一种微电网群双层分布式集群调峰方法及装置与流程

1.本发明涉及微电网群调控技术领域，具体涉及一种微电网群双层分布式集群调峰方法及装置。


背景技术：

2.随着电力系统向以新能源为主体的新型电力系统发展。其中，包含大量无污染分布式新能源的微电网已经成为新型电力系统的重要组成部分。随着微电网的不断发展，更具规模化、更稳定的微电网群的微电网协同形式也逐渐形成。微电网群能够统一调度多个微电网的调节资源，为解决微电网群内的功率平衡问题提供了更为丰富的资源和手段。
3.微电网群内包含了如分布式光伏、分布式风电、储能装置等具有调节能力的资源，能够有效应对微电网群的调峰需求。然而，现阶段微电网群面向调峰需求的调控方法仍存在以下空白：1)在分析各微电网的调节能力时，没有综合考虑微电网内资源类型、补贴政策以及时间变化对调节灵活区间的影响。2)在制定微电网群协同调控策略时，没有考虑下层微电网调节灵活区间对上层微电网群分配调控任务的影响。


技术实现要素：

4.为了克服上述缺陷，本发明提出了一种微电网群双层分布式集群调峰方法及装置。
5.第一方面，提供一种微电网群双层分布式集群调峰方法，所述微电网群双层分布式集群调峰方法包括：
6.求解预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；
7.将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型并求解，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；
8.其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。
9.优选的，所述预先构建的第一马尔可夫模型包括：第一马尔可夫决策状态模型、第一马尔可夫决策行为模型以及第一马尔可夫决策目标模型。
10.进一步的，所述第一马尔可夫决策状态模型的数学模型如下：
[0011][0012]
上式中，为决策时刻tk的决策状态，k为决策时刻，为决策时刻k的实时调峰量需求，为微电网群中微电网i在决策时刻k时的电网状态信息，n
mg
为微电网群中微电网的总数。
[0013]
进一步的，所述第一马尔可夫决策行为模型的数学模型如下：
[0014]
[0015][0016]
上式中，为调度周期内微电网i已经使用的累积调节量，为微电网i在当前时刻t时可调节能力的使用量，sh
i,t
为微电网群对微电网i的输出功率任务时间向量，为决策时刻k的实时调峰量需求，为微电网群中的微电网i在当前时刻t的调节灵活区间，n
mg
为微电网群中微电网的总数。
[0017]
进一步的，所述微电网群中的微电网i在当前时刻t的调节灵活区间的计算式如下：
[0018][0019]
上式中，为微电网群中的微电网i在当前时刻t的调节灵活区间上限值，为微电网群中的微电网i在当前时刻t的调节灵活区间下限值。
[0020]
进一步的，所述第一马尔可夫决策目标模型的数学模型如下：
[0021][0022]
上式中，为微电网群调控中心的马尔可夫决策目标，为微电网群在决策时刻k时的运行代价，k为决策时刻总数。
[0023]
优选的，所述预先构建的第二马尔可夫模型包括：第二马尔可夫决策状态模型、第二马尔可夫决策行为模型以及第二马尔可夫决策目标模型。
[0024]
进一步的，所述第二马尔可夫决策状态模型的数学模型如下：
[0025][0026]
上式中，为微电网i在决策时刻k的决策状态，k为决策时刻，为决策时刻k所述第一马尔可夫决策状态模型输出的微电网i的输出功率任务时间向量，为微电网i在决策时刻k时的储能装置状态，为微电网i在决策时刻k时的可削减灵活资源状态，为微电网i在决策时刻k时的可转移灵活资源状态。
[0027]
进一步的，所述第二马尔可夫决策行为模型的数学模型如下：
[0028][0029]
上式中，为微电网i在决策时刻k的马尔可夫决策行为向量，为微电网i在决策时刻k的储能装置充放电行为，为微电网i在决策时刻k的可削减灵活资源的调节行为，为微电网i在决策时刻k的可转移灵活资源的调节行为，其中，所述储能装置充放电行为包括放电、待机和充电，所述可削减灵活资源的调节行为为负荷削减动作，所述可转移灵活资源的调节行为包括负荷转移动作及负荷恢复动作。
[0030]
进一步的，所述第二马尔可夫决策目标模型的数学模型如下：
[0031][0032]
上式中，为微电网i的马尔可夫决策目标，为微电网i在决策时刻k时的运行代价，k为决策时刻总数。
[0033]
优选的，所述预先构建的第一马尔可夫模型和预先构建的第二马尔可夫模型均采用深度q网络算法进行求解。
[0034]
第二方面，提供一种微电网群双层分布式集群调峰装置，所述微电网群双层分布式集群调峰装置包括：
[0035]
第一分析模块，用于求解预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；
[0036]
第二分析模块，用于将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型并求解，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；
[0037]
其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。
[0038]
优选的，所述预先构建的第一马尔可夫模型包括：第一马尔可夫决策状态模型、第一马尔可夫决策行为模型以及第一马尔可夫决策目标模型。
[0039]
进一步的，所述第一马尔可夫决策状态模型的数学模型如下：
[0040][0041]
上式中，为决策时刻tk的决策状态，k为决策时刻，为决策时刻k的实时调峰量需求，为微电网群中微电网i在决策时刻k时的电网状态信息，n
mg
为微电网群中微电网的总数。
[0042]
进一步的，所述第一马尔可夫决策行为模型的数学模型如下：
[0043][0044][0045]
上式中，为调度周期内微电网i已经使用的累积调节量，为微电网i在当前时刻t时可调节能力的使用量，sh
i,t
为微电网群对微电网i的输出功率任务时间向量，为决策时刻k的实时调峰量需求，为微电网群中的微电网i在当前时刻t的调节灵活区间，n
mg
为微电网群中微电网的总数。
[0046]
进一步的，所述微电网群中的微电网i在当前时刻t的调节灵活区间的计算式如下：
[0047]
[0048]
上式中，为微电网群中的微电网i在当前时刻t的调节灵活区间上限值，为微电网群中的微电网i在当前时刻t的调节灵活区间下限值。
[0049]
进一步的，所述第一马尔可夫决策目标模型的数学模型如下：
[0050][0051]
上式中，为微电网群调控中心的马尔可夫决策目标，为微电网群在决策时刻k时的运行代价，k为决策时刻总数。
[0052]
优选的，所述预先构建的第二马尔可夫模型包括：第二马尔可夫决策状态模型、第二马尔可夫决策行为模型以及第二马尔可夫决策目标模型。
[0053]
进一步的，所述第二马尔可夫决策状态模型的数学模型如下：
[0054][0055]
上式中，为微电网i在决策时刻k的决策状态，k为决策时刻，为决策时刻k所述第一马尔可夫决策状态模型输出的微电网i的输出功率任务时间向量，为微电网i在决策时刻k时的储能装置状态，为微电网i在决策时刻k时的可削减灵活资源状态，为微电网i在决策时刻k时的可转移灵活资源状态。
[0056]
进一步的，所述第二马尔可夫决策行为模型的数学模型如下：
[0057][0058]
上式中，为微电网i在决策时刻k的马尔可夫决策行为向量，为微电网i在决策时刻k的储能装置充放电行为，为微电网i在决策时刻k的可削减灵活资源的调节行为，为微电网i在决策时刻k的可转移灵活资源的调节行为，其中，所述储能装置充放电行为包括放电、待机和充电，所述可削减灵活资源的调节行为为负荷削减动作，所述可转移灵活资源的调节行为包括负荷转移动作及负荷恢复动作。
[0059]
进一步的，所述第二马尔可夫决策目标模型的数学模型如下：
[0060][0061]
上式中，为微电网i的马尔可夫决策目标，为微电网i在决策时刻k时的运行代价，k为决策时刻总数。
[0062]
优选的，所述预先构建的第一马尔可夫模型和预先构建的第二马尔可夫模型均采用深度q网络算法进行求解。
[0063]
第三方面，提供一种计算机设备，包括：一个或多个处理器；
[0064]
所述处理器，用于存储一个或多个程序；
[0065]
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的微电网群双层分布式集群调峰方法。
[0066]
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序
被执行时，实现所述的微电网群双层分布式集群调峰方法。
[0067]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0068]
本发明提供了一种微电网群双层分布式集群调峰方法及装置，包括：利用预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。本发明提供的技术方案，能够实现多微电网协同调峰，并形成多微电网协同调峰系统，具体的：
[0069]
本发明提供的技术方案建立了微电网内灵活资源在时间尺度下的调节能力灵活区间马尔可夫模型，为制定微电网时序调控指令提供了基础；
[0070]
本发明提供的技术方案设计了上层微电网群控制器结合各下层微电网调节能力的灵活区间分配调节任务的决策方法；
[0071]
本发明提供的技术方案在强化学习框架下建立了上层微电网群及下层微电网的调节状态、决策行为模型，即第一马尔可夫模型和第二马尔可夫模型，并利用深度q网络实现了微电网群双层协同调控策略优化求解，实现了考虑微电网调节灵活区间的微电网群双层调峰优化。
附图说明
[0072]
图1是本发明实施例的微电网群双层分布式集群调峰方法的主要步骤流程示意图；
[0073]
图2是本发明实施例的基于深度q网络算法的马尔科夫模型优化求解流程图；
[0074]
图3是本发明实施例的微电网群调峰需求曲线图；
[0075]
图4是本发明实施例的微电网群负荷协同优化曲线图；
[0076]
图5是本发明实施例的优化策略下微电网1各时段动作选取情况图；
[0077]
图6是本发明实施例的优化策略下微电网2各时段动作选取情况图；
[0078]
图7是本发明实施例的优化策略下微电网3各时段动作选取情况图；
[0079]
图8是本发明实施例的微电网群双层分布式集群调峰装置的主要结构框图。
具体实施方式
[0080]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0081]
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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0082]
如背景技术中所公开的，随着电力系统向以新能源为主体的新型电力系统发展。其中，包含大量无污染分布式新能源的微电网已经成为新型电力系统的重要组成部分。随着微电网的不断发展，更具规模化、更稳定的微电网群的微电网协同形式也逐渐形成。微电网群能够统一调度多个微电网的调节资源，为解决微电网群内的功率平衡问题提供了更为
丰富的资源和手段。
[0083]
微电网群内包含了如分布式光伏、分布式风电、储能装置等具有调节能力的资源，能够有效应对微电网群的调峰需求。然而，现阶段微电网群面向调峰需求的调控方法仍存在以下空白：1)在分析各微电网的调节能力时，没有综合考虑微电网内资源类型、补贴政策以及时间变化对调节灵活区间的影响。2)在制定微电网群协同调控策略时，没有考虑下层微电网调节灵活区间对上层微电网群分配调控任务的影响。
[0084]
为了改善上述问题，本发明提供了一种微电网群双层分布式集群调峰方法及装置，包括：利用预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。本发明提供的技术方案，能够实现多微电网协同调峰，并形成多微电网协同调峰系统，具体的：
[0085]
本发明提供的技术方案建立了微电网内灵活资源在时间尺度下的调节能力灵活区间马尔可夫模型，为制定微电网时序调控指令提供了基础；
[0086]
本发明提供的技术方案设计了上层微电网群控制器结合各下层微电网调节能力的灵活区间分配调节任务的决策方法；
[0087]
本发明提供的技术方案在强化学习框架下建立了上层微电网群及下层微电网的调节状态、决策行为模型，即第一马尔可夫模型和第二马尔可夫模型，并利用深度q网络实现了微电网群双层协同调控策略优化求解，实现了考虑微电网调节灵活区间的微电网群双层调峰优化。下面对上述方案进行详细阐述。
[0088]
实施例1
[0089]
参阅附图1，图1是本发明的一个实施例的微电网群双层分布式集群调峰方法的主要步骤流程示意图。如图1所示，本发明实施例中的微电网群双层分布式集群调峰方法主要包括以下步骤：
[0090]
步骤s101：求解预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；
[0091]
步骤s102：将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型并求解，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；
[0092]
其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。
[0093]
本实施例中，所述预先构建的第一马尔可夫模型包括：第一马尔可夫决策状态模型、第一马尔可夫决策行为模型以及第一马尔可夫决策目标模型。
[0094]
在一个实施方式中，所述第一马尔可夫决策状态模型的数学模型如下：
[0095][0096]
上式中，为决策时刻tk的决策状态，k为决策时刻，为决策时刻k的实时调峰量需求，为微电网群中微电网i在决策时刻k时的电网状态信息，n
mg
为微电网群中微电网
的总数。
[0097]
在一个实施方式中，决策行为模型是用于将微电网群的调峰任务分配给各微电网的决策行为模型。主要考虑因素包括：1)微电网群内各微电网的历史累积调节量对响应调峰需求的影响；2)微电网调节灵活区间对调节任务分配的影响。所述第一马尔可夫决策行为模型的数学模型如下：
[0098][0099][0100]
上式中，为调度周期内微电网i已经使用的累积调节量，为微电网i在当前时刻t时可调节能力的使用量，sh
i,t
为微电网群对微电网i的输出功率任务时间向量，为决策时刻k的实时调峰量需求，为微电网群中的微电网i在当前时刻t的调节灵活区间，n
mg
为微电网群中微电网的总数，能够在调度周期内体现微电网在各时间节点的累积调节量，从而有助于微电网群对整个调度周期的调节任务进行合理分配。
[0101]
在一个实施方式中，所述微电网群中的微电网i在当前时刻t的调节灵活区间的计算式如下：
[0102][0103]
上式中，为微电网群中的微电网i在当前时刻t的调节灵活区间上限值，为微电网群中的微电网i在当前时刻t的调节灵活区间下限值。
[0104]
在一个实施方式中，所述第一马尔可夫决策目标模型的数学模型如下：
[0105][0106]
上式中，为微电网群调控中心的马尔可夫决策目标，为微电网群在决策时刻k时的运行代价，k为决策时刻总数。即微电网群的优化目标为：在微电网群调控中心可用决策行为集内寻找最优决策行为策略，使得微电网群在决策周期内整体运行代价最低。
[0107]
本实施例中，所述预先构建的第二马尔可夫模型包括：第二马尔可夫决策状态模型、第二马尔可夫决策行为模型以及第二马尔可夫决策目标模型。
[0108]
在一个实施方式中，所述第二马尔可夫决策状态模型的数学模型如下：
[0109][0110]
上式中，为微电网i在决策时刻k的决策状态，k为决策时刻，为决策时刻k所述第一马尔可夫决策状态模型输出的微电网i的输出功率任务时间向量，为微电网i在决策时刻k时的储能装置状态，为微电网i在决策时刻k时的可削减灵活资源状态，为微电网i在决策时刻k时的可转移灵活资源状态。
[0111]
在一个实施方式中，所述第二马尔可夫决策行为模型的数学模型如下：
[0112][0113]
上式中，为微电网i在决策时刻k的马尔可夫决策行为向量，为微电网i在决策时刻k的储能装置充放电行为，为微电网i在决策时刻k的可削减灵活资源的调节行为，为微电网i在决策时刻k的可转移灵活资源的调节行为，其中，所述储能装置充放电行为包括放电、待机和充电，所述可削减灵活资源的调节行为为负荷削减动作，所述可转移灵活资源的调节行为包括负荷转移动作及负荷恢复动作。
[0114]
在一个实施方式中，所述第二马尔可夫决策目标模型的数学模型如下：
[0115][0116]
上式中，为微电网i的马尔可夫决策目标，为微电网i在决策时刻k时的运行代价，k为决策时刻总数。即微电网的优化目标为：在微电网调控中心可用决策行为集内寻找最优决策行为策略，使得微电网在决策周期内整体运行代价最低。
[0117]
本实施例中，所述预先构建的第一马尔可夫模型和预先构建的第二马尔可夫模型均采用深度q网络算法进行求解。
[0118]
在一个实施方式中，如图2所示，图2给出了基于深度q网络算法的马尔科夫模型优化求解流程图，具体步骤为：
[0119]
步骤3.1：初始化微电网群模型参数。主要包括决策周期数量，微电网群调控离散化等级数量，各微电网储能系统最大功率离散化等级数量，可削减负荷最大功率离散化等级数量，可转移负荷最大功率离散化等级数量，决策周期内电价，各微电网调节灵活区间等。
[0120]
步骤3.2：初始化深度q网络参数。包括q网络各项参数，微电网群及各微电网q值表等。
[0121]
步骤3.3：在微电网群决策行为集合中选取调节行为，下发至各微电网。
[0122]
步骤3.4：在各微电网决策行为集合中选取调节行为，下发至各调节资源，形成当前决策周期下各微电网的决策奖励，并汇总至微电网群调控中心。
[0123]
步骤3.5：更新各微电网q值表。
[0124]
步骤3.6：更新微电网群q值表
[0125]
步骤3.7：若未完成决策过程则返回步骤3.3；若完成决策过程则优化决策过程结束。
[0126]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
[0127]
选择某微电网群运行数据进行案例分析。微电网群由三个微电网构成，考虑以1小时为单位将日内调度周期平均分为24个决策时段。微电网群调控中心整体调节指令如图3所示。
[0128]
基于本发明所提方法获得的协同优化策略下微电网群的负荷曲线如图4所示。优化前的微电网群整体负荷峰谷差较大，达到6481kw。基于多层深度q网络的微电网群协同调
控策略对微电网群内的灵活资源进行整体协同调控，使得微电网群内整体用电负荷的波动趋于平稳，日内峰谷差缩小至2513kw，大幅度减少了微电网群的调峰压力。
[0129]
图5至图7展示了各微电网在调度日内各时段的决策行为。其中，蓝色柱状图cut表示可灵活削减的资源，大于零时表示执行了相应指令的削减行为；橙色柱状图swift表示可在时间序列上转移的灵活资源，大于零时表示执行了相应指令的削减行为，小于零时则为恢复行为；灰色柱状图energystore表示储能装置的行为，大于零时为放电行为，小于零时表示充电行为。各微电网基于微电网群调控中心任务协同分配指令进行微电网内灵活资源的调用。
[0130]
实施例2
[0131]
基于同一种发明构思，本发明还提供了一种微电网群双层分布式集群调峰装置，如图8所示，所述微电网群双层分布式集群调峰装置包括：
[0132]
第一分析模块，用于求解预先构建的第一马尔可夫模型生成调节各微电网的输出功率任务时间向量；
[0133]
第二分析模块，用于将所述各微电网的输出功率任务时间向量代入预先构建的第二马尔可夫模型并求解，得到所述预先构建的第二马尔可夫模型生成的用于调节各微电网的决策行为向量；
[0134]
其中，所述决策行为向量包括下述中的至少一种：储能装置放电行为、储能装置待机行为、储能装置充电行为、负荷削减动作、负荷转移动作及负荷恢复动作。
[0135]
优选的，所述预先构建的第一马尔可夫模型包括：第一马尔可夫决策状态模型、第一马尔可夫决策行为模型以及第一马尔可夫决策目标模型。
[0136]
进一步的，所述第一马尔可夫决策状态模型的数学模型如下：
[0137][0138]
上式中，为决策时刻tk的决策状态，k为决策时刻，为决策时刻k的实时调峰量需求，为微电网群中微电网i在决策时刻k时的电网状态信息，n
mg
为微电网群中微电网的总数。
[0139]
进一步的，所述第一马尔可夫决策行为模型的数学模型如下：
[0140][0141][0142]
上式中，为调度周期内微电网i已经使用的累积调节量，为微电网i在当前时刻t时可调节能力的使用量，sh
i,t
为微电网群对微电网i的输出功率任务时间向量，为决策时刻k的实时调峰量需求，为微电网群中的微电网i在当前时刻t的调节灵活区间，n
mg
为微电网群中微电网的总数。
[0143]
进一步的，所述微电网群中的微电网i在当前时刻t的调节灵活区间的计算式如下：
[0144][0145]
上式中，为微电网群中的微电网i在当前时刻t的调节灵活区间上限值，为微电网群中的微电网i在当前时刻t的调节灵活区间下限值。
[0146]
进一步的，所述第一马尔可夫决策目标模型的数学模型如下：
[0147][0148]
上式中，为微电网群调控中心的马尔可夫决策目标，为微电网群在决策时刻k时的运行代价，k为决策时刻总数。
[0149]
优选的，所述预先构建的第二马尔可夫模型包括：第二马尔可夫决策状态模型、第二马尔可夫决策行为模型以及第二马尔可夫决策目标模型。
[0150]
进一步的，所述第二马尔可夫决策状态模型的数学模型如下：
[0151][0152]
上式中，为微电网i在决策时刻k的决策状态，k为决策时刻，为决策时刻k所述第一马尔可夫决策状态模型输出的微电网i的输出功率任务时间向量，为微电网i在决策时刻k时的储能装置状态，为微电网i在决策时刻k时的可削减灵活资源状态，为微电网i在决策时刻k时的可转移灵活资源状态。
[0153]
进一步的，所述第二马尔可夫决策行为模型的数学模型如下：
[0154][0155]
上式中，为微电网i在决策时刻k的马尔可夫决策行为向量，为微电网i在决策时刻k的储能装置充放电行为，为微电网i在决策时刻k的可削减灵活资源的调节行为，为微电网i在决策时刻k的可转移灵活资源的调节行为，其中，所述储能装置充放电行为包括放电、待机和充电，所述可削减灵活资源的调节行为为负荷削减动作，所述可转移灵活资源的调节行为包括负荷转移动作及负荷恢复动作。
[0156]
进一步的，所述第二马尔可夫决策目标模型的数学模型如下：
[0157][0158]
上式中，为微电网i的马尔可夫决策目标，为微电网i在决策时刻k时的运行代价，k为决策时刻总数。
[0159]
优选的，所述预先构建的第一马尔可夫模型和预先构建的第二马尔可夫模型均采用深度q网络算法进行求解。
[0160]
实施例3
[0161]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理
器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种微电网群双层分布式集群调峰方法的步骤。
[0162]
实施例4
[0163]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种微电网群双层分布式集群调峰方法的步骤。
[0164]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0165]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0166]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0167]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0168]
最后应当说明的是：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
管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。