一种基于深度学习的微电网全自动导航方法、系统与装置与流程

本发明涉及微电网优化调度领域，特别是涉及一种基于深度学习的微电网全自动导航方法、系统与装置。

背景技术：

微电网是一种由微型燃气轮机、柴油发电机等可控分布式电源机组、风机、光伏等可再生能源发电机组、储能以及负荷组成的小型发-配-用电系统，通过系统内部源、网、荷、储的协调运行，能够有效降低系统运行成本和污染排放，提高可再生能源渗透率和供电可靠性，是智能电网的重要组成部分。

微电网全自动导航方法，是一种基于人工智能技术的微电网智能优化调度方法，相比于传统基于工程人员经验和认知的预案式调度方法以及基于物理模型驱动的微电网优化调度方法，其具有控制范围广、求解效率高的优势，能够有效解决预案式调度方法无法涵盖所有场景以及模型驱动方法计算效率低下难以满足运行实时性要求的难题。此外，随着微电网系统复杂度的增长，强间歇性可再生能源高比例接入、高渗透率电力电子装备、多能源耦合、多参与主体博弈、多时间尺度等因素使得传统微电网优化调度方法难以为继，发展基于人工智能技术的微电网智能优化调度方法，即微电网全自动导航方法，是应对这一问题的有效解决途径。微电网的日前优化调度是保证微电网安全、可靠、经济运行的重要手段，是微电网相关研究的热点问题。传统的微电网优化调度通常基于最优化的理论和方法，首先对微电网内部各元件进行建模，然后对模型进行简化和处理，最后研究相应的求解算法对模型进行求解。模型的目标函数一般为运行成本最小，也有相关研究综合考虑经济、环境以及社会效益建立多目标优化模型；常用的模型建模方法包括混合整数规划、动态规划、模型预测控制、分布式优化、李雅普诺夫优化等；常用的模型求解算法包括遗传算法、粒子群算法、主动进化算法、拉格朗日松弛法等。近年来，随着风机、光伏等可再生能源的高比例接入，微电网的运行不确定性显著加大，如何应对不确定性因素成为微电网优化调度的难点问题。此类问题常用的解决办法是将不确定性问题转换成确定性问题进行建模求解，主要包括基于场景的随机优化，机会约束优化，鲁棒优化等，但这些方法均存在一定的局限性，如随机优化计算量较大、鲁棒优化过于保守等，而且微电网系统运行不确定因素较为复杂时，其概率建模较为困难，导致微电网优化调度效率低。

人工智能是新一轮科技革命和产业变革的重要驱动力量，机器学习是人工智能的核心，专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，研究其在系统调度运行的应用有助于突破传统解决方案的局限性。机器学习属于无模型的思路，采用数据驱动方法替换物理建模，不需要考虑元件等物理模型内部机理，对研究对象的物理模型不敏感，通过对历史数据、决策等已知样本的不断学习，充分挖掘系统环境信息，直接得到稳定控制策略。目前，深度学习等机器学习算法在系统优化调度中的应用主要集中在负荷预测方面，包括在负荷预测精度、预测速度、模型泛化性等方面的改进，解决分布式能源的接入所带来的随机扰动问题；而直接应用在系统调度决策的相关研究较少，现有的研究大多是针对微电网电力数据表现出的规模性、随机性、多样性等特点，采用深度学习准确地提取输入数据的特征，充分发掘数据之间的关联性，输出较为稳定的结果。

技术实现要素：

本发明的目的是提供一种基于基于深度学习的微电网全自动导航方法、系统与装置，以在保证微电网优化调度求解精度的同时显著提高求解效率。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的微电网全自动导航方法，包括：

获取微电网系统日前24时段的系统净负荷；

将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略；所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型；所述微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率；

根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力；

根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率；

根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。

可选的，所述根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力，具体包括：

比较所述微电网系统的日前优化调度策略中的可控机组出力与0.5倍的最小技术出力以及最小技术出力之间的大小；

当所述微电网系统的日前优化调度策略中的可控机组出力小于或等于0.5倍的最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为0；

当所述微电网系统的日前优化调度策略中的可控机组出力大于0.5倍的最小技术出力且小于最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为最小技术出力；

当所述微电网系统的日前优化调度策略中的可控机组出力大于或等于最小技术出力时，判断所述微电网系统的日前优化调度策略中的可控机组出力是否大于可控机组出力上限值；

若所述微电网系统的日前优化调度策略中的可控机组出力大于可控机组出力上限值，将所述微电网系统的日前优化调度策略中的可控机组出力调整为可控机组出力上限值；

若所述微电网系统的日前优化调度策略中的可控机组出力不大于可控机组出力上限值，判断所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力是否满足机组上爬坡约束和下爬坡约束；

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组上爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大上调出力之和；

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组下爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大下调出力之差；

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力满足机组上爬坡约束和下爬坡约束时，判断所述微电网系统的日前优化调度策略中可控机组各时段运行状态是否满足最小运行时间约束和最小停运时间约束；

将所述微电网系统的日前优化调度策略中未满足最小运行时间约束的时段对应的可控机组出力调整为最小技术出力；

将所述微电网系统的日前优化调度策略中未满足最小停运时间约束的时段对应的可控机组出力调整为0。

可选的，所述根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率，具体包括：

判断所述微电网系统的日前优化调度策略中的储能充放电功率是否大于储能充放电功率上限值；

当所述微电网系统的日前优化调度策略中的储能充放电功率大于储能充放电功率上限值时，将所述微电网系统的日前优化调度策略中的储能充放电功率调整为储能充放电功率上限值；

当所述微电网系统的日前优化调度策略中的储能充放电功率不大于储能充放电功率上限值时，判断所述微电网系统的日前优化调度策略中储能电池各时段运行容量是否满足最大容量约束和最小容量约束；

根据所述储能电池的最大荷电状态，对所述微电网系统的日前优化调度策略中不满足最大容量约束的时间段对应的储能充电功率进行调整；

根据所述储能电池的最小荷电状态，对所述微电网系统的日前优化调度策略中不满足最小容量约束的时间段对应的储能放电功率进行调整；

当所述微电网系统的日前优化调度策略中储能电池各时段运行容量均满足最大容量约束和最小容量约束时，判断所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率是否满足调度周期内储能平衡约束；

若所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率不满足调度周期内储能平衡约束，将储能电池调度周期最后一个时段的储能放电功率调整为储能电池调度周期中除最后一个时段之外所有时段储能放电功率之和的相反数。

可选的，所述根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率，具体包括：

判断所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率是否大于微电网与大电网联络线交换功率上限值；

当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率大于微电网与大电网联络线交换功率上限值时，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整为微电网与大电网联络线交换功率上限值；

当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率不大于微电网与大电网联络线交换功率上限值时，根据调整后的可控机组出力、调整后的储能充放电功率以及系统功率平衡约束，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整进行调整；调整后的微电网与大电网联络线交换功率＝系统净负荷-调整后的可控机组出力-调整后的储能充放电功率。

可选的，所述将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略，之前还包括：

对训练样本数据进行归一化处理，得到归一化后的训练样本数据；基于归一化后的训练样本数据，采用均方误差作为损失函数，以及基于adam优化算法的权重更新方法，对所述微电网日前优化调度模型进行训练，得到训练好的微电网日前优化调度模型；

所述根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率，之后还包括：

根据调整后的可控机组出力、调整后的储能充放电功率、调整后的微电网与大电网联络线交换功率以及微电网系统日前24时段的系统净负荷，对所述微电网日前优化调度模型进行离线训练，对所述微电网日前优化调度模型中的权重参数进行修正。

本发明还提供一种基于深度学习的微电网全自动导航系统，包括：

系统净负荷获取模块，用于获取微电网系统日前24时段的系统净负荷；

微电网日前优化调度策略生成模块，用于将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略；所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型；所述微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率；

可控机组出力调整模块，用于根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力；

储能充放电功率调整模块，用于根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率；

微电网与大电网联络线交换功率调整模块，用于根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。

可选的，所可控机组出力调整模块具体包括：

最小技术处理比较单元，用于比较所述微电网系统的日前优化调度策略中的可控机组出力与0.5倍的最小技术出力以及最小技术出力之间的大小；

可控机组出力调整单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力小于或等于0.5倍的最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为0；当所述微电网系统的日前优化调度策略中的可控机组出力大于0.5倍的最小技术出力且小于最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为最小技术出力；

可控机组处理上限判断单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力大于或等于最小技术出力时，判断所述微电网系统的日前优化调度策略中的可控机组出力是否大于可控机组出力上限值；

所述可控机组出力调整单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力大于可控机组出力上限值时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为可控机组出力上限值；

爬坡约束判断单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力不大于可控机组出力上限值时，判断所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力是否满足机组上爬坡约束和下爬坡约束；

所述可控机组出力调整单元，用于当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组上爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大上调出力之和；当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组下爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大下调出力之差；

运行时间约束判断单元，用于当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力满足机组上爬坡约束和下爬坡约束时，判断所述微电网系统的日前优化调度策略中可控机组各时段运行状态是否满足最小运行时间约束和最小停运时间约束；

所述可控机组出力调整单元，用于将所述微电网系统的日前优化调度策略中未满足最小运行时间约束的时段对应的可控机组出力调整为最小技术出力；将所述微电网系统的日前优化调度策略中未满足最小停运时间约束的时段对应的可控机组出力调整为0。

可选的，所述储能充放电功率调整模块具体包括：

储能充放电功率上限值判断单元，用于判断所述微电网系统的日前优化调度策略中的储能充放电功率是否大于储能充放电功率上限值；

储能充放电功率调整单元，用于当所述微电网系统的日前优化调度策略中的储能充放电功率大于储能充放电功率上限值时，将所述微电网系统的日前优化调度策略中的储能充放电功率调整为储能充放电功率上限值；

储能电池的容量约束判断单元，用于当所述微电网系统的日前优化调度策略中的储能充放电功率不大于储能充放电功率上限值时，判断所述微电网系统的日前优化调度策略中储能电池各时段运行容量是否满足最大容量约束和最小容量约束；

所述储能充放电功率调整单元，用于根据所述储能电池的最大荷电状态，对所述微电网系统的日前优化调度策略中不满足最大容量约束的时间段对应的储能充电功率进行调整；根据所述储能电池的最小荷电状态，对所述微电网系统的日前优化调度策略中不满足最小容量约束的时间段对应的储能放电功率进行调整；

调度周期内储能平衡约束判断单元，用于当所述微电网系统的日前优化调度策略中储能电池各时段运行容量均满足最大容量约束和最小容量约束时，判断所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率是否满足调度周期内储能平衡约束；

所述储能充放电功率调整单元，用于当所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率不满足调度周期内储能平衡约束时，将储能电池调度周期最后一个时段的储能放电功率调整为储能电池调度周期中除最后一个时段之外所有时段储能放电功率之和的相反数。

可选的，所述微电网与大电网联络线交换功率调整模块具体包括：

微电网与大电网联络线交换功率上限值判断单元，用于判断所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率是否大于微电网与大电网联络线交换功率上限值；

微电网与大电网联络线交换功率调整单元，用于当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率大于微电网与大电网联络线交换功率上限值时，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整为微电网与大电网联络线交换功率上限值；

所述微电网与大电网联络线交换功率调整单元，还用于当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率不大于微电网与大电网联络线交换功率上限值时，根据调整后的可控机组出力、调整后的储能充放电功率以及系统功率平衡约束，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整进行调整；调整后的微电网与大电网联络线交换功率＝系统净负荷-调整后的可控机组出力-调整后的储能充放电功率。

本发明还提供一种基于深度学习的微电网全自动导航装置，包括：存储器、处理器及存储在所述存储器上并可在所述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以下步骤：

获取微电网系统日前24时段的系统净负荷；

将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略；所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型；所述微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率；

根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力；

根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率；

根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明采用基于adam优化算法进行训练的双层bi-lstm神经网络模型生成微电网日前优化调度策略，避免了模型驱动中对微电网各元件的精细化数学建模。而且针对生成的微电网日前优化调度策略，根据微电网系统的各个运行约束条件对日前优化调度策略中的可控机组出力、储能充放电功率和微电网与大电网联络线交换功率进行调整，进而提升微电网优化调度的准确度，可实现微电网功率的快速平衡，进而提升微电网调度运行的智能化程度。而且本发明的微电网全自动导航方法能够针对微电网实际运行的任一场景，快速精准地获取微电网各元件的日前控制策略，相比于传统微电网优化调度方法，能够在保证求解精度的同时显著提高求解效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于深度学习的微电网全自动导航方法的流程示意图；

图2为本发明中双层bi-lstm神经网络模型的结构示意图；

图3为双层bi-lstm神经网络模型中lstm的结构示意图；

图4为本发明基于深度学习的微电网全自动导航系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明基于深度学习的微电网全自动导航方法的流程示意图。如图1所示，本发明基于深度学习的微电网全自动导航方法包括以下步骤：

步骤100：获取微电网系统日前24时段的系统净负荷。

步骤200：将系统净负荷输入微电网日前优化调度模型，输出微电网系统的日前优化调度策略。微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率。所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型。bi-lstm神经网络模型即双向长短期记忆网络模型，如图2所示，双层bi-lstm神经网络中，第一层bi-lstm的输出作为第二层bi-lstm神经网络的输入。

lstm(长短期记忆网络)是一种特殊的循环神经网络，lstm通过新增记忆单元，同时引入输入门、遗忘门和输出门等门控单元控制信息的遗忘与刷新，可有效解决循环神经网络在长序列训练过程中出现的梯度弥散和梯度爆炸问题，适用于处理时间序列较长的数据信息，其结构如图3所示。

lstm基本结构单元的前向传播过程如式(1)-(6)所示。

gf＝σ(wf[ht-1,xt]+bf)(1)

gi＝σ(wi[ht-1,xt]+bi)(2)

go＝σ(wo[ht-1,xt]+bo)(3)

其中，xt为lstm的输入向量；ct和ht分别为lstm的内部状态向量和输出状态向量；gf,gi,go分别为遗忘门、输入门和输出门的控制变量；σ为激活函数，一般使用sigmoid函数；wf和bf为遗忘门的参数向量；wi,bi,wc,bc为输出门的参数向量；wo和bo为输出门的参数向量；表示哈达玛积。

由lstm的基本结构单元可见，在每个时间戳t，lstm只能提取当前输入和过去时间序列的特征信息，忽略了未来时间序列的特征信息。而bi-lstm在隐层同一时间戳同时包含一个正向lstm和一个反向lstm，并且二者都连接着一个输出层，这样的结构提供给输出层输入序列每一个时间戳完整的过去和未来的上下文特征信息，在丰富模型表达能力的同时，并没有增加对数据量的要求。微电网系统负荷预测数据以及调度决策信息是典型的具有时间先后顺序的序列数据，且微电网日前优化调度周期较长，采用擅长处理较长时间序列数据的lstm进行输入输出映射关系的学习较为合适。

本步骤在根据系统净负荷生成微电网系统的日前优化调度策略之前，需要对构建的微电网日前优化调度模型进行训练。微电网日前优化调度模型的输入为日前24时段的系统净负荷，可由日前24时段风机、光伏以及负荷的预测数据得出；微电网日前优化调度模型的输出为日前24时段的调度决策结果，具体包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率。因此，实际采集的微电网日前优化调度模型的输入数据与输出数据构成了训练样本。在进行网络训练之前，需要将训练样本数据进行归一化处理。具体地，系统净负荷数据以及可控机组出力数据归一化到[0,1]之间，储能电池的充放电功率以及微电网与大电网联络线的交换功率归一化到[-1,1]之间，如式(7)-(12)所示。

pnet,t＝pload,t-pwt,t-ppv,t(7)

pes,t＝pdis,t-pcha,t(8)

式中，pload,t表示系统在时段t的负荷大小；pwt,t和ppv,t分别表示风机和光伏在时段t的预测出力；pgi,t表示可控机组i在时段t的出力；pcha,t和pdis,t分别表示储能电池在时段t的充电功率和放电功率；pgrid,t表示微电网与大电网在时段t的交换功率，其中，pgrid,t＞0表示微电网从大电网买电，反之表示微电网向大电网卖电；pes,t为储能电池在时段t的充放电功率，pnet,t为系统在时段t的净负荷；pes,t为储能电池在时段t的充放电功率，pes,t＞0表示放电，反之表示充电；pnet,t0,pgi,t0,pes,t0,pgrid,t0分别表示系统净负荷、可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率的归一化值。

然后，基于归一化后的训练样本数据，采用均方误差作为损失函数，以及基于adam优化算法的权重更新方法，对微电网日前优化调度模型进行训练，得到训练好的微电网日前优化调度模型。

损失函数为：

adam算法的权重更新公式如式(14)-(16)所示：

式中，(pgi,t0,pes,t0,pgrid,t0)为输出向量的实际值；为输出向量的预测值；θt为待更新的神经网络权重参数；δ为学习率；ε为平滑参数；mt,vt分别为梯度的一阶矩均值和二阶矩均值；β1,β2为衰减因子。

微电网日前优化调度模型输出的微电网系统的日前优化调度策略很可能不满足微电网系统功率平衡约束以及各元件的运行约束等，因此，需要对网络输出的结果进行相应调整，具体调整过程为步骤300-步骤500。

步骤300：根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力。具体如下：

(1)比较所述微电网系统的日前优化调度策略中的可控机组出力与0.5倍的最小技术出力以及最小技术出力之间的大小。

当所述微电网系统的日前优化调度策略中的可控机组出力小于或等于0.5倍的最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为0，完成可控机组出力的调整。

当所述微电网系统的日前优化调度策略中的可控机组出力大于0.5倍的最小技术出力且小于最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为最小技术出力，完成可控机组出力的调整。

当所述微电网系统的日前优化调度策略中的可控机组出力大于或等于最小技术出力时，继续执行步骤(2)。

(2)判断所述微电网系统的日前优化调度策略中的可控机组出力是否大于可控机组出力上限值。

若所述微电网系统的日前优化调度策略中的可控机组出力大于可控机组出力上限值，将所述微电网系统的日前优化调度策略中的可控机组出力调整为可控机组出力上限值，完成可控机组出力的调整。

若所述微电网系统的日前优化调度策略中的可控机组出力不大于可控机组出力上限值，继续执行步骤(3)。

(3)判断所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力是否满足机组上爬坡约束和下爬坡约束。

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组上爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大上调出力之和，即后一时段的可控机组出力＝前一时段可控机组出力+最大上调出力，完成可控机组出力的调整。

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组下爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大下调出力之差，即后一时段的可控机组出力＝前一时段可控机组出力－最小上调出力，完成可控机组出力的调整。

当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力满足机组上爬坡约束和下爬坡约束时，继续执行步骤(4)。

(4)判断所述微电网系统的日前优化调度策略中可控机组各时段运行状态是否满足最小运行时间约束和最小停运时间约束。

将所述微电网系统的日前优化调度策略中未满足最小运行时间约束的时段对应的可控机组出力调整为最小技术出力，完成可控机组出力的调整。

将所述微电网系统的日前优化调度策略中未满足最小停运时间约束的时段对应的可控机组出力调整为0，完成可控机组出力的调整。

若所述微电网系统的日前优化调度策略中可控机组各时段运行状态均满足最小运行时间约束和最小停运时间约束时，则无需对可控机组出力进行调整。

步骤400：根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率。具体过程如下：

(1)判断所述微电网系统的日前优化调度策略中的储能充放电功率是否大于储能充放电功率上限值。

当所述微电网系统的日前优化调度策略中的储能充放电功率大于储能充放电功率上限值时，将所述微电网系统的日前优化调度策略中的储能充放电功率调整为储能充放电功率上限值，完成对储能充放电功率的调整。

当所述微电网系统的日前优化调度策略中的储能充放电功率不大于储能充放电功率上限值时，继续执行步骤(2)。

(2)判断所述微电网系统的日前优化调度策略中储能电池各时段运行容量是否满足最大容量约束和最小容量约束。

根据所述储能电池的最大荷电状态，对所述微电网系统的日前优化调度策略中不满足最大容量约束的时间段对应的储能充电功率进行调整，完成对储能充放电功率的调整。

根据所述储能电池的最小荷电状态，对所述微电网系统的日前优化调度策略中不满足最小容量约束的时间段对应的储能放电功率进行调整，完成对储能充放电功率的调整。

当所述微电网系统的日前优化调度策略中储能电池各时段运行容量均满足最大容量约束和最小容量约束时，继续执行步骤(3)。

(3)判断所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率是否满足调度周期内储能平衡约束。

若所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率不满足调度周期内储能平衡约束，将储能电池调度周期最后一个时段的储能放电功率调整为储能电池调度周期中除最后一个时段之外所有时段储能放电功率之和的相反数，以满足调度周期内储能平衡约束，即最后一个时段的储能放电功率+调度周期内其他所有时段储能放电功率的总和＝0。完成对储能充放电功率的调整。

若所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率满足调度周期内储能平衡约束，则无需对储能放电功率进行调整。

步骤500：根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。具体过程如下：

(1)判断所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率是否大于微电网与大电网联络线交换功率上限值。

当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率大于微电网与大电网联络线交换功率上限值时，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整为微电网与大电网联络线交换功率上限值，完成微电网与大电网联络线交换功率的调整；

当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率不大于微电网与大电网联络线交换功率上限值时，继续执行步骤(2)。

(2)根据调整后的可控机组出力、调整后的储能充放电功率以及系统功率平衡约束，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整进行调整；调整后的微电网与大电网联络线交换功率＝系统净负荷-调整后的可控机组出力-调整后的储能充放电功率，完成微电网与大电网联络线交换功率的调整。

对微电网日前优化调度模型输出的微电网系统的日前优化调度策略进行调整时，先处理元件约束，后处理系统约束，即先处理步骤300中的(1)-(4)、步骤400中的(1)-(2)和步骤500中的(1)，然后再处理步骤400中的(3)，最后再处理步骤500中的(2).

基于上述步骤，可针对风电、光伏、负荷任一场景的日前预测数据直接输出相应的调度决策结果，实现微电网日前功率的快速平衡与辅助决策。为了进一步提高微电网优化调度的准确度，将微电网日前优化调度模型的输入数据(即微电网系统日前24时段的系统净负荷)和对应调整后的日前优化调度策略(即调整后的可控机组出力、调整后的储能充放电功率、调整后的微电网与大电网联络线交换功率)进行保存，并随着时间的推移以及历史样本数据的不断积累，对微电网日前优化调度模型进行持续的离线训练，修正权重参数，进而可以不断提高微电网日前优化调度的精度与效率。

本发明微电网日前优化调度决策需要满足可控机组爬坡约束、最小运行和停运时间约束、储能电池容量与充放电功率关系约束等时间耦合约束，使得微电网当前时段的调度决策结果受过去和未来时段风机出力、光伏出力以及负荷的运行工况的影响，因此，本发明选择bi-lstm神经网络构建微电网日前优化调度的深度学习模型能更有效提取微电网运行工况的特征信息，进而可以更准确地描述微电网运行场景(系统净负荷)与调度决策结果之间的映射关系，优化调度结果更准确，效率更高。

对应上述的基于深度学习的微电网全自动导航方法，本发明还提供一种基于深度学习的微电网全自动导航系统。图4为本发明基于深度学习的微电网全自动导航系统的结构示意图。如图4所示，本发明基于深度学习的微电网全自动导航系统包括以下结构：

系统净负荷获取模块401，用于获取微电网系统日前24时段的系统净负荷。

微电网日前优化调度策略生成模块402，用于将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略；所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型；所述微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率。

可控机组出力调整模块403，用于根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力。

储能充放电功率调整模块404，用于根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率。

微电网与大电网联络线交换功率调整模块405，用于根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。

作为另一实施例，本发明基于深度学习的微电网全自动导航系统中，所述可控机组出力调整模块403具体包括：

最小技术处理比较单元，用于比较所述微电网系统的日前优化调度策略中的可控机组出力与0.5倍的最小技术出力以及最小技术出力之间的大小。

可控机组出力调整单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力小于或等于0.5倍的最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为0；当所述微电网系统的日前优化调度策略中的可控机组出力大于0.5倍的最小技术出力且小于最小技术出力时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为最小技术出力。

可控机组处理上限判断单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力大于或等于最小技术出力时，判断所述微电网系统的日前优化调度策略中的可控机组出力是否大于可控机组出力上限值。

所述可控机组出力调整单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力大于可控机组出力上限值时，将所述微电网系统的日前优化调度策略中的可控机组出力调整为可控机组出力上限值。

爬坡约束判断单元，用于当所述微电网系统的日前优化调度策略中的可控机组出力不大于可控机组出力上限值时，判断所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力是否满足机组上爬坡约束和下爬坡约束。

所述可控机组出力调整单元，还用于当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组上爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大上调出力之和；当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力不满足机组下爬坡约束时，将所述微电网系统的日前优化调度策略中后一时段的可控机组出力调整为前一时段的可控机组出力与最大下调出力之差。

运行时间约束判断单元，用于当所述微电网系统的日前优化调度策略中可控机组相邻两个时段的出力满足机组上爬坡约束和下爬坡约束时，判断所述微电网系统的日前优化调度策略中可控机组各时段运行状态是否满足最小运行时间约束和最小停运时间约束。

所述可控机组出力调整单元，用于将所述微电网系统的日前优化调度策略中未满足最小运行时间约束的时段对应的可控机组出力调整为最小技术出力；将所述微电网系统的日前优化调度策略中未满足最小停运时间约束的时段对应的可控机组出力调整为0。

作为另一实施例，本发明基于深度学习的微电网全自动导航系统中，所述储能充放电功率调整模块404具体包括：

储能充放电功率上限值判断单元，用于判断所述微电网系统的日前优化调度策略中的储能充放电功率是否大于储能充放电功率上限值。

储能充放电功率调整单元，用于当所述微电网系统的日前优化调度策略中的储能充放电功率大于储能充放电功率上限值时，将所述微电网系统的日前优化调度策略中的储能充放电功率调整为储能充放电功率上限值。

储能电池的容量约束判断单元，用于当所述微电网系统的日前优化调度策略中的储能充放电功率不大于储能充放电功率上限值时，判断所述微电网系统的日前优化调度策略中储能电池各时段运行容量是否满足最大容量约束和最小容量约束。

所述储能充放电功率调整单元，还用于根据所述储能电池的最大荷电状态，对所述微电网系统的日前优化调度策略中不满足最大容量约束的时间段对应的储能充电功率进行调整；根据所述储能电池的最小荷电状态，对所述微电网系统的日前优化调度策略中不满足最小容量约束的时间段对应的储能放电功率进行调整。

调度周期内储能平衡约束判断单元，用于当所述微电网系统的日前优化调度策略中储能电池各时段运行容量均满足最大容量约束和最小容量约束时，判断所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率是否满足调度周期内储能平衡约束。

所述储能充放电功率调整单元，还用于当所述微电网系统的日前优化调度策略中储能电池调度周期最后一个时段的储能放电功率不满足调度周期内储能平衡约束时，将储能电池调度周期最后一个时段的储能放电功率调整为储能电池调度周期中除最后一个时段之外所有时段储能放电功率之和的相反数。

作为另一实施例，本发明基于深度学习的微电网全自动导航系统中，所述微电网与大电网联络线交换功率调整模块405具体包括：

微电网与大电网联络线交换功率上限值判断单元，用于判断所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率是否大于微电网与大电网联络线交换功率上限值。

微电网与大电网联络线交换功率调整单元，用于当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率大于微电网与大电网联络线交换功率上限值时，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整为微电网与大电网联络线交换功率上限值。

所述微电网与大电网联络线交换功率调整单元，还用于当所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率不大于微电网与大电网联络线交换功率上限值时，根据调整后的可控机组出力、调整后的储能充放电功率以及系统功率平衡约束，将所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率调整进行调整；调整后的微电网与大电网联络线交换功率＝系统净负荷-调整后的可控机组出力-调整后的储能充放电功率。

本发明还提供一种基于深度学习的微电网全自动导航装置，包括：存储器、处理器及存储在所述存储器上并可在所述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以下步骤：

获取微电网系统日前24时段的系统净负荷；

将所述系统净负荷输入微电网日前优化调度模型，输出所述微电网系统的日前优化调度策略；所述微电网日前优化调度模型为基于adam优化算法进行训练的双层bi-lstm神经网络模型；所述微电网系统的日前优化调度策略包括可控机组出力、储能充放电功率以及微电网与大电网联络线交换功率；

根据可控机组的最小技术出力、可控机组出力上限值、可控机组爬坡约束和运行时间约束，对所述微电网系统的日前优化调度策略中的可控机组出力进行调整，得到调整后的可控机组出力；

根据储能充放电功率上限值、储能电池的容量约束和调度周期内储能平衡约束，对所述微电网系统的日前优化调度策略中的储能充放电功率进行调整，得到调整后的储能充放电功率；

根据微电网与大电网联络线交换功率上限值和系统功率平衡约束对所述微电网系统的日前优化调度策略中的微电网与大电网联络线交换功率进行调整，得到调整后的微电网与大电网联络线交换功率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。