[发明专利]一种多种清洁能源互补控制决策处理方法及系统

权利要求书

1.一种多种清洁能源互补控制决策处理方法，其特征在于，包括：

获得当前能源信息；所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料；

获得预测信息；所述预测信息包括预测光伏发电电量和预测风电发电电量；

获得需求信息；所述需求信息表示需求电负荷、需求热负荷和需求冷负荷；

将所述当前太阳能和当前风能，进行发电，得到不稳定电量；所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和；

基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息，通过分配模型，得到需求满足情况；所述需求满足情况包括需求满足值和分配电量；

按照需求满足情况，发布指令，进行分配能源；

所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构：

所述预测神经网络的输入为所述预测信息；所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息；所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息；

所述基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息，通过分配模型，得到需求满足情况，包括：

将不稳定电量，与需求信息进行判断，得到需求满足值；所述需求满足值为1表示不稳定电量满足需求信息；所述需求满足值为0表示不稳定电量未满足需求信息；

若所述需求满足值为1，得到剩余电量；所述剩余电量为满足需求信息后剩余的电量；

基于剩余电量和预测信息，通过能源分配结构，将不稳定电量进行分配，得到分配电量；所述分配电量包括输送电量、储存电量和弃电电量；

若所述需求满足值为0，得到需求剩余电量；所述需求剩余电量为需求电量减去不稳定电量之差；

基于所述需求信息、需求剩余电量和当前能源信息，通过能源获取分配结构，得到使用能源信息；所述使用能源信息包括生物能、燃料、存储电量和外输送电量；

所述基于剩余电量和预测信息，通过能源分配结构，将不稳定电量进行分配，得到分配电量，包括：

将所述预测信息，输入预测神经网络，得到预测电量；所述预测电量为风速预测电量与光照预测电量相加之和；所述光照预测电量表示在预测的将来N天通过光伏发电的电量；所述风速预测电量表示在预测的将来N天通过风能发电的电量；

若所述预测电量大于电量阈值，将储存值设为0；若所述预测电量小于电量阈值，将储存值设为1，得到预测电量差值；所述预测电量差值为所述电量阈值减去预测电量之差；

获得分配价格信息；所述分配价格信息包括储存电量价格和输送电量价格；所述输送电量价格与供电骨架区域成正比；所述储存电量价格与储存电量成正比；构建供电骨架区域；所述供电骨架区域为供电线路，依据供电距离划分为不同区域，按照供电距离绘制椭分隔线，按照不同分隔线划分为不同区域；所述供电线路为以当前区域为中心根据实际生活的向其他区域进行供电的线；所述输送电量价格与供电骨架区域成正比；

若储存值为0，基于所述分配价格信息和所述剩余电量，得到最优分配电量；所述最优分配电量包括分配输送电量和分配弃用电量；

若储存值为1，基于所述分配价格信息、预测电量差值和所述剩余电量，得到最优分配电量；所述最优分配电量包括分配储存电量、分配输送电量和分配弃用电量；

预测神经网络的训练方法，包括：

获得训练集；训练集包括多个训练数据组和多个标注数据；所述训练数据组包括训练风速数据组和训练光照数据组；所述训练光照数据组包括第一光照监测数据组、第二光照监测数据组和第三光照监测数据组；所述第一光照监测数据组为前5天的训练光照监测数据；所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据；所述第三光照监测数据组为第二光照监测数据组后5天的训练光照监测数据；所述第一光照监测数据组包括第一总光照强度、第二总光照强度、第三总光照强度、第四总光照强度和第五总光照强度；所述第二光照监测数据组包括第六总光照强度、第七总光照强度、第八总光照强度、第九总光照强度和第十总光照强度；所述第三光照监测数据组包括第十一总光照强度、第十二总光照强度、第十三总光照强度、第十四总光照强度和第十五总光照强度；所述标注数据包括标注光照电量和标注风速电量；所述标注光照电量表示光伏发电15日的发电总量；所述标注风速电量表示风能发电15日的发电总量；

将所述训练光照数据组，输入光照预测神经网络，得到光照预测电量；

将所述训练风速数据组，输入风速预测神经网络，得到风速预测电量；

将光照预测电量与标注光照电量，通过光照损失函数，得到光照损失值；

将风速预测电量与标注风速电量，通过风速损失函数，得到风速损失值；

获得总损失值；所述总损失值为所述光照损失值和所述风速损失值相加之和；

获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最大迭代次数；

当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的预测神经网络；

所述将所述训练光照数据组，输入光照预测神经网络，得到光照预测电量，包括：

将所述第三光照监测数据组，按由远到近的时间顺序，输入LSTM结构，得到第三输出信息；第三输出信息包括第十五发电量、第十四发电量、第十三发电量、第十二发电量、第十一发电量；所述LSTM结构为5个LSTM依次连接；

将所述第二光照监测数据组和第十一发电量，按由远到近的时间顺序，输入LSTM结构，得到第二输出信息；所述第二输出信息包括第十发电量、第九发电量、第八发电量、第七发电量和第六发电量；所述LSTM结构为5个LSTM依次连接；

将所述第一光照监测数据组和第六发电量，按由远到近的时间顺序，输入LSTM结构，得到第一输出信息；所述第一输出信息包括第五发电量、第四发电量、第三发电量、第二发电量和第一发电量；所述LSTM结构为5个LSTM依次连接；

将所述第一发电量、第二发电量、第三发电量、第四发电量、第五发电量、第六发电量、第七发电量、第八发电量、第九发电量、第十发电量、第十一发电量、第十二发电量、第十三发电量、第十四发电量和第十五发电量相加，得到光照预测电量；

所述将所述第一光照监测数据组和第六发电量，按由远到近的时间顺序，输入LSTM结构，得到第一输出信息，包括：

将所述第五总光照强度和第六发电量，输入第五LSTM，得到第五LSTM信息；所述第五LSTM信息包括第五发电量和第五LSTM输出值；

将所述第四总光照强度和第五LSTM输出值，输入第四LSTM，得到第四LSTM信息；所述第四LSTM信息包括第四发电量和第四LSTM输出值；

将所述第三总光照强度和第四LSTM输出值，输入第三LSTM，得到第三LSTM信息；所述第三LSTM信息包括第三发电量和第三LSTM输出值；

将所述第二总光照强度和第三LSTM输出值，输入第二LSTM，得到第二LSTM信息；所述第二LSTM信息包括第二发电量和第二LSTM输出值；

将所述第一总光照强度和第二LSTM输出值，输入第一LSTM，得到第一LSTM信息；所述第一LSTM信息为第一发电量；所述若储存值为1，基于所述分配价格信息、预测电量差值和所述剩余电量，得到最优分配电量，包括：

获得输送需求电量；所述输送需求电量当前各个区域所发出的需要输送电量；

其中，所述最优分配电量具体通过下述公式计算方式获得：

Q＝X*MoneyX+Y1*MoneyY1+Y2*MoneyY2+Y3*MoneyY3+Z*Money；

X+Y1+Y2+Y3+Z＝K；

X＝Xmax；Y1＝Y1max；Y2＝Y2max；Y3＝Y3max；

其中，Q为最低价格；X为储存电量；MoneyX为储存电量价格，为常数；Y1为第一区域输送电量；MoneyY1为第一区域输送电量价格，为常数；Y2为第二区域输送电量；MoneyY2为第二区域输送电量价格，为常数；Y3为第三区域输送电量；MoneyY3为第三区域输送电量价格，为常数；Z为弃电电量；Money为用于弃电之后使用生物能重新发电的价格，为常数；K为所述剩余电量；Xmax为预测电量差值；Y1max为第一区域输送需求电量；Y2max为第二区域输送需求电量；Y3max为第三区域输送需求电量；

所述基于所述需求信息、需求剩余电量和当前能源信息，通过能源获取分配结构，得到使用能源信息，包括：

基于生物能，通过冷热电联产设备，进行发电、发热和制冷，得到生物能信息；所述生物能信息包括生物能电负荷、生物能热负荷和生物能冷负荷；

若生物能信息满足需求信息，将多余的生物能信息进行储存电量；

若生物能为不满足需求信息，基于生物能信息，采用燃料和储存电量，通过冷热电联产设备，得到燃料信息；所述燃料信息表示投入的燃料量。