据中的异常数据，以日类型为聚类类型，建立优化后的历史负荷数据的负荷相似日筛选模型；步骤3：发电量神经网络训练：以待预测日的气象类型在发电相似日筛选模型中选择相应气象类型聚类的历史光伏发电数据；以待预测日的气象类型在发电训练数据集中选择相应气象类型的训练数据；将获取的历史光伏发电数据以及训练数据作为发电神经网络训练的数据集对发电神经网络进行训练；将待预测日的气象类型作为发电神经网络的输入，获取待预测日的光伏发电量；负荷神经网络训练：以待预测日的日类型在负荷相似日筛选模型中选择相应日类型聚类的历史负荷数据；以待预测日的日类型在负荷训练数据集中选择相应日类型的训练数据；将获取的历史负荷数据以及训练数据作为负荷神经网络训练的数据集对负荷神经网络进行训练；将待预测日的日类型作为发电神经网络的输入，获取待预测日的负荷；步骤4：获取当日成本优化目标、约束条件，当日成本优化目标包括：燃料消耗成本、发电单元运行管理成本、维护成本、微电网和配电网的交互成本，约束条件包括：电功率平衡约束、冷或热功率平衡约束、发电容量限制约束；步骤5：根据发电量神经网络训练预估的当日发电量、负荷神经网络预估的当日负荷、优化目标以及约束条件，求当日最低总成本及当日最低总成本所对应的微电网各控制参数，根据微电网各控制参数对微电网各参数进行控制。2.如权利要求1所示的计及光伏的微电网短期负荷预测及控制方法，其特征在于，所述步骤4中成本优化目标的获取公式如下：minC1＝CG，i+COM，i+CDP，i+CGrid其中，minC1为成本优化目标；CG，i为微电网中第i个发电单元的燃料消耗成本；COM，i为微电网中第i个发电单元的运行管理成本；CDP，i为微电网中第i个发电单元的折旧维护成本；CGrid为微电网与配电网的交互成本；燃料消耗成本的计算公式如下：其中，Ci为第i个发电单元类型燃料成本；N为N个发电单元类型；Pit为第i个发电单元类型在t时刻的输出功率，由步骤3中发电量神经网络输出的光伏发电量计算获得；Cng为天然气价格；LHVng为天然气低热值；ηit为第i个发电单元类型在t时刻Pit下的相应机组效率；2CN112418950A权利要求书2/3页运行管理成本的计算公式如下：其中，OMi为第i个发电单元类型的运行管理成本；N为N个发电单元类型；Pit为第i个发电单元类型在t时刻的输出功率，由步骤3中发电量神经网络输出的光伏发电量计算获得；KOMit为第i个发电单元类型在t时刻的运行维护成本系数；折旧维护成本的计算公式为：ADCCi＝inscosti·CFRi其中，DPi为第i个发电单元类型的折旧维护成本；N为N个发电单元类型；Pit为第i个发电单元类型在t时刻的输出功率，由步骤3中发电量神经网络输出的光伏发电量计算获得；ADCCi为第i个发电单元类型年均折旧资本；PN，i为第i个发电单元类型的最大输出功率；cfi为第i个发电单元类型的容量因素；inscosti为第i个发电单元类型的单位容量安装成本；CFRi为第i个发电