一种基于新能源消纳的微电网优化调度方法及系统技术方案

本发明专利技术公开了一种基于新能源消纳的微电网优化调度方法及系统，涉及电力系统技术领域，该基于新能源消纳的微电网优化调度方法包括以下步骤：提取能源数据中的风电数据和负荷数据；得到分布式能源的预测风电数据和负荷侧资源的预测需求数据；生成微电网电力调度策略；实施微电网的电力分配；对调度策略进行评估优化；将优化后的调度策略重新应用于微电网，直至实现最优的调度策略

【技术实现步骤摘要】
一种基于新能源消纳的微电网优化调度方法及系统


[0001]本专利技术涉及电力系统
，具体来说，涉及一种基于新能源消纳的微电网优化调度方法及系统
。

技术介绍

[0002]目前，微电网是一种新型的电力系统网络结构，是实现主动配电网的有效方式
。
开发和延伸微电网能够促进分布式发电与可再生能源的大规模介入，促进传统电网向智能电网过渡
。
发展微电网是解决分布式发电并网和偏远地区或海岛供电的有效途径，具有十分广阔的应用前景口
。
[0003]同时，随着经济技术的发展，化石燃料的燃烧造成的碳排放问题突出
。
为应对碳排放问题，各国的可再生能源发电规模在不断扩大，但目前可再生能源发电仍占比较小
。
微电网具有灵活的运行特性，可以孤岛运行或者并网运行；而且微电网以分布式电源为主，利用储能和控制装置进行调节，实现能量的平衡
。
微电网中含有多种可再生能源，一般以风电
、
光伏
、
地热为主，多种能源的互补作用提高了能源系统的整体效率和能源供给可靠性，增加了消纳可再生能源的灵活性
。
而且存在多种可控单元
。
因此，微电网能够对电网的新能源消纳和调度过程，起到至关重要的作用
。
[0004]然而，现有的基于新能源消纳的微电网优化调度方法中，不能有效的消纳和利用微电网中的新能源如风电等，不便于提高新能源的接入比例和消纳能力，并且不便于对风电及负荷进行预测和优化调度，从而不能更准确地预测微电网的电力需求和风电供应，进而降低了能源使用效率
。
[0005]针对相关技术中的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0006]针对现有技术的不足，本专利技术提出一种基于新能源消纳的微电网优化调度方法及系统，解决了上述
技术介绍
中提出现有的基于新能源消纳的微电网优化调度方法中，不能有效的消纳和利用微电网中的新能源如风电等，不便于提高新能源的接入比例和消纳能力，并且不便于对风电及负荷进行预测和优化调度，从而不能更准确地预测微电网的电力需求和风电供应，进而降低了能源使用效率的问题
。
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：根据本专利技术的一个方面，提供了一种基于新能源消纳的微电网优化调度方法，该基于新能源消纳的微电网优化调度方法包括以下步骤：
S1、
构建能源监测感知网络，收集微电网中的能源数据，并进行预处理，提取能源数据中的风电数据和负荷数据；
S2、
利用优化算法整合风电数据和负荷数据，并对整合后的数据进行特征提取，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据；
S3、
利用预测算法对预测风电数据和负荷侧资源的预测需求数据进行预测，生成
微电网电力调度策略；
S4、
基于分析算法，对生成的微电网电力调度策略进行分析，并实施微电网的电力分配；
S5、
实时收集和检测微电网的运行数据，将实际运行数据和预测数据进行比对，并对调度策略进行评估优化；
S6、
将优化后的调度策略重新应用于微电网，并进行新一轮的微电网的电力分配，直至实现最优的调度策略
。
[0008]进一步的，构建能源监测感知网络，收集微电网中的能源数据，并进行预处理，提取能源数据中的风电数据和负荷数据包括以下步骤：
S11、
利用地理信息系统技术布局分布式监测站点，并建立能源监测感知网络；
S12、
获取微电网中分布式监测站点的原始能源数据；
S13、
对原始能源数据进行小波变换，从时域转换到频域，并筛选出包含干扰波的频段；
S14、
追踪并获取频段中的干扰波方向；
S15、
选取以计算样点为中心的若干道窗进行中值滤波，恢复计算样点处的干扰信号；
S16、
逐个恢复各频段中的干扰信号，并进行小波反变换以获得干扰波的整个波场；
S17、
从原始能源数据中减去干扰波场，得到有效信号波场；
S18、
基于有效信号波场生成去噪后的原始能源数据，并对其进行校验
、
提取有效数据和归一化，得到能源数据中的风电数据和负荷数据
。
[0009]进一步的，利用优化算法整合风电数据和负荷数据，并对整合后的数据进行特征提取，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据包括以下步骤：
S21、
设定相关参数，整合风电数据和负荷数据并进行特征提取，生成初始的操作决策和对应的决策的变化率；
S22、
根据设定的适应度函数，计算每个操作决策的适应度值；
S23、
根据预设条件，计算操作决策的适应度方差，并判断是否进行变异操作；
S24、
根据计算的适应度方差和惯性权重公式，并更新决策的变化率和位置；
S25、
检查是否满足结束条件，若满足，则结束寻优，否则转至步骤
S32
继续寻优；
S26、
将优化后的参数赋值给支持向量机模型；
S27、
将处理过的风电数据和负荷数据输入支持向量机模型，并对支持向量机进行训练，得到训练好的支持向量机模型；
S28、
利用训练好的支持向量机模型对未来风电数据和负荷数据进行预测，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据，停止计算
。
[0010]进一步的，适应度函数的表达式为：；
其中，和分别表示为支持向量机模型训练输出值和期望值；
x
表示为输入向量；
M
表示为输入向量的维度；
l
表示元素个数；
f
（
x
）表示为适应度函数
。
[0011]进一步的，利用训练好的支持向量机模型对未来风电数据和负荷数据进行预测，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据，停止计算包括以下步骤：
S281、
使用训练好的支持向量机模型对未来风电数据和负荷数据进行预测；
S282、
预设信度阈值，过滤低信度的预测结果，并从支持向量机模型的概率预测中确定风电数据和负荷数据的类别标签；
S283、
将确定的类别标签作为分布式能源的预测发电数据和负荷侧资源的预测需求数据，并停止计算
。
[0012]进一步的，利用预测算法对预测风电数据和负荷侧资源的预测需求数据进行预测，生成微电网电力调度策略包括以下步骤：
S31、
输入待处理的风电数据和负荷侧资源的预测需求数据的初始样本集；
S32、
将初始样本集的所有风电数据和负荷侧资源的预测需求数据进行等级划分，得到若干包含不同风电数据和负荷侧资源预测需求数据的样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于新能源消纳的微电网优化调度方法，其特征在于，该基于新能源消纳的微电网优化调度方法包括以下步骤：
S1、
构建能源监测感知网络，收集微电网中的能源数据，并进行预处理，提取能源数据中的风电数据和负荷数据；
S2、
利用优化算法整合风电数据和负荷数据，并对整合后的数据进行特征提取，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据；
S3、
利用预测算法对预测风电数据和负荷侧资源的预测需求数据进行预测，生成微电网电力调度策略；
S4、
基于分析算法，对生成的微电网电力调度策略进行分析，并实施微电网的电力分配；
S5、
实时收集和检测微电网的运行数据，将实际运行数据和预测数据进行比对，并对调度策略进行评估优化；
S6、
将优化后的调度策略重新应用于微电网，并进行新一轮的微电网的电力分配，直至实现最优的调度策略
。2.
根据权利要求1所述的一种基于新能源消纳的微电网优化调度方法，其特征在于，所述构建能源监测感知网络，收集微电网中的能源数据，并进行预处理，提取能源数据中的风电数据和负荷数据包括以下步骤：
S11、
利用地理信息系统技术布局分布式监测站点，并建立能源监测感知网络；
S12、
获取微电网中分布式监测站点的原始能源数据；
S13、
对原始能源数据进行小波变换，从时域转换到频域，并筛选出包含干扰波的频段；
S14、
追踪并获取频段中的干扰波方向；
S15、
选取以计算样点为中心的若干道窗进行中值滤波，恢复计算样点处的干扰信号；
S16、
逐个恢复各频段中的干扰信号，并进行小波反变换以获得干扰波的整个波场；
S17、
从原始能源数据中减去干扰波场，得到有效信号波场；
S18、
基于有效信号波场生成去噪后的原始能源数据，并对其进行校验
、
提取有效数据和归一化，得到能源数据中的风电数据和负荷数据
。3.
根据权利要求1所述的一种基于新能源消纳的微电网优化调度方法，其特征在于，所述利用优化算法整合风电数据和负荷数据，并对整合后的数据进行特征提取，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据包括以下步骤：
S21、
设定相关参数，整合风电数据和负荷数据并进行特征提取，生成初始的操作决策和对应的决策的变化率；
S22、
根据设定的适应度函数，计算每个操作决策的适应度值；
S23、
根据预设条件，计算操作决策的适应度方差，并判断是否进行变异操作；
S24、
根据计算的适应度方差和惯性权重公式，并更新决策的变化率和位置；
S25、
检查是否满足结束条件，若满足，则结束寻优，否则转至步骤
S32
继续寻优；
S26、
将优化后的参数赋值给支持向量机模型；
S27、
将处理过的风电数据和负荷数据输入支持向量机模型，并对支持向量机进行训练，得到训练好的支持向量机模型；
S28、
利用训练好的支持向量机模型对未来风电数据和负荷数据进行预测，得到分布式
能源的预测风电数据和负荷侧资源的预测需求数据，停止计算
。4.
根据权利要求3所述的一种基于新能源消纳的微电网优化调度方法，其特征在于，所述适应度函数的表达式为：；其中，和分别表示为支持向量机模型训练输出值和期望值；
x
表示为输入向量；
M
表示为输入向量的维度；
l
表示元素个数；
f
（
x
）表示为适应度函数
。5.
根据权利要求3所述的一种基于新能源消纳的微电网优化调度方法，其特征在于，所述利用训练好的支持向量机模型对未来风电数据和负荷数据进行预测，得到分布式能源的预测风电数据和负荷侧资源的预测需求数据，停止计算包括以下步骤：
S281、
使用训练好的支持向量机模型对未来风电数据和负荷数据进行预测；
S282、
预设信度阈值，过滤低信度的预测结果，并从支持向量机模型的概率预测中确定风电数据和负荷数据的类别标签；
S283、
将确定的类别标签作为分布式能源的预测发电数据和负荷侧资源的预测需求数据，并停止计算
。6.
根据...

【专利技术属性】
技术研发人员：贝伟江，方庭望，黄善乐，张健，
申请(专利权)人：江苏龙擎动力科技股份有限公司，
类型：发明
国别省市：