英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
微电网多目标智能能源管理
摘要：本文将人工智能技术与基于线性规划的多目标优化相结合，提出了微电网智能能量管理的方法。考虑到可再生能源的未来可用性和负荷需求等运行前的不确定性，多目标智能能源管理(MIEM)的目标是最小化微电网的运行成本和环境影响。为了提前24小时预测光伏发电、提前1小时预测风力发电和负荷需求，本文提出了一种人工神经网络集成方法。机器学习具有学习模型和推广性能优化的特点。微电网运行的效率很大程度上取决于电池调度过程，而传统优化方法无法进行电池调度。本次研究将采用模糊逻辑专家系统来进行电池调度。该方法可以处理微网整体运行的模糊环境下的不确定性以及与预测参数相关的不确定性。结果表明，与过往文献中基于机会充电和启发式电池管理的微电网能量管理方法相比，该方法在运行成本和排放水平上都有显著的降低。
关键词：多目标智能能源管理（MIEM），神经网络集成（NNE），模糊逻辑，短期预测，微电网
1 引言
分布式发电和主动配电网的数量不断增加，使得许多发配电规则不断变化，分布式发电和主动配电网的数量增加需要提高电力系统的可靠性。清洁电力的加入使人们对电力系统有了一个新的定义，即智能电网。因此，微电网被认为是最符合未来发展的概念之一。微电网本质上是一种主动配电网，即一种集成的电力输送系统。微电网是由负载、可再生能源(RE)源和分布式发电(DG)单元组成的低压网络，它们作为一个单独的可控负载连接到主电网。与传统发电厂相比，微电网具有特定的运行特性和依赖于几个关键随机参数的约束条件。目前，在日本、加拿大、美国等发达国家，微电网已基本成为试验台平台。事实上，如果没有事先成功地设立一个能源管理机构，对某一特定场址的微电网进行最优和可靠的控制，使其运作成本降到最低，同时巩固其可靠性和环境友好性，这种概念就不可能在实践中得到广泛实施[1]。
作为智能电力新时代的重要组成部分，已有文献报道了几种适用于智能电网系统的微电网智能能源管理方法[2-4]。其中在[5]中提出了一种基于功率共享的燃油消耗最小化方法，优化后的成本函数中包含了对余热的惩罚函数。在该文献中作者强调了微电网通信基础设施的重要性，它使资源预测协调成为中央控制的一部分。但是，该方法没有考虑再发电的预测和存储设备的管理。在[6]中基于网格自适应直接搜索的优化算法被应用于微网在线能源管理中，但该方法不能提供资源或负荷需求预测的信息。此外，由于电池采用传统的机会充电方式进行控制，微电网的能量管理问题被简化为不考虑存储设施管理的发电调度问题。在[7]中提出了微网能源管理环境经济调度的数学框架，讨论了智能方法在优化环境经济调度方面优于传统计算方法的优点。然而，这种方法并没有考虑储能管理。在[8]中提出了一种基于多层感知器人工神经网络的微电网能量管理系统，该系统利用神经网络对分布式发电调度的小时决策进行预测，实现成本优化。训练集是使用单独的最优潮流软件包生成的。然而，由于问题的复杂性、训练数据中最终的噪声集以及多层感知器网络的泛化性能，可能会导致微网格运行中出现严重的可靠性问题。[9]提出了基于供需平衡约束的微电网提前一天多周期优化模型，确定微电网与能源批发市场的换电量，使其总效益最大化。然而，他们的调查没有考虑到环境效益和可再生能源预测。在大多数微网能源管理相关文献中，可再生能源发电和负荷需求的预测值在实践中没有得到处理，只是作为可用数据进行估计或假设[2-10]，这意味着在优化过程中没有考虑预测的不确定性。因此，能量管理过程被认为是基于确定性的方法，这自然会影响结果的准确性和微电网的整体性能。在此背景下，作者在[11]中提出了一种考虑太阳能发电预测和电池管理的智能在线能源管理方法。然而，在无法考虑与预测参数相关的不确定性的情况下，所提出的电池调度是采用基于启发式流程图的确定性方法来考虑的。
本文利用人工智能技术研究和开发了一种通用的微电网能量管理方法。在第二节中，简要介绍了微电网模型，其目标是将在MIEM控制中制定的微电网的运行成本最小化，同时降低环境影响水平。有效实施这种能源管理方法的关键模块是可再生能源发电的预测以及微电网内部的负荷需求。第三节分析了人工神经网络在短期预测中的适用性。研究了一种基于神经网络的鲁棒预测模块的通用方法，并将其应用于太阳能发电24小时预测、风力发电1小时预测和微电网负荷需求1小时预测。第四节专门讨论微电网的MIEM，其总体优化过程略微依赖于存储设施的管理。事实上，在微电网中，有效的电池调度应该根据实际负荷需求和电力市场考虑实际和未来的可再用性。但是，这些术语不能以一般线性优化规划或传统优化公式的形式引入。该方法由基于线性规划和电池调度的多目标优化方法共同组成。电池调度作为最优在线能量管理的一部分，可以看作是一个决策过程。事实上，解决这个问题的一种方法是设计一个可以决定，参照实际和预测实体后电池是否应该充电或放电，以及以何种方便的速度的专用系统。在这方面，模糊集理论作为一种数学方法，为人类认知过程的模糊性和不精确性建模提供了一个很好的解决方案。这种对实体进行分类和操作的智能能力，使所提出的电池调度方法成为人类在不确定性或部分信息下进行总结和决策的能力的基础。第五节给出了SPG预测前24小时、WPG预测前1小时和负荷需求预测相关的实验结果和讨论，以及几种情况下的MIEM仿真。
2 微电网开发模型
图1 微电网的结构
微电网通常以并网方式运行，因为电力可以从主电网输入或输出。在故障发生时,如电能质量事件,IEEE 1547事件或故障,可以自动生成和相应的负荷分布系统分开隔离微型智能电网'的负载的干扰(从而保持高水平的服务)而不损害输电网”年代完整性通过分段断路器(SCB)。在潮流控制方面，DG机组可以是可调度机组，也可以是非调度机组[12]。可调度单元的输出功率由外部控制，通过运行设置点由MIEM提供，作为中央控制器(CC)的一部分，作为燃料电池和微型涡轮，控制燃料流量调节和调速器速度控制。另一方面，这些资源是典型的不可调度的DG机组，它们的发电量取决于实际的天气条件(风速、温度和辐照度)，并通过某种方式控制，以产生它们的最大功率[13]。发达微型智能电网由六条总线组成(图1),由一个连接到总线1的15千瓦的电池,一个连接到总线2的10千瓦级风力发电系统(WEGS)、一个连接到总线3的15千瓦级固体氧化物燃料电池(SOFC)，一个连接到总线4的20千瓦的光伏阵列和连接到总线6的15千瓦级单轴微涡轮机(SSMT)构成。在微电网仿真模型中，逆变器通过将直流微源与交流电源端连接起至关重要的作用。微电网逆变器的运行主要采用两种控制策略。PQ逆变器控制类型用于提供给定的有功和无功功率设定值。该逆变器用于在并网运行过程中，将SSMT、SOFC、光伏阵列与电池进行接口。电压源逆变器(VSI)控制类型是用来“馈送”负载的电压和频率的预定义值。在孤岛模式下，VSI用于将电池与代表参考总线的微电网接口。在分析微电网的动态特性时，由于逆变器只根据其控制功能建模，因此忽略了快速开关瞬态、谐波和逆变器损耗。微网格仿真模型描述的进一步细节见[13- 15]。
3 微电网不可调度发电和负载需求预测
本节研究了人工神经网络(ANN)在微电网环境短期预测中的应用。虽然神经网络提供了一种相关的方法来解决一些类型的非线性问题，他们仍然被认为是一个不稳定的学习模型[16]。事实上，包含隐含层数、神经元数和初始连接权值的训练数据和网络结构的变化对网络的训练和预测性能有相当大的影响。此外，神经网络训练过程中对数据的规律性的拟合和对噪声集的拟合使其陷入局部最优解，预测精度较低。另一方面，对于这些问题还没有系统的研究，大多数研究者采用了试错法来处理这些不一致的[17]。为了提高学习模型的性能，提出了一种基于正则化负相关学习的鲁棒神经网络集成方法(RNCL),通过一个相对简单的实现，提高了泛化能力，减少了方差和性能的不稳定性。实际上，提出的机器学习的主要特征是冗余;基于不同学习机器的组合，每个神经网络都可以独立完成任务，从而获得更好的泛化性能。微电网的环境预测任务包括:20kWp额定光伏阵列的SPG预测提前24小时，10 kW额定WEGS的WPG预测提前1小时，东京农业技术大学(TUAT)一栋建筑的负荷需求预测提前1小时。
3.1 神经网络集成
针对一类由多层感知器神经网络(MLPNN)、径向基函数神经网络(RBFNN)和递归神经网络组成的非均质神经网络，提出了一种基于RNCL的微网格环境预测广义机器学习方法(RNN)。所有预测因子的集合构成网络集成{(x)}其中，对所有网络的预测结果进行平均汇总，得到完整预测集合的输出，如下式所示:
(1)
已开发的NNEs与一个培训集相关联(由2007和2008财政年度记录的数据组成)。然而，对所有的组件网络使用相同的训练数据集(估计相同的功能)会产生高相关输出，影响学习机[18]的效率和鲁棒性。缓解潜在共线性问题的一种方法是在每个预测器的误差函数中加入负共线性惩罚[19,20]，其中每个预测器的训练误差代价函数定义为:
(2)
式中，为权重参数的相关惩罚项，表示为:
(3)
(4)
目标是在总体集成中最小化预测器错误的负相关。一个空值的结果在一个独立训练的预测，当=1时，NNE的误差函数等于所有单个网络的平均，即：
（5）
针对超拟合问题，特别是微电网负荷需求、风速、太阳辐射[21]等非平凡数据，提出了适用于任意非线性估计[22]的由RBFNN组成的齐次NNE的RNCL泛化性能。本文将学习方法推广到外源神经网络，在保证集成网络间相互作用的同时提供更多样化的输出。实际上，集成训练目标被分解成一组子目标，每个子目标都由单独的神经网络实现。与RNCL算法相比，集成误差函数包含一个正则化式
（6）
其中， 为神经网络b在NNE中的权向量，是所有的其权值。
将正则化项分解为集合中每个网络的训练B部分，其中集合中单个网络的误差函数定义为:
（7）
误差函数(7)对每个神经网络施加一个调节项;优化正则化参数而不是相关参数。神经网络的训练过程采用缩放共轭梯度算法[23]，其中(7)对神经网络权值的偏导数表示为:
（8）
对于实验数据集，采用基于贝叶斯推理[24-26] 最优正则化参数的计算。假设目标采用独立噪声样本en和0均值高斯分布和 方差进行采样，其中每个网络的权向量均为零均值高斯分布和方差，则目标标准概率公式为：
（9）
对于超参数和，通过最大化后验P(w|D)得到权重向量w,根据贝叶斯定理，后验P(w|D)表示为：
（10）
其中权向量w的先验表示为：
（11）
由于噪声服从零均值方差的高斯分布，似然函数表示为：
（12）
忽略常数和归一化因子后验P(w|D)近似为:
（13）
最后，通过最大化的后验来计算最有正则化参数，边际似然表示为（14），进一步计算细节见[18,22]。
（14）
图2给出了基于RNCL的由B个预测因子组成的神经网络算法的流程图。原始训练数据集使用跨通道归一化[14]进行归一化(rescaled)。该学习方法采用迭代的方式进行，设置初始调节参数 ,对期望的迭代次数执行每个预测器训练，一旦训练好所有预测器（b=B）,计算 NNE平均误差，更新正则化参数，开始一个的纪元。重复这个过程，直到达到一个合适的收敛标准（目标）。
图2神经网络集成流程图
3.2 微电网环境预测
表一展示了与NNEs相关的输入层变量，其中TUAT是指在TUAT大学内部记录的数据，JMA是指从日本气象厅收集的数据，在TUAT大学(Koganei城市校区)的局部地区进行测量。
表1 人工神经网络输入
4多目标智能能源管理
4.1 多目标优化
多目标(或准则)冲突决策问题的研究领域称为多准则决策或多目标优化(MO)[27-29]。此类主题既包括离散问题(具有有限的备选方案集，也称为操作或解决方案)，也包括连续问题。换句话说，多目标优化是一种旨在在不同的目标(通常是相互冲突的目标)之间寻找最佳解决方案的方法，其中问题可以按如下方式处理:
Min{} (k2) (15)
受到以下约束：
等式约束 i=1,2,...,q
全文共19091字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1964]
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。
