居民微电网的负荷优化调度方法、系统和存储介质与流程

本发明涉及居民用电调度技术领域，具体涉及一种居民微电网的负荷优化调度方法、系统和存储介质。

背景技术：

随着人口的快速增长和经济的高速发展，居民用电显著增长。为了平衡用电供需，减少碳排放和成本，居民微电网和智能电网的发展受到越来越多的关注。居民微电网一般由居民用电、太阳能、储能单元和电动汽车几个部分组成，其中太阳能的间歇性和波动性对微电网的运行带来一定的影响。与此同时，居民住宅中的智能用电终端在不断增多，居民用电具有很强的波动性和随意性，从而会影响电力的供需平衡。因此，可靠的用电负荷预测与光伏输出功率预测具有重要意义，它有助于居民微电网的电力供需平衡，提高可再生能源利用效率，同时也为微电网的负荷优化调度提供了基础。

用电负荷预测主要可以划分为短期负荷预测(例如，一天)、中期负荷预测(例如，一个月)和长期负荷预测(例如，一年)。其中短期负荷预测有利于维持用电供需的动态平衡，促进需求响应策略的实施以及居民微电网负荷的优化调度。但是由于居民用电的随机性和波动性，现有短期负荷预测方法精度不高。光伏输出功率预测方法大致与负荷预测方法相似，但同样存在预测精度不高等问题。

由于用电负荷预测和光伏输出功率预测的精度不高，进而导致居民微电网的负荷调度方案不适合当前的居民微电网，使得居民微电网运行成本比较高等。

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种居民微电网的负荷优化调度方法、系统和存储介质，提供一种适合当前微电网的负荷调度方案，减少居民微电网的运行成本。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明提供一种居民微电网的负荷优化调度方法，该方法包括：

s100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；

s200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于gru的循环神经网络；

s300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优化目标为所述居民微电网的总成本最小；

s400、采用粒子群算法对所述目标函数进行求解，得到所述居民微电网在未来时间段内的负荷调度方案。

第二方面，本发明提供一种居民微电网的负荷优化调度系统，该系统包括：

获取模块，用于执行s100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；

数据确定模块，用于执行s200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于gru的循环神经网络；

目标确定模块，用于执行s300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优化目标为所述居民微电网的总成本最小；

方案求解模块，用于执行s400、采用粒子群算法对所述目标函数进行求解，得到所述居民微电网在未来时间段内的负荷调度方案。

第三方面，本发明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可实现上述调度方法。(三)

有益效果

本发明实施例提供了一种居民微电网的负荷优化调度方法、系统和存储介质，具备以下有益效果：

本发明中的预测模型中包括基于gru的循环神经网络(即rnn)，相对于ann能够模拟用电负荷和光伏输出功率的时间依赖性，相对于传统的rnn，可以在显著提高预测的精度的基础上解决梯度消失和梯度爆炸等问题。由于居民负荷和光伏输出功率的预测精度提高，因此基于居民负荷和光伏输出功率得到的优化调度方案比较适合当前的居民微电网，有利于平衡居民微电网中的电力供需，提高可再生能源的利用率，减少微电网的运行成本和环境污染。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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示出了本发明一实施例中居民微电网的负荷优化调度方法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一方面，本发明提供一种居民微电网的负荷优化调度方法，如图1所示，该方法包括以下步骤：

s100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；

可理解的是，由于短期预测有利于维持用电供需的动态平衡，促进需求响应策略的实施以及居民微电网负荷的优化调度，因此可以将未来时间段设置为短期，例如，未来的一天内。

可理解的是，上述环境数据，例如，天气情况等。具体处理时可以将天气情况量化为具体的数值。时间数据，为在未来时间段内的若干个时间点，例如，智能电表每半个小时采集一次负荷数据，则一天之内会有48个采集时间点，将在未来时间段内中每一天的48个采集时间点作为时间数据。

s200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于gru的循环神经网络；

在实际应用中，负荷预测模型的训练过程可以包括如下步骤：

s001a、获取在第一历史时间段内的第一数据，每一条第一数据包括居民负荷数据、对应的环境数据和对应的时间数据；

举例来说，每半个小时采集一次数据，一天共有48条第一数据，每一条第一数据包括用电负荷、当时的天气和当时的时间，连续采集过去d1天，共有d1*48条数据。

s002a、将所述第一历史时间段内的所有第一数据分为第一训练集和第一测试集，并对所述第一训练集和所述第一测试集进行标准化处理，其中，所述第一训练集中的任一时间数据均早于所述第一测试集中的任一时间数据；

例如，将过去d1天分为两个子时间段，将d1*48条第一数据中的前3/4条第一数据形成第一训练集，将后1/4条第一数据形成第一测试集。将第一训练集和第一测试集表示为矩阵形式分别第一训练矩阵和第一测试矩阵。其中：

第一训练矩阵如下：

第一测试矩阵如下：

在上述矩阵中，每一行包括用电负荷数据、环境数据和时间数据，且矩阵中同一列数据的含义相同，即同一列均为用电负荷数据，或者，均为环境数据，或者均为时间数据。

s003a、设置第一循环神经网络中gru层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数；

其中，网络相关参数可以包括正则化参数、dropout参数等。循环神经网络即rnn。

其中，gru是lstm的一种变体，处理不同数据时会有不同的效果，gru全称gatedrecurrentunit。

针对神经网络的每一层可以设置dropout参数，该参数可以在训练过程中动态地调整该层网络中神经元的个数，属于在用keras(即基于python的深度学习库)训练神经网络时用到的一个参数。

s004a、将标准化处理后的第一训练集输入所述第一循环神经网络，采用adam梯度下降算法进行训练，得到负荷预测模型；

可理解的是，训练的过程，即是确定模型中参数的过程。

s005a、将标准化处理后的所述第一测试集中的环境数据和时间数据输入当前负荷预测模型中，得到预测的负荷数据；

s006a、根据所述预测的负荷数据与在标准化处理后的所述第一测试集中对应的用电负荷数据，对当前负荷预测模型的预测能力进行评估，得到第一评估结果；并根据所述第一评估结果，判断当前负荷预测模型是否满足预设的第一预测精度要求：若是，则将当前负荷预测模型作为最终的负荷预测模型并输出；否则，对当前负荷预测模型进行调整，并返回s003a。

可理解的是，在标准化处理后的所述第一测试集中对应的用电负荷数据为真实数据，而预测的负荷数据为测试数据，将两者进行比较，便可知道当前的负荷预测模型的预测是否准确。

在实际应用中，可以计算真实数据和测试数据之间的均方根误差、平均绝对误差和/或平均绝对误差百分比，根据这些误差值，便可以知道当前负荷预测模型的精确度，误差越小，精确度越高，故将这些误差作为第一评估结果。

当当前的预测模型的精确度满足要求，则可以将当前的预测模型作为最终的预测模型或目标预测模型，否则还要对模型参数进行调整，返回s0053中，进而继续判断，直至其精确度满足要求。

与负荷预测模型的训练过程类似的，所述光伏输出功率预测模型的训练过程可以包括如下步骤：

s001b、获取在第二历史时间段内的第二数据，每一条第二数据包括光伏输出功率数据、对应的环境数据和对应的时间数据；

例如，每五分钟采集一次第二数据，一天共采集288条数据，每条第二数据包括光伏输出功率、天气和时间点，连续采集d2天，共d2*288条第二数据。

s002b、将所述第二历史时间段分为第二训练集和第二测试集，并对所述第二训练集和所述第二测试集进行标准化处理，其中，所述第二训练集中的任一时间数据均早于所述第二测试集中的任一时间数据；

例如，将过去d2天分为两个子时间段，将d2*288条第二数据中的前3/4条第二数据形成第二训练集，将后1/4条第二数据形成第二测试集。将第二训练集和第二测试集表示为矩阵形式分别第二训练矩阵和第二测试矩阵。其中：

第二训练矩阵如下：

第二测试矩阵如下：

在上述矩阵中，每一行包括光伏输出功率数据、环境数据和时间数据，且矩阵中同一列数据的含义相同，即同一列均为光伏输出功率数据，或者，均为环境数据，或者均为时间数据。

s003b、设置第二循环神经网络中gru层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数；

其中，网络相关参数可以包括正则化参数、dropout参数等。循环神经网络即rnn。

s004b、将标准化处理后的第二训练集输入所述第二循环神经网络，采用adam梯度下降算法进行训练，得到初始的光伏输出功率预测模型；

可理解的是，训练的过程，即是确定模型中参数的过程。

s005b、将标准化处理后的所述第二测试集中的环境数据和时间数据输入当前光伏输出功率预测模型中，得到预测的光伏输出功率数据；

s006b、根据所述预测的光伏输出功率数据与在标准化处理后的所述第二测试集中对应的光伏输出功率数据，对当前光伏输出功率预测模型的预测能力进行评估，得到第二评估结果；并根据所述第二评估结果，判断当前光伏输出功率预测模型是否满足预设的第二预测精度要求：若是，则将当前光伏输出功率预测模型作为最终的光伏输出功率预测模型并输出；否则，对当前光伏输出功率预测模型进行调整，并返回s003b。

可理解的是，在标准化处理后的所述第二测试集中对应的光伏输出功率数据为真实数据，而预测的光伏输出功率数据为预测数据，将两者进行比较，便可知道当前的光伏输出功率预测模型的预测结果是否准确。

在实际应用中，可以计算真实数据和测试数据之间的均方根误差、平均绝对误差和/或平均绝对误差百分比，根据这些误差值，便可以知道当前负荷预测模型的精确度，误差越小，精确度越高，故将这些误差作为第二评估结果。

当当前的预测模型的精确度满足要求，则可以将当前的预测模型作为最终的预测模型或目标预测模型，否则还要对模型参数进行调整，返回s003b中，进而继续判断，直至其精确度满足要求。

上述对所述第一训练集、所述第一测试集、所述第二训练集和所述第二测试集进行标准化处理时，可以采用第一公式进行标准化处理，第一公式包括：

式中，w'i,j表示标准化处理后矩阵中第i行第j列的数据，wi,j表示标准化处理前矩阵中第i行第j列的数据，minj表示标准化处理前矩阵中第j列中的最小值，maxj表示标准化处理前矩阵中第j列中的最大值。

s300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优化目标为所述居民微电网的总成本最小；

其中，预测得到的光伏输出功率表示光伏发电所能够提供的发电量，预测得到的负荷数据体现的是居民的用电需求。两者是居民微电网优化时需要满足的约束条件，主要体现在以下所述居民微电网的供需平衡约束条件中。

可理解的是，居民微电网的成本一般包括居民生活用电时购售电成本、电动汽车电池的折旧成本、储能单元例如太阳能装置的折旧成本以及为治理环境中各种污染排放物的所耗成本等，因此可以将所述目标函数设置为：

c＝c1+c2+c3+c4

式中，c为所述居民微电网中的总成本，c1为所述居民微电网的购售电成本，c2为所述居民微电网中的电动汽车电池折旧成本，c3为所述居民微电网中的储能单元折旧成本，c4为所述居民微电网中的环境成本。

优化目标为居民微电网的总成本最小，即上述c最小。

其中，所述购售电成本c1的计算公式包括：

式中，p(t)表示大电网和所述居民微电网之间电量的传输值，st表示时段t的电价，t为所述未来时间段。

可理解的是，当st＞0时，说明居民微电网从大电网购电；反之，居民微电网向大电网售电。

其中，所述电动汽车电池折旧成本c2的计算公式包括：

式中，m表示所述居民微电网中的电动汽车总数，cr是一台电动汽车电池的置换成本，e1是电池生命周期内的总充放电能力，ti1为第i辆电动汽车接入所述居民微电网的时间，ti2为第i辆电动汽车离开所述居民微电网的时间，表示第i辆电动汽车在时段t的充放电功率。

在实际应用中，考虑居民的日常生活规律，只考虑傍晚居民下班时才会对电动汽车充电，同时居民微电网内的所有电动汽车进行有序充放电，进而通过仿真得到居民微电网内电动汽车的充电负荷曲线，进而根据充电负荷曲线中的相关数据，采用上述公式计算电动汽车电池折旧成本c2。

其中，所述储能单元折旧成本c3的计算公式包括：

式中，n为所述居民微电网中储能单元的个数，cs是一个储能单元的置换成本，e2为储能单元电池生命周期的总充放电能力，tj1是第j个储能单元充放电开始的时间，tj2为第j个储能单元充放电结束的时间，表示第j个储能单元在时段t的充放电功率。

其中，所述环境成本c4的计算公式包括：

式中，k表示第k种污染排放物，总共有k种污染排放物，ck为第k种污染物的治理成本，αk为第k种污染物的治理系数，p为所述居民微电网从大电网所购的电量。

由于所述居民微电网的购售电成本c1、所述居民微电网中的电动汽车电池折旧成本c2、所述居民微电网中的储能单元折旧成本c3、所述居民微电网中的环境成本c4的计算公式均已确定，总成本的计算公式就可确定，即目标函数确定。

在实际应用中，所述约束条件可以包括：所述居民微电网的供需平衡约束条件、所述居民微电网内电动汽车和储能单元的荷电约束条件、所述居民微电网内电动汽车和储能单元的充放电功率约束条件、所述居民微电网中电动汽车的充电量约束条件以及所述居民微电网和大电网之间的传输功率约束条件中的至少一项。

其中，所述供需平衡约束条件可以包括：

p'+ppv+pevs+pess＝pload

式中，p'表示大电网和所述居民微电网之间的传输功率，ppv表示太阳能的输出功率，pevs表示所述居民微电网中电动汽车的输出功率，pess表示所述居民微电网中所有储能单元的输出功率，pload表示所述居民微电网的总负荷。

可理解的是，这是根据居民微电网整体的供需平衡而设置的约束条件。

其中，所述荷电约束条件可以包括：

式中，sc1i表示所述居民微电网中第i辆电动汽车的荷电量，sc2j表示所述居民微电网中第j个储能单元的荷电量，为所述第i辆电动汽车的荷电状态的下限值，为所述第j个储能单元的荷电状态的下限值，为所述第i辆电动汽车的荷电状态的上限值，为所述第j个储能单元的荷电状态的上限值。

可理解的是，上述荷电量的含义是剩余电量和总容量的比值。

其中，所述充放电功率约束条件可以包括：

为所述居民微电网中第i台电动汽车的充放电功率，为所述居民微电网中第j个储能单元的充放电功率，为所述第i台电动汽车的充放电功率的下限，为所述第j个储能单元的充放电功率的下限，为所述第i台电动汽车的充放电功率的上限，为所述第j个储能单元的充放电功率的上限。

其中，所述充电量约束条件可以包括：

式中，表示所述居民微电网中第i辆电动汽车离开所述居民微电网时的荷电量，表示所述第i辆电动汽车满足出行的最低荷电量。

其中，所述传输功率约束条件可以包括：

-p^max≤p'≤p^max

式中，p'表示所述居民微电网与大电网的传输功率，p^max表示所述居民微电网与大电网的最大传输功率。

s400、采用粒子群算法对所述目标函数进行求解，得到所述居民微电网在未来时间段内的负荷调度方案。

负荷调度方案主要包括：微电网从大电网购买多少电量，购买时间；微电网向大电网售出多少电量，何时售出；电动车什么时候充、放电，充、放电量是多少；储能什么时候充、放电，充、放电量是多少。通过粒子群算法求解，会得到相应的曲线。

可理解的是，粒子群算法，也称粒子群优化算法或鸟群觅食算法，它是从随机解出发，通过迭代寻找最优解，并通过适应度来评价解的品质。它比遗传算法规则更为简单，它没有遗传算法的“交叉”(crossover)和“变异”(mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法具有实现容易、精度高、收敛快等优点。

由于用电负荷和光伏输出功率中存在时间依赖性，而传统的人工神经网络(artificialneuralnetwork，简称ann)无法模拟这种时间依赖。循环神经网络(recurrentneuralnetwork,rnn)能够模拟时间序列中的时间依赖性，能够显著提高预测的精度，但是却面临着梯度消失和梯度爆炸等问题，由于本发明中的预测模型中包括基于gru的循环神经网络(即rnn)，可以在显著提高预测精度的基础上，解决传统rnn所面临的梯度消失和梯度爆炸等问题。

可理解的是，居民微电网的负荷优化调度是指合理调度居民微电网中的负荷与发电单元，从而促进微电网供需平衡，减少系统运行成本，提高可再生能源利用率等。传统的微电网负荷调度一般通过鲁棒优化来考虑太阳能的随机性，显然无法发挥电力大数据的作用，而本发明中采用的预测模型均是基于大数据训练得到，因此可以提高调度质量。

本发明通过对居民负荷和光伏输出功率进行预测，由于居民负荷和光伏输出功率的预测精度提高，因此基于居民负荷和光伏输出功率得到的优化调度方案比较适合当前的居民微电网，有利于平衡居民微电网中的电力供需，提高可再生能源的利用率，减少微电网的运行成本和环境污染。

第二方面，本发明提供一种居民微电网的负荷优化调度系统，该系统包括：

获取模块，用于执行s100、获取居民微电网在预设的未来时间段内的环境数据和时间数据；

数据确定模块，用于执行s200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中，得到所述居民微电网在所述未来时间段内的用电负荷数据；以及，将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中，得到所述居民微电网在所述未来时间段内的光伏输出功率数据；其中，所述负荷预测模型和所述光伏输出功率预测模型均包括基于gru的循环神经网络；

目标确定模块，用于执行s300、根据所述用电负荷数据和所述光伏输出功率，确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件，所述目标函数的优化目标为所述居民微电网的总成本最小；

方案求解模块，用于执行s400、采用粒子群算法对所述目标函数进行求解，得到所述居民微电网在未来时间段内的负荷调度方案。

第三方面，本发明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可以实现上述第一方面中的优化调度方法。

可理解的是，第二方面提供的优化调度系统和第三方面提供的存储介质与第一方面提供的优化调度方法相对应，其有关内容的解释、举例、具体实施方式、有益效果等内容可以参考第一方面中的相应部分，此处不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。