[发明专利]基于发电预测的微电网分布式电源去中心优化运行方法

权利要求书

1.一种基于发电预测的微电网分布式电源去中心优化运行方法，其特征在于：包括以下步骤：

步骤1、基于多类型数据，利用长短期记忆网络方法对各分布式电源进行本地发电预测，具体步骤如下：

步骤1.1、数据采集，收集区域微电网各分布式电源发电历史数据、气象信息、日期类型；

步骤1.2、数据预处理，针对收集的数据进行数据预处理，剔除异常值数据，利用相邻日插值替换异常值，形成训练数据集；

步骤1.3、利用训练数据集对LSTM神经网络模型进行训练，以每年为周期，并保证每一年都会对LSTM神经网络模型重新训练；

步骤1.4、利用训练好的LSTM神经网络模型进行区域微电网分布式电源的本地发电预测；

步骤2、结合本地发电预测结果，建立去中心优化模型；

步骤2.1、计算微电网发电成本最小的目标函数；

其中，F为总发电成本，F_i为第i个分布式电源发电成本；x_i,t为第i个分布式电源t时刻实际有功出力；分别表示微电网中各个光伏，风机，燃气轮机，小水电t时刻的实际有功出力，并且N₁，N₂，N₃，N₄分别为其对应的数量，N＝N₁+N₂+N₃+N₄；

步骤2.2、建立微电网发电的成本模型，该模型为步骤2.1中所述发电成本的来源，其具体包括光伏发电成本模型、风机发电成本模型、燃气轮机发电成本模型以及小水电发电成本模型：

所述光伏发电成本模型表示为：

其中，F_i为第i个分布式电源发电成本，表示微电网中各个光伏t时刻的实际有功出力，a_i为成本系数，ε_i为惩罚因子，为第i个光伏t时刻预测出力；

所述风机发电成本模型表示为：

其中，F_i为第i个分布式电源发电成本，表示微电网中各个风机t时刻的实际有功出力，b_i为成本系数，γ_i为惩罚因子，为第i个风机t时刻预测出力；

分布式清洁能源发电，即风机、光伏发电随机性和波动性较强，预测结果的准确性对目标函数影响较大，为此在模型中引入惩罚项进行调整，当实际值与预测值偏差越小，则惩罚项的影响越小；

所述燃气轮机发电成本模型表示为：

其中，F_i为第i个分布式电源发电成本，表示微电网中各个燃气轮机t时刻的实际有功出力，d^fe、e^fe、f^fe为燃气轮机的成本系数；

所述小水电发电成本模型表示为：

其中，F_i为第i个分布式电源发电成本，表示微电网中各个小水电t时刻的实际有功出力，d^HT、e^HT、f^HT为小水电的成本系数；

步骤2.3、优化过程中还需要满足以下等式及不等式约束条件，包括发电平衡约束、不等式约束以及有功功率及无功功率约束；

所述发电平衡约束，即优化模型中不依赖于负荷信息，仅需要发电预测出力；发电历史数据中包含了发电与负荷供需平衡信息，当满足发电出力与预测出力平衡时，也就满足了发电与负荷平衡约束；其公式如下：

其中，分别表示微电网中各个光伏，风机，燃气轮机，小水电t时刻的预测出力；

所述不等式约束，步骤2.2中成本模型需要满足以下不等式约束条件；

光伏容量约束：

风机容量约束：

燃气轮机容量约束：

小水电容量约束：

所述有功功率及无功功率约束，步骤2.1中所述的实际有功出力为分布式电源有功功率；由于分布式电源视在功率由设备参数铭牌获得，当得到有功功率优化结果后，求得相应的无功功率，因此只需对有功优化过程进行约束，其公式如下：

其中，P_i,t，Q_i,t，S_i,t分别为t时刻第i个分布式电源的有功功率，无功功率及视在功率；

步骤2.4、结合所述步骤2.1目标函数及所述步骤2.3约束条件，构造拉格朗日函数，提出拉格朗日乘子作为通信的一致性变量，不等式约束条件作为求解的取值范围限定；

其中，L为所构造的拉格朗日函数，λ_i为拉格朗日乘子，即优化的一致性变量，令求得一致性变量λ_i，当所有λ_i趋于同一值λ_i^*时，所对应的出力即为最优出力；

步骤3、对去中心化优化方法进行设计，设计基于广播方式的流言传播方法来实现变量达到一致，即所有λ_i趋于同一值λ_i^*；

步骤4、将优化结果与下垂控制结合实现频率、电压调整，通过改变空载参数，即频率/电压，实现在给定系统参数下，对输出功率的调整，具体调整方法如下：

f_NL＝x_i,t·(f_NL-f_FL)/(P_max-P_min)+f_sys

其中，f_NL为空载频率，f_FL为满载频率，为系统频率上限，f_sys为系统频率，P_max，P_min分别为设备有功出力上下限，x_i,t为设备实际有功出力，令m＝-(f_NL-f_FL)/(P_max-P_min)，则表示为：f_NL＝-P_i,t·m+f_sys，根据步骤2.3所述有功功率及无功功率约束，获得电压调整方法：

U_NL＝Q_i,t·(U_NL-U_FL)/(Q_max-Q_min)+U_sys

其中，U_NL为空载电压，U_FL为满载电压，为系统电压上限，U_sys为系统电压，Q_max，Q_min分别为设备无功出力上下限，Q_i,t表示实际无功出力，同样的，令n＝-(U_NL-U_FL)/(Q_max-Q_min)，则重新表示为：U_NL＝-Q_i,t·n+U_sys。

2.根据权利要求1所述的基于发电预测的微电网分布式电源去中心优化运行方法，其特征在于：所述步骤3的具体方法为：

步骤3.1、对系统通信架构和通信权重进行设计，微电网中N个分布式电源构成了图的点集，其中Ν_i表示点集中i节点的邻居节点集合；

其中，为通信权重矩阵，当j节点不属于i节点邻居时，通信权重为1；当j节点属于i节点邻居时，j自身状态通信权重为α，或得i状态通信权重为1-α；其他情况为则为0，α表示混合参数，取值范围为(0,1)；

步骤3.2、对优化迭代协议进行设计，采用广播流言方式的优化过程，在形式上，采用如下格式进行更新：

邻居节点更新：

非邻居节点更新：

结合步骤3.1中通信权重的定义，表示为：λ_k(t+1)＝A(t)λ_k(t)；

其中，A(t)为t时刻的通信权重矩阵，即在t时刻取值的简化表达形式；

将优化得到的λ值回带到步骤2.4的微分式子中，即得到各分布式电源的最优出力。