【混合微電網能量管理技術實現14000字（論文）】

混合微電網能量管理技術實現目錄TOC\o"1-3"\h\u11459第一章緒論 2288991.1課題研究背景與意義 2231721.2微電網的研究現狀 3222901.2.1國外微電網技術研究現狀 3252881.2.2國內微電網技術研究現狀 4293011.2.2微電網能量優化管理研究現狀 517974第二章

交直流混合微網結構及各電源模型 7125502.1微電網的結構分析 7130622.2各分布式電源基本原理和數學模型 8183442.2.1

光伏發電基本原理和模型 8215212.2.2風力發電基本原理和模型 12167332.2.3

蓄電池發電基本原理和模型 13116652.2.4微型燃氣輪機發電基本原理和模型 14188392.2.5燃料電池發電基本原理和模型 1473812.4本章小結 174511第3章可再生能源輸出功率預測 17313293.1引言 17293523.3遺傳算法優化BP神經網絡預測模型研究 2067503.3.1微電網中風電光伏功率預測 22146033.4本章小結 251352第四章混合微電網優化調度系統 26109324.1微電網能量管理的整體框架 26212994.2微電網能量管理策略的建模 27107154.2.1目標函數 2797674.2.2約束條件 28摘要近年來能源短缺和環境污染問題日益嚴峻,而大力發展和利用可再生能源是解決這兩個問題的主要解決辦法。而微電網技術在接納大規模風光入網方面具有很大的應用前景。為了讓微電網在大量使用可再生能源時具有更好的經濟性、可靠性及自主性,本文針對微電網能量管理的優化問題展開了研究,主要的工作如下：

首先，介紹了課題的背景意義，國內外微電網的發展情況，然后對微電網的能量管理現狀做了總結。對微電網的的結構做的介紹，對微電網的各個電源做了介紹和數學建模

其次，提出了一種改進的優化算法，用遺傳算法改進后的BP神經網絡對可再生能源進行功率預測。經過仿真驗證，改進后的算法

接著，建立了并網運行模式下交直流混合微電網優化調度模型，其優化目標

為綜合運行成本最小，并給出了目標函數以及各項約束條件，在日前調度策略的

影響下，結合加入混沌搜索機制的量子粒子群優化算法進行求解，配置有效的出

力順序并對各分布式電源進行出力計算，計算出各微源全天每小時的輸出功率情

況，以達到成本最低的目的。

最后，利用MATLAB程序設定仿真參數，得到求解后的調度圖并對其進行分析。再以某項目的微電網數據為例計算出改進算法前后的綜合運行成本結果，實驗結果表明，經兩種算法比較，改進后的量子粒子群算法具有收斂速度更快精度更高、不會過早陷入局部最優解的優勢。微網的綜合運行成本也得到了很大程度的節約，對微網的整體經濟運行具有一定的理論指導意義與工程實用價值。第一章緒論1.1課題研究背景與意義能源是推動人類經濟建設和社會發展的最根本動力。但是自從19世紀70年代的產業革命以來，科學技術的不斷加速更新，人類發展的腳步大大加快，使得全球能源消耗急劇增加"。其中，煤炭、石油和天然氣等化石能源的全球儲備量迅速減少，據統計，石油將會在2040年左右枯竭，天然氣會在2060年左右枯竭，而煤炭的儲備量也只能維持200年。同時，化石能源在燃燒時會排出大量有毒氣體和溫室氣體，并嚴重地傷害自然環境。嚴峻的能源危機和環境污染問題迫使我們必須尋找到一條能源使用的可持續發展道路，而太陽能、風能等可再生能源帶給我們解決這些問題的希望2]。但是由于對太陽能和風能等的使用受到了風速和日照強度等自然環境極大的影響，這些可再生能源機組的輸出功率呈現出波動性和不確定性，如果直接大規模接入電網不僅會降低電網的電能質量，還會嚴重威脅到電網的安全運行。而分布式電源(DistributedGeneration,DG)發電技術由于其占地少，投資小、環保效益好和能源利用率高等優點被用來實現可再生能源的大量使用。微電網的概念最早是由美國電力技術研究機構，電力可靠性技術解決方案會(ConsortiumforElectricReliabilityTechnologySolutions,CERTS)提出的。它是--種含有多種微電源、用電負荷、儲能裝置和能量轉換裝置，且能夠實現自我調控，監控和保護的小型供配電自治系統11-13]。微電網技術在國際性電工標準化機構,國際電工委員會(IntermationalElectrotechnicalCommission,IEC)發布的《2010-2030應對能源挑戰白皮書》中被列為解決未來能源問題的關鍵性技術之--。作為-種新型電力應用技術，微電網技術具有以下4個特征:1)“小型”，微電網的電壓等級一般較小，不會超過10kV。且與電力用戶距離較近，電能能夠自產自銷;2)“無污染”，微電網中的微電源一般污染較小，且微電網在運行時也會對污染較大的柴油機機組等進行排放約束;3)“自治”，微電網可以自行調度內部的微電源發電功率等實現內部功率平衡;4)“友好”，微電網作為一種可靠、靈活的小型電力系統，它既能夠獨立的孤島運行，也可以與外部配電網相連而并網運行[14]。而在我國，微電網技術的研究有著重大的意義:1)我國地大物博，各地的氣候不盡相同，利用微電網發電技術，可以減少遠距離的輸配電，降低了發電成本的同時減小了用電風險;2)我國的環境問題相對于其他國家更為嚴重,微電網技術可以有效的減少環境的破壞;3)我國的風能、太陽能燈可再生能源比較充沛，具有很大的開發潛力;4)我國很多偏遠地區不適宜大規模輸電,就地的微電網發電技術很適合我國國情。所以，大力發展微電網技術非常有利于我國的電力建設工作15]。1.2微電網的研究現狀1.2.1國外微電網技術研究現狀近些年，限于全球能源局勢，各國都在開發替代性能源或能源利用形式，隨著微電網技術的研究深入，眾多微電網示范工程或實驗平臺建成，為微電網技術研究和投入工程實際使用奠定了重要基礎。

美國國家可再生能源實驗室(National

Renewable

Energy

Laboratory,

NREL)積極開展了微電網基本理論和測試驗證等方面的研究，并開發了相應的模型和軟件工具。NREL建立的微電網系統包括風機、光伏電池、蓄電池儲能、微型燃氣輪機等電源，可以實現并網或離網運行;開發的軟件工具HOMER，可以遍歷各種電源類型的組合，提供靈敏度分析，經濟、環保性能分析等功能1。

另外，眾多高校研究機構或企業也積極投入微電網技術的研究工作中，如威斯康星大學(UW)建立的微電網系統包含電源和儲能系統其中逆變器采用了功率頻率下垂控制方法，各組件可實現“即插即用”微電網運行模式:離網運行時，可無縫平衡功率需求;微電網被美國能源部列入美國“Grid2030”未來智能電網計劃4:橡樹嶺、西北太平洋等國家實驗室積極展開了微電網技術方面研究;田納西理工大學實驗室已經實現了微電網系統孤島檢測功能:美國能源郎和通用電氣共同研究開發的微電網能量管理系統，主要涉及微電網的優化運行、能量管理及發電成本等方面.

歐盟，在第五至第七框架下開展了分布式發電技術-

系列研究，由希臘雅典國立科技大學組織，展開深入研究的主要內容包括分布式集成能源、控制策略、并網的能量管理策略、經濟優化調度術以及繼電保護技術等。目前，已形成基本理論體系包括分布式電源、控制策略、優化運行、繼電保護、通信鏈路等;并且依據形成的理論體系，相繼在德國、希臘等國建成-

-

批微電網示范工程和實驗平臺。

日本，微電網技術研究相對領先。由日本新能源產業的技術綜合開發機構(NEDO)、經濟貿易以及工業等部門牽頭組織，國內高等院校、相關科研機構和企業(包括東芝、三菱重工、日立、東京燃氣等)參與，相繼在多地建成微電網示范工程如(清水、仙臺、京都市、青森縣和愛知縣等)，在微電網系統設計及系統構建、調度控制策略、能量管理策略及儲能系統優化等領域取得了一-定成果。

這些示范性工程主要針對系統電能質量控制、系統發電側和用電側平衡穩定控制技術、系統能量管理以及少數用戶負荷功率波動對整體負荷功率影響控制等方面進行了深入研究。1.2.2國內微電網技術研究現狀微電網在我國的發展非常迅速，但仍處于探索和示范工程的初級階段。國家電網公司作為微電網研究的主要機構，于

2011

年

8

月通過了國家電網電力研究院的微電網系統研究項目的驗收，研究內容包括微電網的接入策略、技術標準、相關政策和措施，以及微電網的核心結構，規劃了微電網的發展方向和技術路線，并對其發展前景進行了研究討論。近幾年來，我國多個省市自治區相繼研究和建設了多個微電網示范工程。其中，珠海市東奧島的典型微型電網項目充分利用了豐富的太陽能和風能，解決了該島居民長期缺電的問題，大大減少了柴油發電機的使用，為該島居民提供了穩定可靠的電力供應。隨著微電網的推廣利用，島上新能源發電的比例從

30％提高到

70％。多專家學者認為，微電網是智能電網的重要組成部分，具有廣闊的應用前景。

考慮到微電網在國內外的應用，微電網應具備獨立的運行能力，可以實現并/離網運行的無縫切換。微電網還應配以相應的能量管理系統，實現局部管理，完全自主運行。與歐、美、日等國家相比，中國在微電網方面的應用研究成果還存在一定的數量和質量差距。微電網相關技術的研究對推動中國微電網的發展具有重要意義。

1.2.2微電網能量優化管理研究現狀微電網能量管理的優勢在于能夠利用新能源合理優化資源分配，從而保證微網安全可靠以及經濟運行。能量管理可根據分布式電源的輸出功率特性、負荷、外部電網等需求，進行優化出力、儲能、分配優化出力、節能減排的控制管理，這是為了保證微電網供電高效、安全可靠以及實現經濟運行與環保運行協調統-的良好舉措"。面對不同負荷的需求以及發電系統輸出的不可預測性等因素對微網系統的能量管理要求都越來越高，至此對微網進行優化運行配置是能量管理的重要內容。現微電網系統投資及運維成本較高，為節省成本及損耗，需找到一個較好的平衡點與運行要求來維持微電網中最佳能量分配，以確保微電網系統的優化經濟運行。為了使其運行節能降損,更經濟高效,對其進行優化管理是至關重要的。優化調度作為能量管理系統中的其中一項重要研究內容，它的可研究性是+分有必要的。優化調度模型的目標函數有很多種表達方式，可以采用經濟成本最小、環境效益最大、能消耗最小等單--的目標，也可以采用多個目標函數結合的方式。微網的經濟運行與優化調度一直是國內外研究的熱點目標，國內外對微網經濟運行研究的主要目標因素為發電成本、環境影響費用等多個同時存在的目標，進而把它們轉化成單目標進行優化，但大多數目標之間存在沖突，達到最優的效果往往不盡人意啊。文獻[26]提出了一種涵蓋功率預測、優化運行的智能SEMS(能量管理系統)，在一定程度上給予了微電網優化運行研究的支持:文獻[27]中作者立了熱電聯供電型微電網模型，運用機會約束規劃理論進行優化并用粒子群算法求解，但忽了環境污染方面:文獻[28]采用改進的遺傳算法對以發電成本最小為目標函數進行優化調度求解，但尚未考慮微電網系統與外部大電網間的功率交互問題:文獻[29]考慮了各分布式電源的運行、燃料等成本并滿足各項運行約束條件以及功率平衡，忽略了分布式電源的輸出功率:文獻[30]采用了改進的萬有引力搜索算法，對多目標運行優化問題進行仿真求解，但忽略了光伏以及風電出力的隨機性:文獻[31]建立了孤島約束的實時策略能量優化數學模型，通過仿真計算，實現了提高微電網系統運行可靠性同時得到運行成本最低:文獻[32]建立了以經濟性運行為目標函數，優化設計各分布式電源容量配置，比較不同策略下對優化結果的影響:文獻[33]考慮到了天氣對微電網系統優化運行結果的影響，以燃料費用最小為目標，以減少溫室效應為目的:文獻[34]設定的目標函數為微電網系統發電成本與污染處罰費用最低,經過調整權重因子計算大小，在實現目標函數的同時兼顧系統經濟與環保型。綜上所示，微電網系統的能量優化研究是一-個復雜問題,要考慮到運行成本、環境保護、功率約束、能量交互等多項問題。對于當前微電網能量優化問題的研究主要側重于目標函數的建立以及算法的優化，可見完成-個完整的優化模型需要思慮到諸多因素進行分析和研究。

第二章

交直流混合微網結構及各電源模型2.1微電網的結構分析隨著時代的發展，微電網技術也在隨之進步，其拓撲結構也在不斷更新，現在按照主網絡配電方式可以分為直流結構、交流結構、交直流混合結構。現階段，隨著分布式電源與用戶負荷的多樣化發展，采用單一供電形勢的微電網越來越難越難滿足實際要求，在此種背景下，同時含有交流母線與直流母線的交直流絕合結構的微電網逐漸受到人們的重視，它有效整合了交流結構與直流結構微電網各自優點，發揮了兩種供電方式的互補優勢，并減少了大量的電力電子變換裝置。本文所研究的交直流混合微電網拓撲如圖２－１所示，主要由交流部分、直流部分、雙向功率變換器和能量管理系統四部分組成。交直流混合微電網以減少電能變換裝置為原則，根據各微源輸出電能與負荷用電形式，將其分別接入對應的區域，并通過雙向變換器與交流區相連。圖1.3交直流混合微電網的結構圖本文的交直流混合微電網結構如下：

（1）風力發電機組成的風力發電單元，與交流母線相連提供功率；

（2）燃氣輪機：連接至交流母線，作為一個可調度微源為負荷提供功率。

（3）交流負荷。

直流子微網組成包括：

（1）光伏發電單元：由光伏電池組成，連接至直流母線提供功率

（2）儲能單元：由蓄電池組成，作為儲能裝置連接至直流母線提供功率；

（3）燃料電池：作為可調度單元連接到直流母線，為負荷提供功率。

（4）直流負荷。2.2各分布式電源基本原理和數學模型2.2.1

光伏發電基本原理和模型圖

2-2

模型為光伏電池的等效電路圖，光伏電池實際上可以比作為一個大面

積的平面二極管[37]，通過公式簡化可得到光伏電池的解析數學表達式如公式

2-3，然后考慮由多個光伏電池串并聯的光伏陣列的數學模型所受溫度和光照強度的影響。圖2.2光伏二極管等效電路(2-1)（2-2）代表光伏電池中太陽輻射光子激發的光生電流，表示擴散電流，表示泄漏電流，和分別代表串聯電阻和旁漏電阻。其中與自身電池材料性能有關，代表在光照為0時，光伏電池內部等效二極管結反向飽和電流，為絕對溫度，為二極管常數因子。對以上光伏電池基于物理原理的數學解析式模型作如下近似處理:1)忽略項，因為通常情況下2)通常情況下設定時，會遠小于二極管的正向導通電阻。故簡化后的光伏電池方程轉換為以下形式[38]:（2-3）上式用到了給定工況下的短路電流和開路電壓,其中和為兩個待定的系數，可通過將給定條件下的開路電壓和最大功率點電壓代入求得。(2-4)（2-5）由串聯數、并聯數的光伏陣列示意圖如圖2-3，圖2-4中和分別表示光伏陣列端口的輸出電流和端電壓。公式2-6為通過擴展單個光伏電池模型得到的伏安外特性數學模型，前提是在不考慮電池本身影響因素，同時保持陣列中的光伏電池各運行條件相同[39]:（2-6）圖2-4光伏陣列以及隨光照強度變化圖2-5光伏陣列以及隨溫度的變化由圖2-4、2-5可看出:光伏陣列外特性的電壓-功率曲線伴隨不同的光照強度和溫度是不同的，但總體變換趨勢基本上是一致的。圖2-6光伏陣列統一功率-電壓特性曲線從圖2-6可得出，在光伏陣列運行條件一定時，在電壓源區域和電流源區域

交叉點處有且只有一個最大功率運行點(MPP)，在到達最大功率運行點之前，

功率隨電壓單調遞增，之后功率呈單調遞減，總體功率-電壓曲線呈單個峰值現

象。

由于在分析光伏發電計算時，所涉及到的影響和因素過于繁多，所以在對光

伏電池進行數學建模時，多對其發電特性忽略不計。對微電網中其輸出功率也多

在歷史數據的基礎.上采用預測的形式，對下一時間的出力作出預測。2.2.2風力發電基本原理和模型風能是一種分布廣泛、無污染的重要可再生資源，儲量十分豐富。據相關資料統計，外界空間每年能輻射至地球的能量約為1.5*1019kW.h,

其中的2.5%，即3.8*10'%kW.h的能量被大氣吸收，產生大約4.3*102kW.h的風能43]。

世界風能協會發布的年度報告指出，全球風力發電于2015年新增裝機63013MW,相比于2014年，市場增長率達22%，其中美國與德國市場均超過預期，排名前列44。與此同時，截至2015年，作為風電裝機容量第一-大國，

我國風電累計裝機容量已經達到145.1GW。

由此可見，風力發電發展極為迅速，在電力行業中呈現出了強勁的增長勢頭，且隨著風電技術日漸成熟，其運行成本不斷降低，風力發電已成為各國轉型至綠色電力過程中的重要發展對象。近年來風力發電成為了綠色環保電力過程的重要發展對象。作為一種清潔無

公害的的可再生能源，且運行成本也越來越低，因此日益受到學者們的關注。由

于風力具有顯著的隨機性和不確定性等特點，本文建立的風速模型采用了四個基

本分量模型以更好的描述風的特性，即基本風、漸進風、噪聲風和隨風機，如下式：（2-7）本文需要對風力機建模進行簡化與分析，根據貝茲理論，風能中給予風力發電機的功率.和風力機輸出機械轉矩可表示為[41]:(2-11)（2-12）風力發電與光伏發電存在類似的情況，因風力發電具有隨機性，所以研究其出力的方法仍采用預測的方式。2.2.3

蓄電池發電基本原理和模型儲能裝置在此微電網系統的能量管理研究中是為之重要的一個組成微源，通

過儲存電量的充放確保在微網系統中維持功率平衡，而能量管理系統也儲能元件

的充放電量也有著一定的約束作用，保障長期穩定的使用率。

蓄電池的充放電過程是由化學能和電能相互轉化的，其充放電過程發生的化

學反應如下：正極板反應方程式為：(2-13)負極板反應方程式為：（2-14）蓄電池充放電時的總化學反應方程式:(2-15)蓄電池端電壓隨著蓄電池充放電過程不斷變化，作為一個要進行優化的儲能裝置來說，良好的充放電狀態是十分重要的，以至于影響到蓄電池的使用壽命，故而需要考慮到蓄電池本身的儲能功率以及充電容量，避免蓄電池過充過放。蓄電池的狀態可由兩個參數來表示，分別為端電壓和SOC[43]。2.2.4微型燃氣輪機發電基本原理和模型微型燃氣輪機是熱電聯產發電機組，也是新興的一種小型發電機，其燃料系

統的設計技術使其成為化石燃料燃料系統中最為清潔的一種,而不需后續的污染

控制。

本文選用微型燃氣輪機作為其中一個微源組成，其優勢有三點:一是環保，

它的廢氣排放量低且不需特意維護，可節省日常維護費用;二是配置靈活，可根

據實際情況配置數量并能進行多臺整體控制;三是安全可靠，除了嚴格符合

IEEE5等規范外，還可保證與電網連接的安全性。除了這些最主要因素外，還有

著低噪音、多燃燒、可遙控診斷等-

-系列先進技術，成為了提供清潔、高質量的小型分布式發電的最佳選擇，在市中心、園區以及邊遠偏僻地區均能適用。圖2-8微型燃氣輪機并網結構圖在連接到電網的微型燃氣輪機發電系統的永磁發電機和工頻交流電網之間，

需要使用變頻器進行頻率轉換。如圖2-8所示，渦輪機與發電機在同-

-水平軸線的稱為單軸微型燃氣輪機，其輸出的高頻交流電需通過整流逆變后傳輸至電網。

微型汽輪機在用于能源，天然氣，沼氣等燃料燃燒后，為再次提高微源使用率，

可利用其燃燒后所產生的大量煙氣所散出的熱量使廢熱裝置再次進行加熱。

下式為微型燃氣輪機輸出模型[44]:（2-16）2.2.5燃料電池發電基本原理和模型燃料電池因效率高、綠色環保等特點成為了一種廣受關注的新型分布式發電

單，通過氧和氫氣結合成水的簡單化學反應進行發電。燃料電池所釋放出的有害

氣體極少并且沒有噪聲污染，這是由于它的原料除了燃料和氧氣無其他物質，也

沒有機械傳動部件。燃料電池的相比普通電池的優勢在于，在保證燃料和養護劑

不斷供給的條件下就可以持續地產生電能。燃料電池和大部分分布式一樣，需要

將輸出的直流電通過變流裝置才能接入外部電網或供給用戶使用，其工作原理圖

如圖2-9所示，燃料經電化學反應使化學能轉換為電能。這里使用的燃料電池為

以天然氣為主要燃料的質子交換膜燃料電池。圖2-9燃料

電池工作原理圖式中，為燃料電池實際發電效率，為其發電功率。

正常狀態下供應燃料電池所需的燃料體積表達式如下(2-17)L為天然氣低熱值()，在這里取值為9.7。

2.3.6變換器基本特性及模型變換器是確保各類微源安全可靠的直接并入微電網的重要單元，交直流混合

微電網中存在的變換器除了有基本單向AC/DC、DCIAC、DC/DC

變換器外，還

有與蓄電池相連的雙向DC/DC變換器與連接交直流區域的雙向AC/DC變換器。

DC/DC雙向變換器(如圖2-8)是蓄電池接入微電網的需要流經的主要電力

電子裝置，它開關器件較少，結構簡單，通過控制兩個IGBT的通斷即可選擇升

壓降壓兩種工作模式，一般為使開關管實現零電壓開通,開關管IGBT1與IGBT2，常使用互補PWM控制方法。圖2-10雙向DC/DC變換器結構圖雙向AC/DC變換器拓撲結構如圖2-9所示，作為混合微電網中的主變換器，

其對實現交直流結合具有重大意義[54],根據功率的流向，雙向AC/DC變換器可

以調整工作模式為整流或逆變模式。圖2-9雙向AC/DC變換器結構圖各類變換器是組成微電網結構的重要連接部分，同時，其工作效率也作為主，

要因素影響整個微電網的優化情況，本文假設單向AC/DC、DCIAC變換器與雙

向AC/DC變換器工作效率相等為，由式(2-18)計算，

單向DC/DC變換器與雙向DC/DC變換器工作效率相等為，由式(2-19)計算。(2-18)(2-19)其中，u為流經功率與變換器額定功率的比值。2.4本章小結本章首先對交直流混合微電網的基本結構作了簡單的介紹，講述了此結構類

型的微電網對比純交、純直微電網的復雜性和優勢。另外，介紹了結構中所涉及的各類變換器的工作原理，建立其基本模型，并給出了計算其工作效率的公式，為后續交直流混合微電網的能量管理優化研究做鋪墊。第3章可再生能源輸出功率預測3.1引言微電網優化是在可再生能源功率預測基礎上制定調度計劃，微電網中的光伏和風電輸出功率受環境因素影響較大,波動性較強，目前針對風電和光伏功率預測主要有物理法、統計法和綜合法;微電網中的負荷功率規律性較強，與時間之間的映射關系明顯，通常基于歷史數據信息對負荷功率進行預測。本章介紹BP神經網絡預測算法的基本原理，并針對BP神經易陷入局部最優值的缺點采用遺傳算法對其進行改進。基于統計法和數值天氣預報，采用遺傳算法優化的BP神經網絡預測算法對微電網中的光伏、風電進行預測。3.2BP神經網絡預測模型研究BP神經網絡(Back

Propagation

Neural

Network，BPNN)是一種智能算法，內部是由大量神經元構成，可以實現任何非線性關系之間的映射，神經網絡通過訓練樣本對自身網絡數據不斷訓練，可以模擬人體大腦對信息的處理過程，BP神經網絡的訓練過程是不斷更新內部的權值與閾值，實現對輸入數據與輸出數據之間函數關系的非線性擬合，最終取得良好的預測效果。

BP神經網絡結構圖如下圖3-1所示。圖2-1BP神經網絡結構圖BP神經網絡由輸入層、隱含層、輸出層組成，圖3-1的BP神經網絡輸入層有m個神經元，輸出層有p個神經元，隱含層有n個神經元，輸入層與隱含層的

權值可用權值矩陣,表示，權值矩陣中的元素;可表示為，隱含層與輸出層的權值可用權值矩陣表

示，權值矩陣中的元素可表示為。

其中;為隱含層內部神經元的閾值，為輸出層內部神經元的閾值，

為訓練樣本的實際輸出值。BP神經網絡訓練樣本正向傳播過程中，神經網絡的預測輸出與訓練樣本的實際輸出比較得到預測誤差，神經網絡根據預測誤差通過反向傳播過程修正網絡中的權值與閾值，神經網絡通過重復訓練，直到相鄰兩次預測輸出誤差差別很小。神經網絡的正向傳播

神經網絡的輸入信號在正向傳播過程中,輸入信號進入隱含層，隱含層的神經

元對輸入信號進行線性加權求和，然后加入閾值與通過函數變換得到隱含層輸出。

令輸入層的輸入矩陣為,則隱含層神經元的輸出可表示為:(2)神經網絡的反向傳播BP神經網絡的反向傳播過程是將BP神經網絡對訓練樣本的預測輸出值與實.際輸出值進行比較，根據輸出誤差反向修正網絡中隱含層和輸出層各神經元的權值和閾值。訓練樣本中某組訓練數據的輸出誤差可表示為:BP神經網絡是根據訓練樣本，重復正向傳播與反向傳播過程對自身網絡參數

進行修正，算法流程圖如圖2-2所示。

采用BP神經網絡對數據進行預測時，先對神經網絡中隱含層和輸出層的神經

元的權值和閾值進行初始化賦值，對神經網絡的訓練樣本進行篩選，然后通過神經網絡的正向傳播對訓練樣本的輸入信號進行處理，依次得到神經網絡的隱含層和輸出層的輸出值，訓練樣本輸出層的輸出值與訓練樣本的實際輸出值做差得到輸出層誤差，神經網絡采用梯度下降法根據輸出誤差反向修正隱含層和輸出層各神經元的的權值與閾值，重復以上正向傳播與反向傳播，直至滿足訓練次數且差滿足要求時程序結束。

BP神經網絡是一種局部優化算法，易陷入局部最優值從而導致訓練失敗，使

預測結果與實際存在較大偏差，因此可以采用其它算法對BP神經網絡進行優化，

提高其預測性能。圖3-2BP神經網絡算法流程圖3.3遺傳算法優化BP神經網絡預測模型研究遺傳算法(Genetic

Algorithm，GA)是

模擬生物進化過程的一種智能優化算法,通過將優化問題中的變量行矩陣中的每一個元素等效為生物的一個基因，整個變量行矩陣等效成生物的一個染色體，所有的染色體組成了一個種群，將優化目標函數稱為適應度函數，通過對染色體進行選擇、交叉、變異等操作，以適應度函數值為導向,在迭代過程中選擇種群中適應度較好的個體，整個染色體種群通過不斷迭代，最終得到適應度函數值最優的染色體個體。

遺傳算法是對整個染色體種群進行操作，不是通過數學推導計算,是通過染色

體之間交叉和變異在變量空間內對變量進行搜索，所以整個算法不易陷入局部最

優解，是一種良好的全局優化算法。

遺傳算法首先是對整個種群進行初始化，得到初始化種群每個染色體個體對應的適應度函數，通過輪盤賭法進行篩選之后保留的種群進入迭代循環，遺傳算法的編碼過程就是通過特定的表達方式對染色體中的變量進行表示，方便后面的染色體之間的交叉和變異，常見的編碼方式有二進制編碼和浮點數編碼，交叉操作是在迭代過程中,變量行矩陣之間某--串元素之間進行了交換,變異操作是變量行矩陣中的某一位元素值發生了突變,交叉和變異操作直接導致了變量值發生了變化，相當于變量在變量空間上進行搜索,通過交叉和變異之后得到的新的變量代入目標函數得到新的適應度函數值，通過輪盤賭法對適應度函數值進行篩選，得到適應度值較好的染色體個體,通過不斷的迭代篩選最終得到優化問題的最優解。輪盤賭法的目標是選擇適應度值較小的個體。假設遺傳算法中共有M個染色體個體.圖中的每--塊區域代表種群中染色體被選中的概率。輪盤賭法的具體步驟如下所示。（1）令 ，其中 （2）每個染色體個體被選中遺傳到下一代的概率為:（3-1）每個染色體累計概率為：在(0,1)區間內隨機生成實數;如果,則此時選擇染色體X;否則選擇滿足下列條件的染色體（6）重復(4)(5)步操作。利用遺傳算法對易陷入局部最優值的BP神經網絡進行優化，優化的目標是BP神經網絡內部神經元的權值和閾值的初始值，當確定整個預測環節訓練樣本的輸入輸出個數時，通過對BP神經網絡隱含層層數和每層神經元數量進行設置，就可以確定整個網絡的權值和閾值數量，將神經網絡的權值和閾值的初始值作為遺傳算法的染色體變量,將訓練樣本的輸出誤差作為遺傳算法的適應度函數,通過不斷迭代優化，得到輸出誤差最小時所對應的染色體變量,從而確定整個神經網絡的初始權值和初始閾值。總體而言，采用GA對BP神經網絡進行優化時，是用GA.算法代替了神經網絡的反向傳播過程。遺傳算法優化BP神經網絡(GA-BP)的流程圖如圖2-5所示。遺傳算法優化BP神經網絡可以分為以下幾個步驟(1)通過訓練樣本確定神經網絡的輸入與輸出;(2)確定神經網絡層數;(3)根據輸入輸出數目確定神經網絡隱含層的神經元個數;(4)采用遺傳算法對神經網絡的權值與閾值的初始值進行優化;(5)優化后的神經網絡對樣本進行訓練，得到預測輸出。3.3.1微電網中風電光伏功率預測微電網中的風機、光伏功率輸出受環境因素影響較大,風電和光伏輸出功率的較大波動會對微電網穩定運行造成不利影響，所以基于微電網中風電和光伏功率的預測結果制定微電網調度計劃顯得尤為重要，影響風電和光伏功率的環境因素隨機性強，預測難度大、精度低，所以目前主要是采用數值天氣預報的方法來獲取風速、風向、溫度、光照強度等信息,然后分別對風電和光伏的輸出功率進行預測。對風電和光伏輸出功率的預測方法按照輸入類型分類主要有物理法、統計法、綜合法三種。

統計法是基于數值天氣預報和對大量的歷史數據進行統計，進而預測風電和

光伏輸出功率。統計法優點是不需要大量的運算過程，求解速度快，但是需要大量的歷史數據，常用神經網絡等智能算法得到環境變量與輸出功率之間的映射關系。本文采用統計法預測風電和光伏輸出功率，所用算法為遺傳算法優化的BP神經網絡預測算法(GA-BP)。使用GA-BP對風電輸出功率進行預測與使用BP神經網絡對風電功率進行預測的預測結果對比如圖3-6所示。風電功率一天的周期內變化較大，在6-8時，風電功率急劇減小，17-19時風電功率快速增大，過快的功率變化不僅使預測難度增加，并且還會對微電網造成較大的沖擊，從預測效果看，在1-4時，12-16時，19-22時功率變化幅度不大，但是存在波動情況會使預測誤差增大。圖3-6GA-BP與BP神經網絡對風電功率預測結果對比使用GA-BP算法對風電功率進行預測與使用BP神經網絡對風電功率進行預

則得到預測誤差對比如表3-1所示。表3-1

GA-BP與BP對風電功率預測誤差均方根誤差平均絕對誤差平均絕對百分比誤差GA-BP2.72311.80550.12072BP3.33452.17440.14802表3-1預測誤差可看出使用GA-BP算法對風電功率預測的平均絕對百分比誤

差MAPE=15.003%，預測結果較好，可以滿足實際精度要求。在10-18時風電功率波動較大時，使用GA-BP算法的預測效果明顯好于使用BP神經網絡對風電功率.進行預測。且從預測誤差進行比較，GA-BP預測的RMSE、MAE、MAPE誤差值，

均小于采用BP神經網絡預測，即證明了GA-BP算法相比于BP神經網絡預測算

法的優越性。

使用GA-BP算法對光伏功率進行預測與使用BP神經網絡對光伏功率進行預

測得到預測結果對比如下圖3-7所示。圖3-7GA-BP與BP神經網絡對光伏功率預測結果對比使用GA-BP算法對光伏功率進行預測時，光伏功率在1-6時和20-24時實際值為0，所以在計算平均絕對百分比誤差時選取的時段為7-19時。使用GA-BP算法對光伏功率進行預測與使用BP神經網絡對光伏功率進行預測分別得到預測誤差如表3-2所示。表3-2

GA-BP與BP對光伏功率預測誤差均方根誤差平均絕對誤差平均絕對百分比誤差GA-BP6.64524.79040.17937BP6.88665.53960.21455從圖2-7可以看出，光伏的輸出功率與時間具有很強的關聯性，在1-6時和20-24時，光伏實際輸出功率為0，并且在6-13時隨時間增大光伏輸出功率也逐漸增大，13-20時隨時間的增大光伏輸出功率逐漸減小，可以看到光伏功率變化較風電功率變化規律性強且變化平緩，這樣有利于微電網的優化調度。由表3-2可得使用GA-BP算法對光伏功率進行預測時，得到平均絕對百分比誤差MAPE=12.072%，表明GA-BP算法對光伏的功率預測精度較好，可以滿足實.際精度要求。綜合圖2-7與表2-2可以看出，不論是在光伏功率實際值為0的時段還是在10-15時光伏功率實際值最大的時段，使用GA-BP的預測效果都好于使用BP神經網絡進行預測，即證明了對BP神經網絡預測算法進行優化的必要性。3.4本章小結隨著時代的發展，綠色能源也越來越受重視，對可再生能源的預測的精度要求也更高。本章基于風電、光伏的歷史功率信息，將遺傳算法應用于BP神經網絡對風電、光伏和對應的環境信息、歷史功率數據等輸入數據和實際輸出功率之間的函數關系進行擬合，得到了風電、光伏和負荷的輸入數據和預測功率輸出之間的映射關系，通過功率預測值與實際值對比，表明算法建立了輸入數據與輸出數據之間良好映射關系，在環境信息和歷史功率數據等輸入數據可靠的基礎上可以得到預測精度較高的功率輸出，同時針對GA-BP預測算法與傳統BP神經網絡預測算法誤差對比,驗證了GA-BP預測算法相比傳統BP神經網絡預測算法的優越性。應用本章所提方法可為本文后續交直流混合微電網的優化提供良好的數據。

混合微電網優化調度系統本章以微電網系統為實例，研究風光儲微電網的能量管理策略,在考慮各部分運行成本和實時電價以及發電環境成本的情況下，以微電網運行的總體經濟成本更低為優化目標，建立了能量管理策略的目標函數和約束條件，使用MATLAB進行行仿真，與常規策略下的運行成本進行對比，驗證了本章所提的能量管理策略可以使得系統運行成本更低。4.1微電網能量管理的整體框架風光儲微電網的能源管理策略總體架構如圖4-1給出，這里將風力發電、光伏發電和電負荷的預測值視為該優化調度模型的輸入量,通過優化調度模型以系統運行的總體經濟成本最小化為目標設計能量管理策略,在充分考慮各個微電源自身約束條件的情況下，采用能量管理算法求解得到儲能裝置的充放電計劃和微電網與主網的功率交換計劃。圖4-1微電網能量管理策略整體框架本文所建立的電能管理的模型，其執行流程圖如下圖4-2所示:

先將風力發電功率的預測值PwT、光伏發電功率的預測值Ppv、負荷預測值

Pr、鋰電池荷電態SOC輸入該能量管理策略模型，隨后判斷風光發電功率的預

測值能否滿足用戶的負荷需求。若能夠滿足，則繼續對鋰電池荷電態進行判斷。若達到上限，為了避免對鋰電池的使用壽命產生影響，則鋰電池不能放電;若沒有達到鋰電池的上限，此時風光發電功率除了滿足負荷需求之外還可對鋰電池進行充電或向主網售電，鋰電池能否充電由能量管理策略決定，當能充電時繼續進行判斷，判斷風光發電功率預測值超