[發明專利]一種微電網功率預測方法

在審

• 申請號: 201610554504.7
• 申請日: 2016-07-14
• 公開（公告）號: CN107622319A
• 公開（公告）日: 2018-01-23
• 發明（設計）人: 葉一枝;歐陽麗;朱長東;章筠;徐俊;陳鋒;劉家樂;陳瑞杰;楊杰;呂楠
• 申請（專利權）人: 上海電氣分布式能源科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 上海容慧專利代理事務所(普通合伙)31287
• 代理人: 于曉菁

技術領域

本發明涉及電氣控制領域，具體涉及一種微電網能量管理方法。

背景技術

微電網的能量管理包括功率預測、優化調度和運行控制三部分。

微電網是由多種分布式發電單元組成的發電系統，由于微電網中分布式電源組合的靈活性和多樣性，如何使其能夠穩定運行，是微電網能量管理系統需要解決的問題，目前國內沒有一套準確并且高效的微電網能量管理方法。

微電網能量管理的關鍵在于高準確度的功率預測。微電網的功率預測通常采用遺傳算法、BP神經網絡算法和模型預測等方法，都存在預測不準，精度不高等缺點。

隨著微電網的發展，微電網除了要穩定運行，還要保證微電網運行的經濟性，目前的微電網能量管理系統由于功率預測的不準確性，直接影響優化調度的經濟性和準確性，進而影響微電網運行的經濟性。

BP(Back Propagation)神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，又稱為誤差反向傳播網絡，BP神經網絡模型的拓撲結構一般包括一個輸入層(input)、一個或多個隱層(hidden layer)和一個輸出層(output layer)，如圖1所示，是目前應用最廣泛的BP神經網絡模型之一。

BP神經網絡的學習過程如下：首先初始化權值和閾值，然后通過正向傳播得到輸出結果，再通過誤差反向傳播對各層的權值和閾值進行修正。如此反復進行正向傳播和反向傳播的過程，直到輸出誤差滿足給定要求或達到預先設定的最大訓練次數為止。

BP神經網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡可以用作分類、聚類、預測等。BP神經網絡需要有一定量的歷史數據，通過歷史數據的訓練，網絡可以學習到數據中隱含的知識。在你的問題中，首先要找到某些問題的一些特征，以及對應的評價數據，用這些數據來訓練BP神經網絡。

雖然BP網絡得到了廣泛的應用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。

首先，由于學習速率是固定的，因此網絡的收斂速度慢，需要較長的訓練時間。對于一些復雜問題，BP算法需要的訓練時間可能非常長，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進。

其次，BP算法可以使權值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產生一個局部最小值。對于這個問題，可以采用附加動量法來解決。

再次，網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據經驗或者通過反復實驗確定。因此，網絡往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。

最后，網絡的學習和記憶具有不穩定性。也就是說，如果增加了學習樣本，訓練好的網絡就需要從頭開始訓練，對于以前的權值和閾值是沒有記憶的。但是可以將預測、分類或聚類做的比較好的權值保存。

發明內容

鑒于現有技術中存在的問題，本發明的目的是提供一種微電網能量管理方法，采用BP神經網絡和遺傳算法混合的方法，解決了功率預測的不準確性，在保證微電網安全運行的前提下，改善了微電網運行的經濟性。

本發明提供一種微電網功率預測方法，微電網內的發電單元用于向負載供電，微電網功率預測方法包括以下步驟：

(1)結合遺傳算法與BP神經網絡算法，對功率預測模型進行訓練；

(2)采用經訓練的功率預測模型，對發電單元與負載進行功率預測；

(3)將功率預測結果保存并傳送到調度模塊。

進一步地，步驟(1)之前還包括以下步驟：

(11)建立功率預測模型，確定BP神經網絡的結構。

進一步地，步驟(1)結合遺傳算法與BP神經網絡算法，對功率預測模型進行訓練，包括以下步驟：

(12)BP神經網絡的結構的權值矩陣的權值與閾值的初始值，按順序排列為染色體，采用實數編碼進行編碼；

(13)以功率預測模型的功率預測輸出和期望功率輸出之間的誤差的絕對值的和作為適應度函數；

(14)確定控制參數，控制參數包括交叉概率、變異概率以及遺傳算法終止條件；

(15)采用遺傳算法，獲得優化的權值矩陣的權值與閾值的初始值；

(16)采用步驟(15)獲得的權值與閾值的初始值，訓練功率預測模型。