一種微電網(wǎng)群的功率預測方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種微電網(wǎng)群的功率預測方法和系統(tǒng)，包括：根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的圖論模型；根據(jù)智能體節(jié)點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群總電網(wǎng)需求功率分布式預測的功率預測算法；微電網(wǎng)群內(nèi)每個子微電網(wǎng)在已知建立的通信關(guān)系圖論拓撲基礎上，集合本地子微電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測算法在本地子微電網(wǎng)系統(tǒng)上分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測。本發(fā)明對多微電網(wǎng)組成的微電網(wǎng)群整體的電網(wǎng)需求功率進行短期預測，從而為微電網(wǎng)群電力共享系統(tǒng)在穩(wěn)定運行和電力調(diào)度方面提供有力的保障。
【專利說明】
-種微電網(wǎng)群的功率預測方法和系統(tǒng)
技術(shù)領域
[0001] 本發(fā)明屬于電網(wǎng)功率領域，尤其設及一種微電網(wǎng)群的功率預測方法和系統(tǒng)。
【背景技術(shù)】
[0002] 在過去的幾十年，電網(wǎng)規(guī)模不斷擴大，已逐步發(fā)展成集中發(fā)電、遠距離輸電的超大 互聯(lián)網(wǎng)絡系統(tǒng)。但遠距離輸電的不斷增大、使得受端電網(wǎng)對外來電力的依賴程度不斷提高， 電網(wǎng)運行的穩(wěn)定性和安全性趨于下降，而且難于滿足多樣化供電需求。另一方面，對全球常 規(guī)能源的逐漸枯竭、環(huán)境污染等問題的擔憂卻日益突顯。鑒于此，環(huán)保、高效和靈活的分布 式發(fā)電廣受青睞，目前世界各國均開展了含可再生能源的微電網(wǎng)研究項目。
[0003] 微電網(wǎng)(Micro-Grid)也稱為微網(wǎng)，是一種新型網(wǎng)絡結(jié)構(gòu)，是一組微電源、負荷、儲 能系統(tǒng)和控制裝置構(gòu)成的系統(tǒng)單元。微電網(wǎng)是一個能夠?qū)崿F(xiàn)自我控制、保護和管理的自治 系統(tǒng)，既可W與外部常規(guī)電網(wǎng)并網(wǎng)運行，也可W孤立運行。微電網(wǎng)是相對傳統(tǒng)常規(guī)電網(wǎng)的一 個概念，是指多個分布式電源及其相關(guān)負載按照一定的拓撲結(jié)構(gòu)組成的網(wǎng)絡，并通過靜態(tài) 開關(guān)關(guān)聯(lián)至常規(guī)電網(wǎng)。開發(fā)和延伸微電網(wǎng)能夠充分促進分布式電源與可再生能源的大規(guī)模 接入，實現(xiàn)對負荷多種能源形式的高可靠供給，是實現(xiàn)主動式配電網(wǎng)的一種有效方式，是傳 統(tǒng)電網(wǎng)向智能電網(wǎng)過渡。
[0004] 目前，微電網(wǎng)已經(jīng)成為全球現(xiàn)象，超過100個國家都在部署微電網(wǎng)項目，微電網(wǎng)中 的電源多為微電源，亦即含有電力電子界面的小型機組(小于IOOkW)，如圖1所示，為現(xiàn)有技 術(shù)中一種微電網(wǎng)結(jié)構(gòu)示意圖，所示微電網(wǎng)11可W包括微型燃氣輪機，燃料電池、光伏電池W 及超級電容、飛輪、蓄電池等儲能裝置。微電網(wǎng)接在用戶側(cè)，具有低成本、低電壓、低污染等 特點。微電網(wǎng)既可與大電網(wǎng)常規(guī)電網(wǎng)12聯(lián)網(wǎng)運行，也可在電網(wǎng)故障或需要時與主網(wǎng)斷開單 獨運行。
[0005] 微網(wǎng)具有雙重角色。對于電網(wǎng)，微電網(wǎng)作為一個大小可W改變的智能負載，為本地 電力系統(tǒng)提供了可調(diào)度負荷，可W在數(shù)秒內(nèi)做出響應W滿足系統(tǒng)需要，適時向大電網(wǎng)提供 有力支撐;可W在維修系統(tǒng)同時不影響客戶的負荷;可W減輕(延長)配電網(wǎng)更新?lián)Q代，采用 IEEE1547.4標準，指導分布式電源孤島運行，能夠消除某些特殊操作要求產(chǎn)生的技術(shù)阻礙。 對于用戶，微電網(wǎng)作為一個可定制的電源，可W滿足用戶多樣化的需求，例如，增強局部供 電可靠性，降低饋電損耗，支持當?shù)仉妷?，通過利用廢熱提高效率，提供電壓下陷的校正，或 作為不可中斷電源服務等。
[0006] 此外，緊緊圍繞全系統(tǒng)能量需求的設計理念和向用戶提供多樣化電能質(zhì)量的供電 理念，是微電網(wǎng)的兩個重要特征。在接入問題上，微電網(wǎng)的并網(wǎng)標準只針對微電網(wǎng)與大電網(wǎng) 的公共連接點（PCC，Point ofCommon Coupling),而不針對各個具體的微電源。微電網(wǎng)不僅 解決了分布式電源的大規(guī)模接入問題，充分發(fā)揮了分布式電源的各項優(yōu)勢，還為用戶帶來 了其他多方面的效益。微網(wǎng)將從根本上改變傳統(tǒng)的應對負荷增長的方式，在降低能耗、提高 電力系統(tǒng)可靠性和靈活性等方面具有巨大潛力。
[0007] 微電網(wǎng)的容量可W很小，小到W家庭為單位，也可W很大，大到W某一地方區(qū)域為 單位。微電網(wǎng)發(fā)出的電能除了用來滿足自身負荷的需求，還可W用來補給周邊其他能量短 缺的微電網(wǎng)，同時如果自身發(fā)出的電量短缺時，其可W向周邊的微電網(wǎng)進行電量索取，因此 運些彼此之間存在著一定能量交換的微電網(wǎng)便形成了一個微電網(wǎng)群落電力共享系統(tǒng)，稱之 為微電網(wǎng)群。
[0008] 微電網(wǎng)群通過一個公共連接點（PCC)與配電網(wǎng)進行連接，它并不是傳統(tǒng)意義上的 由幾個鄰近的微電網(wǎng)機械的幾何相加而成的微電網(wǎng)群落，運樣的結(jié)果只能組成一個規(guī)模較 大的微電網(wǎng)系統(tǒng)而非是一個微電網(wǎng)群電力共享系統(tǒng)，而微電網(wǎng)群是由兩個及W上鄰近的非 均質(zhì)子微電網(wǎng)構(gòu)成，而對于均質(zhì)的解釋是組成微電網(wǎng)群的各個子微電網(wǎng)的投資主體和其運 行目標相同，并且其可再生能源、負荷的類型W及重要程度等相同或者類似，運兩種條件中 任何一項不滿足就稱為非均質(zhì)微電網(wǎng)。
[0009] 由于組成微電網(wǎng)群的各子微電網(wǎng)內(nèi)部的分布式發(fā)電能源存在著隨機性，間歇性， 波動性W及用戶側(cè)平滑負荷的問題，使得微電網(wǎng)群的上一級配電網(wǎng)，在電力調(diào)度和運行上 存在很大的困難和挑戰(zhàn)。所W，對微電網(wǎng)群總電網(wǎng)需求功率提前進行預測是一個很好地解 決辦法。微電網(wǎng)群總電網(wǎng)需求功率是該微電網(wǎng)群內(nèi)所有子微電網(wǎng)的電網(wǎng)需求綜合體現(xiàn)的結(jié) 果，而子微電網(wǎng)的電網(wǎng)需求功率則是子微電網(wǎng)內(nèi)分布式發(fā)電功率和用戶負載需求功率綜合 體現(xiàn)的結(jié)果，電網(wǎng)需求功率在數(shù)值上可正可負，當數(shù)值為正時，指上一級電網(wǎng)向下一級電網(wǎng) 供電，即此時的微電網(wǎng)處于電能購買模式；當數(shù)值為負時，指下一級電網(wǎng)向上一級電網(wǎng)供 電，即此時的微電網(wǎng)處于電能的銷售模式，運兩種模式的切換需要微電網(wǎng)根據(jù)自身的實際 需求情況而定。
[0010] 目前，針對某個區(qū)域內(nèi)由多個微電網(wǎng)組成的微電網(wǎng)群總電網(wǎng)需求功率預測的方法 上主要存在W下兩點問題：
[0011] 1)從規(guī)模上看，目前國內(nèi)外在微電網(wǎng)功率預測方法上主要針對于微電網(wǎng)內(nèi)部的各 分布式電源或者負荷單獨的功率預測或者僅僅就是獨立微電網(wǎng)總發(fā)電功率預測或者就是 總負荷功率預測，而并沒有一個針對于某個區(qū)域內(nèi)多個微電網(wǎng)組成微電網(wǎng)群整體總電網(wǎng)需 求功率預測的方法。
[0012] 2)從模式上看，目前對于多個微電網(wǎng)的功率預測，基本上采用的是集中式功率預 測方式，將多個微電網(wǎng)組成一個大微電網(wǎng)，將微源各自的發(fā)電量信息傳輸給大微電網(wǎng)系統(tǒng) 的控制室，并由其統(tǒng)一進行集中式數(shù)據(jù)處理。在整個系統(tǒng)中，只有一個控制室作為數(shù)據(jù)融合 中屯、，它將接收來自下層各個微源傳輸上來的數(shù)據(jù)信息，運使得運種集中式數(shù)據(jù)融合機制 存在著通信要求高、在線計算時間長、通信裝置的質(zhì)量要求高、預測成本大的特點，并且該 種集中式數(shù)據(jù)融合系統(tǒng)的擴展性和魯棒性也很低，一旦控制室運個數(shù)據(jù)融合中屯、發(fā)生擁 痕，則整個微電網(wǎng)系統(tǒng)也將擁痕。
[0013] 綜合國內(nèi)外的分布式預測發(fā)展現(xiàn)狀，分布式預測主要應用在無線傳感器網(wǎng)絡和電 力系統(tǒng)兩個領域中。在無線傳感器網(wǎng)絡中，主要應用分布式預測算法對網(wǎng)絡中某一過程的 狀態(tài)值進行預測，實現(xiàn)定位和跟蹤的效果;而在電力系統(tǒng)方面，主要是應用在分布式預測控 制上，首先通過負荷預測的方法預測出下一時刻的負荷值，然后通過分布式控制思想建立 傳遞函數(shù)模型進行自動發(fā)電量的調(diào)節(jié)，從而實現(xiàn)了分布式預測控制，雖然在整個控制算法 上體現(xiàn)了分布式思想，但是并不是體現(xiàn)在分布式預測上而是體現(xiàn)在分布式控制上，所W嚴 格上說在電力系統(tǒng)領域并沒有一個完善的分布式預測算法，來完成對復雜大系統(tǒng)某一參數(shù) 進行預測。所W針對運一現(xiàn)狀，有必要發(fā)明一種微電網(wǎng)群的功率預測方法，對多微電網(wǎng)組成 的微電網(wǎng)群整體的電網(wǎng)需求功率進行短期預測，從而為微電網(wǎng)群電力共享系統(tǒng)在穩(wěn)定運行 和電力調(diào)度方面提供有力的保障。

【發(fā)明內(nèi)容】

[0014] W下給出對要求保護的主題的各種方面的簡化概述W力圖提供對運些方面的基 本理解。本概述不是對所有構(gòu)想到的方面的詳盡縱覽，且既非旨在指認出關(guān)鍵性或決定性 要素，也非旨在描述運些方面的范圍。其唯一目的是W簡化的形式給出所公開方面的一些 概念，作為稍后給出的更詳細描述的前序。
[0015] 本發(fā)明的各個方面提供一種微電網(wǎng)群的功率預測方法和系統(tǒng)，利用分布式卡爾曼 濾波算法來預測微電網(wǎng)群總電網(wǎng)需求功率，既滿足了微電網(wǎng)群總電網(wǎng)需求功率的預測又避 免了集中式預測帶來的各種弊端，同時還能實現(xiàn)更好的預測效果。
[0016] 根據(jù)一方面，提供一種微電網(wǎng)群的功率預測方法，包括：
[0017] 微電網(wǎng)群內(nèi)各子微電網(wǎng)控制中屯、實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸出功率 和總負荷功率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功率的代 數(shù)和即為當前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率；
[0018] 對每個子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行分類和修正處理，從而達到每個子 微電網(wǎng)接近實際值的數(shù)據(jù)；
[0019] 根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng)群的電網(wǎng)需求功率的狀態(tài) 方程;根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的圖論模型;根據(jù)智能體節(jié) 點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群總電網(wǎng)需求功率分布式 預測的功率預測算法；
[0020] 微電網(wǎng)群內(nèi)每個子微電網(wǎng)在已知建立的通信關(guān)系圖論拓撲基礎上，集合本地子微 電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測算法在本地子微電網(wǎng)系統(tǒng)上 分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測；
[0021] 調(diào)度中屯、根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定運個區(qū)域內(nèi)整個微電網(wǎng) 群在未來短期內(nèi)的電網(wǎng)需求供給情況。
[0022] 較佳地，所述每個子微電網(wǎng)歷史數(shù)據(jù)包括:各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)和 各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)。
[0023] 較佳地，所述對各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)進行分類和修正處理包括：
[0024] 利用公式（1)根據(jù)各子微電網(wǎng)發(fā)電功率的相關(guān)性來進行錯誤數(shù)據(jù)剔除和補全，其 中，公式(1)如下：
[0025]
CI>
[0026] 其中，X和Y為兩個變量，i和n均為大于等于I的正整數(shù)，相關(guān)性系數(shù)r的性質(zhì)如下：
[0027] (a)相關(guān)系數(shù)Irl
[0028] (b)相關(guān)性Ir I越接近于1，兩變量之間的相關(guān)程度越大，當相關(guān)性Ir I等于1時，兩 變量完全相關(guān)；
[0029] (C)相關(guān)性I r I越接近于0，兩變量相之間的關(guān)程度越小，當相關(guān)性I r I等于0時，兩 變量不存在線性相關(guān)。
[0030] 較佳地，對所述各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)進行分類和修正處理包 括：
[0031] 通過公式(2)求出不同星期的相同星期類型日24小時數(shù)據(jù)的平均值，其中，平均值 是指在同一個時刻各子微電網(wǎng)總的用戶負荷功率和的平均值，公式(2)如下
[00 創(chuàng)
（2.)
[0033] 通過公式(3)求出各小時點數(shù)據(jù)與平均值的差值，公式(3)如下：
[0034]
(3)
[0035] 通過公式(4)確定各子微電網(wǎng)負荷功率一天24個時刻的歷史數(shù)據(jù)為不正常數(shù)據(jù)， 公式(4)如下：
[0036]
(4)
[0037] 其中，i是指i天相同星期類型日，其中，功大于等于2的整數(shù)，視指一天內(nèi)j時刻， 參數(shù)k化<1)需要根據(jù)運些相似日的相似度來選取。
[0038] 較佳地，所述每個子微電網(wǎng)為一個智能體節(jié)點，每個智能體節(jié)點上運行的微卡爾 曼濾波預測算法包括：
[0039] 分別對微卡爾曼濾波預測算法中的估計協(xié)方差矩陣巧和先驗估計值苗WI4進行初 始化；
[0040] 采集本地智能體節(jié)點及鄰接智能體節(jié)點的數(shù)據(jù)并通過數(shù)據(jù)迭代融合求出本地智 能體節(jié)點對目標系統(tǒng)的觀測值Zi,令本地智能體節(jié)點采集到的本地數(shù)據(jù)為ZZi,其中
[0041]
[0042]
[0043] 其中，其中，ZZi化)表示在k時刻智能體節(jié)點采集到的本地數(shù)據(jù)值，Wij表示在微電 網(wǎng)圖論模型中智能體節(jié)點節(jié)點i和智能體節(jié)點節(jié)點j信息交互的權(quán)重系數(shù)；
[0044] 分別對微卡爾曼濾波預測算法中的觀測值Zi和觀測協(xié)方差數(shù)據(jù)Ri進行融合，其中，
[0045]
[0046]
[0047]
[0048] 其中，Ni表示智能體節(jié)點i的鄰接智能體節(jié)點節(jié)點的集合，Ji表示Ni集合中在并入 智能體節(jié)點i運個元素;恐f是矩陣&的轉(zhuǎn)置，是一種標準表示方式，南;1是矩陣Rj的逆矩陣， 是一種標準表示方式，Uj和yi是算法過程中的中間變量；
[0049] 對目標系統(tǒng)的狀態(tài)值進行分布式卡爾曼濾波預測估計，其中，
[0化2]其中，為+Iihi是指k+1時刻最優(yōu)預測估計值，詩+Iit是k+1時刻的先驗估計值，e為步 長，取值范圍
[(K)加]
[0化1 ]
[0053]對微卡爾曼濾波算法的估計協(xié)方差矩陣和先驗估計值進行迭代更新，其中，
[0化4]
[0化5]
[0056] 其中，巧+,是指微電網(wǎng)群圖論模型中智能體節(jié)點節(jié)點i在k+1時刻的估計協(xié)方差矩 陣，A是指狀態(tài)轉(zhuǎn)移矩陣，AT是指狀態(tài)矩陣的轉(zhuǎn)置矩陣，Q是指系統(tǒng)噪聲向量W化)的協(xié)方差矩 陣。
[0057] 根據(jù)另一方面，提供一種微電網(wǎng)群的功率預測系統(tǒng)，包括:至少兩個子微電網(wǎng)，每 個子微電網(wǎng)包括發(fā)電設備、用電設備、儲能設備和控制中屯、，所述發(fā)電設備、用電設備、儲能 設備通過靜電開關(guān)與該子微電網(wǎng)的母線相連，控制中屯、控制所有的靜電開關(guān);每個子微電 網(wǎng)的母線均分別連接電網(wǎng)的母線，每個子微電網(wǎng)的控制中屯、均分別連接配電網(wǎng)調(diào)度中屯、；
[0058] 各子微電網(wǎng)控制中屯、，用于實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸出功率和總負 荷功率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功率的代數(shù)和即 為當前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率；
[0059] 所述所述配電網(wǎng)調(diào)度中屯、，用于對各自的子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行 分類和修正處理，從而達到每個子微電網(wǎng)接近實際值的數(shù)據(jù)；
[0060] 所述配電網(wǎng)調(diào)度中屯、，用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng) 群的電網(wǎng)需求功率的狀態(tài)方程;根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的 圖論模型;根據(jù)智能體節(jié)點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群 總電網(wǎng)需求功率分布式預測的功率預測算法；
[0061] 所述配電網(wǎng)調(diào)度中屯、，還用于在各自的子微電網(wǎng)的已知建立的通信關(guān)系圖論拓撲 關(guān)系基礎上，集合本地子微電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測 算法在本地子微電網(wǎng)系統(tǒng)上分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測；
[0062] 所述配電網(wǎng)調(diào)度中屯、，還用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定運個 區(qū)域內(nèi)整個微電網(wǎng)群在未來短期內(nèi)的電網(wǎng)需求供給情況。
[0063] 較佳地，所述每個子微電網(wǎng)歷史數(shù)據(jù)包括:各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)和 各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)。
[0064] 較佳地，所述配電網(wǎng)調(diào)度中屯、，還用于對各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)進行 分類和修正處理具體包括：
[0065] 利用公式（1)根據(jù)各自子微電網(wǎng)發(fā)電功率的相關(guān)性來進行錯誤數(shù)據(jù)剔除和補全， 其中，公式(1)如下：
[0066]
…
[0067]其中，X和Y為兩個變量，i和n均為大于等于1的正整數(shù)，相關(guān)性系數(shù)r的性質(zhì)如下： [006引（a)相關(guān)系數(shù)Irl
[0069] (b)相關(guān)性Ir I越接近于1，兩變量之間的相關(guān)程度越大，當相關(guān)性Ir I等于1時，兩 變量完全相關(guān)；
[0070] (C)相關(guān)性I r I越接近于0，兩變量相之間的關(guān)程度越小，當相關(guān)性I r I等于0時，兩 變量不存在線性相關(guān)。
[0071] 較佳地，所述配電網(wǎng)調(diào)度中屯、，還用于對所述各子微電網(wǎng)總用戶負荷功率的歷史 數(shù)據(jù)進行分類和修正處理包括：
[0072] 通過公式(2)求出不同星期的相同星期類型日24小時數(shù)據(jù)的平均值，其中，平均值 是指在同一個時刻各子微電網(wǎng)總的用戶負荷功率和的平均值，公式(2)如下
[007；3]
(2)
[0074] 通過公式(3)求出各小時點數(shù)據(jù)與平均值的差值，公式(3)如下：
[0075]
巧）
[0076] 通過公式(4)確定各子微電網(wǎng)負荷功率一天24個時刻的歷史數(shù)據(jù)為不正常數(shù)據(jù)， 公式下.
[0077] (斗)
[007引其中，i是指i天相同星期類型日，其中，i為大于等于2的整數(shù)，j是指一天內(nèi)j時刻， 參數(shù)k化<1)需要根據(jù)運些相似日的相似度來選取。
[0079]較佳地，所述每個子微電網(wǎng)為一個智能體節(jié)點，每個智能體節(jié)點的控制中屯、還用 于運行的微卡爾曼濾波預測算法包括：
[0080] 分別對微卡爾曼濾波預測算法中的估計協(xié)方差矩陣巧和先驗估計值瓊+P進行初 始化；
[0081] 采集本地智能體節(jié)點及鄰接智能體節(jié)點的數(shù)據(jù)并通過數(shù)據(jù)迭代融合求出本地智 能體節(jié)點對目標系統(tǒng)的觀測值Zi,令本地智能體節(jié)點采集到的本地數(shù)據(jù)為ZZi,其中
[0082]
[0083]
[0084] 其中，其中，ZZi化)表示在k時刻智能體節(jié)點采集到的本地數(shù)據(jù)值，Wij表示在微電 網(wǎng)圖論模型中智能體節(jié)點節(jié)點i和智能體節(jié)點節(jié)點j信息交互的權(quán)重系數(shù)；
[0085] 分別對微卡爾曼濾波預測算法中的觀測值Zi和觀測協(xié)方差數(shù)據(jù)Ri進行融合，其中，
[0086] Ji = NiU {i}
[0087]
[008引
[0089] 其中，N康示智能體節(jié)點i的鄰接智能體節(jié)點節(jié)點的集合，J康示Ni集合中在并入 智能體節(jié)點i運個元素；//!'是矩陣田的轉(zhuǎn)置，是一種標準表示方式，I是矩陣扣的逆矩陣， 是一種標準表示方式，U神日yi是算法過程中的中間變量；
[0090] 對目標系統(tǒng)的狀態(tài)值進行分布式卡爾曼濾波預測估計，其中，
[0093] 其中，為,IiW是指k+1時刻最優(yōu)預測估計值，詩+W是k+1時刻的先驗估計值，e為步 長，取值范圍
[0091]
[0092]
[0094] 對微卡爾曼濾波算法的估計協(xié)方差矩陣和先驗估計值進行迭代更新，其中，
[0095]
[0096]
[0097] 其中，巧+,是指微電網(wǎng)群圖論模型中智能體節(jié)點節(jié)點i在k+1時刻的估計協(xié)方差矩 陣，A是指狀態(tài)轉(zhuǎn)移矩陣，AT是指狀態(tài)矩陣的轉(zhuǎn)置矩陣，Q是指系統(tǒng)噪聲向量W化)的協(xié)方差矩 陣。
[0098] 本發(fā)明的各個方面提供一種微電網(wǎng)群的功率預測方法和系統(tǒng)，利用分布式卡爾曼 濾波算法來預測微電網(wǎng)群總電網(wǎng)需求功率，既滿足了微電網(wǎng)群總電網(wǎng)需求功率的預測又避 免了集中式預測帶來的各種弊端，同時還能實現(xiàn)更好的預測效果。
【附圖說明】
[0099] 為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用 的附圖作簡單地介紹，顯而易見地，在相似標號指代著相似單元的W下附圖的各圖中通過 例子而不是通過限制來說明本發(fā)明，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于 本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可W根據(jù)運些附圖獲得其它 的附圖。
[0100] 圖1為現(xiàn)有技術(shù)中一種微電網(wǎng)結(jié)構(gòu)示意圖；
[0101] 圖2為本發(fā)明一實施例的一個含有5個子微電網(wǎng)的微電網(wǎng)群結(jié)構(gòu)示意圖；
[0102] 圖3為本發(fā)明實施例的微電網(wǎng)群總電網(wǎng)需求功率短期預測方法流程示意圖；
[0103] 圖4為本發(fā)明另一實施例的一種數(shù)據(jù)處理方法流程示意圖；
[0104] 圖5為本發(fā)明實施例的智能體節(jié)點上濾波器的結(jié)構(gòu)示意圖；
[0105] 圖6為本發(fā)明實施例的相鄰智能體節(jié)點之間的數(shù)據(jù)通信結(jié)構(gòu)示意圖；
[0106] 圖7為本發(fā)明實施例的每個智能體節(jié)點上運行的微卡爾曼濾波預測算法流程示意 圖；
[0107] 圖8為本發(fā)明另一實施例的微電網(wǎng)群系統(tǒng)通信關(guān)系建立無向圖的圖論模型圖；
[0108] 圖9為本發(fā)明實施例的同一時刻節(jié)點狀態(tài)值在節(jié)點之間融合迭代過程結(jié)果示意 圖；
[0109] 圖10為本發(fā)明實施例的微電網(wǎng)群的電網(wǎng)需求功率預測結(jié)果示意圖；
[0110] 圖11為本發(fā)明實施例的系統(tǒng)估計誤差結(jié)果示意圖；
[0111] 圖12為本發(fā)明實施例的系統(tǒng)估計非一致性誤差結(jié)果示意圖；
[0112] 圖13為本發(fā)明實施例的分布式預測平均值與傳統(tǒng)集中式預測值比較結(jié)果圖。
【具體實施方式】
[0113] W下描述中，為了說明而不是為了限定，提出了諸如特定系統(tǒng)結(jié)構(gòu)、接口、技術(shù)之 類的具體細節(jié)，W便透切理解本發(fā)明。然而，本領域的技術(shù)人員應當清楚，在沒有運些具體 細節(jié)的其它實施例中也可W實現(xiàn)本發(fā)明。在其它情況中，省略對眾所周知的裝置、電路W及 方法的詳細說明，W免不必要的細節(jié)妨礙本發(fā)明的描述。
[0114] 本發(fā)明的各個實施例描述一種微電網(wǎng)群的功率預測方法和系統(tǒng)，利用分布式卡爾 曼濾波實現(xiàn)短期功率預測方法，該微電網(wǎng)群的功率預測方法可W對一個包含多個微電網(wǎng)的 微電網(wǎng)群總電網(wǎng)需求功率進行預測，該微電網(wǎng)群的功率預測方法，不需要解禪，也不需要集 中，而是通過微電網(wǎng)群網(wǎng)絡內(nèi)各子微電網(wǎng)系統(tǒng)與鄰居子微電網(wǎng)系統(tǒng)之間進行局部信息通 信，實時地進行數(shù)據(jù)的交換和更新，網(wǎng)內(nèi)所有子微電網(wǎng)系統(tǒng)間的相互協(xié)作，共同預測出所要 預測的功率值。該種預測方式能夠很好地取代通信要求高、在線計算時間長、通信裝置質(zhì)量 好的高成本傳統(tǒng)集中式預測方式，且最后通過現(xiàn)有的歷史數(shù)據(jù)進行實驗仿真可W發(fā)現(xiàn)，該 分布式卡爾曼濾波預測算法的誤差精度比用于傳統(tǒng)集中式功率預測的卡爾曼濾波預測算 法的誤差精度，有明顯的提局。
[0115] 如圖5所示，為一個含有5個子微電網(wǎng)的微電網(wǎng)群結(jié)構(gòu)示意圖，在本發(fā)明的另一實 施例，也可W包括至少一個子微電網(wǎng)，但為描述方便，本發(fā)明實施例的微電網(wǎng)群包括5個鄰 近的非均質(zhì)子微電網(wǎng)：子微電網(wǎng)21，子微電網(wǎng)22,子微電網(wǎng)23,子微電網(wǎng)24和子微電網(wǎng)25,其 中，在微電網(wǎng)群中，每個子微電網(wǎng)均分別通過各自的一個靜電開關(guān)與微電網(wǎng)母線(例如IOKV (千伏））連接，所述IOKV母線再通過靜電開關(guān)200與微電網(wǎng)群外部的母線（例如35KV)連接。 例如，所示子微電網(wǎng)21通過靜電開關(guān)210與所述IOKV母線相連，所示子微電網(wǎng)22通過靜電開 關(guān)220與所述IOKV母線相連，所示子微電網(wǎng)23通過靜電開關(guān)230與所述IOKV母線相連，所示 子微電網(wǎng)24通過靜電開關(guān)240與所述IOKV母線相連，所示子微電網(wǎng)25通過靜電開關(guān)250與所 述IOKV母線相連。每個子微電網(wǎng)均包括電力生成設備，儲能設備和至少一個用電設備，且每 個設備均分別通過各自的靜電開關(guān)與該子微電網(wǎng)的一個母線(例如400V)相連，例如，所述 電力生成設備可W是風力發(fā)動機、太陽能光伏電池板(PV，化Oto Vol化ic)、柴油發(fā)動機、微 型燃氣輪機，燃料電池、光伏電池等，所述儲能設備可W是超級電容、飛輪、蓄電池等儲能裝 置，所述用電設備可W是居民樓用電設備、微波站和/或電動車充電站等，每個子微電網(wǎng)還 可W包括有源電力濾波器(APF:Active power filter)或動態(tài)無功補償及諧波治理裝置 (SVG)等。
[0116] 每個子微電網(wǎng)的各個設備連接的靜電開關(guān)還通過通信線路與一個該子微電網(wǎng)對 應的控制中屯、相連，每個子微電網(wǎng)對應的控制中屯、還通過通信線路與配電網(wǎng)調(diào)度中屯、連 接，每個控制中屯、包括能源管理器和通訊控制器。例如，所述子微電網(wǎng)21的各個設備連接的 靜電開關(guān)通過通信線路與控制中屯、211相連，所述控制中屯、211再通過通信線路與所述配電 網(wǎng)調(diào)度中屯、連接。所述子微電網(wǎng)22的各個設備連接的靜電開關(guān)通過通信線路與控制中屯、 221相連，所述控制中屯、221再通過通信線路與所述配電網(wǎng)調(diào)度中屯、連接。所述子微電網(wǎng)23 的各個設備連接的靜電開關(guān)通過通信線路與控制中屯、231相連，所述控制中屯、231再通過通 信線路與所述配電網(wǎng)調(diào)度中屯、連接。所述子微電網(wǎng)24的各個設備連接的靜電開關(guān)通過通信 線路與控制中屯、241相連，所述控制中屯、241再通過通信線路與所述配電網(wǎng)調(diào)度中屯、連接。 所述子微電網(wǎng)25的各個設備連接的靜電開關(guān)通過通信線路與控制中屯、251相連，所述控制 中屯、251再通過通信線路與所述配電網(wǎng)調(diào)度中屯、連接。
[0117] 本發(fā)明的實施例的微電網(wǎng)群總電網(wǎng)需求功率短期預測方法可W如圖3所示，為本 發(fā)明實施例的微電網(wǎng)群總電網(wǎng)需求功率短期預測方法流程示意圖，如下所述。
[0118] 步驟31，微電網(wǎng)群內(nèi)各子微電網(wǎng)控制中屯、實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸 出功率和總負荷功率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功 率的代數(shù)和即為當前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率。
[0119] 步驟32,對每個子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行分類和修正處理，從而達 到每個子微電網(wǎng)接近實際值的數(shù)據(jù)。
[0120] 步驟33,根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng)群的電網(wǎng)需求功率 的狀態(tài)方程;根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的圖論模型;根據(jù)智 能體節(jié)點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群總電網(wǎng)需求功率 分布式預測的功率預測算法。
[0121] 步驟34,微電網(wǎng)群內(nèi)每個子微電網(wǎng)在已知建立的通信關(guān)系圖論拓撲基礎上，集合 本地子微電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測算法在本地子微電 網(wǎng)系統(tǒng)上分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測。
[0122] 在預測的過程中，微電網(wǎng)群總電網(wǎng)需求功率的預測系統(tǒng)不會因為子微電網(wǎng)系統(tǒng)突 然故障而脫離微電網(wǎng)群或接入新的微電網(wǎng)系統(tǒng)而導致?lián)砗刍蛘卟粶蚀_，預測系統(tǒng)會根據(jù)微 電網(wǎng)群內(nèi)各子微電網(wǎng)系統(tǒng)之間實時的信息交互而進行通信拓撲結(jié)構(gòu)的實時調(diào)整，進而在此 基礎上進行微電網(wǎng)群總電網(wǎng)需求功率的預測。
[0123] 步驟35,調(diào)度中屯、根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定運個區(qū)域內(nèi)整個 微電網(wǎng)群在未來短期內(nèi)的電網(wǎng)需求供給情況。
[0124] 本發(fā)明的另一實施例，還提供一種微電網(wǎng)群的功率預測系統(tǒng)，包括:至少兩個子微 電網(wǎng)，每個子微電網(wǎng)包括發(fā)電設備、用電設備、儲能設備和控制中屯、，所述發(fā)電設備、用電設 備、儲能設備通過靜電開關(guān)與該子微電網(wǎng)的母線相連，控制中屯、控制所有的靜電開關(guān);每個 子微電網(wǎng)的母線均分別連接電網(wǎng)的母線，每個子微電網(wǎng)的控制中屯、均分別連接配電網(wǎng)調(diào)度 中屯、。
[0125] 各子微電網(wǎng)控制中屯、，用于實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸出功率和總負 荷功率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功率的代數(shù)和即 為當前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率。
[0126] 所述所述配電網(wǎng)調(diào)度中屯、，用于對各自的子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行 分類和修正處理，從而達到每個子微電網(wǎng)接近實際值的數(shù)據(jù)。
[0127] 所述配電網(wǎng)調(diào)度中屯、，用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng) 群的電網(wǎng)需求功率的狀態(tài)方程;根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的 圖論模型;根據(jù)智能體節(jié)點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群 總電網(wǎng)需求功率分布式預測的功率預測算法。
[01%]所述配電網(wǎng)調(diào)度中屯、，還用于在各自的子微電網(wǎng)的已知建立的通信關(guān)系圖論拓撲 關(guān)系基礎上，集合本地子微電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測 算法在本地子微電網(wǎng)系統(tǒng)上分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測。
[0129] 所述配電網(wǎng)調(diào)度中屯、，還用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定運個 區(qū)域內(nèi)整個微電網(wǎng)群在未來短期內(nèi)的電網(wǎng)需求供給情況。
[0130] 在預測過程中，由于存在著測量或人為等原因?qū)斐纱罅康膫螖?shù)據(jù)。運些偽數(shù) 據(jù)則會嚴重影響預測模型的精度。因此，如何對偽數(shù)據(jù)進行辨別和修正就成為了功率或負 荷預測過程中的重要步驟。未來某時刻功率值或負荷值的預測應建立在能夠獲取準確歷史 數(shù)據(jù)的基礎上?，F(xiàn)有技術(shù)的功率或負荷預測過程中或者不考慮偽數(shù)據(jù)，或者對偽數(shù)據(jù)進行 折中或求取平均值進行處理，所W運種方法必然會影響預測模型的準確度。因此，本發(fā)明實 施例先對偽數(shù)據(jù)進行處理，然后再進行預測，能提高預測模型的精度。
[0131] 本發(fā)明實施例的步驟32的數(shù)據(jù)處理是建立在歷史數(shù)據(jù)的基礎上，通過對每個子微 電網(wǎng)歷史數(shù)據(jù)中的盲點、誤點進行分類處理，從而達到每個子微電網(wǎng)接近實際值的數(shù)據(jù)，其 具體步驟如圖4所示，為本發(fā)明另一實施例的一種數(shù)據(jù)處理方法流程示意圖，下所述。
[0132] 步驟321，建立數(shù)據(jù)庫，收集存儲預測模型所需的數(shù)據(jù)。
[0133] 例如，收集的數(shù)據(jù)包括每天的發(fā)電功率或負荷功率、實時環(huán)境溫度、天氣情況W及 日類型的數(shù)據(jù)。
[0134] 步驟322，對偽數(shù)據(jù)進行分類，偽數(shù)據(jù)包括壞數(shù)據(jù)和崎變數(shù)據(jù)。
[0135] 其中，偽數(shù)據(jù)即為不正常數(shù)據(jù)，一般的缺省值、毛刺值等都屬于壞數(shù)據(jù)范疇，而崎 變數(shù)據(jù)主要是由于停電或檢修等原因引起的需要補償?shù)臄?shù)據(jù)，W及由于突發(fā)事件或者自然 環(huán)境因素引起的含沖擊的數(shù)據(jù)。
[0136] 步驟323,對偽數(shù)據(jù)進行辨別和修正處理。
[0137] 在實際操作中，對待預測模型檢驗的歷史數(shù)據(jù)，一般有W下幾類修正方法：（a)經(jīng) 驗修正法，根據(jù)長期積累的經(jīng)驗對偽數(shù)據(jù)進行修正處理；（b)曲線置換法，對有明顯異常的 曲線進行剔除處理，然后使用正常的曲線對其進行替換；（C)對比法，將有異常時刻的數(shù)據(jù) 與其前后時刻數(shù)據(jù)或者前后一、二天相同時刻的數(shù)據(jù)進行比較然后進行修正處理；（d)數(shù)學 方法，采用插值法、概率統(tǒng)計法W及迭代識別方法等對偽數(shù)據(jù)進行辨別和修正處理。
[0138] 本實施例是對某地區(qū)微電網(wǎng)群的電網(wǎng)需求功率進行預測，微電網(wǎng)群的電網(wǎng)需求功 率是指群內(nèi)各微電網(wǎng)需求功率之和，而每個微電網(wǎng)的需求功率是指網(wǎng)內(nèi)所有微源總發(fā)電功 率與網(wǎng)內(nèi)總負荷功率之和。所W本實施例所設及到的歷史數(shù)據(jù)有兩種類型，一是各子微電 網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)，二是各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)。對于運兩種歷史 數(shù)據(jù)，本文分別采用兩種處理方式。
[0139] 1)各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)
[0140] 由于在相同氣候環(huán)境影響下，各子微電網(wǎng)內(nèi)各類型的分布式微源發(fā)電功率存在很 大的相似性，所W可W根據(jù)各子微電網(wǎng)發(fā)電功率的相關(guān)性來進行錯誤數(shù)據(jù)剔除和補全。
[0141] 對于兩個變量X和Y，一般可W用相關(guān)關(guān)系來表示它們之間的非確定性的關(guān)系，而 相關(guān)系數(shù)則用來表示它們之間的相關(guān)程度又稱線性相關(guān)系數(shù)，常用r來表示，具體如公式 (1)所示：
[0142]
(1)
[0143] 其中，巧日n均為大于等于1的正整數(shù)，相關(guān)性系數(shù)r的性質(zhì)如下：
[0144] (a)相關(guān)系數(shù)Ir I
[0145] (b)相關(guān)性Ir I越接近于1，兩變量之間的相關(guān)程度越大，當相關(guān)性Ir I等于1時，兩 變量完全相關(guān)；
[0146] (C)相關(guān)性Ir I越接近于0,兩變量相之間的關(guān)程度越小，當相關(guān)性Ir I等于0時，兩 變量不存在線性相關(guān)。
[0147] 所W對于n維隨機變量(XI，拉，…，Xn),其相關(guān)系數(shù)矩陣為 [014 引
[0149] 2)各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)
[0150] 由于各子微電網(wǎng)的負荷容量、負荷特點、負荷屬性等方面存在著差異，各子微電網(wǎng) 系統(tǒng)負荷功率數(shù)據(jù)在縱向上雖然呈現(xiàn)出非線性變化特性，但在橫向上卻存在著明顯的相似 性特點：
[0151] (a)對于不同日的24小時變化規(guī)律存在著相似性；
[0152] (b)對于工作日和休息日的負荷功率存在著各自的相似性；
[0153] (C)對于不同星期的相同星期類型日的負荷功率存在著相似性；
[0154] (d)對于不同年的重大節(jié)日的負荷功率存在著相似性。
[0155] 其中，所述不同星期的相同星期類型日是指不同星期內(nèi)相同的星期日，例如上周 星期一和本周星期一就為不同星期的相同星期類型日，所W本實施例根據(jù)負荷功率相似性 的特點對微電網(wǎng)群內(nèi)各個微電網(wǎng)總用戶負荷功率數(shù)據(jù)進行了處理，首先根據(jù)判據(jù)依據(jù)剔除 錯誤數(shù)據(jù)，再利用相似性對錯誤數(shù)據(jù)進行補全。
[0156] 不同星期的相同星期類型日的24小時變化規(guī)律由于存在著很大的相似性，相似日 內(nèi)每一時刻的負荷功率值相差不會很大，所W為了剔除歷史負荷功率值數(shù)據(jù)中的不正常數(shù) 據(jù)，可W將每1點的負荷功率值與運些同時刻負荷功率值的平均值相比較而得到差值作為 判斷依據(jù)，如果該點的負荷功率值為正常數(shù)據(jù)則其差值一般很小，如果為不正常數(shù)據(jù)則其 差值一般較大，各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)是否異常的判斷方法可W如下所 述。
[0157] 步驟51:通過公式（2)求出不同星期的相同星期類型日24小時數(shù)據(jù)的平均值，其 中，平均值是指在同一個時刻各子微電網(wǎng)總的用戶負荷功率和的平均值。
[0158]
(2)
[0159] 步驟52:通過公式(3)求出各小時點數(shù)據(jù)與平均值的差值。
[0160]
(3)
[0161] 步驟53:通過公式(4)確定各子微電網(wǎng)負荷功率一天24個時刻的歷史數(shù)據(jù)為不正 常數(shù)據(jù).
[0162] (4；
[0163] 其中，i是指ia為大于等于2的整數(shù))天相同星期類型日，j是指一天內(nèi)j時刻，參數(shù) k(k<l)需要根據(jù)運些相似日的相似度來選取，需要選取一個適當?shù)闹祦泶_定是否滿足條 件。
[0164] 上述預測算法包括=個部分，分別包括微電網(wǎng)群通信關(guān)系圖論模型的建立、微電 網(wǎng)群電網(wǎng)需求功率值狀態(tài)方程的建立及微電網(wǎng)群卡爾曼濾波預測算法模型的建立。
[0165] 1)微電網(wǎng)群通信關(guān)系圖論模型的建立
[0166] 在建立微電網(wǎng)群通信關(guān)系圖論模型之前，微電網(wǎng)群的定義和對各子微電網(wǎng)做的約 束條件如下所述。
[0167] 定義1:由非均質(zhì)子微電網(wǎng)構(gòu)成的微電網(wǎng)群作為一個整體并稱為微電網(wǎng)群系統(tǒng)，將 微電網(wǎng)群系統(tǒng)中的每個子微電網(wǎng)稱為該系統(tǒng)中的智能體節(jié)點。
[016引約束條件：
[0169] (a)微電網(wǎng)群系統(tǒng)中各子微電網(wǎng)所屬的位置具有相似的氣象條件，受到的影響規(guī) 律也因此基本相同，因此各子微電網(wǎng)中分布式電源總發(fā)電功率和負荷功率，在波動幅度和 變化速率上并不是很大。
[0170] (b)所設及到的預測研究，只限于電網(wǎng)層面上的關(guān)于智能體節(jié)點的參數(shù)預測，不設 及智能體節(jié)點的功率反向控制。
[0171] (C)電網(wǎng)層面上的任意兩智能體節(jié)點之間至少存在著一條通信鏈路。
[0172] 根據(jù)W上的微電網(wǎng)群的定義及約束條件，就可W將微電網(wǎng)群系統(tǒng)的通信關(guān)系抽象 成一個圖G= (V，E)的形式來展示出來，其中圖中的節(jié)點表示一個單獨的子微電網(wǎng)（智能體 節(jié)點），節(jié)點與節(jié)點之間的連線表示子微電網(wǎng)（智能體節(jié)點）之間的通信關(guān)系。運樣就可W將 實際的問題轉(zhuǎn)化為了數(shù)學問題，從而建立了微電網(wǎng)群的數(shù)學模型。在運個微電網(wǎng)群模型中， 各個智能體節(jié)點之間的相互關(guān)系及通信拓撲結(jié)構(gòu)可W用有向圖G= (V，E)來表示，其中V = (V1，V2，，，，，Vn}是頂點即智能體節(jié)點的集合;E = {ei，e2,…，en}是網(wǎng)絡中智能體節(jié)點與智能 體節(jié)點之間形成邊(Vi，Vj)的集合?？蒞用一個n X n維對稱矩陣A來表示圖G中各智能體節(jié)點 與其鄰居智能體節(jié)點的連接情況，記矩陣A= [au]為圖財目對應的鄰接矩陣。其中，若智能體 節(jié)點Vi和智能體節(jié)點Vj之間存在連邊，則aij = aji = l;否則aij = aji = 0,且用集合Ni = {vjE V: (Vi,Vj) EE}來表示智能體節(jié)點Vi鄰接智能體節(jié)點的集合。用節(jié)點的度deg(Vi)來表示圖G 中，與智能化節(jié)點Vi巧關(guān)聯(lián)巧的條數(shù)，則節(jié)點的度用公式巧)表示如下：
[0173]
[0174] 則用對角矩陣D= [du]來表示圖G中每個節(jié)點的度，其中度矩陣D中的各元素表示 如公式(6):
[01巧]
倒
[0176] 則用矩陣L來表示圖G的拉普拉斯矩陣，且L = D-Ad
[0177] 定義2:在有向圖G=(V，E)中，當且僅當圖中的任意兩個節(jié)點能通過邊集中的有向 路徑連接起來，則該有向圖是強連通圖。對無向圖來說，任意節(jié)點對之間有路徑連接，則該 無向圖為連通圖。
[0178] 走義3:如果用
來表不智能體~P點Vi的入度，用
來表 示智能體節(jié)點Vi的出度，貝智能體節(jié)點Vi的deg(vi) =degin(Vi)+deg〇ut(Vi)，當且僅當圖G = (V，E)中所有節(jié)點的入度和出度相等時，稱該圖為平衡圖，任意一個無向圖都是平衡圖。
[0179] 微電網(wǎng)群的通信關(guān)系模型的建立，可W有效地為接下來用分布式卡爾曼濾波短期 功率預測方法來預測微電網(wǎng)群總電網(wǎng)需求功率做好鋪墊。
[0180] 2)微電網(wǎng)群電網(wǎng)需求功率值狀態(tài)方程的建立
[01 81 ] 定義4 :微電網(wǎng)群總電網(wǎng)需求功率Dnet是群內(nèi)各子微電網(wǎng)電網(wǎng)需求功率化net的代數(shù) 和，而各子微電網(wǎng)的電網(wǎng)需求功率化net是網(wǎng)內(nèi)發(fā)電功率Gi和負荷功率以的綜合，它們之間的 關(guān)系可W用數(shù)學公式(7)表達如下：
[0182]
(7)
[0183] 其中，k是離散序列數(shù)，N是微電網(wǎng)群內(nèi)子微電網(wǎng)數(shù)，i是指某個子微電網(wǎng)。
[0184] 則微電網(wǎng)群預測的和實際測的電網(wǎng)需求功率離散時間序列可W分別表示公式(8) 和(9)，如下：
[01 化]Dnet_for=(；Dnet_for(l)，Dnet_for(2),...,Dnet_for(k)) (8)
[01 86] Dnetjnea二化 net_mea( 1 ), Dne t_mea( 2 Dne t_mea(k) ) (9)
[01 87] Dnet_fDr表示微電網(wǎng)群總的電網(wǎng)需求功率的預測值，Dnet_mea表示微電網(wǎng)群總的電網(wǎng) 需求功率實際測量值。
[0188]而微電網(wǎng)群內(nèi)的子微電網(wǎng)i預測的和實際測的電網(wǎng)需求功率離散時間序列可W分 別表示公式(10)和(11)，如下：
[01 89] Dinet_for 二化inet_for ( 1 ) , Dinet_for ( 2 ) , ... , Dinet_for 化））(10 )
[01 90] Dinetmea= (Dinet_mea( I ) , Dinet_mea( 2 ) , , Dinetmea(k) ) ( 11 )
[0191] 其中，Dinet_f or表示微電網(wǎng)群內(nèi)子微電網(wǎng)i總的電網(wǎng)需求功率的預測值，Dinet_mea表 示微電網(wǎng)群內(nèi)子微電網(wǎng)i總的電網(wǎng)需求功率實際測量值。
[0192] 分布式卡爾曼濾波預測算法是利用當前時刻的值來對下一時刻的值進行預測，通 常預測值可W寫成W下表達式公式（12):
[0193] Dnet 化）=H(k)DBase_net(k)+V 化）（12)
[0194] 其中，Dnet化)是第k時刻的微電網(wǎng)群電網(wǎng)需求功率值，DBase_net化)是第k時刻的微電 網(wǎng)群電網(wǎng)需求功率的基本值，H化)是系數(shù)矩陣，V化)是誤差。
[0195] 為了便于分布式卡爾曼濾波預測算法進行微電網(wǎng)群功率狀態(tài)值的預測，將公式 (12)進行如下轉(zhuǎn)換：
[0196] z(k) =Dnet(k) (13)
[0197] X(k) =DBase_net(k) (14)
[019引可得；
[0199] x(k) =A(k)x(k-l)+w 化）（15)
[0200] z(k)=H(k)x(k)+v化）（16)
[0201] 其中，A(k)是第k時刻的微電網(wǎng)群電網(wǎng)需求功率的狀態(tài)轉(zhuǎn)移矩陣，W化)是第k時刻 的微電網(wǎng)群電網(wǎng)需求功率的狀態(tài)誤差，Z化)是第k時刻的微電網(wǎng)群電網(wǎng)需求功率的觀測值， H化)是第k時刻的微電網(wǎng)群電網(wǎng)需求功率的觀測矩陣，V化)是第k時刻的微電網(wǎng)群電網(wǎng)需求 功率的觀測誤差。
[0202] 3)微電網(wǎng)群卡爾曼濾波預測算法模型的建立
[0203] 分布式卡爾曼濾波預測方法是由n個微卡爾曼濾波器(Micro-Kalman FileriMKF) 組成，運些n個微卡爾曼濾波器分別布置在每個智能體節(jié)點上，且每個微卡爾曼濾波器內(nèi)嵌 兩個并列的高通一致性濾波器(Consensus Filter ,CF)。在同一時刻，W智能體節(jié)點為單位 的各節(jié)點i(l<i<n)之間相互進行數(shù)據(jù)的交換和融合;在不同時刻，節(jié)點i在時間t上進行狀 態(tài)變量估計值的更新，最后分布地預測出地區(qū)電網(wǎng)微電網(wǎng)群總電網(wǎng)需求功率值。其中，每個 智能體節(jié)點上濾波器的結(jié)構(gòu)如圖5所示，為本發(fā)明另一實施例的智能體節(jié)點的結(jié)構(gòu)示意圖， 每個智能體節(jié)點包括兩個并列的高通一致性濾波器，并每個濾波器分別均連接同一個微卡 爾曼濾波器。微卡爾曼濾波器內(nèi)嵌的兩個并列的高通一致性濾波器在相鄰智能體節(jié)點之間 的數(shù)據(jù)通信模式如圖6所示，為本發(fā)明另一實施例的相鄰智能體節(jié)點之間的結(jié)構(gòu)示意圖，每 個智能體節(jié)點包括兩個并列的高通一致性濾波器，并每個濾波器分別均連接同一個微卡爾 曼濾波器，相鄰智能體節(jié)點的濾波器兩兩連接。
[0204] 分布式卡爾曼濾波預測方法是由子微電網(wǎng)群的控制中屯、運行在每個智能體節(jié)點 上的分布式卡爾曼濾波預測方法共同協(xié)作完成對目標系統(tǒng)狀態(tài)值的預測估計，且每個智能 體節(jié)點上運行的微卡爾曼濾波預測算法是一樣的。
[0205] 每個智能體節(jié)點上運行的微卡爾曼濾波預測算法流程如圖7所示，主要過程如下 所述。
[0206] 步驟71:分別對微卡爾曼濾波預測算法中的估計協(xié)方差矩陣巧和先驗估計值路, 進行初始化。
[0207] (17)
[020引 （18)
[0209] 其中，Po表示單位陣，XO表示零矩陣。
[0210] 步驟72:采集本地智能體節(jié)點及鄰接智能體節(jié)點的數(shù)據(jù)并通過數(shù)據(jù)迭代融合求出 本地智能體節(jié)點對目標系統(tǒng)的觀測值Zi，令本地智能體節(jié)點采集到的本地數(shù)據(jù)為ZZi。
[0211] (19)
[0212] 20)
[0213] 其中，ZZi化)表示在k時刻智能體節(jié)點采集到的本地數(shù)據(jù)值，WU表示在微電網(wǎng)圖論 模型中智能體節(jié)點節(jié)點i和智能體節(jié)點節(jié)點j信息交互的權(quán)重系數(shù)。
[0214] 步驟73:分別對微卡爾曼濾波預測算法中的觀測值Zi和觀測協(xié)方差數(shù)據(jù)Ri進行融 合。
[0215] Ji = NiU {i} (21)
[0216] 觸）
[0217] 婚）
[0218] 其中，N康示智能體節(jié)點i的鄰接智能體節(jié)點節(jié)點的集合，Ji表示Ni集合中在并入 智能體節(jié)點i運個元素。
[0219] Hf是矩陣&的轉(zhuǎn)置，是一種標準表示方式，巧1是矩陣扣的逆矩陣，是一種標準表 示方式，Uj和yi是算法過程中的中間變量。
[0220] 步驟74:對目標系統(tǒng)的狀態(tài)值進行分布式卡爾曼濾波預測估計。
[0221]
[0222] (25)
[0223] 其中，為4;+,是指k+1時刻最優(yōu)預測估計值是k+1時刻的先驗估計值。
[0224] 張驢75,對側(cè)卡化鼻濾波算法的估計協(xié)方差矩陣和先驗估計值進行迭代更新。
[0225] (26)
[0226] (27)
[0227] 其中，巧+,是指微電網(wǎng)群圖論模型中智能體節(jié)點節(jié)點i在k+1時刻的估計協(xié)方差矩 陣，A是指狀態(tài)轉(zhuǎn)移矩陣，AT是指狀態(tài)矩陣的轉(zhuǎn)置矩陣，Q是指系統(tǒng)噪聲向量W化)的協(xié)方差矩 陣。
[022引步驟76:返回步驟72。
[0229] 其中，算法中，e為步長，取值范圍：
[0230] 從上述步驟72到步驟74可W看出，在同一時刻，每個智能體節(jié)點和鄰接智能體節(jié) 點需要交換的數(shù)據(jù)包括ZZi,Ui,Ui和馬。其中，所示步驟72中的智能體節(jié)點觀測值Zi,并不是 僅僅對本地子微電網(wǎng)電網(wǎng)需求功率值ZZi的采集，而是通過對采集到的本地子微電網(wǎng)的電 網(wǎng)需求功率值和周圍相連接子微電網(wǎng)的電網(wǎng)需求功率值進行分布地局部數(shù)據(jù)融合，最終得 出同一時刻的地區(qū)微電網(wǎng)群內(nèi)所有子微電網(wǎng)的電網(wǎng)需求功率測量值作為該子微電網(wǎng)的觀 測值zi。所示步驟73是將智能體節(jié)點及鄰接智能體節(jié)點之間的數(shù)據(jù)進行分布地局部融合處 理，然后在所示步驟74中對目標系統(tǒng)的先驗估計值進行修正補償，最后在所示步驟75中進 行估計協(xié)方差矩陣和先驗估計值的更新。
[0231] 為了驗證本發(fā)明實施例所提出的算法可行性，下面通過實例來證明。
[0232] 如圖2所示，將某一 A地區(qū)電網(wǎng)的5個風電場的發(fā)電數(shù)據(jù)及各風電場所在地區(qū)的用 戶負荷數(shù)據(jù)分別和圖2中的微電網(wǎng)群內(nèi)各子微電網(wǎng)的兩類數(shù)據(jù)一一對應，而且對于運兩類 數(shù)據(jù)，下文將統(tǒng)一對應地稱為各子微電網(wǎng)的發(fā)電數(shù)據(jù)和各子微電網(wǎng)的負荷數(shù)據(jù)，并不再做 另外解釋。
[0233] 對微電網(wǎng)群系統(tǒng)通信關(guān)系建立無向圖的圖論模型，可W如圖8所示，為本發(fā)明另一 實施例的微電網(wǎng)群系統(tǒng)通信關(guān)系建立無向圖的圖論模型圖。
[0234] 在圖8的無向圖中，帶有編號的節(jié)點表示微電網(wǎng)群內(nèi)的子微電網(wǎng)系統(tǒng)，點與點之間 的連線表示微電網(wǎng)群內(nèi)各個子微電網(wǎng)之間的通信關(guān)系，則圖8所表示的無向圖的連接矩陣 A、節(jié)點的度矩陣D及拉普拉斯矩陣L分別表示如下：
[0235]
[0236]
[0237]
[0238] 根據(jù)節(jié)點的度矩陣D可知
故步長e的取值范圍為0<e<0.25。 當微電網(wǎng)群內(nèi)W各微電網(wǎng)為單位的各智能體節(jié)點在某一時刻采集到的本地功率值分別為 1麗，2麗，3麗，4MW，5麗，則同一時刻微電網(wǎng)群內(nèi)5個智能體節(jié)點狀態(tài)值經(jīng)過智能體節(jié)點之間 的200次的迭代過程如圖9所示，其中融合的過程中步長e取0.2。
[0239] 由圖9可知，在同一時刻，不論節(jié)點的狀態(tài)值是多少，通過數(shù)據(jù)融合過程，節(jié)點的最 終狀態(tài)值是趨于一致的，且如果各節(jié)點之間通信關(guān)系構(gòu)成的無向圖是一個平衡圖，則該無 向圖中的各節(jié)點的狀態(tài)值最終趨于各節(jié)點初始狀態(tài)值的平均值。而分布式卡爾曼濾波預測 算法就是一致性數(shù)據(jù)融合算法和卡爾曼濾波算法的一種組合，在同一時刻，W智能體節(jié)點 為單位的各節(jié)點i(l<i<n)之間相互進行數(shù)據(jù)的交換和融合;在不同時刻，節(jié)點i在時間t上 進行狀態(tài)變量估計值的更新，最后分布地預測出地區(qū)電網(wǎng)微電網(wǎng)群總的電網(wǎng)需求功率值。
[0240] 定義 5:
[0241] 多智能體節(jié)點的系統(tǒng)誤差
[0242] 多智能體節(jié)點的非一致性
[0243] Xk是指k時刻的智能體節(jié)點節(jié)點實際值，該兩種誤差指標主要針對于本實施例微 電網(wǎng)群所提到的分布式卡爾曼濾波預測算法，k時刻系統(tǒng)誤差越小，網(wǎng)絡圖中各智能體節(jié)點 在k時刻的均方根誤差越小;k時刻系統(tǒng)非一致性誤差值越小，網(wǎng)絡圖中各智能體節(jié)點在k時 刻的狀態(tài)估計預測值之間一致性越好。其中，iEV，V是指網(wǎng)絡圖中包含所有智能體節(jié)點的 非空集合；.?,是指網(wǎng)絡圖中智能體節(jié)點i在k時刻的狀態(tài)估計預測值；
曼指網(wǎng) 絡圖中所有智能體節(jié)點狀態(tài)估計預測值在k時刻的平均值。
[0244] 圖10是分布式卡爾曼濾波預測在圖8的通信拓撲結(jié)構(gòu)圖論模型的基礎上對微電網(wǎng) 群一天24個時刻進行的總電網(wǎng)需求功率預測的結(jié)果，其中，零點W上的數(shù)值，指上一級電網(wǎng) 向微電網(wǎng)群系統(tǒng)供電，即此時的微電網(wǎng)處于電能購買模式，零點W下的數(shù)值，指微電網(wǎng)群系 統(tǒng)向上一級電網(wǎng)供電，即此時的微電網(wǎng)處于電能的銷售模式。圖11是分布式卡爾曼濾波預 測算法的系統(tǒng)誤差，即W子微電網(wǎng)為單位的各智能體節(jié)點在同一時刻的均方根誤差，圖12 是分布式卡爾曼濾波預測算法的系統(tǒng)估計非一致性誤差，即在同一時刻W子微電網(wǎng)為單位 的各智能體節(jié)點估計預測值之間的非一致性誤差。
[0245] 為了顯示分布式卡爾曼濾波預測算法的預測效果，將分布式卡爾曼濾波預測算法 與用于集中式預測的卡爾曼濾波預測算法進行了比較，比較結(jié)果如圖13所示，其中運兩種 算法的性能比較結(jié)果如表1所示。
[0246] 表1分布式預測算法與集中式預測算法的性能比較 「0)471 LUZWJ 共T，甘W巧巧的疋乂yu r :
[0249] 平均絕對誤^
[0巧0] 平均相對誤^
[0巧1] 均方根誤差：
[0252] 其中，XLfnr-第i個預測值；
[0253] Xi_real-第 i個實際值。
[0254] 由表1可W看出，對于為微電網(wǎng)群總的電網(wǎng)需求功率的預測，采用分布式卡爾曼濾 波預測算法比采用一般用于傳統(tǒng)的集中式卡爾曼濾波預測算法在預測精度上有更好的提 高，分布式卡爾曼濾波預測算法平均絕對誤差比改進后的卡爾曼濾波預測算法提高了 20.3098MW;在平均相對誤差上，前者比后者提高了 117.9982% ;在均方根誤差上，前者比后 者提高了 24.0992MW。
[0255] 所W綜上所述，如果對一個微電網(wǎng)群總的電網(wǎng)需求功率進行預測，且微電網(wǎng)群的 通信拓撲結(jié)構(gòu)是一個無向圖時，則使用分布式卡爾曼濾波預測算法，在算法性能上要比一 般用于傳統(tǒng)集中式預測的卡爾曼濾波預測有很好的優(yōu)勢。
[0256] W上所述，W上實施例僅用W對本申請的技術(shù)方案進行了詳細介紹，但W上實施 例的說明只是用于幫助理解本發(fā)明的方法及其核屯、思想，不應理解為對本發(fā)明的限制。本 技術(shù)領域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在 本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種微電網(wǎng)群的功率預測方法，其特征在于，包括： 微電網(wǎng)群內(nèi)各子微電網(wǎng)控制中心實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸出功率和總 負荷功率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功率的代數(shù)和 即為當前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率； 對每個子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行分類和修正處理，從而達到每個子微電 網(wǎng)接近實際值的數(shù)據(jù)； 根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng)群的電網(wǎng)需求功率的狀態(tài)方程； 根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的圖論模型;根據(jù)智能體節(jié)點一致 性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群總電網(wǎng)需求功率分布式預測的 功率預測算法； 微電網(wǎng)群內(nèi)每個子微電網(wǎng)在已知建立的通信關(guān)系圖論拓撲基礎上，集合本地子微電網(wǎng) 系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測算法在本地子微電網(wǎng)系統(tǒng)上分布 地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測； 調(diào)度中心根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定這個區(qū)域內(nèi)整個微電網(wǎng)群在 未來短期內(nèi)的電網(wǎng)需求供給情況。2. 如權(quán)利要求1所述的方法，其特征在于，所述每個子微電網(wǎng)歷史數(shù)據(jù)包括:各子微電 網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)和各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)。3. 如權(quán)利要求2所述的方法，其特征在于，所述對各子微電網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)進 行分類和修正處理包括： 利用公式（1)根據(jù)各子微電網(wǎng)發(fā)電功率的相關(guān)性來進行錯誤數(shù)據(jù)剔除和補全，其中，公 式(1)如下：其中，X和Y為兩個變量，i和η均為大于等于1的正整數(shù)，相關(guān)性系數(shù)r的性質(zhì)如下： (a) 相關(guān)系數(shù)|r|仝1; (b) 相關(guān)性| r |越接近于1，兩變量之間的相關(guān)程度越大，當相關(guān)性| r |等于1時，兩變量 完全相關(guān)； (c) 相關(guān)性| r |越接近于0，兩變量相之間的關(guān)程度越小，當相關(guān)性| r |等于0時，兩變量 不存在線性相關(guān)。4. 如權(quán)利要求2所述的方法，其特征在于，對所述各子微電網(wǎng)總用戶負荷功率的歷史數(shù) 據(jù)進行分類和修正處理包括： 通過公式(2)求出不同星期的相同星期類型日24小時數(shù)據(jù)的平均值，其中，平均值是指 在同一個時刻各子微電網(wǎng)總的用戶負荷功率和的平均值，公式(2)如下通過公式(3)求出各小時點數(shù)據(jù)與平均值的差值，公式(3)如下： =1? - Q：e ^+U - ^ * -,24) ( 3 ) 通過公式(4)確定各子微電網(wǎng)負荷功率一天24個時刻的歷史數(shù)據(jù)為不正常數(shù)據(jù)，公式 (4)如下： (k< 1;z € Ar+; j -1,·-·,24) (.4) 其中，i是指i天相同星期類型日，其中，i為大于等于2的整數(shù)，j是指一天內(nèi)j時刻，參數(shù) k(k〈l)需要根據(jù)這些相似日的相似度來選取。5.如權(quán)利要求1所述的方法，其特征在于，所述每個子微電網(wǎng)為一個智能體節(jié)點，每個 智能體節(jié)點上運行的微卡爾曼濾波預測算法包括： 分別對微卡爾曼濾波預測算法中的估計協(xié)方差矩陣磅和先驗估計值進行初始化； 采集本地智能體節(jié)點及鄰接智能體節(jié)點的數(shù)據(jù)并通過數(shù)據(jù)迭代融合求出本地智能體 節(jié)點對目標系統(tǒng)的觀測值zi，令本地智能體節(jié)點采集到的本地數(shù)據(jù)為ZZi，其中其中，其中，zzi(k)表示在k時刻智能體節(jié)點采集到的本地數(shù)據(jù)值，Wij表示在微電網(wǎng)圖 論模型中智能體節(jié)點節(jié)點i和智能體節(jié)點節(jié)點j信息交互的權(quán)重系數(shù)； 分別對微卡爾曼濾波預測算法中的觀測值Zl和觀測協(xié)方差數(shù)據(jù)心進行融合，其中， Ji = Ni U {i}其中，Ni表示智能體節(jié)點i的鄰接智能體節(jié)點節(jié)點的集合，Ji表示Ni集合中在并入智能 體節(jié)點i這個元素;好;'是矩陣比的轉(zhuǎn)置，是一種標準表示方式，是矩陣&的逆矩陣，是一 種標準表示方式，ujPyi是算法過程中的中間變量； 對目標系統(tǒng)的狀態(tài)值進行分布式卡爾曼濾波預測估計，其中，其中，名+_是指k+Ι時刻最優(yōu)預測估計值，是k+Ι時刻的先驗估計值，ε為步長，取值對微卡爾曼濾波算法的估計協(xié)方差矩陣和先驗估計值進行迭代更新，其中，其中，<+i是指微電網(wǎng)群圖論模型中智能體節(jié)點節(jié)點i在k+1時刻的估計協(xié)方差矩陣，A 是指狀態(tài)轉(zhuǎn)移矩陣，Ατ是指狀態(tài)矩陣的轉(zhuǎn)置矩陣，Q是指系統(tǒng)噪聲向量w(k)的協(xié)方差矩陣。6. -種微電網(wǎng)群的功率預測系統(tǒng)，其特征在于，包括:至少兩個子微電網(wǎng)，每個子微電 網(wǎng)包括發(fā)電設備、用電設備、儲能設備和控制中心，所述發(fā)電設備、用電設備、儲能設備通過 靜電開關(guān)與該子微電網(wǎng)的母線相連，控制中心控制所有的靜電開關(guān);每個子微電網(wǎng)的母線 均分別連接電網(wǎng)的母線，每個子微電網(wǎng)的控制中心均分別連接配電網(wǎng)調(diào)度中心； 各子微電網(wǎng)控制中心，用于實時對各自子微電網(wǎng)內(nèi)分布式發(fā)電總輸出功率和總負荷功 率數(shù)據(jù)進行監(jiān)測，求出每個時刻各個子微電網(wǎng)的總輸出功率和總負荷功率的代數(shù)和即為當 前時刻各個子微電網(wǎng)總的電網(wǎng)需求功率； 所述所述配電網(wǎng)調(diào)度中心，用于對各自的子微電網(wǎng)歷史數(shù)據(jù)中的盲點或誤點進行分類 和修正處理，從而達到每個子微電網(wǎng)接近實際值的數(shù)據(jù)； 所述配電網(wǎng)調(diào)度中心，用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的歷史數(shù)據(jù)建立微電網(wǎng)群的 電網(wǎng)需求功率的狀態(tài)方程;根據(jù)微電網(wǎng)群內(nèi)各子微電網(wǎng)之間的通信關(guān)系建立微電網(wǎng)的圖論 模型;根據(jù)智能體節(jié)點一致性理論并結(jié)合微卡爾曼濾波預測算法確定針對于微電網(wǎng)群總電 網(wǎng)需求功率分布式預測的功率預測算法； 所述配電網(wǎng)調(diào)度中心，還用于在各自的子微電網(wǎng)的已知建立的通信關(guān)系圖論拓撲關(guān)系 基礎上，集合本地子微電網(wǎng)系統(tǒng)及鄰接子微電網(wǎng)系統(tǒng)的電網(wǎng)需求功率信息，利用預測算法 在本地子微電網(wǎng)系統(tǒng)上分布地進行微電網(wǎng)群總電網(wǎng)需求功率的短期預測； 所述配電網(wǎng)調(diào)度中心，還用于根據(jù)微電網(wǎng)群總電網(wǎng)需求功率的預測值來確定這個區(qū)域 內(nèi)整個微電網(wǎng)群在未來短期內(nèi)的電網(wǎng)需求供給情況。7. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述每個子微電網(wǎng)歷史數(shù)據(jù)包括:各子微電 網(wǎng)的發(fā)電功率的歷史數(shù)據(jù)和各子微電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)。8. 如權(quán)利要求7所述的系統(tǒng)，其特征在于，所述配電網(wǎng)調(diào)度中心，還用于對各子微電網(wǎng) 的發(fā)電功率的歷史數(shù)據(jù)進行分類和修正處理具體包括： 利用公式（1)根據(jù)各自子微電網(wǎng)發(fā)電功率的相關(guān)性來進行錯誤數(shù)據(jù)剔除和補全，其中， 公式(1)如下：其中，X和Y為兩個變量，i和η均為大于等于1的正整數(shù)，相關(guān)性系數(shù)r的性質(zhì)如下： (a) 相關(guān)系數(shù)|r|仝1; (b) 相關(guān)性| r |越接近于1，兩變量之間的相關(guān)程度越大，當相關(guān)性| r |等于1時，兩變量 完全相關(guān)； (C)相關(guān)性| r |越接近于0，兩變量相之間的關(guān)程度越小，當相關(guān)性| r |等于0時，兩變量 不存在線性相關(guān)。9. 如權(quán)利要求7所述的方法，其特征在于，所述配電網(wǎng)調(diào)度中心，還用于對所述各子微 電網(wǎng)總用戶負荷功率的歷史數(shù)據(jù)進行分類和修正處理包括： 通過公式(2)求出不同星期的相同星期類型日24小時數(shù)據(jù)的平均值，其中，平均值是指 在同一個時刻各子微電網(wǎng)總的用戶負荷功率和的平均值，公式(2)如下通過公式(3)求出各小時點數(shù)據(jù)與平均值的差值，公式(3)如下：通過公式(4)確定各子微電網(wǎng)負荷功率一天24個時刻的歷史數(shù)據(jù)為不正常數(shù)據(jù)，公式 (4)如下：其中，i是指i天相同星期類型日，其中，i為大于等于2的整數(shù)，j是指一天內(nèi)j時刻，參數(shù) k(k〈l)需要根據(jù)這些相似日的相似度來選取。10. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述每個子微電網(wǎng)為一個智能體節(jié)點，每個 智能體節(jié)點的控制中心還用于運行的微卡爾曼濾波預測算法包括： 分別對微卡爾曼濾波預測算法中的估計協(xié)方差矩陣蹲和先驗估計值3+1|?進行初始化； 采集本地智能體節(jié)點及鄰接智能體節(jié)點的數(shù)據(jù)并通過數(shù)據(jù)迭代融合求出本地智能體 節(jié)點對目標系統(tǒng)的觀測值z i，令本地智能體節(jié)點采集到的本地數(shù)據(jù)為z z i，其中其中，其中，zzi(k)表示在k時刻智能體節(jié)點采集到的本地數(shù)據(jù)值，wij表示在微電網(wǎng)圖 論模型中智能體節(jié)點節(jié)點i和智能體節(jié)點節(jié)點j信息交互的權(quán)重系數(shù)； 分別對微卡爾曼濾波預測算法中的觀測值Zl和觀測協(xié)方差數(shù)據(jù)心進行融合，其中， Ji = Ni U {i}其中，Ni表示智能體節(jié)點i的鄰接智能體節(jié)點節(jié)點的集合，Ji表示Ni集合中在并入智能 體節(jié)點i這個元素；是矩陣比的轉(zhuǎn)置，是一種標準表示方式，1是矩陣&的逆矩陣，是一 種標準表示方式，ujP yi是算法過程中的中間變量； 對目標系統(tǒng)的狀態(tài)值進行分布式卡爾曼濾波預測估計，其中， M, =(^+^)-1其中，是指k+1時刻最優(yōu)預測估計值，時刻的先驗估計值，ε為步長，取對微卡爾曼濾波算法的估計協(xié)方差矩陣和先驗估計值進行迭代更新，其中，其中，是指微電網(wǎng)群圖論模型中智能體節(jié)點節(jié)點i在k+Ι時刻的估計協(xié)方差矩陣，A 是指狀態(tài)轉(zhuǎn)移矩陣，Ατ是指狀態(tài)矩陣的轉(zhuǎn)置矩陣，Q是指系統(tǒng)噪聲向量w(k)的協(xié)方差矩陣。
【文檔編號】H02J3/46GK105826944SQ201610157983
【公開日】2016年8月3日
【申請日】2016年3月18日
【發(fā)明人】昌凱, 孫強, 王雪松, 鮑祚睿, 陳年生, 范光宇, 韓林
【申請人】上海電機學院