一种新能源接入的电网管理方法与流程

本发明涉及电网管理，具体涉及一种新能源接入的电网管理方法。

背景技术：

1、在“双碳”背景下，能源低碳转型的要求亟待加强，能源结构已由煤炭转变为油气、由化石能源转变为非化石能源，优化和调整能源结构已成为大势所趋。随着电力负荷并入电网的数目增加，用户对电能质量也提出了更高的要求。伴随分布式发电设备不断并入电网，分布式发电设备波动性和随机性等特点同样会降低系统运行的安全性和稳定性，供电需求的多样化难以满足。为提高可再生能源的利用率、提高供电可靠性以及解决偏远地区供电困难的问题，提出了微电网的概念。微电网是指包含分布式电源、储能、负荷、能量转换装置和监控、保护等装置的小型发配电系统。在现有技术中，大多只是考虑发电侧对微电网的运行进行调节，没有考虑需求侧的用电情况，从而导致微电网的调度存在不准确以及不及时的问题，造成了一定资源的浪费。

技术实现思路

1、本发明的目的在于提供一种新能源接入的电网管理方法，解决了现有技术中微电网调度管理中存在的问题。

2、本发明通过下述技术方案实现：

3、一种新能源接入的电网管理方法，应用至微电网聚合模型之中，所述微电网聚合模型包括多个微电网以及与所有微电网相互连接的共享储能电站，每个微电网均包括新能源发电站、燃气轮机发电站以及燃料电池发电站，包括：

4、采集目标区域的历史用电影响因素以及历史用电电量，并根据所述历史用电影响因素以及历史用电电量构建第一训练数据；

5、采用深度学习算法构建用电电量预测模型，根据第一训练数据，并采用多层级追踪算法对用电电量预测模型进行训练，以获取具备用电电量预测能力的用电电量预测模型；

6、获取目标区域在待预测时间段的目标用电影响因素，并采用具备用电电量预测能力的用电电量预测模型对目标用电影响因素进行识别，获取目标区域的预测用电电量；

7、采集目标区域所在微电网中新能源发电站在目标时间段内的历史发电量序列，并采集目标时间段的下一个时间段内的历史发电总量，采用历史发电量序列以及历史发电总量构建第二训练数据；

8、构建新能源发电站对应的新能源发电预测模型，根据第二训练数据，并采用多层级追踪算法对新能源发电预测模型进行训练，以获取具备新能源发电量预测的新能源发电预测模型；

9、以具备新能源发电量预测的新能源发电预测模型为基础，对目标区域所在微电网中新能源发电站在待预测时间的预测发电量；

10、根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制，构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码；

11、构建目标区域所在微电网的运行成本函数，并根据该运行成本函数获取出力编码所对应的调度适应度函数；

12、以调度适应度函数作为评价函数，采用多层级追踪算法对出力编码进行优化追踪，获取微电网所对应的最优出力编码，并根据最优出力编码在待预测时间段进行电网调度，完成电网管理。

13、在一种可能的实施方式中，构建新能源发电站对应的新能源发电预测模型，根据第二训练数据，并采用多层级追踪算法对新能源发电预测模型进行训练，以获取具备新能源发电量预测的新能源发电预测模型，包括：

14、采用神经网络构建新能源发电站对应的新能源发电预测模型，并多次随机初始化新能源发电预测模型的模型参数，得到多个模型参数编码；每个模型参数编码均包括神经网络的全部网络参数；

15、采用均方根误差函数与预设常数相加和的倒数构建第一训练适应度函数，并采用第一训练数据以及第一训练适应度函数，获取每个模型参数编码所对应的适应度值；

16、根据每个模型参数编码所对应的适应度值，获取当前训练过程中所有模型参数编码对应的最优参数编码以及每个模型参数编码对应的历史最优状态；

17、将所有模型参数编码随机均为分三个子种群；所述三个子种群分别为第一子种群、第二子种群以及第三子种群；第一子种群、第二子种群以及第三子种群分别包括n1、n2以及n3个模型参数编码，且n1＝n2＝n3＝n/3，n表示所有模型参数编码；

18、针对第一子种群中的每个第一模型参数编码，在(0，1)之间随机生成第一随机数，并判断第一随机数是否大于或者等于决策概率，若是，则使第一模型参数编码采用余弦策略追踪最优参数编码，完成第一子种群的更新，否则为每个第一模型参数编码确定一个第一目标编码，使第一模型参数编码追踪第一目标编码，完成第一子种群的更新；

19、针对第二子种群中的每个第二模型参数编码，在(0，1)之间随机生成第二随机数，并判断第二随机数是否大于或者等于决策概率，若是，则使第二模型参数编码采用余弦策略追踪最优参数编码，完成第二子种群的更新，否则使第二模型参数编码追踪最优参数编码及其历史最优状态，完成第二子种群的更新；

20、针对第三子种群中的每个第三模型参数编码，在(0，1)之间随机生成第三随机数，并判断第三随机数是否大于或者等于决策概率，若是，则使第三模型参数编码采用正余弦策略追踪最优参数编码，完成第三子种群的更新，否则为每个第三模型参数编码确定一个第三目标编码，使第三模型参数编码采用正弦策略追踪第三目标编码，完成第三子种群的更新；

21、分别获取第一子种群、第二子种群以及第三子种群中的第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码；

22、采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体；

23、若第一变异个体的适应度值变大，则采用第一变异个体替换第一局部最优参数编码，否则保留原有第一局部最优参数编码；

24、若第二变异个体的适应度值变大，则采用第二变异个体替换第二局部最优参数编码，否则保留原有第二局部最优参数编码；

25、若第三变异个体的适应度值变大，则采用第三变异个体替换第三局部最优参数编码，否则保留原有第三局部最优参数编码；

26、判断当前训练次数是否大于最大训练次数，若是，则重新获取最优参数编码，并将最优参数编码作为新能源发电预测模型的最终参数，得到具备新能源发电量预测的新能源发电预测模型，否则返回获取每个模型参数编码所对应的适应度值的步骤。

27、在一种可能的实施方式中，使第一模型参数编码采用余弦策略追踪最优参数编码，包括：

28、

29、其中，表示第一子种群中第m个第一模型参数编码的第d维参数，m＝1,2,…,n1，d＝1,2,…,d，d表示参数总维度，表示进行追踪行为之后的xbestd(t)表示第t次训练过程中最优参数编码，c表示步长控制因子，π表示圆周率，r1表示(-1,1)之间的随机数；

30、所述步长控制因子c为：

31、

32、其中，c0表示最大步长，e表示自然常数，t表示最大训练次数；

33、为每个第一模型参数编码确定一个第一目标编码，使第一模型参数编码追踪第一目标编码，包括：

34、将第一子种群中每个第一模型参数编码的每个维度参数求平均，得到第一平均参数编码μ1；

35、针对第一子种群中第m个第一模型参数编码，获取第m个第一模型参数编码与平均参数编码之间的欧式距离为：

36、

37、其中，ηm表示第m个第一模型参数编码与平均参数编码之间的欧式距离，表示第一平均参数编码μ1中第d维参数；

38、将所有第一模型参数编码与平均参数编码之间的欧式距离按从近到远的顺序排列，得到欧式距离排列顺序；

39、获取第一目标编码的第一目标序号为round(c*n1)；其中round表示四舍五入函数；

40、以欧式距离排列顺序为基础，确定第一目标序号对应的欧式距离对应的第一模型参数编码为第一目标编码；

41、根据第一目标编码对第一子种群中第m个第一模型参数编码更新为：

42、

43、其中，表示第一目标编码中第d维参数。

44、在一种可能的实施方式中，使第二模型参数编码采用余弦策略追踪最优参数编码，包括：

45、

46、其中，表示第二子种群中第n个第一模型参数编码的第d维参数，n＝1,2,…,n2，表示进行追踪行为之后的

47、使第二模型参数编码追踪最优参数编码及其历史最优状态，包括：

48、

49、其中，表示的历史最优状态中的第d维参数编码。

50、在一种可能的实施方式中，使第三模型参数编码采用正余弦策略追踪最优参数编码，包括：

51、

52、其中，表示第三子种群中第u个第三模型参数编码的第d维参数，u＝1,2,…,n3，表示追踪之后的r1表示(0,1)之间的随机数，r2表示(0,1)之间的随机数；

53、为每个第三模型参数编码确定一个第三目标编码，使第三模型参数编码采用正弦策略追踪第三目标编码，包括：

54、

55、其中，xupd(t)表示为第三模型参数编码随机确定的第三目标编码的第d维参数，r2表示[0,2π]之间的随机数，r3表示[0,π]之间的第三随机数，h1＝-π+2π(1-τ)，h2＝-π+2πτ，h1表示第一中间系数，h2表示第二中间系数，τ表示常数项，且

56、在一种可能的实施方式中，采用全局搜索策略获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体，包括：

57、根据当前训练次数t，获取全局搜索策略的执行概率为t/t，并判断该执行概率是否大于预设的决策概率，若是，则获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体，否则进入当前训练次数的判断步骤；

58、获取第一局部最优参数编码、第二局部最优参数编码以及第三局部最优参数编码所对应的第一变异个体、第二变异个体以及第三变异个体为：

59、

60、

61、其中，xg(t)表示第一局部最优参数编码、第二局部最优参数编码或者第三局部最优参数编码，xg(t+1)表示第一局部最优参数编码、第二局部最优参数编码或者第三局部最优参数编码所对应的第一变异个体、第二变异个体或者第三变异个体，α表示比例因子，φ表示中间参数；μ表示随机数，且μ～n(0,1)服从正态分布，n表示正态分布；υ表示随机数，且υ～n(0,1)；β表示(0,2)之间的随机数，xm(t)表示所有模型参数编码的平均位置，γ表示标准伽玛函数，π表示圆周率。

62、在一种可能的实施方式中，根据目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间段的预测发电量为限制，构建新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力编码，包括：

63、以目标区域所在微电网中新能源发电站在待预测时间段的预测发电量作为新能源发电站的出力上限，以目标区域的预测用电电量作为总出力的下限，初始化新能源发电站、燃气轮机发电站、燃料电池发电站以及共享储能站的出力，得到出力编码。

64、在一种可能的实施方式中，构建目标区域所在微电网的运行成本函数为：

65、minχmg＝χnew+χmt+χmtc+χfc+χbat-χb+χpen

66、其中，χmg表示总运行成本，χnew表示新能源发电站整体运行成本，χmt表示燃气轮机发电站的燃料成本，χmtc表示燃气轮机发电站的维护成本，χfc表示燃料电池发电站的发电成本，χb表示共享储能电站的运行费用，χbat表示共享储能电站的维护费用，χpen表示微电网中可中断负荷的惩罚系数。

67、在一种可能的实施方式中，根据该运行成本函数获取出力编码所对应的调度适应度函数为：其中，ε表示小于0.1的常数项。

68、在一种可能的实施方式中，以调度适应度函数作为评价函数，采用多层级追踪算法对出力编码进行优化追踪，获取微电网所对应的最优出力编码，包括：

69、重复获取多个出力编码，采用多层级追踪算法对出力编码进行优化追踪，得到更新后的出力编码；

70、判断出力编码中是否存在参数超出其上下限，若是，则进行越界处理，或者拒绝对该参数的更新，并继续进行优化追踪，直至到达多层级追踪算法的结束条件，输出调度适应度函数最大的出力编码，得到微电网所对应的最优出力编码，否则直接进行优化追踪，直至到达多层级追踪算法的结束条件，输出调度适应度函数最大的出力编码，得到微电网所对应的最优出力编码。

71、本发明提供的一种新能源接入的电网管理方法，通过深度学习算法预测目标区域的预测用电电量以及目标区域所在微电网中新能源发电站在待预测时间的预测发电量，并以此为基础进行用电调度，从而实现新能源接入的微电网管理，考虑了用户侧的用电需求，能够有效地避免调度过程中的大规模资源浪费，为微电网管理人员提供有效的参考依据；并且提出的多层级追踪算法，能够对各个待优化参数进行有效的优化，从而实现目标策略下的电网调度。