【技术实现步骤摘要】
本专利技术涉及微电网的功率调节，具体是涉及一种用于离网型微电网的功率调节方法及系统。
技术介绍
1、海岛地区由于与陆地隔离，长期以来面临电力、交通等资源的短缺与限制。离网型微电网技术为海岛地区的电力供应提供了一种可行的解决方案。离网型微电网是一种基于分布式能源资源和储能设备构建的独立电力系统，能够在海岛地区独立运行。利用海岛地区丰富的风能、太阳能等可再生能源资源，结合离网型微电网技术，可以构建出清洁、稳定、可持续的电力供应系统。通过离网型微电网技术，海岛地区可以实现电力自给自足，降低电力供应成本。
2、但是离网型微电网系统由多个分布式能源资源和电力负载组成，但在面对负载波动和分布式能源输出变化时，传统系统往往存在功率调节响应速度慢、系统稳定性差的问题。
技术实现思路
1、专利技术目的：针对以上缺点，本专利技术提供一种功率调节速度快、提高微电网系统稳定性的用于离网型微电网的功率调节方法。
2、本专利技术还提供一种用于离网型微电网的功率调节系统。
3、技术方案：为解决上述问题，本专利技术采用一种用于离网型微电网的功率调节方法，包括：
4、对若干分布式电源和若干负荷，分别根据历史电力数据预测下一时刻的电力数据；
5、根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配；并通过储能系统补偿分布式电源与负荷之间的功率差额。
6、进一步的，对于分布式电源和负荷电力数据的预测采用长短期记忆神经网络结合循
7、进一步的，对分布式电源和负荷的电力数据进行预测前，判断分布式电源和负荷采集的当前时刻的电力数据与基准预测模型预测的电力数据之间的误差幅度，当分布式电源和负荷电力数据中一个或一个以上的误差幅度大于其对应的误差阈值时，对误差幅度大于误差阈值的对应的分布式电源或负荷的基准预测模型进行更新。
8、进一步的，对基准预测模型进行更新包括：采用对冲算法与在线学习的方式实时更新长短期记忆神经网络与循环单元神经网络的输出权重并反向传播更新分布式电源或负荷的基准预测模型；当长短期记忆神经网络的精度更高时，增大长短期记忆神经网络对应的输出权重，当循环单元神经网络的精度更高时，增大循环单元神经网络对应的输出权重；将长短期记忆神经网络与循环单元神经网络中的各个模块进行正向传播，表达式为：
9、
10、其中，和分别表示长短期记忆神经网络与循环单元神经网络的初值，和分别表示长短期记忆神经网络与循环单元神经网络的第n层的输入值，分别表示长短期记忆神经网络与循环单元神经网络的第n+1层的输出值，fc为用于残差连接的全连接层，concat表示向量级联计算，n∈(1,2,3,…,l)，l为每个通道的模块层数；
11、长短期记忆神经网络与循环单元神经网络的输出值分别经过全连接层计算得到对应的预测结果，预测结果加权求和形成基准预测模型的最终预测输出：
12、
13、式中：表示长短期记忆神经网络的第n层预测结果；表示长短期记忆神经网络的输出权重，表示循环单元神经网络的第n层预测结果；表示循环单元神经网络的输出权重，yf表示最终预测输出。
14、进一步的，所述根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配具体包括：通过获取预测的分布式电源和负荷的电力数据，计算每个分布式电源和每个负荷之间的相关系数，生成对应的源荷相关系数矩阵，对所建立的系数矩阵，根据相关系数的大小进行从大到小的排序，依据排序结果进行分布式电源和负荷的功率匹配；若功率匹配后存在多个分布式电源和负荷的相关系数低于0.5，则重新分配长短期记忆神经网络和循环单元神经网络的权重后，重新进行电力数据预测。
15、进一步的，所述储能系统包括若干双向储能变流器，所述双向储能变流器包括电流源工作状态和电压源工作状态；当双向储能变流器处于电流源工作状态时，双向储能变流器发出或者吸收无功功率或者有功功率；当双向储能变流器处于电压源工作状态时，双向储能变流器作为微电网的平衡节点补偿分布式电源与负荷之间存在的功率差额；
16、所述通过储能系统补偿分布式电源与负荷之间的功率差额具体为：电压源工作状态的双向储能变流器实时根据分布式电源与负荷的功率差额提供功率输出，计算公式为：
17、
18、其中，pu(i1,k)为k时刻第i1台处于电压源工作状态的双向储能变流器输出的有功功率，qu(i1,k)为k时刻第i1台处于电压源工作状态的双向储能变流器输出的无功功率，pi(i2,k)为k时刻第i2台处于电流源工作状态的双向储能变流器输出的有功功率，qi(i2,k)为k时刻第i2台处于电流源工作状态的双向储能变流器输出的无功功率，pl为负荷的有功功率，pd为分布式电源的有功功率，ql为负荷的无功功率，qd为分布式电源的无功功率，i1＝1、…、g1，i2＝0、1、…g2，g＝g1+g2。
19、进一步的，还包括对微电网的系统控制，包括以下情况：
20、情况一：当储能系统中的剩余能量soc在理想电量的下限范围，且分布式电源无法增加出力时，限制储能系统输出功率，切除部分非重要的负荷的供电；
21、情况二：当储能系统中的剩余能量soc在理想电量的下限范围，且分布式电源能够增加出力时，限制储能系统输出功率，为储能系统进行快速充电；
22、情况三：当储能系统中的剩余能量soc低于理想电量的上限，高于理想电量的下限且分布式电源无法增加出力，则维持现状；
23、情况四：当储能系统中的剩余能量soc低于理想电量的上限，高于理想电量的下限且分布式电源能够增加出力，则分布式电源为负荷提供功率，同时为储能系统进行安全充电；
24、情况五：当储能系统中的剩余能量soc高于理想电量的上限且分布式电源无法增加出力，则储能系统为负荷提供功率；
25、情况六：当储能系统中的剩余能量soc高于理想电量的上限且分布式电源能够增加出力，则分布式电源为负荷提供功率，同时储能系统限制功率，为储能系统进行慢充电。
26、本专利技术还采用一种用于离网型微电网的功率调节系统，包括：
27、预测控制层，用于对若干分布式电源和若干负荷，分别根据历史电力数据预测下一时刻的电力数据；
28、源荷匹配层，用于根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配；
29、协调控制层，用于通过储能系统补偿分布式电源与负荷之间的功率差额。
30、进一步的，所述预测控制层中对于分布式电源和负荷电力数据的预测采用长短期记忆神经网络结合循环单元神经网络的基准预测模型，通过长短期记忆神经网络和循环单元神经网络分别进行预测，并将两者预测结果加权求和形成基准预测模型的最终预测输本文档来自技高网...
【技术保护点】
1.一种用于离网型微电网的功率调节方法，其特征在于，包括：
2.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，对于分布式电源和负荷电力数据的预测采用长短期记忆神经网络结合循环单元神经网络的基准预测模型，通过长短期记忆神经网络和循环单元神经网络分别进行预测，并将两者预测结果加权求和形成基准预测模型的最终预测输出。
3.根据权利要求2所述的用于离网型微电网的功率调节方法，其特征在于，对分布式电源和负荷的电力数据进行预测前，判断分布式电源和负荷采集的当前时刻的电力数据与基准预测模型预测的电力数据之间的误差幅度，当分布式电源和负荷电力数据中一个或一个以上的误差幅度大于其对应的误差阈值时，对误差幅度大于误差阈值的对应的分布式电源或负荷的基准预测模型进行更新。
4.根据权利要求3所述的用于离网型微电网的功率调节方法，其特征在于，对基准预测模型进行更新包括：采用对冲算法与在线学习的方式实时更新长短期记忆神经网络与循环单元神经网络的输出权重并反向传播更新分布式电源或负荷的基准预测模型；当长短期记忆神经网络的精度更高时，增大长短期记忆神经网络对
5.根据权利要求4所述的用于离网型微电网的功率调节方法，其特征在于，所述根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配具体包括：通过获取预测的分布式电源和负荷的电力数据，计算每个分布式电源和每个负荷之间的相关系数，生成对应的源荷相关系数矩阵，对所建立的系数矩阵，根据相关系数的大小进行从大到小的排序，依据排序结果进行分布式电源和负荷的功率匹配；若功率匹配后存在多个分布式电源和负荷的相关系数低于0.5，则重新分配长短期记忆神经网络和循环单元神经网络的权重后，重新进行电力数据预测。
6.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，所述储能系统包括若干双向储能变流器，所述双向储能变流器包括电流源工作状态和电压源工作状态；当双向储能变流器处于电流源工作状态时，双向储能变流器发出或者吸收无功功率或者有功功率；当双向储能变流器处于电压源工作状态时，双向储能变流器作为微电网的平衡节点补偿分布式电源与负荷之间存在的功率差额；
7.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，还包括对微电网的系统控制，包括以下情况：
8.一种用于离网型微电网的功率调节系统，其特征在于，包括：
9.根据权利要求8所述的用于离网型微电网的功率调节系统，其特征在于，所述预测控制层中对于分布式电源和负荷电力数据的预测采用长短期记忆神经网络结合循环单元神经网络的基准预测模型，通过长短期记忆神经网络和循环单元神经网络分别进行预测，并将两者预测结果加权求和形成基准预测模型的最终预测输出。
10.根据权利要求9所述的用于离网型微电网的功率调节系统，其特征在于，所述预测控制层还用于对分布式电源和负荷的电力数据进行预测前，判断分布式电源和负荷采集的当前时刻的电力数据与基准预测模型预测的电力数据之间的误差幅度，当分布式电源和负荷电力数据中一个或一个以上的误差幅度大于其对应的误差阈值时，对误差幅度大于误差阈值的对应的分布式电源或负荷的基准预测模型进行更新。
11.根据权利要求10所述的用于离网型微电网的功率调节系统，其特征在于，对基准预测模型进行更新包括：采用对冲算法与在线学习的方式实时更新长短期记忆神经网络与循环单元神经网络的输出权重并反向传播更新分布式电源或负荷的基准预测模型；当长短期记忆神经网络的精度更高时，增大长短期记忆神经网络对应的输出权重，当循环单元神经网络的精度更高时，增大循环单元神经网络对应的输出权重；将长短期记忆神经网络与循环单元神经网络中的各个模块进行正向传播，表达式为：
12.根据权利要求11所述的用于离网型微电网的功率调节系统，其特征在于，所述根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配具体包括：通过获取预测的分布式电源和负荷的电力数据，计算每个分布式电源和每个负荷之间的相关系数，生成对应的源荷相关系数矩阵，对所建立的系数矩阵，根据相关系数的大小进行从大到小的排序，依据排序结果进行分布式电源和负荷的功率匹配；若功率匹配后存在多个分布式电源和负荷的相关系数低于0.5，则重新分配长短期记忆神经网络和循环单元神经网络的权重后，重新进行电力数据预测。
13.根据权利要求8所述的用于离网型微电网的功率调节系统，其特征在于，所述储能系统包...
【技术特征摘要】
1.一种用于离网型微电网的功率调节方法，其特征在于，包括：
2.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，对于分布式电源和负荷电力数据的预测采用长短期记忆神经网络结合循环单元神经网络的基准预测模型，通过长短期记忆神经网络和循环单元神经网络分别进行预测，并将两者预测结果加权求和形成基准预测模型的最终预测输出。
3.根据权利要求2所述的用于离网型微电网的功率调节方法，其特征在于，对分布式电源和负荷的电力数据进行预测前，判断分布式电源和负荷采集的当前时刻的电力数据与基准预测模型预测的电力数据之间的误差幅度，当分布式电源和负荷电力数据中一个或一个以上的误差幅度大于其对应的误差阈值时，对误差幅度大于误差阈值的对应的分布式电源或负荷的基准预测模型进行更新。
4.根据权利要求3所述的用于离网型微电网的功率调节方法，其特征在于，对基准预测模型进行更新包括：采用对冲算法与在线学习的方式实时更新长短期记忆神经网络与循环单元神经网络的输出权重并反向传播更新分布式电源或负荷的基准预测模型；当长短期记忆神经网络的精度更高时，增大长短期记忆神经网络对应的输出权重，当循环单元神经网络的精度更高时，增大循环单元神经网络对应的输出权重；将长短期记忆神经网络与循环单元神经网络中的各个模块进行正向传播，表达式为：
5.根据权利要求4所述的用于离网型微电网的功率调节方法，其特征在于，所述根据预测的分布式电源和负荷的电力数据对若干分布式电源和若干负荷进行功率匹配具体包括：通过获取预测的分布式电源和负荷的电力数据，计算每个分布式电源和每个负荷之间的相关系数，生成对应的源荷相关系数矩阵，对所建立的系数矩阵，根据相关系数的大小进行从大到小的排序，依据排序结果进行分布式电源和负荷的功率匹配；若功率匹配后存在多个分布式电源和负荷的相关系数低于0.5，则重新分配长短期记忆神经网络和循环单元神经网络的权重后，重新进行电力数据预测。
6.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，所述储能系统包括若干双向储能变流器，所述双向储能变流器包括电流源工作状态和电压源工作状态；当双向储能变流器处于电流源工作状态时，双向储能变流器发出或者吸收无功功率或者有功功率；当双向储能变流器处于电压源工作状态时，双向储能变流器作为微电网的平衡节点补偿分布式电源与负荷之间存在的功率差额；
7.根据权利要求1所述的用于离网型微电网的功率调节方法，其特征在于，还包括对微电网的系统控制，包括以下情况：
8.一种用于离网型微电网的功率调节系统，其特征在于，包括：
9.根据权利要求8所述的用于离网型微电网的功率调节系统，其特征在于，所述预测控制层中对于分布式电源和负荷电力数据的预测采用长短期记忆...
【专利技术属性】
技术研发人员：赵景涛，郑舒，张晓燕，陈娜，李渊，周苏洋，吴志，杜炜，刘韶华，陈永华，付明，王辉，张学鹏，汤易，李剑，丁宇海，邱卫卫，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。