[发明专利]基于BP神经网络的微电网参与上层电网实时优化调度方法

权利要求书

1.一种基于BP神经网络的微电网参与上层电网实时优化调度方法，其特征在于：微电网根据日前的预测数据规划功率分配，并上报微电网联络线功率可调容量范围；训练基于BP神经网络的实时调度模型；日内阶段，根据微电网联络线功率可调度容量范围，上层电网确定日内联络线功率，微电网进行日内实时优化调度，具体包括如下步骤：

一、微电网日前规划，上报联络线功率可调容量，采用如下数学模型：

其中，C是微电网日前综合成本，C_g,i是可控分布式电源i的运行、维护成本，P_g,i是可控分布式电源i在时刻t的发电功率，C_bat,j是储能单元j的维护成本，P_bat,j是储能单元j在t时刻的功率，C_grid是微电网与上层电网间的购售电成本，是日前调度计划中微电网与上层电网t时刻联络线计划功率，C_up、C_dn是可调上行、下行备用容量收益，分别是可控分布式电源i在t时刻可调上行、下行备用容量，分别是储能单元j在t时刻可调上行、下行备用容量，ρ是具有需求响应能力的负荷参与微电网调度补偿常数，是具有需求响应能力的负荷未参与调度正常运行功率，P_a,load(t)是具有需求响应能力的负荷参与微电网调度后的功率；

(1)按15min分段，将1天分为96时段，每一时段中各分布式单元的功率输出与吸收为定值；

(2)调用预测出的未来一天各时段的风力发电功率、光伏发电功率、常规负荷波动情况数据；

(3)建立微电网内各单元运行模型：

a.储能单元的运行维护成本：

储能单元采用锂电池，其运行和维护成本表示为：

其中，C_inv是锂电池初始投资；P_bat(t)是锂电池充放电功率；E_lb是锂电池额定容量；K_ml是锂电池的维护成本系数，N_life(t)是锂电池在时刻t内放电深度为D_od(t)的循环寿命；

b.可控分布式电源：

可控分布式电源主要是燃料电池和微型燃气轮机，运行成本如下：

C_g,i(P_g,i(t))＝C_f(P_g,i(t))+C_om(P_g,i(t))+C_eav(P_g,i(t)) (3)

其中，C_f是燃耗成本，C_om是维护成本，C_eav是污染排放成本；

(4)为保证微电网的安全可靠运行，微电网中各单元在每个时段中均满足一定的等式约束或不等式约束条件，包括：

a.分布式电源出力上下限约束和爬坡约束：

式中，分别是可控分布式电源i的最小、最大允许输出功率，分别是可控分布式电源i爬坡功率的上限值、下限值；

b.储能单元功率约束：

式中，S_bat(t)是锂电池t时刻的荷电状态SOC，P_ch(t)、P_dis(t)分别是锂电池t时刻的充电、放电功率，η_c、η_d分别是锂电池的充电、放电效率，E_bat是锂电池的总容量，Δt为调度时间周期，分别为储能单元SOC的上下限；

c.具有需求响应能力的负荷功率约束：

式中，分别是具有需求响应能力的负荷可调上行、下行备用用量，分别是可调度负荷最大功率、最小功率；

d.联络线功率约束：

微电网整合各可控分布式电源及具有需求响应能力的负荷，通过微电网联络线功率调节能力，参与上层电网需求响应：

其中，分别为微电网与上层电网之间允许交互最大、最小功率，分别是t时刻联络线可调容量最大值、最小值；

e.系统负荷平衡约束：

式中，P_pv(t)、P_wt(t)分别是光伏、风电在t时刻的功率，是系统在t时刻的具有需求响应能力的负荷计划功率，P_b,load(t)是系统在t时刻的常规负荷功率；

(5)根据微电网总运行成本最低目标函数和分布式电源约束条件；通过MATLAB的yalmip软件模块求解出：未来一天各时段分布式电源功率、储能单元功率、联络线功率，计算微电网日内实时可调度容量，并上报上层电网调度中心；

二、训练基于BP神经网络的实时调度模型：

(1)训练BP神经网络模型中，以15分钟作为单位时段，将全天分为96个时段；

(2)通过叠加正态分布的方法模拟生成日内各时段的联络线功率、风力发电功率、光伏发电功率和常规负荷波动情况数据，模拟误差如下：

其中，P_S-grid(t)是时刻t模拟阶段联络线功率，ΔP_S-grid(t)是时刻t模拟阶段联络线功率与日前计划功率的差值；P_S-b,load(t)是时刻t模拟阶段常规负荷功率，ΔP_S-b,load(t)是时刻t模拟阶段常规负荷功率和日前阶段预测功率的差值；P_S-pv(t)是时刻t模拟阶段光伏功率，ΔP_S-pv(t)是时刻t模拟阶段光伏功率和日前阶段光伏发电预测功率的差值；P_S-wt(t)是时刻t模拟阶段风机功率，ΔP_S-wt(t)是时刻t模拟阶段风机功率和日前阶段风力发电预测功率的差值；

(3)将模拟生成的日内各时段的风力发电功率、光伏发电功率和常规负荷波动情况数据与日前调度数据合并作为BP神经网络输入样本：

(4)以微电网日前规划阶段的目标函数、约束条件及模拟数据，求解日内模拟调度计划；

a.以微电网综合成本最低为目标函数：

b.分布式电源约束条件：

c.可调度容量约束：

d.系统负荷平衡约束：

(5)将日内模拟阶段调度计划中微型燃气轮机、燃料电池、锂电池、需求响应负荷的可控单元功率作为BP神经网络的输出样本：

(6)生成60组日内模拟调度计划，根据输入样本和输出样本，训练BP神经网络，得到日内调度模型；

三、上层电网确定需求功率，微电网日内实时优化调度：

(1)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；

(2)上层电网根据微电网上报的可调功率容量，以及上层电网需求，对微电网下达调度功率：

其中，P_grid(t)是t时刻微电网的联络线实际功率，P_d-grid(t)是上层电网t时刻的额外需求功率，由上层电网根据自身需求确定，x是二进制数，x取0为上层电网无额外需求功率，联络线功率按日前计划执行，x取1为上层电网有额外需求功率，调整联络线功率；

(3)超短期预测日内各时段的风机发电功率、光伏发电功率、常规负荷波动情况：

其中，P_grid(t)是时刻t日内阶段联络线功率，ΔP_A-grid(t)是时刻t日内阶段联络线功率与日前计划功率的差值；P_A-b,load(t)是时刻t日内阶段常规负荷功率，ΔP_A-b,load(t)是时刻t日内阶段常规负荷功率和日前阶段预测功率的差值；P_A-pv(t)是时刻t日内阶段光伏功率，ΔP_A-pv(t)是时刻t日内阶段光伏功率和日前阶段光伏发电预测功率的差值；P_A-wt(t)是时刻t日内阶段风机功率，ΔP_A-wt(t)是时刻t日内阶段风机功率和日前阶段风力发电预测功率的差值；

(4)将这一时刻超短期预测数据与联络线功率输入到日内调度模型中，得到微型燃气轮机功率、燃料电池发电功率、锂电池充放电功率、需求响应负荷功率作为这一时刻调度值；

a.日内调度模型输入数据：

其中，X_A-input(t)表示时刻t日内调度模型实时输入数据；

b.日内调度模型输出数据：

其中，X_A-output(t)表示时刻t内神经网络输出数据；P_A-g,i(t)表示可控分布式电源i在时刻t日内实际功率；P_A-bat,j(t)表示储能单元j在时刻t日内实际功率；P_A-a,load(t)表示具有需求响应能力的负荷在时刻t日内实际功率；

(5)重复以上步骤，直至完成日内96个时段的调度。