CN108565898B - 一种基于神经网络的集散式微电网群能量调度方法 - Google Patents

Abstract

本发明公开一种基于神经网络的集散式微电网群能量调度方法，利用神经网络模型对***内部能量进行优化分配，在子微网中设置中央控制单元，对子微网本身进行集中控制，并采用单神经元模型对子微网输出功率进行统一决策，使之在微电网群中成为一个稳定的输出（输入）单元；而在微电网群的层面上，则通过多代理在各子微网之间构建分布式控制结构，考虑能量传输过程中存在的损耗、微电网群外部功率需求和微电网群内部各微网的功率需求，利用BP神经网络对整个微电网群内部的功率进行合理分配，合理调配微电网群中的能量，从而在确保微电网群控制***可靠性的同时，有效减少微电网群的控制节点，提升***运行效率。

Description

一种基于神经网络的集散式微电网群能量调度方法

技术领域

本发明涉及一种基于神经网络的集中与分布式相融合的微电网群能量调度方法，并可根据***内部负荷变化及分布式电源的不确定性自行决策，属于新能源及微网技术领域。

背景技术

微网群是将地理位置上毗邻的微网、分布式发电***互连，构成一个微网群集***，它代表了微网未来的发展趋势，然而目前关于微网群的研究还处于起步阶段，面临着大量分布式电源接入对电网稳定性的影响、弃风弃光等诸多挑战。微网自身就是一个复杂的***，内含不同类型的分布式电源及负荷，在考虑不同电源的发电效率的同时，还要确保微网自身的稳定性及负荷供电的保证率。因此，需要对微网各电源及负荷进行综合考虑，构建稳定高效的运行控制***。而对于包含众多微网的微网群，其控制节点是独立微网的数倍，为微网群的控制带来了新的挑战。确保微网群的稳定运行是微网群控制的前提条件，而协调微网群中各电源之间的功率、使能效最大化是微网群控制的目标。目前对于微网群的控制方法主要包括集中控制和分布式控制两种。集中式控制方法中***的每一部分均通过通信技术与能量管理***相互联系，协调机端潮流、可控负荷和储能***。这种控制方法，在达到最佳运行模式时会有很大的潜力。而分布式控制方法则将决策权完全下放到各控制节点，在各控制节点只接受与本控制范围内相关的信息，从而使各控制单元相对独立，较之于集中式的控制结构具有更好的扩展性和开放性。因此构建一种新的微网群控制***，融合集中与分布式控制各自的优点对微网群技术的发展具有重要意义。目前关于集散式的微网群控制技术已有涉及，但对于***的能量分配方法并没有深入研究，本发明则借助神经网络模型为微网群复杂能量分配过程提供了较优的解决方案。

发明内容

为了解决现有技术问题，本发明提供一种基于神经网络的集散式微电网群能量调度方法，针对微网群大量分布式电源及负荷接入带来的控制节点众多、控制方法无法充分考虑每个分布式电源的效率、微网群中各控制单元类型复杂等问题，提出了一种能自行决策、集散相融合、扩展性较强的微网群控制***。

为达到以上目的，本发明采用以下技术方案来实现。

本发明采用的技术方案为：

一种基于神经网络的集散式微网群能量调度方法，包括以下步骤：

S1，构建微网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；

S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；

S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下，通过子微网代理向微网群协调代理提出需求；

S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；

S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策。

各子微网代理的集中式控制结构，通过中央控制单元对子微网进行控制，子微网代理与中央控制单元之间通过RS485总线通信；

单神经元模型用于控制子微网内部的能量达到最大输出；

各子微网代理之间的分布式控制结构，通过微网群协调代理协调各子微网之间的能量平衡，子微网代理之间、子微网代理与微网群协调代理之间都通过4G无线通信进行通信；

子微网代理置于各子微网内部，用于交互各子微网之间的信息并接受微网群协调代理的指令，子微网代理参与微网群的决策，并向中央控制单元传输决策指令，而不参与子微网内部的决策；微网群协调代理包括外部代理和内部代理，外部代理用于在微网群并网状态下与外部电网进行信息交互，实现与外部电网电能的交换，内部代理用于对微网群中的能量调度方案进行分析计算，选出最优的能量分配方案。

各子微网内部采用集中式与分布式相结合的控制结构，并结合单神经元模型，实现各子微网能量的最大化利用。子微网代理向子微网中央控制单元下发(接收)控制指令，中央控制单元将指令分解后下发到各分布式控制器，分布式控制器置于子微网内部各发电单元(光伏、储能等)，并直接控制各发电单元。

步骤S2具体包括以下步骤：

根据子微网内各电源特性，在***稳定的基础上，求得子微网内各电源的即时输出功率或者输入功率(这与电源的性质有关，如果是光伏，就只是输出功率，但如果是储能电池的话，可以是输出功率，也可以是输入功率)[P_(1,min),P_(1,max)]、……、[P_(i,min),P_(i,max)]，求出子微网中各单元的功率分配权重W_i的允许范围：

式中P_i为子微网中第i个电源点功率(输出功率或输入功率)，n为电源点数量，i为电源点编号，P_(i,min)为子微网中电源点i的功率最小值，P_(i,max)为子微网中电源点i的功率最大值；

在各电源允许输出功率的范围内随机选取一组功率组合(x₁、x₂……x_i)与即时的微网内部负荷需求(y₁、y₂……y_i)一起作为输入，以微网整体输入或输出功率P为输出构建单神经元模型，单神经元模型激活函数采用线性函数：

P(K+1)＝∑W_ix_i(K)-∑y_i(K) (2)

通过对改变功率分配权重W_i进行神经元的学习；

K为神经元比例系数矩阵，通过对矩阵进行调节来改变W_i，神经元学习的目标为|P(K+1)-P(K)|的值最小，其中P(K+1)为理想情况下的最大输出功率或者输入功率，P(K)为实际输出功率。

采用单神经元模型对微网群内部各子微网的需求功率进行优化决策，使每个子微网成为一个稳定的输入单元或者输出单元；单神经元模型以子微网中各电源即时允许输出功率和即时微网内部负荷为输入，以子微网对外输出或者输入功率为输出，以子微网内部电源达到最大发电功率为目标构建单神经元模型。

较优地，步骤S3具体包括以下步骤：

若子微网能满足自身功率需求，且没有多余功率输出，则所述子微网视为最佳运行状态，不纳入微网群BP神经网络协调功率分配的范围，若不满足自身功率需求，则通过BP神经网络模型来进行给微网之间的功率分配；

以各子微网的功率需求(P₁、P₂……P_n)作为BP神经网络模型的期望输出，输入层选取各子微网需求功率允许范围内的值的随机组合，选用蒙地卡罗随机抽样方法进行输入层的抽样选择；由于各微网已经通过各自的中央控制单元及单神经元模型决策了经济性和稳定性最优的功率分配方案，因此在微网群的层级上面就无需对子微网内部的功率分配情况进行考虑，进而减少了微网群的控制节点。在微网群层级上的功率分配考虑功率传输距离以及需求功率与分配功率之间的误差，建立BP神经网络模型；

设置输入层与隐含层之间神经元的连接强度(即权值)矩阵Λ为：

输入层与隐含层之间采用线性激活函数：f(x)＝b_ijx，其中b_ij为连接强度，x为输入功率；b_ij表示第i个子微网功率分配到第j个子微网功率的百分比；当i＝j，b_ij则表示未分配出去的功率(或者需缺功率)。

设微网群由n个子微网构成，各子微网之间的距离为d_ij，且定义d_ij表示能量由第i个子微网传输到第j个子微网，d_ji则表示能量传输的方向与之相反，构建微网间距矩阵T为：

矩阵T为对称矩阵，则d_ij＝d_ji，且d_ij与d_ji之间有一项为零，当i＝j，d_ij＝0；根据矩阵T的特征(微网群中各子微网之间的能量传输途径的可能性)，对神经网络设置一个隐含层，隐含层设置

即n(n-1)/2个神经元，见图3。

以分配功率为输出，隐含层与输出层的传递函数考虑能量传输过程中的损失，子微网j分配的功率为P_j'：

其中P_j′表示子微网j分配的功率，U表示子微网总电压，R表示子微网总电阻，

表示电力传输过程中的能量损失；通过调节子微网之间的距离d_ij来实现神经网络在隐含层和输出层之间的误差传递；子微网之间的距离d_ij调节的原则如下：d_ij表示微网能量传输的距离和方向，若两子微网之间没有能量传输d_ij就用0表示，有能量传输d_ij就表示两微网之间的距离。

较优地，步骤S4中所述最大学习次数和计算精度根据微网群的复杂程度设置，在满足计算精度要求的前提下，使最大学习次数尽可能减少，进而提高计算速度；计算精度通过全局误差衡量，全局误差按照式(4)计算：

m表示最大学习次数，k为学习次数编号，q为子微网总数，P_ex,i表示第i个子微网期望输出功率，P′_ex,i(k)P表示第i个子微网实际输出功率；

以全局误差衡量计算精度，通过神经网络学习，在满足***稳定的情况下，使得各微网实际的功率输出或者输入与通过单神经元模型计算得到的最优功率输出尽量逼近，优化各子微网能量分配。

较优地，步骤S5具体包括以下步骤，

步骤S5具体包括以下步骤，

(501)由中央控制单元提出功率需求(1)，各子微网代理再得到内部功率需缺指令之后，分别向微网群内部代理进行注册(2)，若功率需缺为0，则子微网代理不进行注册，内部代理负责对注册请求进行相应，并针对注册子微网代理的个数来对BP神经网络模型进行自动参数设置(3)，神经网络模型通过计算得出微网群中最优的能量分配方案(4)；

(502)内部代理向下级子微网进行注册(5)，子微网代理接受功率分配命令，输入或输出相应的功率(6)；

(503)对于微网群中多余的功率，由内部代理向外部代理进行注册(7)，对外部电网进行功率输出；

(504)外部代理接受外部电网相关需求，让微网群参与外部电网的控制调节(8)；

(505)外部代理直接对微网群内部的各子微网进行信息交互(9、10)。

微电群协调代理用于微网群外部命令，并收集子微网代理信息，通过BP神经网络模型对整个微网群进行潮流控制。

BP神经网络模型以各子微网的功率允许变化范围为输入样本，BP神经网络模型的传递函数考虑电力传输过程中的损失，以各子微网单神经元模型的计算结果为期望输出来构建模型。

对微电群分布式控制结构采用4G通信，而各子微网内部则采用485总线通信，两种通信方式互相配合。

与现有技术相比，本发明有益效果包括：

本申请一种基于神经网络的集散式微电网群能量调度方法，在子微网中设计中央控制单元，对子微网本身进行集中控制，并采用单神经元模型对子微网输出功率进行统一决策，使之在微网群中成为一个稳定的输出(输入)单元；而在微网群的层面上，则通过多代理在各子微网之间构建分布式控制结构，考虑能量传输过程中存在的损耗、微网群外部功率需求和微网群内部各微网的功率需求，利用BP神经网络对整个微网群内部的功率进行合理分配，再通过多代理***对下属子微网下达功率调节命令，合理调配微网群中的能量。子微网内部的运行控制由自身的中央控制单元完成，多代理***只负责下达和上传功率需求及调节命令，不参与其内部控制，从而在确保微网群控制***可靠性的同时，有效减少微网群的控制节点，提升***运行效率；

本申请各子微网需求功率经单神经元模型优化决策后，以485通信形式将控制指令下发到各分布式控制器中，由分布式控制器直接控制发电单元，在优化调度的同时有效减少控制节点数；

本发明采用集散式控制结构，较之于完全分布式的控制结构减少了微网群控制节点数，利用基于单神经元模型的集中控制结构，使得子微网的功率输出达到最优，各子微网的代理交互各自需求的功率输入或输出，通过协调代理，利用BP神经网络算法对各微网的功率进行合理分配，在确保***稳定的情况下，最大限度的寻求微网群发电效率的最优方案。

附图说明

图1是本发明基于神经网络的集散式微网群能量调度方法流程图；

图2是本发明单神经元模型集中控制结构示意图；

图3是本发明BP神经网络结构示意图；

图4是本发明多代理控制结构示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于神经网络的集散式微网群能量调度方法，包括以下步骤：

S1，构建微网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；

S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；

S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下(最优输入和功率输入，或者最优输出功率和功率输出)，通过子微网代理向微网群协调代理提出需求；

S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；

S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策。

各子微网代理的集中式控制结构，通过中央控制单元对子微网进行控制，子微网代理与中央控制单元之间通过RS485总线通信；

图2所示，单神经元模型用于控制子微网内部的能量达到最大输出；

各子微网代理之间的分布式控制结构，通过微网群协调代理协调各子微网之间的能量平衡，子微网代理之间、子微网代理与微网群协调代理之间都通过4G无线通信进行通信；

子微网代理置于各子微网内部，用于交互各子微网之间的信息并接受微网群协调代理的指令，子微网代理参与微网群的决策，并向中央控制单元传输决策指令，而不参与子微网内部的决策；微网群协调代理包括外部代理和内部代理，外部代理用于在微网群并网状态下与外部电网进行信息交互，实现与外部电网电能的交换，内部代理用于对微网群中的能量调度方案进行分析计算，选出最优的能量分配方案。

各子微网内部采用集中式与分布式相结合的控制结构，并结合单神经元模型，实现各子微网能量的最大化利用。子微网代理向子微网中央控制单元下发(接收)控制指令，中央控制单元将指令分解后下发到各分布式控制器，分布式控制器置于子微网内部各发电单元(光伏、储能等)，并直接控制各发电单元。

步骤S2具体包括以下步骤：

根据子微网内各电源特性，在***稳定的基础上，求得子微网内各电源的即时输出功率或者输入功率(这与电源的性质有关，如果是光伏，就只是输出功率，但如果是储能电池的话，可以是输出功率，也可以是输入功率)[P_(1,min),P_(1,max)]、……、[P_(i,min),P_(i,max)]，求出子微网中各单元的功率分配权重W_i的允许范围：

式中P_i为子微网中第i个电源点功率(输出功率或输入功率)，n为电源点数量，i为电源点编号，P_(i,min)为子微网中电源点i的功率最小值，P_(i,max)为子微网中电源点i的功率最大值；

在各电源允许输出功率的范围内随机选取一组功率组合(x₁、x₂……x_i)与即时的微网内部负荷需求(y₁、y₂……y_i)一起作为输入，以微网整体输入或输出功率P为输出构建单神经元模型，单神经元模型激活函数采用线性函数：

P(K+1)＝∑W_ix_i(K)-∑y_i(K) (2)

通过对改变功率分配权重W_i进行神经元的学习；

K为神经元比例系数矩阵，通过对矩阵进行调节来改变W_i，神经元学习的目标为|P(K+1)-P(K)|的值最小，其中P(K+1)为理想情况下的最大输出功率或者输入功率，P(K)为实际输出功率。

采用单神经元模型对微网群内部各子微网的需求功率进行优化决策，使每个子微网成为一个稳定的输入单元或者输出单元；单神经元模型以子微网中各电源即时允许输出功率和即时微网内部负荷为输入，以子微网对外输出或者输入功率为输出，以子微网内部电源达到最大发电功率为目标构建单神经元模型。(神经元学习的目标为|P(k+1)-P(k)|的值最小，单神经元模型自我学习的规则，即无限逼近最大的输出功率，在环境条件一定的情况下，子微网有一个理想的最大输出功率，单神经元模型的作用就是通过迭代计算，使实际的输出功率尽量靠近最大的输出功率)。

较优地，步骤S3具体包括以下步骤：

若子微网能满足自身功率需求，且没有多余功率输出，则所述子微网视为最佳运行状态，不纳入微网群BP神经网络协调功率分配的范围，若不满足自身功率需求，则通过BP神经网络模型来进行给微网之间的功率分配；

以各子微网的功率需求(P₁、P₂……P_n)作为BP神经网络模型的期望输出，输入层选取各子微网需求功率允许范围内的值的随机组合，选用蒙地卡罗随机抽样方法进行输入层的抽样选择；由于各微网已经通过各自的中央控制单元及单神经元模型决策了经济性和稳定性最优的功率分配方案，因此在微网群的层级上面就无需对子微网内部的功率分配情况进行考虑，进而减少了微网群的控制节点。在微网群层级上的功率分配考虑功率传输距离以及需求功率与分配功率之间的误差，建立BP神经网络模型；

设置输入层与隐含层之间神经元的连接强度(即权值)矩阵Λ为：

输入层与隐含层之间采用线性激活函数：f(x)＝b_ijx，其中b_ij为连接强度，x为输入功率；b_ij表示第i个子微网功率分配到第j个子微网功率的百分比；当i＝j，b_ij则表示未分配出去的功率(或者需缺功率)。

设微网群由n个子微网构成，各子微网之间的距离为d_ij，且定义d_ij表示能量由第i个子微网传输到第j个子微网，d_ji则表示能量传输的方向与之相反，构建微网间距矩阵T为：

矩阵T为对称矩阵，则d_ij＝d_ji，且d_ij与d_ji之间有一项为零，当i＝j，d_ij＝0；根据矩阵T的特征(微网群中各子微网之间的能量传输途径的可能性)，对神经网络设置一个隐含层，隐含层设置

即n(n-1)/2个神经元，见图3。

以分配功率为输出，隐含层与输出层的传递函数考虑能量传输过程中的损失，子微网j分配的功率为P′_j：

其中P′_j表示子微网j分配的功率，，U表示子微网总电压，R表示子微网总电阻，

表示电力传输过程中的能量损失；通过调节子微网之间的距离d_ij来实现神经网络在隐含层和输出层之间的误差传递；子微网之间的距离d_ij调节的原则如下：d_ij表示微网能量传输的距离和方向，若两子微网之间没有能量传输d_ij就用0表示，有能量传输d_ij就表示两微网之间的距离。

步骤S4中所述最大学习次数和计算精度根据微网群的复杂程度设置，在满足计算精度要求的前提下，使最大学习次数尽可能减少，进而提高计算速度；计算精度通过全局误差衡量，全局误差按照式(4)计算：

m表示最大学习次数，k为学习次数编号，q为子微网总数，P_ex,i表示第i个子微网期望输出功率，P′_ex,i(k)P表示第i个子微网实际输出功率；

以全局误差衡量计算精度，通过神经网络学习，在满足***稳定的情况下，使得各微网实际的功率输出或者输入与通过单神经元模型计算得到的最优功率输出尽量逼近，优化各子微网能量分配。

如图4所示，由中央控制单元提出功率需求(1)，各子微网代理再得到内部功率需缺指令之后，分别向微网群内部代理进行注册(2)，若功率需缺为0，则该子微网代理不进行注册，内部代理负责对注册请求进行相应，并针对注册子微网代理的个数来对BP神经网络模型进行自动参数设置(3)，神经网络模型通过计算得出微网群中最优的能量分配方案(4)。再由内部代理向下级子微网进行注册(5)，子微网代理接受功率分配命令，输入或输出相应的功率(6)。对于微网群中多余的功率，由内部代理向外部代理进行注册(7)，对外部电网进行功率输出。其次，外部代理接受外部电网相关需求，让微网群参与外部电网的控制调节(8)。由于多代理技术各控制单元具有相对独立性，外部代理除了与内部代理进行信息交互以外，还能直接对微网群内部的各子微网进行信息交互(9、10)，提高了整个***的可靠性。

微电群协调代理用于微网群外部命令，并收集子微网代理信息，通过BP神经网络模型对整个微网群进行潮流控制。

BP神经网络模型以各子微网的功率允许变化范围为输入样本，BP神经网络模型的传递函数考虑电力传输过程中的损失，以各子微网单神经元模型的计算结果为期望输出来构建模型。

对微电群分布式控制结构采用4G通信，而各子微网内部则采用485总线通信，两种通信方式互相配合。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于神经网络的集散式微电网群能量调度方法，其特征在于，包括以下步骤：

S1，构建微网群集散式控制结构，包括若干分布式控制器、中央控制单元、若干子微网代理和微网群协调代理；各子微网内部采用集中式与分布式相结合的控制结构；

S2，在中央控制单元构建单神经元模型，对分布式控制器进行集中控制；

S3，在子微网计算得到最优输入/输出功率和功率输入/输出允许范围的情况下，通过子微网代理向微网群协调代理提出需求；

S4，根据神经网络最大学习次数、计算精度和误差函数，对功率分配进行计算，得到最为优化的功率分配方案；

S5，子微网层代理交互各微网之间的信息，实现分布式控制；微网群协调代理用于接收微网群外部信息，对微网群内部的能量分配方案进行决策；

步骤S2具体包括以下步骤：

根据子微网内各电源特性，在***稳定的基础上，求得子微网内各电源的即时输出功率或者输入功率[P_(1,min),P_(1,max)]、……、[P_(i,min),P_(i,max)]，求出子微网中各单元的功率分配权重W_i的允许范围：

式中P_i为子微网中第i个电源点功率，n为电源点数量，i为电源点编号，P_(i,min)为子微网中电源点i的功率最小值，P_(i,max)为子微网中电源点i的功率最大值；

在各电源允许输出功率的范围内随机选取一组功率组合(x₁、x₂……x_i)与即时的微网内部负荷需求(y₁、y₂……y_i)一起作为输入，以微网整体输入或输出功率P为输出构建单神经元模型，单神经元模型激活函数采用线性函数：

P(K+1)＝∑W_ix_i(K)-∑y_i(K) (2)

W_i为功率分配权重，通过对改变功率分配权重W_i进行神经元的学习；

K为神经元比例系数矩阵，通过对神经元比例系数矩阵进行调节来改变W_i，神经元学习的目标为|P(K+1)-P(K)|的值最小，其中P(K+1)为理想情况下的最大输出功率或者输入功率，P(K)为实际输出功率。

2.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：

各子微网代理的集中式控制结构，通过中央控制单元对子微网进行控制；

单神经元模型用于控制子微网内部的能量达到最大输出；

各子微网代理之间的分布式控制结构，通过微网群协调代理协调各子微网之间的能量平衡；

子微网代理置于各子微网内部，用于交互各子微网之间的信息并接受微网群协调代理的指令，子微网代理参与微网群的决策，并向中央控制单元传输决策指令；微网群协调代理包括外部代理和内部代理，外部代理用于在微网群并网状态下与外部电网进行信息交互，实现与外部电网电能的交换，内部代理用于对微网群中的能量调度方案进行分析计算，选出最优的能量分配方案。

3.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：

采用单神经元模型对微网群内部各子微网的需求功率进行优化决策，使每个子微网成为一个稳定的输入单元或者输出单元；单神经元模型以子微网中各电源即时允许输出功率和即时微网内部负荷为输入，以子微网对外输出或者输入功率为输出，以子微网内部电源达到最大发电功率为目标构建单神经元模型。

4.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：

步骤S3具体包括以下步骤：

若子微网能满足自身功率需求，且没有多余功率输出，则所述子微网视为最佳运行状态，若不满足自身功率需求，则通过BP神经网络模型来进行给微网之间的功率分配；

以各子微网的功率需求(P₁、P₂……P_n)作为BP神经网络模型的期望输出，输入层选取各子微网需求功率允许范围内的值的随机组合，选用蒙地卡罗随机抽样方法进行输入层的抽样选择；在微网群层级上的功率分配考虑功率传输距离以及需求功率与分配功率之间的误差，建立BP神经网络模型；

设置输入层与隐含层之间神经元的连接强度矩阵Λ为：

输入层与隐含层之间采用线性激活函数：f(x)＝b_ijx，其中b_ij为连接强度，x为输入功率；b_ij表示第i个子微网功率分配到第j个子微网功率的百分比；当i＝j，b_ij则表示未分配出去的功率；

设微网群由n个子微网构成，各子微网之间的距离为d_ij，且定义d_ij表示能量由第i个子微网传输到第j个子微网，d_ji则表示能量传输的方向与之相反，构建微网间距矩阵T为：

矩阵T为对称矩阵，则d_ij＝d_ji，且d_ij与d_ji之间有一项为零，当i＝j，d_ij＝0；根据矩阵T的特征，对神经网络设置一个隐含层，隐含层设置

个神经元；

以分配功率为输出，隐含层与输出层的传递函数考虑能量传输过程中的损失，子微网j分配的功率为P′_j：

其中P′_j表示子微网j分配的功率，U表示子微网总电压，R表示子微网总电阻，

表示电力传输过程中的能量损失；通过调节子微网之间的距离d_ij来实现神经网络在隐含层和输出层之间的误差传递；子微网之间的距离d_ij调节的原则为：d_ij表示微网能量传输的距离和方向，若两子微网之间没有能量传输d_ij就用0表示，有能量传输d_ij就表示两微网之间的距离。

5.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：

步骤S4中所述最大学习次数和计算精度根据微网群的复杂程度设置，在满足计算精度要求的前提下，使最大学习次数尽可能减少，进而提高计算速度；计算精度通过全局误差衡量，全局误差E按照式(4)计算：

m表示最大学习次数，k为学习次数编号，q为子微网总数，P_ex,i表示第i个子微网期望输出功率，P′_ex,i(k)P表示第i个子微网实际输出功率；

以全局误差衡量计算精度，通过神经网络学习，在满足***稳定的情况下，使得各微网实际的功率输出或者输入与通过单神经元模型计算得到的最优功率输出尽量逼近，优化各子微网能量分配。

6.根据权利要求1所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：

步骤S5具体包括以下步骤，

(501)由中央控制单元提出功率需求(1)，各子微网代理再得到内部功率需缺指令之后，分别向微网群内部代理进行注册(2)，若功率需缺为0，则子微网代理不进行注册，内部代理负责对注册请求进行相应，并针对注册子微网代理的个数来对BP神经网络模型进行自动参数设置(3)，神经网络模型通过计算得出微网群中最优的能量分配方案(4)；

(502)内部代理向下级子微网进行注册(5)，子微网代理接受功率分配命令，输入或输出相应的功率(6)；

(503)对于微网群中多余的功率，由内部代理向外部代理进行注册(7)，对外部电网进行功率输出；

(504)外部代理接受外部电网相关需求，让微网群参与外部电网的控制调节(8)；

(505)外部代理直接对微网群内部的各子微网进行信息交互(9、10)。

7.根据权利要求2所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：微电群协调代理用于微网群外部命令，并收集子微网代理信息，通过BP神经网络模型对整个微网群进行潮流控制。

8.根据权利要求4所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：所述BP神经网络模型以各子微网的功率允许变化范围为输入样本，BP神经网络模型的传递函数考虑电力传输过程中的损失，以各子微网单神经元模型的计算结果为期望输出来构建模型。

9.根据权利要求2所述的一种基于神经网络的集散式微电网群能量调度方法，其特征在于：子微网代理之间、子微网代理与微网群协调代理之间都通过4G无线通信进行通信；子微网代理与中央控制单元之间通过RS485总线通信，两种通信方式互相配合。

Images