论文部分内容阅读
摘要：随着经济的高速发展，能源危机和环境污染问题引起了越来越多人的担心，为了应对上述问题，各国积极研究分布式能源和可再生能源技术。然而，分布式能源和可再生能源技术的相关研究仍处于初步阶段，接入各种分布式能源以及可再生能源会给现有能源网络带来波动性。因此，如何对这些分布式能源以及可再生能源进行有效利用成为能源发展过程中亟需解决的问题。
关键词：能源互联网;协同控制;能源预测
引言
能源互联网是分布式能源、可再生能源与信息技术相结合的产物，是由分布式能源、储能单元和多个能源管理系统和网络组成的混合能源系统[1]，用于整合更多分布式能源，提高电能质量和可靠性，减少温室气体排放。能源互联网提供了一个开放的框架，用于将涉及能源生产、传输、存储、交换和消费的每个设备通过信息通信技术集成在一起。由于集成的设备种类和数量越来越多，需要收集和分析的数据也越来越多，因此能源互联网的协同控制变得比传统的电力系统更加复杂。为了实现对能源互联网的协同控制，对能源需求以及不断普及的可再生能源的预测成为必不可少的步骤。因此，本文主要研究能源互联网下的智能预测和以智能预测为基础的能源互联网协同控制。
1 基于神经网络的能源互联网能源预测
能源预测主要分为能源需求预测和能源生产预测，能源需求预测向来就是能源系统的重要研究内容，同时随着风能、太阳能等可再生能源在总的能源使用中所占比例的不断提高，需要对风电和太阳能发电进行有效的预测，否则如果直接并网运行，将大大降低能源系统的安全性和可靠性，同时也会对能源系统的经济运行带来挑战。通过准确预测风能和太阳能，能源调度部门可以合理安排发电计划和用电计划，提高能源系统运行的经济性和可靠性。
能源生产预测主要是以风能和太阳能为代表的可再生能源预测。风能和太阳能作为支持不断增长的能源需求的有前景的可再生能源，具有不可控性和部分不可预测性的缺点，给能源系统的大规模集成提出了挑战，因此准确预测至关重要。
经过几十年的电力基础设施建设，发电已不再是满足现代城市电力需求的瓶颈。相反，如何按需生产电能以实现可持续发展是关键问题。一方面，过度的发电会导致巨大的能源浪费。另一方面，发电量不足会造成电力短缺或设备运行不稳定，造成机器损坏和经济损失。为了平衡供求关系，有必要对用电需求进行监测和预测，并按需发电。
到目前为止，研究人员开发了不同的需求预测技术。已有的需求预测方法主要包括传统的预测方法和新近发展起来的智能预测方法，其中传统的预测方法以经典数学为理论依据，现代智能预测方法以智能技术为依托。传统的预测方法主要有：基于时间序列的预测方法、回归预测法等;现代智能预测方法主要有：专家系统、人工神经网络预测法、灰色理论预测方法、模糊预测法等。近年来，在各种需求预测技术中，人工神经网络在能源系统需求预测中的应用受到广泛关注。
2 基于短期预测的能源互联网协同控制
能源互联网的协同控制在能源互联网中扮演着重要的角色，结合能源互联网能源预测模型，在短期预测的基础上，研究一个包含产-销-用三个层次的能源互联网中的协同控制问题。该协同控制问题被建模为一个三阶段问题，在第一阶段，发电公司和独立系统运营商（Independent System Operator， ISO）制定发电计划和电力批发价格，该阶段可被建模为一个经济调度问题，并提出了一种基于交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）算法的分布式经济调度方法。在第二阶段，电力零售商制定零售电价以最大化其利润。在第三阶段，基于短期预测和零售商价格，微电网制定内部各发电单元的最优发电计划。针对第二阶段和第三阶段，建立零售商和微电网之间的主从博弈模型。最后，在短期预测的基础上，结合经济调度和主从博弈，提出一个基于短期预测的能源互联网分布式协同控制方法，并通过实验验证了该方法的正确性和有效性。
3 计及预测误差的能源互联网协同控制
能源互联网中对负载以及可再生能源的预测受到自然环境（如气温、风速、光照）和人為活动的影响，难以对其进行准确预测。以风能为例，风力发电依赖于大气过程，单个风力涡轮机的输出功率与转子扫过区域上的风强度正相关，空气从高压区域到低压区域的运动，所以压力差越大，产生的风越强。自然条件如空气密度、温度、地形以及风力涡轮机本身因素如涡轮摩擦情况等都将对最终的输出功率产生影响。
能源系统维持着人类社会的正常运行，能源预测对能源系统的稳定运行有着非常重要的作用，目前能源预测的结果通常都是一个确切的预测数值，但是该预测数值可能出现的概率及预测结果的波动范围均无法得以估计和确定，因此能源预测是非精确性的。如果对预测结果的非精确性处理不好，将会破坏能源供需实时平衡，影响能源系统的安全稳定运行。相反，充分地考虑预测结果的非精确性，将有助于决策者更科学地进行能源调度计划、能源网络规划、能源系统可靠性评估及风险分析等工作，确保能源系统安全运行，并提高能源企业的经济效益及社会效益。
所以，在能源互联网协同控制中，能源的预测只是一个参考，通过对未来能源生产、消耗的预测，为之后的控制提供参考。
4 展望
本文重点研究了能源互联网中的能源预测问题和协同控制问题，分别提出了一种基于改进粒子群算法的神经网络、一种基于短期预测的能源互联网协同控制方法以及一种计及预测误差的能源互联网协同控制方法。同时，本文的研究工作还一些有待拓展的地方，具体而言，可以从以下几个方面进行拓展：
（1）在能源预测方面，近年来机器学习的持续繁荣为能源预测提供了新的思路，可以尝试利用集成学习（如Ada Boost、Bagging、随机森林）和深度学习（如深度神经网络、循环神经网络）对能源进行预测。
（2）全面地考虑能源互联网中的设备。本论文主要考虑的是能源互联网中的典型设备（例：风力发电机、光伏、燃料电池、微汽轮机、储能系统）。随着能源互联网的发展，设备种类会不断增加，对应的网络结构也会改变。需要尽可能全面地考虑能源互联网中所有设备，从而更好地反映能源互联网的运行状态。
（3）考虑能源互联网中的可调负荷。本论文单方面地假设能源互联网中的负荷需求是固定的，并没对能源互联网中可调节负荷的存在性进行讨论。然而，可调负荷也是能源互联网的组成部分，可调负荷的加入不仅可以充分发挥产能和用能设备的潜力，通过调节负荷还可以达到“削峰填谷”的目的，降低能源互联网运行的成本，从而实现能源互联网的高效运行。
（4）能源互联网数据收集监测系统也是未来研究的方向，数据收集监测系统是能源互联网的数据大脑，大数据技术的快速发展也为数据收集监测系统的建设提供了坚实的基础。
参考文献
[1]赵海，蔡巍，王进法，贾思媛.能源互联网架构设计与拓扑模型[J].电工技术学报，2015，30（11）：30-36.
[2]曾鸣，杨雍琦，刘敦楠，曾博，欧阳邵杰，林海英，韩旭.能源互联网“源–网–荷–储”协调优化运营模式及关键技术[J].电网技术，2016，40（01）：114-124.
关键词：能源互联网;协同控制;能源预测
引言
能源互联网是分布式能源、可再生能源与信息技术相结合的产物，是由分布式能源、储能单元和多个能源管理系统和网络组成的混合能源系统[1]，用于整合更多分布式能源，提高电能质量和可靠性，减少温室气体排放。能源互联网提供了一个开放的框架，用于将涉及能源生产、传输、存储、交换和消费的每个设备通过信息通信技术集成在一起。由于集成的设备种类和数量越来越多，需要收集和分析的数据也越来越多，因此能源互联网的协同控制变得比传统的电力系统更加复杂。为了实现对能源互联网的协同控制，对能源需求以及不断普及的可再生能源的预测成为必不可少的步骤。因此，本文主要研究能源互联网下的智能预测和以智能预测为基础的能源互联网协同控制。
1 基于神经网络的能源互联网能源预测
能源预测主要分为能源需求预测和能源生产预测，能源需求预测向来就是能源系统的重要研究内容，同时随着风能、太阳能等可再生能源在总的能源使用中所占比例的不断提高，需要对风电和太阳能发电进行有效的预测，否则如果直接并网运行，将大大降低能源系统的安全性和可靠性，同时也会对能源系统的经济运行带来挑战。通过准确预测风能和太阳能，能源调度部门可以合理安排发电计划和用电计划，提高能源系统运行的经济性和可靠性。
能源生产预测主要是以风能和太阳能为代表的可再生能源预测。风能和太阳能作为支持不断增长的能源需求的有前景的可再生能源，具有不可控性和部分不可预测性的缺点，给能源系统的大规模集成提出了挑战，因此准确预测至关重要。
经过几十年的电力基础设施建设，发电已不再是满足现代城市电力需求的瓶颈。相反，如何按需生产电能以实现可持续发展是关键问题。一方面，过度的发电会导致巨大的能源浪费。另一方面，发电量不足会造成电力短缺或设备运行不稳定，造成机器损坏和经济损失。为了平衡供求关系，有必要对用电需求进行监测和预测，并按需发电。
到目前为止，研究人员开发了不同的需求预测技术。已有的需求预测方法主要包括传统的预测方法和新近发展起来的智能预测方法，其中传统的预测方法以经典数学为理论依据，现代智能预测方法以智能技术为依托。传统的预测方法主要有：基于时间序列的预测方法、回归预测法等;现代智能预测方法主要有：专家系统、人工神经网络预测法、灰色理论预测方法、模糊预测法等。近年来，在各种需求预测技术中，人工神经网络在能源系统需求预测中的应用受到广泛关注。
2 基于短期预测的能源互联网协同控制
能源互联网的协同控制在能源互联网中扮演着重要的角色，结合能源互联网能源预测模型，在短期预测的基础上，研究一个包含产-销-用三个层次的能源互联网中的协同控制问题。该协同控制问题被建模为一个三阶段问题，在第一阶段，发电公司和独立系统运营商（Independent System Operator， ISO）制定发电计划和电力批发价格，该阶段可被建模为一个经济调度问题，并提出了一种基于交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）算法的分布式经济调度方法。在第二阶段，电力零售商制定零售电价以最大化其利润。在第三阶段，基于短期预测和零售商价格，微电网制定内部各发电单元的最优发电计划。针对第二阶段和第三阶段，建立零售商和微电网之间的主从博弈模型。最后，在短期预测的基础上，结合经济调度和主从博弈，提出一个基于短期预测的能源互联网分布式协同控制方法，并通过实验验证了该方法的正确性和有效性。
3 计及预测误差的能源互联网协同控制
能源互联网中对负载以及可再生能源的预测受到自然环境（如气温、风速、光照）和人為活动的影响，难以对其进行准确预测。以风能为例，风力发电依赖于大气过程，单个风力涡轮机的输出功率与转子扫过区域上的风强度正相关，空气从高压区域到低压区域的运动，所以压力差越大，产生的风越强。自然条件如空气密度、温度、地形以及风力涡轮机本身因素如涡轮摩擦情况等都将对最终的输出功率产生影响。
能源系统维持着人类社会的正常运行，能源预测对能源系统的稳定运行有着非常重要的作用，目前能源预测的结果通常都是一个确切的预测数值，但是该预测数值可能出现的概率及预测结果的波动范围均无法得以估计和确定，因此能源预测是非精确性的。如果对预测结果的非精确性处理不好，将会破坏能源供需实时平衡，影响能源系统的安全稳定运行。相反，充分地考虑预测结果的非精确性，将有助于决策者更科学地进行能源调度计划、能源网络规划、能源系统可靠性评估及风险分析等工作，确保能源系统安全运行，并提高能源企业的经济效益及社会效益。
所以，在能源互联网协同控制中，能源的预测只是一个参考，通过对未来能源生产、消耗的预测，为之后的控制提供参考。
4 展望
本文重点研究了能源互联网中的能源预测问题和协同控制问题，分别提出了一种基于改进粒子群算法的神经网络、一种基于短期预测的能源互联网协同控制方法以及一种计及预测误差的能源互联网协同控制方法。同时，本文的研究工作还一些有待拓展的地方，具体而言，可以从以下几个方面进行拓展：
（1）在能源预测方面，近年来机器学习的持续繁荣为能源预测提供了新的思路，可以尝试利用集成学习（如Ada Boost、Bagging、随机森林）和深度学习（如深度神经网络、循环神经网络）对能源进行预测。
（2）全面地考虑能源互联网中的设备。本论文主要考虑的是能源互联网中的典型设备（例：风力发电机、光伏、燃料电池、微汽轮机、储能系统）。随着能源互联网的发展，设备种类会不断增加，对应的网络结构也会改变。需要尽可能全面地考虑能源互联网中所有设备，从而更好地反映能源互联网的运行状态。
（3）考虑能源互联网中的可调负荷。本论文单方面地假设能源互联网中的负荷需求是固定的，并没对能源互联网中可调节负荷的存在性进行讨论。然而，可调负荷也是能源互联网的组成部分，可调负荷的加入不仅可以充分发挥产能和用能设备的潜力，通过调节负荷还可以达到“削峰填谷”的目的，降低能源互联网运行的成本，从而实现能源互联网的高效运行。
（4）能源互联网数据收集监测系统也是未来研究的方向，数据收集监测系统是能源互联网的数据大脑，大数据技术的快速发展也为数据收集监测系统的建设提供了坚实的基础。
参考文献
[1]赵海，蔡巍，王进法，贾思媛.能源互联网架构设计与拓扑模型[J].电工技术学报，2015，30（11）：30-36.
[2]曾鸣，杨雍琦，刘敦楠，曾博，欧阳邵杰，林海英，韩旭.能源互联网“源–网–荷–储”协调优化运营模式及关键技术[J].电网技术，2016，40（01）：114-124.