面向新能源发电和储能的微电网双层调度方法及系统

1.本发明属于电网优化调度技术领域，更具体地，涉及一种面向新能源发电和储能的微电网双层调度方法及系统。


背景技术：

2.目前，随着环境和能源问题的日益突出，环境友好的分布式可再生能源得到了持续发展。微电网将分布式电源、柔性负载、储能装置和变流器组合成一个可控单元，为可再生能源的利用提供了有效途径。然而，大规模接入可再生能源将对微电网的运行和调度带来挑战。为了减少可再生能源波动带来的影响，储能系统和需求响应方案在微电网中得到了广泛应用。
3.微电网的调度问题是其安全高效运行的核心。由于微电网中可调度资源的不同特性以及可再生能源和负荷的波动性，微电网的优化调度较为复杂。随着微电网技术的不断推广，如何妥善管理微电网中分布式电源、柔性负载和储能系统的运行，以实现经济、技术和环境效益最大化，已成为重要的研究方向。目前，大多数研究仅考虑了微电网的日前调度。而微电网中的分布式可再生能源出力的日前预测精度低，故基于日前预测数据的调度结果与实际最优结果偏差较大，影响了调度的经济性和稳定性。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种面向新能源发电和储能的微电网双层调度方法及系统，其目的在于提高微电网调度经济性和稳定性。
5.为实现上述目的，按照本发明的一个方面，提供了一种面向新能源发电和储能的微电网双层调度方法，包括：
6.建立日前调度模型，所述日前调度模型引入分时电价策略并构建基于分时电价的第一调度成本，以第一调度成本取最低为日前目标函数，所述第一调度成本包括供电设备的供电成本以及多余负荷的购电成本；
7.建立日内调度模型，所述日内调度模型引入中断补偿策略并构建第二调度成本，以第二调度成本取最低为日内目标函数，所述第二调度成本包括各供电设备的供电成本、多余负荷的购电成本以及中断补偿成本；
8.获取常规预测信息并输入所述日前调度模型，求解所述日前目标函数，得到下一周期内各调度时间段对各供电设备的初步调度策略作为日前参考值，以及确定对应周期内的分时电价，所述常规预测信息包括下一周期内每个调度时间段的可再生能源的发电功率以及实施固定电价的常规负荷需求；
9.根据所述分时电价预测对应周期内各调度时间段的日内预测负荷；
10.将当前调度时间段的日前参考值和日内预测负荷输入所述日内调度模型中，求解日内目标函数，输出当前调度时间段对于可调资源的最终调度策略。
11.在其中一个实施例中，在日前调度模型中，构建负荷与电价的关系式为：
[0012][0013]
其中，li为日前调度中第i时段的日前预测负荷，为常规预测信息中第i时段的常规负荷需求，p0为实施分时电价前的常规电价，δpi为第i时段的分时电价较常规电价的增量，ε
ii
为第i时段的电价变化对第i时段的负荷影响系数，ε
ij
为第i时段的电价变化对第j时段的负荷影响系数，m为周期内的分时电价划分时段数。
[0014]
在其中一个实施例中，微电网连接至上层电网且包括可再生能源、供电设备和负荷，其中，供电设备和负荷为可调度资源，第k调度时间段的多余负荷的购电成本等于对应时间段内的分时电价乘以多余负荷，第k调度时间段内的多余负荷等于对应时间段内的随电价变化的负荷减去可再生能源发电功率和供电设备的发电功率。
[0015]
在其中一个实施例中，在日内调度模型中，所述中断补偿成本的计算公式为：
[0016]cidr
＝μc·
|δp
idr
|
[0017]
其中，c
idr
为中断补偿成本，δp
idr
为日内调度中的负荷较日内预测负荷被中断的负荷量，μc为设定的补偿系数。
[0018]
在其中一个实施例中，在日内调度模型中，第二调度成本函数还包括供电设备的调整成本
[0019][0020]
其中，c
δ
为调整成本，n为供电设备的个数，p
g.ref
为日前调度中第g个供电设备的供电功率，pg为日内调度中第g个供电设备的供电功率，αg为设定的调整成本系数。
[0021]
在其中一个实施例中，采用粒子群算法对日前调度模型的目标函数进行求解。
[0022]
在其中一个实施例中，采用深度强化学习算法对日内调度模型的目标函数进行求解，包括：
[0023]
搭建深度强化学习网络：搭建搭基于马尔可夫决策过程{s，a，r}的深度强化学习网络，s，a，r分别表示状态空间、动作空间和奖励函数，其中，状态空间s包括所预测的可再生能源发电功率、日内预测负荷、调度时间段、微电网在上一调度时段的运行状态以及当前调度时段的日前参考值；
[0024]
获取训练样本：获取多组历史常规预测信息并输入日前调度模型，得到多组对应的日前参考值和日内预测负荷，将历史常规预测信息中的可再生能源的发电功率、以及基于历史常规预测信息得到的日前参考值和日内预测负荷作为训练样本；
[0025]
训练网络：利用所述训练样本对所述深度强化神经网络，得到具有最佳决策能力的网络，以使第二调度成本最低；
[0026]
输出结果：将所预测的当前调度时段内可再生能源的发电功率、日内预测负荷以及当前调度时段的日前参考值输入训练后的深度强化神经网络，得到当前调度时间段对可调资源的最终调度策略。
[0027]
在其中一个实施例中，获取训练样本具体包括：
[0028]
获取多组历史常规预测信息；
[0029]
计算可再生能源发电功能和负荷需求的差值，得到缺额功率，以将历史预测信息由多维数据缩减为一维数据；
[0030]
采用k-means聚类方法对样本一维数据进行场景缩减，得到简化后的数据；
[0031]
根据简化后的数据得到训练样本。
[0032]
在其中一个实施例中，日前调度模型预测的周期为一天，每个调度时间段的时长为15分钟。
[0033]
按照本发明的另一个方面，提供了一种面向新能源发电和储能的微电网双层调度系统，包括：
[0034]
日前调度单元，用于采用日前调度模型生成下一周期内的日前参考值以及对应周期内的分时电价，所述日前参考值包括各调度时间段对各供电设备的初步调度策略，其中，所述日前调度模型引入分时电价策略并以第一调度成本取最低为日前目标函数，所述第一调度成本包括各供电设备的供电成本以及多余负荷的购电成本；
[0035]
日内调度单元，用于采用日内调度模型确定当前调度时间段对于可调资源的最终调度策略，其中，所述日内调度模型引入中断补偿策略并以第二调度成本取最低为日内目标函数，所述第二调度成本包括各供电设备的供电成本以及中断补偿成本；
[0036]
常规预测单元，用于生成下一周期内每个调度时间段的常规预测信息以及实施分时电价后的日内预测负荷，所述常规预测信息包括可再生能源的发电功率以及实施固定电价的常规负荷需求；
[0037]
控制单元，用于将下一周期的常规预测信息输入所述日前调度模型、将日前调度模型生成的分时电价输入所述常规预测单元、将所述日前调度模型生成的当前调度时间段的日前参考值和所述常规预测单元生成的当前调度时间段的日内预测负荷输入所述日内调度模型以得到当前调度时间段对于可调资源的最终调度策略。
[0038]
本发明综合分时电价策略和中断补偿策略，提出日前调度模型和日内调度模型，先利用日前调度模型预测下一周期内所有调度时间段的调度策略，然后再基于日前调动模型输出的参考值，在每个调度时间段利用日内调度模型优化参考值，输出最终的调度策略。其中，日前调度模型以调度成本最低确定合适的下一周期内的分时电价并预测各个供电设备的调度策略作为日前参考。在确定分时电价之后，利用成熟的预测系统预测分时电价下各时段的负荷，在每个调度时间段将对应的日前参考和日内预测负荷输入日内调度模型，该日内模型考虑引入中断补偿策略计算调度成本，并以调度成本最低确定最终的调度策略。实验证明，本发明结合日前调度和日内调度双层调度模型，相比于传统的单层调度模型，其经济型和稳定性均大大提高。
附图说明
[0039]
图1为一实施例的微电网双层调度方法的步骤流程图；
[0040]
图2为一实施例的微电网系统拓扑结构示意图；
[0041]
图3为一实施例的微电网双层调度框架示意图；
[0042]
图4为一实施例的粒子群算法的基本流程示意图；
[0043]
图5为一实施例的粒子群算法性能示意图；
[0044]
图6为一实施例的日前分时电价方案及负荷曲线；
[0045]
图7为一实施例的深度强化学习的马尔科夫过程示意图；
[0046]
图8为一实施例的场景缩减前后的负荷缺额曲线；
[0047]
图9为一实施例的深度强化学习的奖励函数曲线；
[0048]
图10为一实施例的微电源调度结果示意图；
[0049]
图11为一实施例的储能荷电状态变化示意图。
具体实施方式
[0050]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0051]
如图1所示，在一实施例中，面向新能源发电和储能的微电网双层调度方法包括以下步骤：
[0052]
步骤s100：建立日前调度模型和日内调度模型。
[0053]
首先，先确定微电网的结构。以如图2所示的微电网为例，该示例微电网连接到上层电网，它包含风力发电机、光伏阵列、微燃机、燃料电池、储能系统和负荷，负荷包括不可调的刚性负荷和可调的柔性负荷。该微电网的配置参数如表1所示。其中，风力发电机、光伏阵列是可再生能源，可再生能源受环境影响，不能进行调度，需根据天气预报等环境因素预测其发电功率。微燃机、燃料电池、储能系统是供电设备，供电设备和柔性负荷是可调度资源，受能量调度中心控制。当可再生能源供电不足时，需运行供电设备，以尽量满足负荷需求。因此，考虑所预测的可再生能源的发电功率，制定可调度资源的调度策略。
[0054]
表1微电网配置参数
[0055]
类别型号数量总功率风电10kw20200kw光伏200w1250250kw微燃机65kw5325kw燃料电池40kw5200kw储能系统25kw5500kw
·h[0056]
其次，需设定负荷需求响应策略。
[0057]
在本发明的调度方法中，柔性负荷通过需求响应的方式来参与微电网的调控。需求响应策略分为两种类型：基于价格的需求响应和基于激励的需求响应。基于价格的需求响应是促使消费者根据价格变化的信号调整自己的用电行为。基于激励的需求响应是制定一定的政策，如负荷削减补偿，以鼓励负荷调整。也就是，本发明设定两种负荷需求响应策略，分别为：
[0058]
分时电价策略，设定分时电价的目的是鼓励客户将用电时间从高峰期转移到非高峰期，从而减少峰谷差异。该分时电价提前一天公布，每天更新一次，用户会根据电价主动调整用电量。
[0059]
中断补偿策略，提前与消费者签订基于激励的中断负荷合同，确定赔偿价格、中断
时间等内容，调度中心根据调度策略主动中断负荷并给与用户响应的补偿。
[0060]
基于以上需求响应策略，建立日前调度模型和日内调度模型，将微电网调度过程分为日前调度和日内滚动调度两层。
[0061]
其中，日前调度模型引入分时电价策略并构建基于分时电价的第一调度成本，以第一调度成本取最低为日前目标函数，第一调度成本包括各供电设备的供电成本以及多余负荷的购电成本。
[0062]
以上文介绍的微电网结构，具体介绍日前目标函数。
[0063]
1)微燃机的运行成本c
mt
和燃料电池的运行成本c
fc
为：
[0064][0065][0066]
其中，lhv
ng
是天然气的低热值；p
mt
是微燃机的出力，p
fc
是燃料电池的出力；η
fc
、η
mt
分别为微燃机、燃料电池的效率；c
ng
为天然气的单位购买成本。
[0067]
2)储能系统的成本c
ess
为：
[0068][0069]
其中c
init
是储能系统的投资成本，p
ess
是储能系统的输出功率，n是储能系统的可用循环次数，e
ess
是储能系统的额定容量。
[0070]
3)多余负荷的购电成本c
grid
为：
[0071]cgrid
＝c
′
*δp
′
[0072]
其中，c
′
表示当前时段的分时电价，δp
′
表示当前时段的多余负荷，该多余负荷等于所调度的负荷减去供电设备的供电功率以及可再生能源的供电功率，即微电网自身无法承担的电荷，需要向上层电网购电。
[0073]
其中，在日前调度模型中，分时电价后负荷随电价的变化通常用需求价格弹性系数来描述，它代表了用电量对不同时期电价的敏感程度。应用分时电价之后的负荷可表示为：
[0074][0075]
其中，li为日前调度中第i时段的日前预测负荷，为常规预测信息中第i时段的常规负荷需求，p0为实施分时电价前的常规电价，δpi为第i时段的分时电价较常规电价的增量，ε
ii
为第i时段的电价变化对第i时段的负荷影响系数，ε
ij
为第i时段的电价变化对第j时段的负荷影响系数，ε
ii
和ε
ij
为已知系数，具体可以根据经验和多次测试确定，m为周期内的分时电价划分时段数。当周期为一天时，可以取m＝24，即将一天划分24个分时电价。关于分时电价与随之变化的负荷之间的关联，已经具有成熟的计算方式，在其他实施例中，也可以采用其他的方式计算负荷随电价变化的规律，在此不做限定。
[0076]
在日前调度模型中，第i时段的多余电荷等于li减去当前时段供电设备的供电功率以及可再生能源的供电功率。
[0077]
依据上一步骤列举的各部分的成本，可以建立日前调度模型的优化目标。日前调度的目标函数为：
[0078]
min f
da
＝c
mt
+c
fc
+c
ess
+c
grid
[0079]
该目标函数与分时电价的设定、供电设备的调度等待求参数有关。
[0080]
对于日内调度模型的搭建，引入中断补偿策略，即日内调度采取主动中断负荷来提高供电的经济性。因此，日内调度模型引入中断补偿策略并构建第二调度成本函数，以第二调度成本取最低为日内目标函数，第二调度成本包括各供电设备的供电成本、多余负荷的购电成本以及中断补偿成本。即，日内调度成本还包括了中断补偿成本c
idr
。
[0081]
中断负荷的成本c
idr
为：
[0082]cidr
＝μc·
|δp
idr
|
[0083]
其中，c
idr
为中断补偿成本，δp
idr
为日内调度负荷较日内预测负荷被中断的负荷量，μc为设定的补偿系数。
[0084]
在一实施例中，日内调度成本中还供电设备的调整成本为保持长期经济性，日内调度在经济和环境成本的基础上增加了调整成本c
δ
。调整成本反映了储能系统、微燃机和燃料电池在两种调度模型中调度结果的差异，表示为：
[0085]cδ
＝c
δsoc
+c
δmt
+c
δfc
[0086]
其中，c
δsoc
、c
δmt
、c
δfc
为储能系统、微燃机和燃料电池的调整成本，其中，
[0087]cδsoc
＝α
soc
(p
soc-p
soc.ref
)2[0088]cδmt
＝α
mt
(p
mt-p
mt.ref
)2[0089]cδfc
＝α
fc
(p
fc-p
fc.ref
)2[0090]
其中，α
soc
、α
mt
、α
fc
分别为储能系统、微燃机和燃料电池的调整成本系数，该系数也是通过多次测试提前确定；p
soc
、p
mt
、p
fc
为日内调度模型所确定的日内调度负荷；p
soc.ref
、p
mt.ref
、p
fc.ref
分别为日前调度模型中根据分时电价计算的日前预测负荷。
[0091]
故日内调度的目标函数为：
[0092]
min f
id
＝c
mt
+c
fc
+c
ess
+c
grid
+c
idr
+c
δ
[0093]
该目标函数以供电设备的运行、负荷的中断等可调资源的调度作为待求参数。
[0094]
通过以上分析，即完成日前调度模型和日内调度模型的搭建。
[0095]
以下，将利用搭建好的模型得到调度策略，可以包括：
[0096]
步骤s200：获取常规预测信息并输入日前调度模型，求解日前目标函数，得到下一周期内各调度时间段对于各供电设备的初步调度策略作为日前参考值，以及确定对应周期内的分时电价。
[0097]
其中，可通过微电网数据预测系统输出常规预测信息，该预测系统可以根据天气等情况预测微电网内可再生能源的供电功率以及用户对负荷的大致需求，目前已经比较成熟，在此不做详细说明。在本技术中，此处输入日前调度模型中的常规预测信息包括下一周期内每个调度时间段的可再生能源的发电功率以及实施固定电价的常规负荷需求。
[0098]
以一个周期为24小时，一个调度时间段为15分钟为例说明，将微电网调度过程分为日前调度和日内滚动调度两层：
[0099]
1)日前调度：每24小时进行一次，分辨率为15分钟。将24小时分为96个调度时间段，日前调度模型即是预测未来24小时内每个调度时间段的调度。而输入日前调度模型的常规预测信息则是未来24小时内每个调度时间段的可再生能源的发电功率和实施固定电价的常规负荷需求，其中，常规负荷需求主要用于预估分时电价后的日前预测负荷，然后根据日前预测负荷和可再生能源发电功率预估值推算微电网供电设备的调度以及购电需求，以综合成本最低求解日前目标函数min f
da
，得到未来24小时内各调度时间段对于各供电设备的初步调度策略(例如运行哪些供电设备，运行功率是多大)，以及确定未来24小时内的分时电价。其中，对各供电设备的初步调度策略作为日前参考值，后续将输入日内模型进行优化，而分时电价则作为确定方案，在未来24小时内将实际实施该日前调度模型所确定的分时电价。
[0100]
2)日内调度：每15分钟进行一次，分辨率为15分钟。该层根据日前参考得到中断负荷和各个供电设备的调度指令。具体过程在后文中详细介绍。
[0101]
在一实施例中，对于日内目标函数的求解，确定分时电价以及各供电设备的调度策略。由于日前调度中的优化变量较多，一次需要优化24小时中的96个点，故选择了操作简单、收敛速度快的粒子群优化算法。
[0102]
粒子群算法是一种模拟鸟群搜索食物过程的自适应寻优方法，算法适用于解决如微电网调度类的非线性问题；粒子群算法的基本流程如图4所示，即先初始化粒子群，根据日前目标计算每个粒子的目标函数，找出群体最优和个体最优并更新最优调度方案，反复迭代更新粒子的速度和位置，直到满足收敛条件后输出日前调度方案。
[0103]
更具体地，可以用matlab中编写粒子群算法程序，求取某典型场景的日前调度最优解。算法性能如图5所示。在迭代过程中，目标函数逐渐减小，在200次迭代后保持稳定，表明算法已达到收敛。得到的日前分时电价方案及负荷曲线如图6所示，可以看出，当设置基于价格型需求响应的分时电价后，负荷的峰谷差有所减小，即分时电价下的负荷较固定电价下的负荷波动更小。除分时电价以外，其他的优化变量将作为日内调度模型的输入值，为日内调度提供指导，可以在缩短网络训练时间的同时提高调度的鲁棒性。
[0104]
步骤s300：根据分时电价预测对应周期内各调度时间段的日内预测负荷。
[0105]
在本技术中，以日前调度模型所确定的分时电价作为实际实施的分时电价方案，因此，可以采用微电网数据预测系统预测该分时电价下各调度时间段的日内负荷，该预测系统已经比较成熟，其预测结果也比较可靠。本步骤中所获取的日内预测负荷，主要用于日内调度模型中补偿成本的计算。
[0106]
步骤s400：将当前调度时间段的日前参考值和日内预测负荷输入日内调度模型中，求解日内目标函数，输出当前调度时间段对于可调资源的最终调度策略。
[0107]
前文中的日前调度是一次得出未来24小时内96个调度时段的参考值，而本步骤中的日内调度是一次确定一个调度时间段的调度策略，通过对当前调度时间段的日前参考值进行优化，得到当前调度时间段的最终的调度策略，即运行哪些供电设备、中断哪些柔性负荷，以使综合成本达到最低，在保证微网稳定性的同时提高微网的经济型。
[0108]
在一实施例中，考虑到日内调度的频率高，调度计算的时间短，因此，要求计算速度足够快以便进行瞬时控制，同时还应能够适应环境的波动，故选择了在训练后可以对网络进行瞬时调用的深度强化学习算法。当然，本技术并不限于该种求解方案，在构建出目标
函数以及确定约束条件时，也可以采取其他方法进行求解。需要说明的时，对于日内调度和日前调度的求解，可以根据需要设置合适的约束条件，例如功率平衡约束、额定功率约束、爬坡约束、联络线约束和储能荷电状态约束，这些约束条件为微电网调度中常规的约束，在此不做详细介绍。
[0109]
深度强化学习算法是一种数据驱动的智能算法，既具有深度学习的感知能力，又具有强化学习的决策能力，适用于难以精确建模的动态决策问题。此外，由于神经网络的快速前向传播速度，深度强化学习可以在即时决策中取得优异的性能。强化学习是智能体与环境不断交互的一种学习机制，通常由马尔可夫决策过程表示。在本发明中，智能体为微电网调度中心，环境为微电网，如图7所示。当智能体观测到环境状态后，其内部的策略网络会为其选择动作并更新环境。在此之后，环境会返回一个奖励值，智能体根据奖励更新自身的策略。通过不断循环以上过程，最终可以得到实现目标的最优策略。
[0110]
在本实施例中，具体采用马尔可夫决策的深度强化学习算法进行求解，在进行求解前，是需要对网络进行训练，因此，采用深度强化学习算法对日内调度模型的目标函数进行求解包括以下子步骤：
[0111]
步骤s410：搭建搭基于马尔可夫决策过程{s,a,r}的深度强化学习网络。
[0112]
其中，s，a，r分别表示状态空间、动作空间和奖励函数。
[0113]
1)状态空间s：
[0114]
状态空间是指调度中心的观测值和需要的数据。应尽可能考虑影响调度的因素，包括所预测的当前调度时段的可再生能源发电功率、日内预测负荷、调度时间段、微电网在上一调度时段的运行状态以及当前调度时段的日前参考值。其中，可以适当增长预测数据的时间跨度，例如可以包括未来4小时可再生能源发电和负荷的日内预测值。
[0115]
2)动作空间a：
[0116]
动作空间是模型的决策变量。在观察环境状态后，智能体根据自身策略在动作空间中选择一个动作。微电网的动作空间由每个设备的输出功率和参与激励型需求响应的负荷构成。
[0117]
3)奖励函数r：
[0118]
深度强化学习的目的是最大化奖励函数，因此可被定义为总成本的负值。在此基础上，增加一个用于施加约束的惩罚函数，则奖励函数可表示为：
[0119]
r(t)＝-(f
id
+d
p
)
[0120]
式中d
p
为联络线功率约束的惩罚函数。
[0121]
步骤s420：获取多组历史常规预测信息并输入日前调度模型，得到多组对应的日前参考值和日内预测负荷，将历史常规预测信息中的可再生能源的发电功率、以及基于历史常规预测信息得到的日前参考值和日内预测负荷作为训练样本。
[0122]
本步骤主要是收集训练样本，可以理解的，训练样本是基于历史数据所得。
[0123]
含可再生能源的微电网通常配有数据预测系统，对微电网中存在波动的风电、光伏、负荷数据进行预测。预测的时间尺度越短，预测精度越高，但实施调度控制的时间也越短。在本实施例中，可以获取不同时间尺度的历史预测数据，例如，获取未来4小时预测数据(每15分钟更新)和未来24小时预测数据(每日更新)。利用不同时间尺度的预测数据对微电网模型进行优化，可以减小预测误差对调度的影响，进一步提高全局调度经济性。将一年内
所有历史预测数据放入数据集中，用于后续步骤中调度模型的优化。
[0124]
在一实施例中，当获取到一年的历史预测数据后，数据量较大，为了提高调度模型训练的效率，可以将数据集进行简化。首先，用负荷减去可再生能源发电总功率得到负荷缺额，即将三维数据缩减为一维数据。然后，使用k-means聚类方法来减少负荷缺额场景。k-means聚类方法是一种常见的场景缩减方法，它以每个聚类中样本的平均值为聚类中心。对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇，每个簇的中心是根据其中所有样本的均值得到。聚类目标是使得簇内的点的聚类平方和最小，对于给定的一个包含n个样本的数据集x以及总类别数k，则k-means聚类的目标可以表示为：
[0125][0126]
式中，j为两个向量间的欧氏距离，xi为第i个给定样本，uk为第k类的聚类中心。
[0127]
k-means聚类是一个反复迭代的过程，算法分为四个步骤：
[0128]
1)选择数据集中的k个样本作为初始中心，每个样本代表一个聚类中心；
[0129]
2)计算每个样本聚类中心的欧式距离，将它们划分到与其欧氏距离最小的聚类中心所对应的类；
[0130]
3)以每个类别中所有样本的均值作为新的聚类中心，计算目标函数的值；
[0131]
4)根据2)判断样本所属类别是否变化。如果保持不变，则输出结果；如果他们改变，则重新进行类别划分。
[0132]
以三个聚类中心为例进行求解，图8为场景缩减前后的负荷缺额场景。通过k-means方法得到的三条负荷缺额曲线即为缩减后的场景，采用简化后的数据集进行调度计算，可以大度提升计算效率。
[0133]
在对一年的历史数据进行场景缩减后，输入前文中的日前调度模型，得到对应于历史数据的日前参考值和分时电价，并根据该分时电价预测内日负荷，得到日内预测负荷，将历史常规预测信息中的可再生能源的发电功率、以及基于历史常规预测信息得到的日前参考值和日内预测负荷作为训练样本。
[0134]
步骤s430：利用训练样本对深度强化神经网络，得到具有最佳决策能力的网络，以使第二调度成本最低。
[0135]
微电网日内调度控制的强化学习模型离线训练流程如表2所示。
[0136]
表2微电网日内调度模型训练流程
[0137][0138]
在一实施例中，基于python语言和tensorflow框架，将场景缩减后的三组日内预测数据依次输入到深度强化学习网络中进行训练，其奖励函数随迭代次数的变化曲线如图9所示。可以看出，在训练进行过程中，环境探索和随机动作会引起较小的振荡，但模型的性能变得越来越好，最终达到较稳定的状态。
[0139]
在上述实施例中，将缩减后的典型历史场景作为训练集对深度强化学习网络进行训练，算法就可以探索不同的环境状态，从而适应一定范围内的波动。尽管实际环境数据与训练集有所差距，该算法也可以直接感知微电网的状态并做出准确的决策。此外，随着微电网数据库中预测数据的不断更新，深度强化学习网络也会定期进行数据采样并更新内部网络。这意味着即使对微电网进行升级改造，造成较大环境变化，算法也能适应这一变化并给出合理的决策。
[0140]
步骤s440：将所预测的当前调度时段内可再生能源的发电功率、日内预测负荷以及当前调度时段的日前参考值输入训练后的深度强化神经网络，得到当前调度时间段对可调资源的最终调度策略。
[0141]
实时更新不同时间尺度的预测数据，在线应用训练好的模型并获得调度指令，控制微电网中各微电源、储能、柔性负荷的运行。
[0142]
基于前文的步骤，可以从微电网的数据预测系统中提取实时更新的预测数据输入到已经建立好的模型中，直接获取在线调度的控制指令。采用典型场景对模型进行测试，每次通过强化学习网络获取结果的时间均在2ms以内。各微电源调度结果如图10所示，储能荷电状态图11所示。观察调度结果可知，成本较低的燃料电池保持开机状态，而成本较高的微燃机仅在负荷高峰期开启。此外，微电网在非高峰时段购电，在高峰时段售电，以实现调度的经济性。储能系统在负荷低估期持续充电，在8：00-16：00的负荷高峰时段基本处于放电状态。
[0143]
为了说明所提出调度方法的有效性，分别采用不同方法对微电网进行连续10天的控制，调度成本如表3所示。由表3可以看出，双层调度的成本比单层调度的成本低约21％。这是因为日前预测误差需要费用昂贵的自动发电控制单元参与功率调节。通对比第三列和
第四列可知，在双层调度中使用深度强化学习算法比使用传统数学求解器更经济。因为深度强化学习算法并不依赖特定的模型，提高了其对不确定性的适应性。此外，在计算时间方面，采用传统方法计算每个点所需的时间从数秒到数分钟不等。而深度强化学习算法虽然需要一定的时间对网络进行离线训练，但是当处于在线调度时，可以直接调用训练好的网络从而获得调度指令，所需时间均处于毫秒级别。
[0144]
表3不同调度模型下的微电网调度成本
[0145][0146][0147]
相应的，本技术还涉及一种面向新能源发电和储能的微电网双层调度系统，用于实现上述调度方法，具体的，该调度系统包括：
[0148]
日前调度单元，用于采用日前调度模型生成下一周期内的日前参考值以及对应周期内的分时电价，日前参考值包括各调度时间段对各供电设备的初步调度策略，其中，日前调度模型引入分时电价策略并以第一调度成本取最低为日前目标函数，第一调度成本包括各供电设备的供电成本以及多余负荷的购电成本；
[0149]
日内调度单元，用于采用日内调度模型确定当前调度时间段对于可调资源的最终调度策略，其中，日内调度模型引入中断补偿策略并以第二调度成本取最低为日内目标函数，第二调度成本包括各供电设备的供电成本以及中断补偿成本；
[0150]
常规预测单元，用于生成下一周期内每个调度时间段的常规预测信息以及实施分时电价后的日内预测负荷，常规预测信息包括可再生能源的发电功率以及实施固定电价的常规负荷需求；
[0151]
控制单元，用于将下一周期的常规预测信息输入日前调度模型、将日前调度模型生成的分时电价输入常规预测单元、将日前调度模型生成的当前调度时间段的日前参考值和常规预测单元生成的当前调度时间段的日内预测负荷输入日内调度模型以得到当前调度时间段对于可调资源的最终调度策略。
[0152]
可以理解的，该调度系统用于执行上述调度方法，其具体功能细节参考上述调度方法的介绍，在此不再赘述。
[0153]
综上，本发明提供的面向新能源发电和储能系统的微电网双层调度方法，首先创建微电网的双层调度模型，该模型以调度成本最小为日前优化目标，以调度成本与调整成本之和为日内优化目标，以各微电源、储能、柔性负荷的控制指令作为优化变量；收集微电网中可再生能源和负荷的历史预测数据，利用场景缩减的方法获取微电网典型运行场景；基于双层调度模型和缩减后的场景数据，充分利用不同时间尺度的预测数据，采用粒子群算法和深度强化学习算法实现两阶段优化；在线应用训练好的模型并获得调度指令，可以提高调度的经济性和稳定性。
[0154]
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。