基于通信网络的多能源微电网能量预测和优化调度方法与流程

本发明涉及微电网的能量调度，尤其是涉及一种基于通信网络的多能源微电网能量预测和优化调度方法。

背景技术

过去几十年，全球气候变暖、环境恶化和人口增长让人们对丰富的、清洁的、可持续的发电能源的需求越来越大。然而，现今消耗的大部分电能都来源于燃烧化石燃料的火力发电厂。火力发电厂不仅效率低，消耗有限的化石燃料，而且燃烧排放的二氧化碳会导致温室效应。可再生能源(太阳能，风能等)的特点是无二氧化碳排放的清洁能源，非常符合现在对发电能源的需求。这些可再生能源发电受天气因素影响，一般都是间歇性发电的电源，由于发电能源分散，所以一般都是分布式电源。间歇性发电的分布式电源直接并网，会对电网的运行和稳定造成严重影响。因此，需要有一种集合分布式电源的系统来解决环境、经济和发电需求的问题。微电网是由分布式电源(如太阳能、风能发电等)、负荷、储能设备组成的可以独立运行的发电系统。当微电网处于并网模式时微电网要和大电网的电压幅值、相角和频率相同；当微电网处于孤岛模式时微电网依靠自身发电独立运行。因此，如何让微电网经济、稳定的运行，对于电网的革新发展至关重要。

微电网中各种分布式电源之间距离一般都较长，利用通信网络，微电网能量调度能够及时获取微电网中各种发电能源、储能和负荷的信息，也可以更快的传送控制信号，从而让微电网达到快速稳定的优化能量调度。微电网正常运行时，需要满足发电与负荷供需平衡、保持不间断供电。微电网中的光伏发电、风能发电的发电功率大小受天气影响，属于不可控发电能源，所以为了微电网的稳定能量调度，要对这种发电能源进行预测。如果可以获得这些不可控能源的发电预测模型，并且也有准确的微电网负荷预测模型，就可以依据成本最小、电网稳定或者环保的优化目标，对微电网的其他发电能源和储能设备进行调度。微电网的优化能量调度可以让微电发电与负荷供需平衡时，实现成本最小的能量调度。因此，微电网的能量优化调度对于环境保护和经济增长都很重要。

虽然现在已经有对于微电网能量调度的研究，但是这些研究都没有充分的利用通信网络的便利，也没用在微电网的能量调度中，使用具体、准确的微电网发电与负荷的预测方法，因此这些能量调度策略的效果不佳。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于通信网络的多能源微电网能量预测和优化调度方法。

本发明的目的可以通过以下技术方案来实现：

一种基于通信网络的多能源微电网能量预测和优化调度方法，用以获得经济环保的微电网优化调度策略，包括以下步骤：

1)多能源微电网能量预测：分别建立光伏发电预测模型、风力发电预测模型和负荷预测模型，并分别对光伏发电、风力发电和负荷功率进行预测；

2)在对光伏发电、风力发电和负荷进行预测控制的反馈校正中，采用arima超短期预测方法对预测误差进行预测，获取更准确的光伏发电、风力发电和负荷功率的预测值，并且以预测值作为预测控制模型的输入，并对预测控制模型进行求解，获得最优的微电网优化调度策略。

所述的步骤1)中，光伏发电预测模型为：

其中，为发电功率预测值，pstc为标准环境下光伏发电的额定功率，为当下天气中的光照辐射强度预测值，gstc为标准测试条件下的光照辐射强度，k为温度系数，为光伏电池模块的温度预测值，tstc为标准测试条件下的温度，tamd为大气温度，vw为风速。

所述的步骤1)中，风力发电预测模型为：

其中，vci为切入风速，vco为切出风速，k1、k2为相关系数，vwp为风力预测值，为风力发电量预测值，pr为风力发电机的额定发电功率。

所述的负荷预测模型为相似日灰色预测模型，根据气象预报信息和相似日算法选取与预测日相近的历史负荷数据作为灰色gm(1,1)模型的原始数据列，对电力负荷进行预测。

所述的步骤2)具体包括以下步骤：

21)定义当前时刻t＝k，光伏发电、风力发电和负荷的初始误差预测值序列其中pv,wt,load分别为光伏发电、风力发电和负荷功率；

22)在每一个采样时刻，根据气象预报信息和相似日灰色预测模型，预测负荷从t+δt到t+p×δt时刻的值，其中，p为预测时域，δt为每个采样时刻的间隔；根据气象预报信息，预测光伏发电和风力发电从t+δt到t+p×δt时刻的功率值，然后将误差预测序列加入光伏发电、风力发电和负荷的预测中，并更新预测序列；

23)构建预测控制模型，根据微电网能量调度的优化目标和发电能源、储能、负荷的约束条件，求解获取最优控制序列，并将控制序列中的第一个值应用到微电网中；

24)监测数据，更新历史数据；

25)实时检测光伏发电、风力发电和负荷的真实功率值，获取预测误差，利用arima对误差进行超短期预测，并更新误差预测值序列将误差预测值加入下一次的光伏发电、风力发电和负荷的预测中；

26)更新时间t＝t+δt^f，其中，δt^f为反馈校正的时间间隔；

27)判断t是否到达下一个预测控制的采样时刻，若否，则返回步骤2)，若是，则判断是否到达建模时域，若否，则返回步骤22)，若是，则结束。

所述的步骤23)中，预测控制模型的目标函数为：

其中，为微型燃气轮机消耗的天然气成本，为风力发电、光伏发电、蓄电池、通信网络和微型燃气轮机的运行维护成本，为从大电网中获取电量的成本，cpro为潜在的利益，m为控制时域；

其中，rng为燃料价格，ηmt为微型燃气轮机的效率，δt为采样时间间隔，hng为微型燃气轮机加热值，为微型燃气轮机在采样间隔t的功率；

其中，kommt为微型燃气轮机的运行维护成本，为光伏发电在采样间隔t的发电功率，kom,pv为光伏发电的运行维护成本，为风力发电在采样间隔t的发电功率，kom,wt为风力发电的运行维护成本，为电池在采样间隔t的充电功率，为电池在采样间隔t的放电功率，kom,bt为电池的运行维护成本，为通信网络在采样间隔t的通信量，kom,com为通信网络的运行维护成本；

其中，为微电网系统和大电网系统在采样间隔t交换的功率，为大电网的价格，kom,g为微电网并网时的运维成本；

其中，为电池在控制时域m内的电池电量，为电池在k时刻的电池电量，rave为接下来的市电售价。

将微型燃气轮机在采样间隔t的功率微电网系统和大电网系统在采样间隔t交换的功率电池在采样间隔t的充电功率电池在采样间隔t的放电功率作为调度控制量，则优化目标表示为：

所述的预测控制模型的约束条件包括：

a、发电与负荷供需平衡的功率约束：

其中，为风力发电功率，为光伏发电功率，为微型燃气轮机发电功率，为电池放电功率，为微电网和大电网的交换功率，为电池充电功率，为负荷功率；

b、微型燃气轮机功率约束：

其中，为燃气轮机运行状态，分别为燃气轮机发电功率的最小值和最大值；

c、微电网和大电网之间交换功率的约束：

其中，为用电负荷的高峰低谷状态因素，分别为微电网和大电网之间交换功率的最小值和最大值；

d、电池约束：

其中，为蓄电池的放电状态，为蓄电池的充电状态，为放电最大值，为充电最大值，σbt为热能量损失，为充电效率，为放电效率，为电池电量状态，分别为电池电量的最大值和最小值。

实现该方法的基于通信网络的多能源微电网系统包括：

光伏发电子系统：利用光照辐射强度进行发电，将电压、电流检测传感器检测的光伏发电的电压、电流信号传给控制器子系统，并根据控制器子系统的控制信号与大电网并网；

风力发电子系统：利用风力进行发电，将电压、电流检测传感器检测的风力发电的电压、电流信号传给控制器子系统，并根据控制器子系统的控制信号与大电网并网；

微型燃气轮机发电子系统：将电压、电流检测传感器检测的微型燃气轮机发电的电压、电流信号传给控制器子系统，控制子系统根据微电网优化能量调度算法决定微电燃气轮机的启停和发电功率；

蓄电池储能子系统：将电压、电流检测传感器检测的蓄电池的电压、电流信号传给控制器子系统，控制子系统根据微电网优化能量调度算法决定蓄电池的充电和放电功率；

通信网络子系统：利用通信网络可以将微电网内的光伏发电、风力发电、微型燃气轮机和蓄电池的发电信息快速传给控制器子系统；将控制子系统的控制信号快速的传给光伏发电子系统、微型燃气轮机发电子系统和蓄电池储能子系统；

控制器子系统：根据光伏发电、风力发电和负荷发电的预测模型对光伏发电、风力发电和负荷的功率进行预测，利用通信网络子系统获取光伏发电子系统、风力发电子系统、蓄电池储能子系统和微电网负荷的信息，并将获取的信息作为预测控制算法的输入，然后根据基于通信网络的预测控制算法和一些约束条件，设计运行维护成本最小的微电网最优能量调度控制。

与现有技术相比，本发明具有以下优点：

一、预测准确：本发明提出了一种新的基于相似日选择算法的灰色预测预测算法对微电网负荷进行预测。相似日选择算法，从可用的历史数据中搜索与选定日相似天气条件的日期，然后将查找出的相似日的负荷当作选定日的负荷，与其他方法相比，基于相似日的负荷预测，可以让负荷预测更准确。

二、调度运行稳定：本发明利用通信网络获取微电网中的发电和储能设备信息，传输控制信号；利用具体的光伏发电、风力发电和负荷预测模型在预测控制的滚动优化中得到最优能量调度控制方案。结合了发电和负荷预测模型，而且还对预测误差进行预测，误差的预测值将用于下次的发电和负荷预测中，这样可以用于解决由于天气和负荷预测引起的不确定性，让微电网的能量调度和运行更加稳定。

三、本发明在预测控制的反馈校正中，设计了一种短期预测方法，对光伏发电、风力发电和负荷的预测误差进行预测，并将误差预测值加入下次的滚动优化中，得到更准确的光伏发电、风力发电和负荷的预测值。

附图说明

图1为基于网络通信的微电网组成图。

图2为相似日选择算法流程图。

图3为基于气象因素的负荷预测流程图。

图4为微电网能量调度的预测控制算法流程图。

图5为误差预测流程图。

图6为夏日的光伏发电预测图。

图7为夏日的光伏发电实际值和预测值比较图。

图8为真实的、无反馈校正的和有反馈校正的风力发电预测对比图。

图9为真实光伏发电、无反馈校正的和有反馈校正的光伏发电预测对比图。

图10为真实负荷、无反馈校正的负荷预测和有反馈校正的负荷预测对比图。

图11为在微电网中的能量调度。

图12为所有微电网发电、储能设备的能量调度。

图1中，1为光伏单元，2为逆变器，3为电力控制系统，4为电池，5为风力涡轮机，6为风力涡轮机控制器，7为控制器，8为微型燃气轮机，9为电源线，10为负载，11为plc网络，12为大电网，13为天气预报。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明的目的可以通过以下技术方案来实现：

本发明的基于通信网络的多能源微电网系统包括：

光伏发电子系统：利用光照辐射强度进行发电，将电压、电流检测传感器检测的光伏发电的电压、电流信号传给控制器子系统，并根据控制器子系统的控制信号与大电网并网。

风力发电子系统：利用风力进行发电，将电压、电流检测传感器检测的风力发电的电压、电流信号传给控制器子系统，并根据控制器子系统的控制信号与大电网并网。

微型燃气轮机发电子系统：将电压、电流检测传感器检测的微型燃气轮机发电的电压、电流信号传给控制器子系统，控制子系统根据微电网优化能量调度算法决定微电燃气轮机的启停和发电功率。

蓄电池储能子系统：将电压、电流检测传感器检测的蓄电池的电压、电流信号传给控制器子系统，控制子系统根据微电网优化能量调度算法决定蓄电池的充电和放电功率。

通信网络子系统：利用通信网络可以将微电网内的光伏发电、风力发电、微型燃气轮机和蓄电池的发电信息快速传给控制器子系统；将控制子系统的控制信号快速的传给光伏发电子系统、微型燃气轮机发电子系统和蓄电池储能子系统。

控制器子系统：根据光伏发电、风力发电和负荷发电的预测模型对光伏发电、风力发电和负荷的功率进行预测。利用通信网络子系统获取光伏发电子系统、风力发电子系统、蓄电池储能子系统和微电网负荷的信息，并将获取的信息作为预测控制算法的输入，然后根据基于通信网络的预测控制算法和一些约束条件，设计运行维护成本最小的微电网最优能量调度控制。

微电网负荷：包括居民用电、商业用电、工业用电和农业用电。

基于通信网络的多能源微电网能量预测和优化调度方法，该方法包括以下步骤：

(1)建立光伏发电预测模型：

利用通信网络获得气象预报信息，然后根据气象预报信息中的天气类型和当天气温，可以得到光伏发电的预测值，如下所示：

其中表示光伏发电量预测值。stc(standardtestcondition)是标准测试条件的缩写。pstc表示标准环境下光伏发电的额定功率；表示当下天气中的光照辐射强度预测值，单位是w/m²；gstc表示标准测试条件下的光照辐射强度是1000w/m²；k是温度系数，它的值一般为-4.7×10^-3/℃；是光伏电池模块的温度，tstc是标准测试条件下的温度，tstc通常为25℃。

光伏电池模块温度tmod的预测值可以用下式计算。

其中的tamd是大气温度，可以通过天气预报获得。vw是风速，也可以通过天气预报得到。因为可以根据天气预报得到温度预报信息tamd，风速的预报信息vw，所以根据这些预报信息得到gac和tmod的预测值，这样就可以对光伏发电进行预测。晴天、多云、阴天、雨天的光照辐射强度gstc分别为484.243w/m²、368.147w/m²、261.257w/m²、181.267w/m²。

(2)建立风力发电预测模型：

风力发电的功率大小主要和风速相关，只要得到风速的预测，就可以获得发电的预测功率大小。由于微电网是基于通信网络的，可以通过通信获得气象预报信息，则得到风力发电的预测公式，如下所示。

其中的k1，k2值与切入风速vci，切出风速vco相关。vwp是利用通信网络获得的风力预测值，可以提前一天获得次日24小时的风力预测值，次日可以实时获得风力预测的更新值。

(3)建立负荷预测模型：

负荷与日类型相关

负荷以周为变化规律时，主要体现在工作日、休息日、特殊日的负荷不同。工作日和休息日的日常负荷相似，它们主要的不同是，工作日多一些大型工业生产负荷，而且这些工厂是长期稳定运行的；如果是休息日，则大型工业负荷一般停止工作，休息日的工作负荷会小一些，但是休息日的日常负荷和娱乐负荷会增加。特殊日(如节假日、活动日)的娱乐负荷和日常负荷也会显著增加。

相似日选择

相似日选择方法如图2所示，选定要预测的日期后，首先将预测日归类到某种日类型，日类型主要分为工作日、休息日、特殊日。根据预测日的月份对其进行分类，如果月份是5、6、7、8、12月，则负荷与温度相关；如果月是2、3、4、9、11月，则负荷与温度和湿度相关；如果月是1、10月，则负荷与湿度相关。依据预测日所处月份的气象相关因素，收集历史数据中与预测日的气象相关因素在同一范围内的数据，作为相似日的样本数据。最后判断预测日的相似日样本是否收集足够，如果不够则继续搜索相同气象范围的历史数据，如果足够则结束搜索。

基于气象因素的负荷预测

灰色预测模型适用于含不确定性因素的短期电力负荷系统，因此本节采用基于相似日的灰色gm(1,1)预测模型对短期电力负荷进行预测。利用气象预报信息和相似日算法选取与预测日类似的历史负荷数据，作为灰色gm(1,1)模型的原始数据列，然后对电力负荷进行预测。具体预测过程如下。

(301)：首先通过相似日选择算法，获取负荷的原始序列

(302)：然后通过对做一次累加后获得序列

其中

(303)：根据步骤2的序列，构建gm(1,1)模型。gm(1,1)的白化方程式6(3-13)中a是模型的发展系数，反应了负荷序列与负荷序列的变化趋势。b是模型的协调系数。

(304)：利用最小二乘法，可以求解出式(6)中参数的近似解式(7)。

(305)：求解微分方程(6)，对进行预测。

(306)：得出电力负荷的预测公式(9)

基于气象因素的负荷预测算法，如图3所示。首先选定预测日，利用通信网络，获取预测日的天气预报。然后根据的相似日选取算法，选择相似日来构造灰色预测模型的历史数据列。最后利用灰色模型预测指定日期的负荷变化曲线。

(4)预测控制算法的滚动优化实现最优能量调度：

图4是基于通信网络的微电网能量调度的预测控制算法。具体的控制算法步骤包括如下子步骤

(401)：当前时刻t＝k，光伏发电、风力发电和负荷的预测误差的预测值初始序列为其中pv,wt,load分别代表光伏发电、风力发电和负荷的功率。

(402)：在每一个采样时刻，利用通信网络获取气象预报信息，根据气象预报信息和第三章阐述的相似日灰色模型预测算法，预测负荷从t+δt到t+p×δt时刻的值，其中p是预测时域，每个采样时刻的间隔是δt。利用气象预报信息，预测光伏发电和风力发电从t+δt到t+p×δt时刻的功率值。然后将误差预测序列加入光伏发电、风力发电和负荷的预测中，对预测序列进行调整。

(403)：根据微电网能量调度的优化目标和发电能源、储能、负荷等的约束条件，求出最优控制序列，并将控制序列中的第一个值(即当前的能量优化调度方案)应用到微电网中。

(404)：监测数据，更新历史数据。

(405)：基于实时检测的光伏发电、风力发电和负荷的真实功率值，计算预测误差，利用arima对误差进行超短期预测，并更新误差预测值序列将误差预测值加入下一次的光伏发电、风力发电和负荷的预测中。

(406)：更新时间t＝t+δt^f。

(407)：判断t是否到达下一个预测控制的采样时刻，如果否则跳到步骤4；如果是则判断是否到达建模时域，如果否则跳到步骤(402)，如果是则结束。

多能源微电网中，可再生能源发电(风力发电、光伏发电)取决于天气情况，是带有不确定性的发电能源，因此可再生能源发电是不可控的。微型燃气轮机发电功率是微电网中可控的发电能源。微电网和大电网间的交换功率电池的充电功率和电池的放电功率是可控的状态。当微电网系统为大电网系统提供电压时，为正数，反之为负数。所以可以将选为微电网能量优化调度时的控制umpc(t)。则控制向量umpc(t)可以被表示为式(10)的形式。

微电网的经济优化目标

微电网的经济优化目标包括最小化运行维护成本c、发电满足负荷需求保持不间断供电。微电网系统的消耗成本主要包括微型燃气轮机消耗的天然气成本风力发电、光伏发电、蓄电池、通信网络和微型燃气轮机的运行维护成本从大电网中获取电量的成本和潜在的利益cpro，则微电网优化目标如式11所示。

微型燃气轮机的成本如式(12)所示，其中rng是燃料价格，单位为($/m³)；ηmt是微型燃气轮机的效率，δt是采样时间间隔，单位为h；hng是微型燃气轮机加热值，单位为(kwh/m³)；是微型燃气轮机在采样间隔t的功率，单位为kw。

微电网的运行维护成本如式(13)所示。其中kom,mt是微型燃气轮机的运行维护成本，单位为($/kwh)；是光伏发电在采样间隔t的发电功率，单位为kw；kom,pv是光伏发电的运行维护成本，单位为($/kwh)；是风力发电在采样间隔t的发电功率，单位为kw；kom,wt是风力发电的运行维护成本，单位为($/kwh)；是电池在采样间隔t的充电功率，单位为kw；是电池在采样间隔t的放电功率，单位为kw；kom,bt是电池的运行维护成本，单位为($/kwh)；是通信网络在采样间隔t的通信量，单位为gb；kom,com是通信网络的运行维护成本，单位为($/gb)。

微电网系统从大电网系统获取功率的成本消耗如式(14)所示。其中是微电网系统和大电网系统在采样间隔t交换的功率，单位是kw；是大电网的价格，单位为($/kwh)，kom,g是微电网并网时的运维成本，单位为($/kwh)。

微电网中潜在的利益如式15(4-6)所示。其中，是电池在控制时域m内的电池电量，单位是(kwh)；是电池在k时刻的电池电量，单位是(kwh)；rave是接下来的市电售价，单位是($/kwh)。

根据式(10)-(15)，优化目标可以被表示成式(16)的形式。

其中b1(t)中除了电价是变化值，其他值都是常数。f(t)可以利用光伏和风力发电的预测值，通信量来计算。cpro可以根据电池充放电功率计算。

约束条件

如上所述，微电网的最优能量调度是让运行、维护成本最小，然而能量调度最优解还需满足一定的约束条件。这些约束条件包括发电与负荷供需平衡、微型燃气轮机、蓄电池和微电网交换功率的约束。

发电与负荷供需平衡的功率约束是为了让微电网的供电满足负荷需求，保持不间断供电，如式(17)所示。

微型燃气轮机的约束与其发电功率的最大值最小值以及运行状态有关，具体如式(18)所示。

微电网和大电网之间交换功率的约束与用电高峰和低谷有关，因此在约束中加入了用电负荷的高峰低谷状态因素具体如式(19)所示。

电池的约束条件，包括蓄电池的放电状态充电状态放电最大值充电最大值热能量损失σbt，充电效率放电效率电池电量状态有关。具体如式(20)所示。

所以，根据优化目标(16)，光伏发电、风力发电和负荷的预测序列，加上约束条件可以得到最优控制序列，并将最优控制序列的第一个值作用到能量调度中。

(5)预测控制算法的反馈校正得到更准确的预测模型：

微电网中的发电与负荷的预测值和真实值之间总是存在偏差，是由于可再生能源发电和负荷的不确定性导致的。预测误差对于微电网的能量调度有所影响，因此设计了超短期误差预测，并将误差预测值加入下次滚动优化的预测中，得到更准确的预测模型。

误差预测

本预测采用时间序列法中应用广泛的arima，预测风能发电、光伏发电的预测误差和负荷功率的预测误差。

自回归模型(autoregressivemodel)ar(p)可以用式(21)表示，体现了任意时刻t的值都可以由之前的p个时刻的线性组合加上该时刻t的残差序列εt来表示。

yt＝λ1yt-1+λ2yt-2+...+λpyt-p+εt(21)

滑动平均模型(movingaveragemodel)ma(q)可以用式(22)表示，体现了任意时刻t都可以由之前q个时刻残差加权平均值的组合加上该时刻t的残差序列εt来表示，并且残差是白噪声序列。

yt＝εt-θ1εt-1-θ2εt-2-...-θqεt-q(22)

如果一个随机平稳序列，在任何一个时间t的取值yt既与过去的值y有关，又与过去的扰动有关系，则该序列可以用arma(p,q)表示，具体如式(23)，式中p是和自回归模型相关的自回归阶数，q是和滑动平均模型相关的滑动平均阶数，λ1,λ2...λp和θ1,θ2...θp是模型参数，残差序列是白噪声序列。

yt＝λ1yt-1+λ2yt-2+...+λpyt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q(23)

对于延迟算子b，有λ(b)＝1-λ1b-λ2b²-...-λpb^p，θ(b)＝1-θ1b-θ2b²-...-θpb^p则(23)可以转换为λ(b)yt＝θ(b)εt。

然而现实中，利用差分处理可以将许多的非平稳随机序列转换为平稳序列，对于yt的二级差分处理能被表示成则其中记为差分算法，d为差分处理的阶数。所以arima可以表示为式(24)的形式。

对负荷和发电的预测误差进行预测的步骤如下，流程图如图5所示。

(501)：测量最新的光伏发电、风力发电实际值和负荷功率实际值，更新误差序列ei(k)，其中i∈[wt,load,pv]，wt是风力发电的功率，pv是光伏发电功率，load是负荷功率，ei(k)是预测值和实际值的差值，如公式25(4-16)所示。

(502)：利用时序图和相关图来检测误差是否为平稳序列，如果误差序列是不平稳序列就对误差序列使用差分处理，一般差分阶数只需要1阶到3阶就可以让序列平稳。

(503)：若序列是平稳非白噪声序列，则利用aic(akaikeinformationcriterion)准则来选取最合适p和q。

(504)：采用极大似然法对模型的参数λ1,λ2...λp和θ1,θ2...θp进行估计。

(505)：确定所有参数后，将参数代入到式(24)，拟合出一个具体模型，通过检验该拟合模型的残差序列是不是白噪声来判断模型是否合理。若模型不合理则重复(503)到(505)，直到得到一个合理的拟合模型。

(506)：最终使用合理的拟合模型对误差进行预测，得到误差的预测值序列，并将误差预测序列作用到下一采样时刻的光伏发电、风力发电和负荷的预测中。

实施例

本节通过对多能源微电网进行仿真实验来验证上文阐述的基于通信网络微电网能量调度的预测控制算法的性能和有效性。仿真中的多能源微电网含有8个30kw的风力发电机，10个50kw的光伏发电系统，10个100kw的微型燃气轮机和6个300ah的蓄电池。仿真使用matlabr2014a作为仿真工具，具体的仿真数据，如表1所示。

表1多能源微电网能量优化调度的仿真参数

选取夏季的某一日，进行仿真，选取的建模时长为一日，计算基于预测控制的能量调度方案，并且将使用预测控制的多能源微电网优化能量调度方案，与未使用优化能量调度的运行、维护成本进行对比。基于arima预测的反馈校正模型的性能，也将在仿真中进行验证。利用arima对发电和负荷的预测误差进行预测，并将带有反馈校正和不带有反馈校正的光伏发电，风力发电和负荷的预测值进行对比，从而证明带有误差预测的反馈校正是有效的。

基于上述基于通信网络的微电网能量预测和优化调度的方法包括以下步骤：

(1)光伏发电预测

仿真中采用50kw的光伏发电系统。利用通信网络获取的天气预报信息，将天气类型是晴天标识为1，多云标识为2，阴天标识为3，雨天标识为4，根据天气类型获得光照辐射强度的预测值。通过当前大气温度和风速预报信息，预测光伏模块的温度。将光照辐射强度和光伏模块温度的预测值代入式(1)，则可以得到光伏发电的预测值。图6展示了夏季晴天的光伏预测仿真结果，图7将夏季晴天光伏发电预测值和真实值作对比，从光伏发电预测值和真实值的比较图，可以看出预测算法效果不错，但是有些时间点的光伏发电预测还是不够准确，所以需要利用反馈进行光伏预测的反馈修正。

(2)风力发电预测

30kw风力发电机的参数具体如下：额定功率30kw、最大功率35kw、切入风速3m/s、额定风速12m/s、切出风速30m\s。因为不同季节的风速差别不是很大，但是夏季和秋季的风速稍偏大一些。所以仿真中，对岛屿微电网区域的夏季7月和冬季1月的某一天的风力发电功率进行预测，并将风力预测值和真实值进行比较。

(3)负荷预测

微电网的负荷预测仿真中，预测夏日某一工作日的负荷。根据相似日算法，夏日和气象因素中的温度相关度最高，所以根据日类型和温度对历史数据进行分类，利用气象预报信息，获得与预测日每个小时相关度最高的10个数据，然后基于这10个相似日历史数据，利用灰色gm(1,1)模型得到指定日期对应每小时的4个预测点的负荷值，一天24个小时，所以总共得到96个预测点的负荷值。

(4)预测控制算法的滚动优化实现最优能量调度

仿真中的预测控制，建模时域为24小时，取4个小时作为预测时域p，滚动优化中的每个采样时间间隔δt为15分钟。因此，每个预测时域将有16个采样时间间隔，同时也意味着每个滚动优化的采样时间间隔需要预测16个数据。反馈校正的时间间隔δt^f为5分钟，因此在一个滚动优化δt内会执行三次反馈校正。

根据仿真的优化目标和约束条件。其中微型燃气轮机在采样时刻t的状态微电网在采样时刻t从大电网获取功率的状态和电池在采样时刻t的充电状态和放电状态是根据微电网的能量调度优化策略，在不同的采样时刻会有不同的状态来配合控制运行维护成本最小，经济环保的优化目标实现。

(5)预测控制算法的反馈校正得到更准确的预测模型：

预测控制的反馈校正过程中对预测误差进行预测，并将误差预测结果加入下一时刻的负荷功率、光伏发电和风力发电的预测中，对预测值进行修正。由于k时刻真实的发电和负荷数据，要在下一时刻k+1才可以检测到，所以反馈校正将会从初始时刻的下一时刻开始采集真实数据，进行误差预测。仿真初始阶段，误差时间序列的数据较少，所以误差时间序列的初始值设为20个不全为0的平稳序列，当误差时间序列的个数小于20个时，则在每个采样时刻用新的误差数据取代初始序列中对应位置的值，进行更新；当误差数据大于20个时，则通过追加方式，将新的数据添加到误差的时间序列中，则误差时间序列的长度会逐渐变大。