一种多微网系统的能量控制方法、控制器及系统与流程

1.本发明涉及一种电网系统的能量调度方法，尤其涉及一种多微网系统的能量控制方法、控制器及系统。


背景技术：

2.多微网系统包含多个微电网，各微电网由分布式电源、分布式储能设备、负载等配套设备组成，是一个小型发配电系统。多微网系统可以与大电网并网运行，也可以单独运行。随着能源供需矛盾、环境污染的日益加重，能源传输技术、存储技术、信息通信和高性能计算技术的发展，分布式可再生能源的大规模利用逐渐提上了日程。而多微网系统可以将分布式发电设备、分布式储能设备和各种类型的负载通过各种能量节点相互连接，构建能量流可以双向流动的能量路由网络。基于此网络，可以协助高波动性的可再生能源的消纳。
3.我们考虑的多微网系统处于偏远地区，即它作为该地区的主要供电系统，主网络只起到辅助作用。此网络具有以下特点：分布式可再生能源(光伏、风机)作为主要能量来源；网络内配备少量的化石燃料发电机和储能设备，用来平衡可再生能源出力波动；禁止弃风弃光，富余的可再生能源发电只可以通过主网络进行消纳；以具有信息通信和能量管控功能的能量路由器(energy router)为智能接口，连接各类分布式电源、储能、负荷；海量可调节资源难以应用分布式或者集中式的控制方法来实现实时控制。需要注意的是，各种设备的调节都存在损耗，并对其使用寿命造成影响，同时各种设备的使用都有其运行成本。以储能设备为例，根据目前的储能设备相关理论及技术，如果电源与负荷差值过大，瞬时大功率会损伤储能设备本身，造成不必要的损失。因此，如何在满足多微网系统自身供需平衡的前提下，尽可能少的调节各种灵活性资源、减少与外部网络之间的能量流动，使网络运行成本最低，是亟待解决的问题。


技术实现要素：

4.发明目的：针对以上问题，本发明提出一种多微网系统的能量控制方法、控制器及系统，能够提高多微网系统边界调整的供需平衡效果，在可再生能源出力和负荷的偏差发生变化时，实时调整虚拟微网的边界，最大程度地利用可再生能源，同时又不改变网络拓扑。
5.技术方案：本发明所采用的技术方案是一种多微网系统的能量控制方法，根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据，对所述数据进行预处理，基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略，所述能量控制策略为多微网系统模型内部微网单元的分区及能量交互策略，所述能量控制策略使所述的多微网系统模型达到内部能量供需平衡；所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子
区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。
6.一种优选方案是，对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。具体的，所述多微网系统模型的目标函数为：
[0007][0008]
式中jg(t)表示t时刻分布式发电机的运行成本，j
bes
(t)表示t时刻储能充放电损耗成本，j
grid
(t)表示t时刻多微网系统与主电网的交互成本，cg、c
bes
和c
grid
分别是三种成本的加权因子，t表示所研究的时间间隔；
[0009]
该目标函数服从于可调节设备控制模型：
[0010]
x(t+1)＝ax(t)+bug(t)+c
[0011]
x(t)＝[pg(t)，soc(t)]
t
[0012][0013]
其中，x(t)表示可调节设备t时刻的状态，x(t+1)表示可调节设备下一时刻的状态，x(t)＝[pg(t)，soc(t)]
t
，pg(t)表示t时刻分布式发电机出力，soc(t)表示t时刻储能设备的荷电量，η
bes
表示储能设备的充放电损失系数，表示储能设备的荷电量，vg表示当前分布式发电机出力最大允许调整值，ug(t)表示t时刻分布式发电机的控制信号，p
pv
(t)表示t时刻光伏出力，pl(t)分别表示t时刻负荷需求。
[0014]
本发明进一步提出三种成本的计算模型为：
[0015]
jg(t)＝ω
g，1
[pg(t)]2+ω
g，2
pg(t)+ω
g，3
[0016]jbes
(t)＝θe
buy
(t)δp
bes
(t)
[0017]jgrid
(t)＝e
acq
(t)pk(t)
[0018]
ω
g，1
、ω
g，z
和ω
g，3
分别表示分布式发电机出力二次项、一次项和零次项的成本系数；θ表示储能设备的自损系数，e
buy
(t)表示t时刻电网购电电价，δp
bes
(t)表示t时刻储能设备的输出变化量；e
acq
(t)表示t时刻电网回购价格，pk(t)表示微网单元向主电网k传输的功率；
[0019]
其中：
[0020][0021]
其中φi表示多微网系统内所有节点的集合；j表示多微网系统内与主电网k相连的节点；p
hj
(t)表示t时刻多微网系统内不与主电网k相连的节点h流向节点j的功率；r
hj
表示线路hj的电阻；l
hj
表示线路hj的电流平方；pj(t)表示t时刻节点j的功率输出。
[0022]
所述评价函数为：
[0023]
[0024]
其中，f(p(e)；g)表示评价函数，是g中基于某种分区p(e)的分区子区域的集合；d(g)是t∈[0，t]期间子区域g中可再生能源发电和负荷之间的总功率的匹配预测值，t表示所研究的时间间隔；f(g)表示子区域g中发电机容量、储能和负荷的适合度；i(g)是特征函数，αd和af分别是加权因子，ε是惩罚函数的系数。
[0025]
所述子区域中发电机容量、储能和负荷的适合度计算公式为：
[0026][0027]
其中，f(g)为适合度函数，v
capacity
(g)是子区域g中可调功率输入/输出的间隔；v
mismatch
(g)是子区域g中可再生能源和负荷之间功率不匹配的间隔；v
common
(g)是这两个区间的截距。
[0028]
所述特征函数为：
[0029][0030]
其中i(g)为特征函数，v
min
和v
max
是子区域g中能量单位的首选最小和最大数量，其中v
min
＜v
max
。
[0031]
优选的，所述多微网系统模型采用图论的方法提取多微网系统的拓扑形成拓扑图g，多微网系统中分布式能量单元及分布式能量单元之间的能量连接分别用图g中的顶点v和边e表示，采用二进制方式表示电路连接状态；所述采用神经网络算法输出能量控制策略，是根据采集单位时间内可再生能源出力和负荷需求数据，根据某一时刻的可再生能源出力和负荷需求计算多微网系统的不平衡程度，以多微网系统总运行成本最低为目标，通过遗传算法计算最优能量控制策略。通过遗传算法计算最优能量控制策略的具体过程包括：设置种群个体、最大进化代数以及单目标优化陷入停滞的判断阈值，每一次迭代记录一次种群进化信息，将目标函数设置为每个能量控制策略的舒适度值，初始化n个能量控制策略，通过选择、交叉和变异的操作，经过若干代进化输出最优的能量控制策略。
[0032]
本发明还提供一种多微网系统的能量控制器，包括：
[0033]
数据预处理模块，用于根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据，对所述数据进行预处理；
[0034]
多微网系统模型存储模块，用于存储多微网系统模型以及目标函数；所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；
[0035]
神经网络模块，用于基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略，所述能量控制策略为多微网系统模型内部微网单元的分区及能量交互策略，所述能量控制策略使各微网单元内部达到能量供需平衡；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。
[0036]
其中，对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。
[0037]
本发明提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的多微网系统的能量控制方法。
[0038]
本发明提出一种多微网系统的能量控制器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的多微网系统的能量控制方法。
[0039]
本发明还提出一种基于所述的多微网系统的能量控制器的能源互联网系统，包括多微网系统和主电网系统，多微网系统与主电网系统并网运行，多微网系统所在地区以多微网系统作为主要供电系统，主电网系统作为辅助供电系统，所述多微网系统产生的富余的可再生能源通过主网络消纳；所述多微网系统包括能量控制器以及与所述能量控制器连接的各类分布式能源、储能和负荷，所述多微网系统以分布式可再生能源作为主要供电能源，化石燃料发电机和储能设备作为辅助供电能源，化石燃料发电机和储能设备还用于平衡可再生能源出力波动。
[0040]
有益效果：相比于现有技术，本发明具有以下优点：本发明将运行状态实时变化的多微网系统建模成动态控制系统，即将实际工程场景转换成动态模型。针对现代电力行业中的多微网系统进行数学建模，以图论的方法构建系统来模拟不同时间状态下多微网系统运行机制。针对上述动态模型，发明设计一种能量控制器，采用图论结合神经网络的智能分区算法，动态划分虚拟微网使得目标函数最小化；同时构建合适的评价函数，结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用以评估对应不同分区的缺陷情况。本发明设计的控制器被设置在微机上，被控后的整个多微网系统可以实现整体运行成本最小、运行方式最合理，主要表现在分布式发电机、储能设备等可调节设备安装数量减少以及储能设备的使用寿命的延长。本发明考虑的多微网系统运行成本包括分布式发电机运行成本、储能设备损耗，同时还考虑了主电网协助消纳多微网系统多余可再生能源发电所产生的成本。通过本地控制器实现考虑能源互联网最优成本运行的供需平衡，在最小化运行成本过程中，可以根据需求调整不同优化目标的权重，实现多微网系统的合理运行。本发明综合考虑了多微网系统中供需双方的不确定性，通过动态调整微电网边界实现每个微电网的供需平衡，以最少的共用分布式发电机和储能设备实现可再生能源消纳。
附图说明
[0041]
图1是本发明所述的多微网系统的能量控制方法的流程图。
具体实施方式
[0042]
下面结合附图和实施例对本发明的技术方案作进一步的说明。
[0043]
本发明所述的多微网系统的能量控制方法，包括：根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据，对所述数据进行预处理，基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略。能量控制策略即为多微网
系统模型内部微网单元的分区及能量交互策略，目的是使多微网系统模型达到内部能量供需平衡。该方法具体的流程图如图1所示，包括以下内容：
[0044]
一，建立多微网系统内各发电、用电设备的电力模型，包括分布式燃气轮机、储能设备以及线路电力传输模型。
[0045]
构建分布式燃气轮机模型。将带有随机波动和时间曲线做平滑化处理，即不考虑短时间内的随机波动。用线性方程模拟分布式燃气轮机输出功率模型，得到其初步模型：
[0046]
pg(t+1)＝pg(t)+vgug(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0047]
其中pg(t)表示t时刻分布式发电机出力；vg(t)表示t时刻到t+1时刻分布式发电机出力最大允许调整值；ug(t)表示t时刻分布式发电机的控制信号。
[0048]
构建储能设备模型。上一段提供了构建分布式燃气轮机功率模型的方法，储能设备通过充放电平抑可再生能源的波动，其模型可表示为：
[0049][0050]
其中soc(t)表示t时刻储能设备的荷电量；η
bes
表示储能设备的充放电损失系数；p
bes
(t)表示t时刻储能设备的充放电功率，当p
bes
(t)＞0时，表示储能设备充电，当p
bes
(t)＜0时，表示储能设备放电；表示储能设备的荷电量。
[0051]
构建可调节设备控制模型。上文给出了分布式发电机和储能模型的出力模型，微电网内供需平衡的公式可以表示为：
[0052]
pg(t)+p
pv
(t)-p
l
(t)-p
bes
(t)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0053]
其中p
pv
(t)和p
l
(t)分别表示t时刻光伏出力和负荷需求。
[0054]
基于公式(3)，可调节设备控制模型可表示为
[0055]
x(t+1)＝ax(t)+bug(t)+c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0056]
x(t)＝[pg(t)，soc(t)]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0057][0058]
构建线路电力传输模型：
[0059][0060]
其中pk(t)表示多微网系统i向主电网k传输的功率；φi表示多微网系统i内所有节点的集合；j表示多微网系统i内与主电网k相连的节点；p
hj
(t)表示t时刻多微网系统i内不与主电网k相连的节点h流向节点j的功率；r
hj
表示线路hj的电阻；l
hj
表示线路hj的电流平方；pj(t)表示t时刻节点j的功率输出。
[0061]
二，基于上述模型，建立多微网系统的控制目标函数。
[0062]
在一个实施例中，多微网系统模型的目标函数为多微网系统运行成本最低。多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本。
[0063]
在一个实施例中，对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。
[0064]
具体的，所述多微网系统模型的目标函数为：
[0065][0066]
上述目标函数服从于：
[0067]
subject to x(t+1)＝ax(t)+bug(t)+c
[0068]
jg(t)＝ω
g，1
[pg(t)]2+ω
g，2
pg(t)+ω
g，3
[0069]jbes
(t)＝θe
buy
(t)δp
bes，i
(t)
[0070]jgrid
(t)＝e
acq
(t)pk(t)
[0071]
其中jg(t)表示t时刻分布式发电机的运行成本，j
bes
(t)表示t时刻储能充放电损耗成本，j
grid
(t)表示t时刻多微网系统与主电网的交互成本，cg、c
bes
和c
grid
分别是三种成本的加权因子，t表示所研究的时间间隔；ω
g，1
、ω
g，2
和ω
g，3
分别表示分布式发电机二次项、一次项和零次项的成本系数；θ表示储能设备的自损系数，e
buy
(t)表示t时刻电网购电电价，δp
bes
(t)表示t时刻储能设备的输出变化量；e
acq
(t)表示t时刻电网回购价格。
[0072]
三，在建立各设备电力模型和建立运行成本目标函数的基础上，设计多微网系统通用的能源管理方案。系统中的能量管理优先进行局域自治。局域自治包括区域中各种可调节设备的功率平衡。将多微网系统划分为几个局部区域，以达到无区域能源共享情况下优先实现局域自治能源管理的目的。对于每个局部区域，在其相应的局域层中单独生成操作方案，以此更好地实现局域自治能量管理。
[0073]
四，构建基于图论的多微网系统模型。本实施例中，利用图论对所考虑的多微网系统建模，分布式能量单元及其之间的能量连接用图g中的顶点v和边e表示。将可再生能源、分布式发电机、储能设备和能源消耗装置输出表示为p
bes
(t)、pg(t)、p
load
(t)，各节点的高级功率共享功能由能源路由器和其他核心基础设施提供，利用s(vi，vj)表示节点连接的开关状态，通过二进制的表示方法来控制电路连接状态。
[0074]
五，采用神经网络算法输出能量控制策略。可以使用众多具有深度学习效果的人工神经网络算法实现。其中，神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。
[0075]
具体的，对于所研究的时间间隔t∈[0，t]，构建合适的评价函数f(p(e)；g)，用以评估对应p(e)的不同分区的缺陷，如下所示：
[0076]
min
p(e)
f(p(e)；g)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0077]
通过最小化评价函数，得到实现最小缺陷的最优p(e)。其中评价函数f(p(e)；g)可以公式化为：
[0078][0079]
其中，f(p(e)；g)表示评价函数，是g中基于某种分区p(e)的分区子区域的集合；d(g)是t∈[0，t]期间子区域g中可再生能源发电和负荷之间的总功率的匹配预测值，t表示所研究的时间间隔；f(g)表示子区域g中发电机容量、储能和负荷的适合度；i(g)是特征函数，αd和af分别是加权因子，ε是惩罚函数的系数。
[0080]
所述子区域g中发电机容量、储能和负荷的适合度计算公式为：
[0081][0082]
其中，f(g)为适合度函数，v
capacity
(g)是子区域g中可调功率输入/输出的间隔；v
mismatch
(g)是子区域g中可再生能源和负荷之间功率不匹配的间隔；v
common
(g)是这两个区间的截距。
[0083]
所述特征函数为：
[0084][0085]
其中i(g)为特征函数，v
min
和v
max
是子区域g中能量单位的首选最小和最大数量，其中v
min
＜v
max
。
[0086]
本实施例中，可再生能源出力和负荷需求数据来自实际工程现场，根据某一时刻的可再生能源出力和负荷需求计算多微网系统的不平衡程度，以多微网系统总运行成本最低为目标，通过遗传算法计算最优能量控制策略。遗传算法的求解思路如下：首先根据编码规则，初始化n个个体的种群，执行完成后对当前种群进行统计分析，记录其最优个体、平均舒适度等；然后对n个个体进行交叉操作，并选择其中舒适度值较差的个体进行变异操作；最后将具有最高适应度的个体进行记录，当迭代几次获得的最优个体都不再变化时，输出当前的最佳个体。
[0087]
具体过程是：收集实际工程中的每分钟光伏出力和负荷需求数据，通过python构建遗传算法的求解环境，将种群个体设置为100，最大进化代数设置为100，每个一代记录一次种群进化信息，单目标优化陷入停滞的判断阈值设置为10-6
，进化停滞计数器最大上限值设为5。将公式(6)设置为每个能量管理策略的舒适度值，初始化n个能量管理策略，通过选择、交叉和变异的操作，经过100代进化获得最优的能量管理策略。
[0088]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0089]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0090]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0091]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
在一个实施例中，提供了一种多微网系统的能量控制器，包括：
[0093]
数据预处理模块，用于根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据，对所述数据进行预处理；
[0094]
多微网系统模型存储模块，用于存储多微网系统模型以及目标函数；所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；
[0095]
神经网络模块，用于基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略，所述能量控制策略为多微网系统模型内部微网单元的分区及能量交互策略，所述能量控制策略使各微网单元内部达到能量供需平衡；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。
[0096]
优选的，对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。
[0097]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的多微网系统的能量控制方法。
[0098]
在一个实施例中，提供了一种多微网系统的能量控制器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的多微网系统的能量控制方法。
[0099]
在一个实施例中，提供一种基于所述的多微网系统的能量控制器的能源互联网系统，包括多微网系统和主电网系统，多微网系统与主电网系统并网运行，多微网系统所在地区以多微网系统作为主要供电系统，主电网系统作为辅助供电系统，所述多微网系统产生的富余的可再生能源通过主网络消纳；所述多微网系统包括能量控制器以及与所述能量控制器连接的各类分布式能源、储能和负荷，所述多微网系统以分布式可再生能源作为主要供电能源，化石燃料发电机和储能设备作为辅助供电能源，化石燃料发电机和储能设备还用于平衡可再生能源出力波动。

技术特征：
1.一种多微网系统的能量控制方法，其特征在于：根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略，所述能量控制策略为多微网系统模型内部微网单元的分区及能量交互策略，所述能量控制策略使各微网单元内部达到能量供需平衡；所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。2.根据权利要求1所述的多微网系统的能量控制方法，其特征在于：对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。3.根据权利要求2所述的多微网系统的能量控制方法，其特征在于：所述多微网系统模型的目标函数为：式中j
g
(t)表示t时刻分布式发电机的运行成本，j
bes
(t)表示t时刻储能充放电损耗成本，j
grid
(t)表示t时刻多微网系统与主电网的交互成本，c
g
、c
bes
和c
grid
分别是三种成本的加权因子，t表示所研究的时间间隔；该目标函数服从于可调节设备控制模型：x(t+1)＝ax(t)+bu
g
(t)+cx(t)＝[p
g
(t)，soc(t)]
t
其中，x(t)表示可调节设备t时刻的状态，x(t+1)表示可调节设备下一时刻的状态，x(t)＝[p
g
(t)，soc(t)]
t
，p
g
(t)表示t时刻分布式发电机出力，soc(t)表示t时刻储能设备的荷电量，η
bes
表示储能设备的充放电损失系数，表示储能设备的荷电量，v
g
表示当前分布式发电机出力最大允许调整值，u
g
(t)表示t时刻分布式发电机的控制信号，p
pv
(t)表示t时刻光伏出力，p
l
(t)分别表示t时刻负荷需求。4.根据权利要求3所述的多微网系统的能量控制方法，其特征在于：三种成本的计算模型为：j
g
(t)＝ω
g，1
[p
g
(t)]2+ω
g，2
p
g
(t)+ω
g，3
j
bes
(t)＝θe
buy
(t)δp
bes
(t)j
grid
(t)＝e
acq
(t)p
k
(t)ω
g，1
、ω
g，2
和ω
g，3
分别表示分布式发电机出力二次项、一次项和零次项的成本系数；θ表示储能设备的自损系数，e
buy
(t)表示t时刻电网购电电价，δp
bes
(t)表示t时刻储能设备的输出变化量；e
acq
(t)表示t时刻电网回购价格，p
k
(t)表示微网单元向主电网k传输的功率；
其中：其中φ
i
表示多微网系统内所有节点的集合；j表示多微网系统内与主电网k相连的节点；p
hj
(t)表示t时刻多微网系统内不与主电网k相连的节点h流向节点j的功率；r
hj
表示线路hj的电阻；l
hj
表示线路hj的电流平方；p
j
(t)表示t时刻节点j的功率输出。5.根据权利要求1所述的多微网系统的能量控制方法，其特征在于，所述评价函数为：其中，f(p(e)；g)表示评价函数，是g中基于某种分区p(e)的分区子区域的集合；d(g)是t∈[0，t]期间子区域g中可再生能源发电和负荷之间的总功率的匹配预测值，t表示所研究的时间间隔；f(g)表示子区域g中发电机容量、储能和负荷的适合度；i(g)是特征函数，α
d
和a
f
分别是加权因子，ε是惩罚函数的系数。6.根据权利要求5所述的多微网系统的能量控制方法，其特征在于，所述子区域中发电机容量、储能和负荷的适合度计算公式为：其中，f(g)为适合度函数，v
capacity
(g)是子区域g中可调功率输入/输出的间隔；v
mismatch
(g)是子区域g中可再生能源和负荷之间功率不匹配的间隔；v
common
(g)是这两个区间的截距。7.根据权利要求5所述的多微网系统的能量控制方法，其特征在于，所述特征函数为：其中i(g)为特征函数，v
min
和v
max
是子区域g中能量单位的首选最小和最大数量，其中v
min
＜v
max
。8.根据权利要求1所述的多微网系统的能量控制方法，其特征在于：所述多微网系统模型采用图论的方法提取多微网系统的拓扑形成拓扑图g，多微网系统中分布式能量单元及分布式能量单元之间的能量连接分别用图g中的顶点v和边e表示，采用二进制方式表示电路连接状态；所述采用神经网络算法输出能量控制策略，是根据采集单位时间内可再生能源出力和负荷需求数据，根据某一时刻的可再生能源出力和负荷需求计算多微网系统的不平衡程度，以多微网系统总运行成本最低为目标，通过遗传算法计算最优能量控制策略。9.根据权利要求1所述的多微网系统的能量控制方法，其特征在于：通过遗传算法计算最优能量控制策略的具体过程包括：设置种群个体、最大进化代数以及单目标优化陷入停滞的判断阈值，每一次迭代记录一次种群进化信息，将目标函数设置为每个能量控制策略的舒适度值，初始化n个能量控制策略，通过选择、交叉和变异的操作，经过若干代进化输出最优的能量控制策略。10.一种多微网系统的能量控制器，其特征在于，包括：
数据预处理模块，用于根据多微网系统中分布式能源出力、储能状态以及负荷需求的数据，对所述数据进行预处理；多微网系统模型存储模块，用于存储多微网系统模型以及目标函数；所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；神经网络模块，用于基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略，所述能量控制策略为多微网系统模型内部微网单元的分区及能量交互策略，所述能量控制策略使各微网单元内部达到能量供需平衡；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。11.根据权利要求10所述的多微网系统的能量控制器，其特征在于：对所述多微网系统模型的目标函数中的分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本分别赋予权重，根据需求调整所述权重。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的多微网系统的能量控制方法。13.一种多微网系统的能量控制器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的多微网系统的能量控制方法。14.一种基于权利要求13所述的多微网系统的能量控制器的能源互联网系统，其特征在于，包括多微网系统和主电网系统，多微网系统与主电网系统并网运行，多微网系统所在地区以多微网系统作为主要供电系统，主电网系统作为辅助供电系统，所述多微网系统产生的富余的可再生能源通过主网络消纳；所述多微网系统包括能量控制器以及与所述能量控制器连接的各类分布式能源、储能和负荷，所述多微网系统以分布式可再生能源作为主要供电能源，化石燃料发电机和储能设备作为辅助供电能源，化石燃料发电机和储能设备还用于平衡可再生能源出力波动。

技术总结
本发明公开了一种多微网系统的能量控制方法、控制器及系统，基于多微网系统模型及多微网系统模型的目标函数，采用神经网络算法输出能量控制策略。所述的多微网系统模型的目标函数为多微网系统运行成本最低，所述多微网系统运行成本包括分布式发电机运行成本、储能设备损耗成本以及主电网协助消纳多微网系统多余可再生能源发电所产生的成本；所述神经网络算法的评价函数结合可再生能源发电和子区域负荷之间的总功率的匹配情况以及子区域中发电机容量、储能和负荷的适合度，用于评价多微网系统模型不同分区的缺陷情况。本发明以多微网系统运行成本最低为目标，针对多微网系统设计微电网边界最优控制器，使得系统中有限的资源可以被最合理地使用。源可以被最合理地使用。源可以被最合理地使用。


技术研发人员：付明 赵景涛 黄堃 赵波 陈哲 梁加本 王丙文 孙伟伟 林达 李志浩
受保护的技术使用者：国网电力科学研究院有限公司 国网浙江省电力有限公司电力科学研究院 国家电网有限公司
技术研发日：2023.06.12
技术公布日：2023/9/22