一种基于新能源发电预测的微网能量管理方案技术领域
本发明属于微网能量管理领域，具体涉及一种应用在能量管理中的基于短期风电
预测结果的分布式能量管理算法，能够在综合考虑电网，储能公司，微网，用户之间的相互
关系和风电预测结果的情况下实现每个参与者效益最大化，从而有效地解决微网能量管理
问题。
背景技术
为解决电力系统运行与分布式电源发电间的矛盾，充分发挥分布式电源给电力系
统与用户带来的综合技术、经济、环境效益，满足电力系统运行对灵活性、可控性与可靠性
及智能电网对分布式发电的更高要求，微网技术应运而生，并很快成为世界电气工程研究
领域的最新前沿课题之一。微网可以有效整合各种分布式发电技术，充分发挥新能源发电
和智能电网所带来的经济效益和环境效益；同时也可以满足用户对用电的可靠和安全性以
及供电需求多样化的要求。由于风本身的不稳定性，风力发电具有波动性和间歇性，这将使
得微网对风电的调度造成严重的困难。
在微网能量管理中，很多工作注重于提升整个系统的效益而忽视了每个参与者之
间内在的联系和相互作用，此外，由于风力发电具有波动性和间歇性，大多数工作没有考虑
到可再生能源预测对微网能量管理的影响，也忽视了市场参与者之间的能量交易的过程。
因此，迫切需要研发基于可再生能源发电预测的微网能量管理系统。
发明内容
本发明是一种应用在微网能量管理中的基于短期风电预测结果的分布式能量管
理算法，首先提出了一种结合自动编码技术，反向传播算法和遗传算法的短期预测风电功
率算法，相较于传统风电预测算法，这种算法能有效提高风电预测的准确性。其次，基于短
期风电功率预测，将能源管理问题建模为一个三阶段的Stackelberg博弈，描述了电网公
司，储能公司，微网和用户之间的动态关系，并采用逆向递推法分析博弈模型，得出最优的
管理解决方案。其具体实施过程如下：1)图1为微网能量管理的系统模型，模型中包括了电
网公司，储能公司，用户
和多种可再生能源发电。由于受到可再生能源波动性，间歇性的影响和微网
自身容量的限制，微网仅靠自身发电往往不能满足用户的需求，因此，微网会从电
网公司和储能公司购电。模型中各个参与者效益函数建模如下：
(a)考虑到发电成本，污染物排放成本及线路损耗，电网的效益函数可构建为：Ug
(pg)＝pgLm,g-Cg(εgLm,g)-Ig(εgLm,g)，式中Cg(εgLm,g)和Ig(εgLm,g)分别代表发电成本和污染物
排放成本，都是关于发电量的二次函数，εg是线损系数。同理，考虑到储能设备的充放电损
耗及线路损耗，储能公司的效益函数可构建为：Us(ps)＝psLm,s-Cs(εsLm,s)，其中
代表着总的储能成本，式中cs是单位储能成本，εs是线损系数，ηc和ηd分别
代表储能设备的充放电效率。
(b)考虑到微网对电网和储能公司的满意度，购电成本，风电发电成本，污染物排
放成本及预测误差惩罚成本，微网的效益函数可构建为：
式中和分别代表
微网对电网和储能公司的满意度函数,Xm,g，dm,g，Xm,s，dm,s是满意度参数，代表k个
用户总的购电量，Cm(Lr+Δ)和Im(Lr+Δ)分别代表风电发电成本和污染物排放成本，其中Lr
代表风电真实发电量，Δ是风电预测误差，F|Δ|代表风电预测产生误差时的惩罚成本，F为
惩罚系数。
(c)考虑到用户对微网的满意度和购电成本，第k个用户的效益函数可构建为：Uk
(Lk,m)＝Rk(Lk,m)-pmLk,m。其中代表者第k个用户对微网
的满意度函数，Xk,m和dk,m是满意度参数。
2)我们能源管理问题建模为一个三阶段的Stackelberg博弈模型，其框图如图2所
示，描述了电网公司，储能公司，微网和用户之间的动态关系。
(a)第一阶段：电网和储能公司，作为博弈的领导者，率先发布电价pg和ps。因此，电
网公司的优化问题可表述为：储能公司的优化问题可表述为:
(b)第二阶段：微网，作为能量管理系统的中心，根据第一阶段的电价pg和ps，确定
向电网和储能公司的购电量Lm,g和Lm,s，同时确定微网电价pm。因此，微网的优化问题可表述
为：C2:0≤εgLm,g≤Lg,max，C3:0≤εsLm,s≤Ls,max，C4:0≤pm
≤pm,max，约束条件中，Lg,max代表电网最大生
产量，Ls,max代表储能公司最大存储量，pm,max代表用户能承受的最高价格。
(c)第三阶段：第k个用户，作为博弈的跟随者，根据微网的电价确定第k个用户的
购电量Lk,m。因此，用户的优化问题可表述为：C1:Lk,m≥Lk,b，约束条件中
Lk,b代表第k个用户的基本需求。
3)对于三层博弈模型，我们提出了分布式的能量管理算法来求解优化问题，其具
体过程如下：
(a)第三阶段用户博弈分析：第k个用户的优化问题的拉格朗日函数为：Lagk(Lk,m,
μk)＝Uk(Lk,m)+μk(Lk,m-Lk,b)。由于优化问题是标准可微凹函数,可以采用Karush-Kuhn-
Tucker(KKT)条件来寻求最优的解决方案。通过计算，得到最优解决方案为
Lk,m2＝Lk,b。其中Lk,m1是最优的购电策略，Lk,m2是取得边界条件的最优购电策略。
(b)第二阶段微网博弈分析：假设在第一阶段中，有k’个用户选择第一种策略，k”
个用户选择第二种策略，因此用户总的购电成本为
微网的拉格朗日函数为：
通过计算，得到Lm,g最佳解决方案为：
其中Lm,g1表示微网仅向储能公司购电，Lm,g3表示微网向电网公司的购电量达到其发电容量
的最大值，Lm,g2表示最优的购电策略。同理，通过计算，可得到Lm,s最佳解决方案为：
其中Lm,s1表示微网仅向电网公司购电，Lm,s3表示微网
向储能公司的购电量达到其存储容量的最大值，Lm,s2表示最优的购电策略。通过计算，可得
到pm的最优解决方案为：其
中pm1，pm3分别代表着微网电价最小值和最大值，pm2表示最优的定价策略。从pm2的表达式中
可以看出，微网电价pm是电网电价pg和储能公司电价ps的函数，可表示为：pm＝Am,1pg+Am,2ps+
Am,3。式中
(c)第三阶段电网和储能公司博弈分析：由Lm,g的表达式我们可以看出Lm,g是电网
公司电价pg的函数，可表示为：Lm,g(pg)＝Ag,1pg+Ag,2。式中
因此，电网公司效益函数可表示为pg的二次函
数：其中
通过计算，可以得到最优的定价策略为：
同理，存储公司的最优定价策略也可以用类似的方法求解。
4)考虑风预测误差对优化方案的影响，提出一种结合自动编码技术，反向传播算
法和遗传算法的短期预测风电功率算法，大大提高了风电预测的准确性。算法核心在于，建
立基于历史数据训练的预测模型。风电预测过程可以分为两个过程：包括预处理过程和微
调过程。在预处理过程中，包括可视层，隐含层和输出层；在微调过程中，会在预处理网络的
最后添加多个层结构并使用反向传播算法计算整体网络的初始权重。此外，为了提高预测
的精准度，我们采用遗传算法来优化每个编码器的学习速率和每层的神经元数目。具体过
程如下：
(a)预处理过程和微调过程：如图3(a)所示，编码器包含一个输入层x，一个隐含层
h1，一个输出层我们采用编码函数fθ1和解码函数gθ1来对输入数据进行处理，通过反向传
播算法得到参数值其中J是自动编码器的层数，wj和是
编码器和解码器的权重矩阵，bj和dj是编码器和解码器的偏差。
如图3(b)所示，在隐含层h1后面添加一个新的隐含层h2，此时h1和h2共同构成了一
个新的自动编码器。类似的，通过在整体网络后端添加新的隐含层，可以得到多个自动编码
器，考虑到计算的复杂性，本文考虑了三个自动编码器。图3(a)和(b)组成了风电数据预处
理的过程，包含两个隐含层h1，h2，通过方向传播算法，获得整个网络的初始权重。
在图3(c)中，我们在整个网络的最后添加了一个输出层，并初始化最后一个隐含
层和输出层之间的参数w4和b4。使用反向传播算法去初始化整个网络的权重和偏差的过程
称为微调过程。通过三个阶段的处理和微调，多层的网络能够收敛到一个最小值。
(b)模型优化：整个网络的学习速率和每个隐含层的神经元数目对于准确的预测
结果至关重要，因此我们采用遗传算法来对这些参数进行优化。假设原始的风电数据为遗
传算法里面的群体P(d,t)，式中d为群体个数，t为群体进化次数。首先初始化整个群体为P
(0,0)，其次计算每个个体的适应度，通过选择运算获得适应度最高的个体P(d,0)，然后将
交叉算法和变异算法作用于群体，得到下一代群体P(d,1)。类似的经过多次进化，最后将进
化过程中所得到的具有最大适应度个体作为最优解输出。此外，我们也用遗传算法来对传
统的支持向量机(SVM)和反向传播(BP)模型的参数进行优化，来比较本模型的精准度。评价
预测模型性能的优劣需要有一个量化的评价指标。在风力发电预测领域，常用的评价指标
是平均绝对百分比误差(MAPE)。平均绝对百分比误差的定义式为：
式中表示在n时刻真实的风电功率值，xn表示同时刻的风电预测结果，n为预测的时间点。
附图说明
图1是微网能量管理系统结构示意图。
图2是三层Stackelberg博弈模型的框图。
图3是风电预测算法的预处理和微调过程。
图4是微网向电网和储能公司的购电量随用户基本需求变化图。
图5是微网的效益值随着风电预测误差变化图。
图6是风电预测平均绝对百分比误差(MAPE)随着预测步数变化图。
具体实施方式
本发明的实施方式总共分为两步，分别为模型建立过程和算法实现过程。本发明
建立了两个模型，一个是基于短期风电预测的微网能量管理系统模型，一个是结合自动编
码技术，反向传播算法和遗传算法的短期预测风电模型，并分别用不同的算法进行实现。
1)图1是基于短期风电预测的微网能量管理系统模型，由于可再生能源具有波动
性和间歇性的特点，我们考虑到分布式可再生能源的接入对微网能量管理的影响，同时微
网受到自身容量的限制，在满足功率平衡的条件下需向电网和储能公司购电。我们也考虑
到风电预测误差对能量管理方案的影响，需要采用更精确的风电预测算法来优化能量管理
方案。
2)为了解决上述问题，首先将能源管理问题建模为一个三阶段的Stackelberg博
弈模型，图2是三层Stackelberg博弈模型的框图，能够清楚的描述电网公司，储能公司，微
网，用户之间的动态关系和能量流动的过程，通过采用逆向递推法分析博弈模型，得出最优
的能量管理方案。随后提出了一种结合自动编码技术，反向传播算法和遗传算法的短期预
测风电功率算法减少风电预测误差对能量管理方案的影响。图3为所提风电预测算法的预
处理和微调过程。
对于本发明，我们进行了大量仿真。图4是风电预测误差为零的情况下，微网向电
网和储能公司的购电策略随用户基本需求变化图。表明了随着用户基本需求的增加，微网
向电网公司和储能公司的购电量Lm,g，Lm,s也在不断增加，同时由于微网对存储可再生能源
的储能公司具有更高的喜好度，因此Lm,s>Lm,g。图5是存在风电预测误差时，在用户的不同基
本需求下，微网的效益随着风电预测误差变化图。可以明显看出微网效益随着预测误差的
增大而减小，因此我们需要精准的对风电进行预测。图6是不同的预测模型下，风电平均绝
对百分比误差MAPE随着预测步数的变化。随着预测步数的增加，MAPE也在不断增大，但可以
看出相较于其他两种模型，本发明提出的风电预测模型具有更高的精确度。
尽管为说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的
内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的
精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和
附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。