英语原文共 13 页
基于深度学习的社区微电网太阳能负荷预测及最优负荷分配
摘要：长短期记忆深度循环神经网络（DRNN-LSTM）在社区微电网的负荷预测及光电能源分配等方面得到了发展。同时，在三种不同的调度场景下建立了包含住宅电力负荷、光伏发电阵列、电力交通以及储能系统在内的并网运行的社区微电网的最优配电模型。在模型中通过整合住宅电力负荷以及光伏发电量的预测结果而同时考虑了两者不确定性，从而提高了供应与需求的平衡性。本研究采用两个数据集测试预测模型，测试结果表明DRNN-LSTM模型比多层感知机(MLP)和支持向量机(SVM)的性能更加优越。最后，研究使用粒子群算法(PSO)使处于并网模式运行的社区微电网达到最佳配电状态。研究结果表明，EES和电动交通的协同充电模式可以削弱负荷峰值，并且减少8.97%的日常费用。本研究致力于使用负荷与新能源功率预测的方法实现社区微电网的最佳配电。基于深度学习的社区微电网太阳能负荷预测及最优负荷分配方法实现了总费用的降低和系统稳定性的提升。
1.序言
能源与环境问题是全球可持续发展的两大重要挑战。大部分国家依然主要依靠传统化石燃料的燃烧来完成能源供应，这将会带来严重的环境问题。同时，伴随着人口爆发式的增长以及经济的快速发展，电力消耗也急剧增加，其中居民用电增长迅速并保持着持续增长的趋势。据中国2014年统计数据显示，居民用电大约占据总电量的18.68%。
近年来，为了面对用电挑战，一种新型的智能电网系统被提出并得到了迅速的发展。作为智能电网的一部分，微电网集成了各种分布式电源（DGs）、储能系统(ESS)、负载以及其他监控与保护设备。微电网能够更好的满足区域用户多样化和个性化的用电需求。通过与主电网的联系与作用，微电网能够更好地提高电能使用效率。此外，微电网能够减少因用户的分散而造成的电力资源的损耗，从而减轻环境压力。根据微电网是否与主电网相连，可将微电网分为两种主要的运行模式：孤岛模式与并网模式。
随着间歇性可再生能源的广泛应用和微电网中各种负载的集成化程度越来越高，基于微电网的能源管理引起了人们的广泛关注。微电网能源管理采用最优分配电力资源以及需求侧负载等方式，以期达到促进供需平衡、减少运行损耗和污染排放以及提高供电系统的稳定性的目的。最简单的社区微电网分配模型仅包含分布式电源（例如微型涡轮发电机和柴油发电机）以及负载。目前，社区微电网的最优负荷分配需要考虑更多的组件以满足实际需要，故而有关其的研究正变得越来越复杂。为了减少传统发电设备的污染排放并更有效地整合可再生能源，一些学者开始探索包含可再生能源的社区微电网系统。随着电池相关技术的发展，能量存储的损耗正在降底。越来越多的研究试图寻求包含储能系统以及电力交通工具的最优社区微电网系统。
储能系统可以使可再生能源的输出变得平滑，并且可以改变社区微电网的负荷峰值，从而有助于提高电力系统的稳定性，减少污染排放。储能系统已经成为社区微电网负荷分配的重要对象。在参考文献[14]中，作者评估了使用一系列存储技术在现实的电价下提供需求响应的经济性。文献[17]进一步探讨了结合储能系统的微电网动态经济调度问题。为了更灵活的整合可再生能源，Ansari等调查研究了高光电阵列渗透配电系统中的电能存储的优化调度问题。电动交通工具是社区微电网中优化负载调度的重要组成部分，通过合理地安排其充放电活动，可以有效地减少电力损耗并提高配电系统的稳定性。文献[19]提出了一种新型的充电管理策略以减少电动交通工具对供电系统的副作用。此外，Liu等以电动交通工具作为一种储能设备，进一步地构建了一种负荷调度模型以整合可再生能源。也有一些研究以包含插件混合式电力交通工具的社区微电网为对象，以期实现其负荷分配最优化。未来的环境会越来越复杂，对社区微电网的要求也会越来越高，需要社区微电网同时包含电力负载、可再生能源、电力交通以及储能系统。然而目前很少有研究能够满足未来的需求。
可再生能源的内在随机性和波动性对社区微电网的电力负荷分配提出了挑战。因此，许多学者都对微电网的电力负荷预测中的可再生能源间歇性问题进行了研究。例如，在参考文献[12]中，作者针对时序微电网提出了一种针对太阳能干扰的鲁棒性最优化方法。同时，一些数据驱动方法可被用于预测可再生能源，从而能够改善其不确定性，帮助完成时序电力负载的分配。然而，这些论文仅仅考虑了微电网中的可再生能源的不确定性。关于电力负荷的不确定性以及波动性哪一个会影响供需平衡，则很少考虑。
传统的社区微电网负载配电通常直接给出住宅电力负荷。很少有研究考虑负载需求的不确定性和波动性，而其在促进供需平衡中发挥着重要的作用。准确的电力负荷预测能够呈现未来一段时期的负荷变化，从而使社区微电网达到供需平衡成为了可能。目前有几种方法已经被用到了电力负荷预测，常见的有支持向量机(SVM)、人工神经网络(ANN)、统计回归法(SR)、灰度模型法(GM)、决策树法(DR)以及进化算法(EA)等。例如在参考文献[28]中，作者利用改进的模拟退火算法优化得到的参数支持向量机对空调负荷进行了预测。文献[29]利用决策树对不同变量的建筑能耗需求水平进行了预测。此外，Kaboil在参考文献[30]中提出了一种用于长期电量预测的最优基因表达方法。也有一些学者致力于基于SR和GM的负荷预测研究。然而这些方法在研究居民用电及其他因素之间的内部关系以及获得精确的预测结果方面存在一定的局限性。与其他方法相比，ANN能够建立模型来表述负载电荷与其他相关变量之间的复杂关系，因此被广泛地应用于居民电力负荷预测。然而，一般的神经网络学习能力较弱，不能考虑电力负荷的时间依赖性，故难以得到最优预测结果。因此应当寻求一种具备良好特征表述及映射能力并且能够考虑时间依赖性的深度神经网络。
总体来说，以往的研究很少有同时考虑可再生能源与电力负荷的不确定性。此外，目前的预测方法很难得到精确的预测结果。为了促进供应侧与需求侧的平衡与互动，在进行社区微电网最优配电时应当同时考虑可再生能源与电力负荷的波动。因此，研究对可再生能源的输出以及需求侧电荷需求进行预测的有效方法是十分有必要的。
为了解决上诉问题，本文建立了基于光电发电量和住宅电力负荷预测的处于并网模式运行的社区微电网的最优配电模型。本文的主要研究目的如下：
-
- 提出一种基于长短期记忆单元的深度循环神经网络(Deep Recurrent Neural Network with Long Short-Term Memory Unit,DRNN-LSTM),以预测短时期内光伏发电量以及住宅电力负荷。
- 在三种不同的调度情况下，建立了包括住宅电力负荷、光伏阵列、电动交通以及储能系统的处于并网运行模式的社区微电网的最优配电模型。
- 利用基于DRNN-LSTM网络模型的预测结果，同时考虑了配电分配问题中的光伏发电量与居民电力负荷的不确定性。
文章结构如下：第2节介绍相关的研究方法，第3节详细描述了用于预测住宅电力负荷和光伏发电量的DRNN-LSTM模型以及社区微电网配电分配的最优模型，第4节展示了实验结果并进行了相关分析，第五部分给出了研究结论。
2.方法
2.1人工神经网络(ANN)
人工神经网络(ANN)抽象了人脑神经网络的信息传输过程，建立了可学习输入向量与输出值之间关系的非线性模型。不同的连接方式将形成不同的神经网络。一种简单的带有单一隐藏层的前馈神经网络如图1所示。
图1.带有单一隐藏层的简单前馈神经网络
第i层的节点j输出可以表示为：
其中代表激活函数，代表第i层的节点j与第i-1层的节点k之间的权重。代表第i-1层的节点k的输出值，代表节点j的偏置值，代表第i-1层的节点总数目。
当所有的输出已知，神经网络的损失函数为：
其中代表预测值，代表实际值。
然后可以使用样本对神经网络进行训练，所有的权重将会按照如下所示的链式关系完成迭代：
式中表示学习速率。
2.2循环神经网络(RNN)和长短期记忆神经网络 (LSTM)
循环神经网络(RNN) 是一种能够对时间序列数据中的时间依赖性进行建模的神经序列模型。为了记录上一时刻的信息，循环神经网络使用了一些环形结构。因此循环神经网络能够解决时间序列的动力学问题。循环神经网络被广泛地应用于语言建模、笔迹识别以及语音识别。在一个简单的循环神经网络中，时间t时刻的输出是被当前时刻的输入以及上一时刻的输出同时决定的，该输出可用下式表示：
式中表示激活函数，和表示对应于相应时间序列的权重，表示偏置值，表示t时刻的输入，表示t-1时刻的输出，表示时刻t的输出。
然而。循环神经网络通过反向传播完成训练，故需要消耗大量的时间。此外，随着时间的推移，此种训练方法容易造成梯度消失或者梯度爆炸，因此难以完成长期依赖的序列学习。为了解决上述问题，有人提出了使用长短期记忆单元来替代循环神经网络中的神经元。长短期记忆神经网络可以自适应地缩放输入值和输出值，记忆或者遗忘单元状态值。这些可以通过输入门、输出门以及遗忘门来完成。长短期记忆神经网络模型的原理如图2所示。
图2.长短期记忆神经网络原理图
当输入进入LSTM后通过激励函数的作用产生输出，输出可表示为下式：
上式中表示权重，表示偏置值，表示前一神经单元的输出值。然后遗忘门会选择遗忘一些瞬态的细胞状态信息，输出门可根据下面公式确定细胞状态需要更新的信息。
式中和表示权重，和表示偏置值，表示确定待更新细胞状态值的向量，是新的候补向量，是前一LSTM单元的细胞状态值，是当前的细胞状态值。最后，通过输出门的两个激活函数得到输出，可表示如下式：
式中表示权重，表示偏置值，表示输出细胞状态的一部分。
2.3粒子群优化算法(PSO)
基于群体的算法是一种基于生物种群行为法则的计算技术，通常被用来解决分布式的问题。粒子群算法(PSO)是一种重要的基于群体的算法，被广泛地应用于微电网的配电问题。它从随机解出发，通过迭代找到最优解，并通过其适应度来评价解的质量。与遗传算法相比，粒子群算法的可调参数更少，因此效率更高。由于粒子群算法在求解优化问题方面具有较强的能力和较高的效率，因此本研究采用粒子群算法来处理所提出的最优负荷调度模型。
在粒子群算法中，每一个优化问题都可看作一个有着位置矢量和速度矢量的粒子。位置矢量代表该优化问题的一个可能解决方案，而速度矢量表示粒子在该位置的方向以及变化快慢。位置矢量和速度矢量可根据以往的最佳结果进行调节。此外可使用一个适应度函数来估计当前位置。
假设有m个粒子，第i个粒子在D维空间内的位置可被描述为向量，其中1le;ile;m。向量代表粒子i的速度。一般地，可认为粒子的速度和位置存在于一个连续的空间中。以往粒子i的最佳位置可记为向量，并用向量描述粒子的最佳位置，其中1le;jle;m。粒子i的速度和位置向量从第k次迭代向第k 1次迭代的公式可用下式表示：
式中和表示0或1的随机数，对应的，和表示学习参数，代表粒子的自我学习能力和社会学习能力，表示惯性权重。小惯性权重参数有利于粒子群算法的收敛，大惯性权重参数有利于跳出局部最优，便于全局搜索。因此学习参数以及惯性权重的选择对粒子群算法的成功与否尤为关键。
3.建立模型
本文建立了DRNN-LSTM模型，预测短时期内住宅每小时用电负荷以及光伏阵列每小时发电量。然后在不同场景下建立包含居民用电负载、光伏阵列、电动交通、以及储能系统的社区微电网最优配电模型。在该模型中，住宅用电负荷以及光伏发电量可从DRNN-LSTM模型的预测结果获得。
3.1 预测模型
3.1.1 模型输入
根据预测的对象，模型的输入应为调度变量、天气变量以及时间尺度变量的给定组合。
DRNN-LSTM模型中的调度变量包括每天的小时变量（0-23）、每周的星期变量（1-7）、每月的天变量（1-31）以及每年的月变量（1-12）。很显然住宅用电负荷与调度变量有着高度相关性。比如，工作日期间由于居民要去工作住宅电力负荷会低一点。相反的，周末居民会有更长的时间呆在家里，因此周末的电力负荷要高一点。因为光伏阵列只能在阳光下发电，所以光伏发电输出量容易受到调度变量的影响。
预测住宅电力负荷中的天气相关变量与预测光伏发电量的天气相关变量是不相同的。有研究表明天气因素，尤其是温度，对住宅电力负荷有很大的影响。在本次研究中，预测住宅电力负荷的天气变量包括温度、湿度和风速。而在预测光伏发电量中还考虑了全球辐射水平以及漫射辐射水平。
对于时间尺度变量，选择24小时作为输入的参考序列长度。这是因为住宅用电负荷的日常模式对应24小时，并且采用24小时的时间尺度也更适合光伏发电输出量的预测。
3.1.2 模型结构
住宅电量负荷反映了家用电器的运行状态，而家用电器具有高度的瞬时性和波动性，因此住宅电量负荷具有暂态和非线性。预测模型应当能够表征电力负荷分布的非线性和规律性，同时也应当考虑数据中的时间依赖性。
与住宅电力负荷分布相比，光伏电力输出则显现出一定的周期性和线性关系。然而，光伏发电输出容易受到天气因素的影响。为了有效整合太阳能和减少能源浪费，需要进行更加精确的计算。
为了应对上述挑战，有人提出了DRNN-LSTM模型。该模型是一种混合式的模型，包括输出层、RNN-LSTM层、一般感知层和输出层。有证据证明混合模型要好于非混合式模型。为了得到住宅电力负荷和光伏发电量的最佳预测结果，该模型采用了六层网络结构，包括一个输入层、两个RNN-LS
资料编号：[6004]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
