人工神經網絡預測技術在微網運行中的應用

王 越，衛志農，吳佳佳

（河海大學能源與電氣學院，南京211100）

負荷日益增長和用戶對供電質量要求的不斷提高，使得傳統配網結構面臨的壓力越來越大。在居民、工業、商業負荷均較高的夏季，經常會出現負荷持續高峰，容易造成供電緊張。當電能供應無法滿足所有用戶需求時，供電部門通常采取拉閘限電措施以達到重要負荷連續供電和滿足節能減排的要求。限電措施雖然在一定程度上減小了電網供電壓力，保證了電網在高負荷期間的穩定運行，但同時也造成了相關企業和個人一定的經濟損失。對于配網的正常運行和規劃而言限電只能作為應急措施而不能作為常規控制手段。

隨著風電、光伏等新能源發電的迅速發展，將為上述問題的緩解提供有效的途徑。國內外對這些新能源發電以分布式電源形式接入電網的運行和規劃已經做了大量的研究，但是這種混合式配電網仍需解決分布式電源發電的間歇性、大規模接入對電網的沖擊、高昂的建造維護費用等諸多問題，特別是經常會出現風能或光能富足期間不一定能緩解主網壓力，在高負荷期間，卻無法提供足夠電能等情況。

新型配網結構——微網概念的提出在很大程度上解決了分布式電源的這些問題，其在并網和離網兩種模式間的靈活切換的特點可以讓配網的運行和調度有更多的選擇，來應對不同的情況［1，2］。如果微網網內條件允許，可以切換到離網運行模式；當網內微源供電不足可以回到并網運行。微網內分布式電源與儲能系統相互配合，再采用合適的控制策略完全能夠保證微網一定時間的離網穩定運行［3］。微網的這種綜合管理負荷和微源、靈活切換運行的特點可以最大效率地利用風電這樣的間歇式電源，在特定時期可以增強區域供電，緩解主網壓力。

根據微源和負荷的預測結果，微網可以在主網壓力不大且微源出力理想的情況下控制微源以網內供電為主，即使在微源出力變化較大的情況下，仍可使用微燃機和儲能裝置的移峰填谷作用［4］，穩定網內潮流，平衡負荷和微源，避免了資源的浪費和對主網的沖擊；在實在無法滿足負荷要求的情況下切換到大電網供電為主，甚至切出微源。預測系統的加入可以幫助配網運行者制定出最經濟合理的供配電方案，但預測的誤差也會對供電可靠性造成影響。

鑒于此，本文將基于人工神經網絡（NN）的預測系統加入到微網中，以此來預測風電機組的處理和網內負荷情況。通過分析比較傳統分布式電源接入與微網結構下用戶的供電可靠性和節能減排效果，對配網中的微網運行方式提供切實可行的建議和幫助。

1 微網內模型

1.1 微網結構

本文采用如圖1所示Benchmark 0.4kV低壓微網結構［5］。

圖1 微網結構Fig.1 Structure of Microgrid

為充分考慮不同負荷的特點，本文設定負荷點1、5為居民負荷，負荷點4為工業負荷，負荷點2、3為商業負荷。

1.2 BP算法訓練神經網絡

目前關于風速預測的方法較多，但由于受天氣和大氣運動的影響，中長期的風速預測難以保證準確性，從而導致分析結果的參考價值較低。關于在微電網中應用預測技術，已經有很多文獻進行了嘗試并獲得了很好的計算結果：文獻［6］中將短期負荷預測應用在微網儲能裝置控制策略中取得了很好的削峰填谷效果；文獻［7］提出采用改進的NN算法對離網狀態下的微電網網內負荷進行預測可以很好的跟蹤微網負荷的動態特性；文獻［8］則直接指出準確的網內預測是微網穩定運行的關鍵因素，并在傳統預測方法的基礎上提出了一種雙層預測策略。

根據不同預測算法的特點，本文選用反向傳播算法（BP算法）［9］預測微網每日運行24h的微源和負荷數據。這種算法既靈活簡便又能保證一定的計算精度，比較適合對微網整體狀況進行評估并做出實時的調整。

首先利用BP算法設計神經網絡并加以訓練，這一過程是一個輸入前向傳播、反向輸出誤差再循環記憶的過程［10］。設輸入模式向量和與之相對應的期望輸出由以下公式表示：

其中k＝1，2，…，m；n為學習模式對數，q為輸出層單元格數。將中間層單元激活值代入S型激活函數得到中間層j單元的輸出值：

其中Wij為輸入層至中間層的連接權，θj為中間層單元的閾值，閾值在學習中不斷被修正，同理求的輸出端的激活值和輸出值。在順向傳播的過程中得到的網絡實際輸出值，當其與期望輸出值誤差大于設定值的時候，對網絡進行反向誤差傳播校正，輸出層校正誤差為：

訓練網絡的過程中，考慮到人工神經網絡方法在進行預測時，具有很強的自學習能力和復雜的非線性函數映射能力的特點［11］，因此選擇輸入量為矩陣形式，輸出量也為矩陣形式，選取一個時間點T，形成一個X22矩陣，矩陣大小為n·（NZ－L），令N2＝NZ－L，矩陣大小為n·N2。該矩陣中，每行依次表示L天的歷史數據和L＋1天的溫度、濕度等數據，NZ為總樣本容量，N2表示最后一個樣本的起始天數，之后選出X22中第1至第N2－C列，令N＝N2－C，C為訓練步長，通常取1，形成矩陣xx作為輸入矩陣用于訓練BP網絡。選出X22的第N＋1至第N2列，即X22的最后一列，作為預測輸入矩陣x11，最終訓練得到輸出矩陣Y，將x11作為預測輸入矩陣輸入到已訓練好的網絡，就可以得出第NZ天T時刻的預測數值。

本文采用的模型中，將一天24h分成24等份，每一個小時記為一個時間周期，被預測日記為NZ，將此前N－L（N＞L）天的T時刻的歷史數據及相應的溫度濕度數據輸入輸入層神經元模塊，然后訓練得到最終的預測網絡模型，再將第NZ天前L天的風速數據及第NZ天T時刻的溫度濕度預測數據輸入次網絡，最終得到對應時刻預測值。模型如圖2所示。

圖2 算法模型Fig.2 Model of the proposed algorithm

1.3 微源出力預測

由于光伏系統暫時還難以在配網實際運行中提供足夠的電能支持，本文采用的微網結構中微源以風電機組為主。微網的中央控制系統可以根據微源及負荷的預測結果和大電網的總體電能情況控制微網的運行方式。

本文首先進行風速預測，將風速值帶入風電機功率模型得到預測出力。基于某地區風電場實測數據，應用所提方法來訓練神經網絡，得到輸出矩陣為

在確定模型之后，先要將風速數據、溫度數據和濕度數據等輸入量行預處理。在實際問題中，一般都有多個輸入參數，而每個輸入的量綱可能不同，數量級也不盡相同，并且系統又是非線性的。因此，從這些角度考慮，為了有利于訓練時盡量讓訓練能夠收斂以及學習過程能順利達到局部最小，數據初值的選取不可忽視。為了讓輸入的各個參數能夠統一，則必需輸入數據進行歸一化，變成無量綱的數據，作為輸入初值。本文采取將各個輸入數據單獨進行歸一化，使之在區間［0，1］之間，以某一輸入參數的序列為例，歸一化公式為：

其中Y ＝ ｛yi｝是歸一化前的數據，｛y′i｝是歸一化后的序列。然后得出第NZ天T時刻的風速預測數值，直到24個時刻全部預測完成。最后按照風電機輸出功率與風速的功率曲線［11］得到每天24h的風電出力。

其中：Prate為額定功率；Vci為切入風速；Vco為切出風速；Vrate為額定風速。本文根據某風電場8月實測風速預測一個月內各時間點風機出力，風機切入風速3m／s，額定風速14m／s，切出風速25m／s，額定功率750kW。為簡化計算，每天從9：00開始到21：00取5個時間觀測點。預測出力與真實值的對比如圖3所示。

圖3 預測出力與實際出力對比Fig.3 Comparison of predicted output and actual output

1.4 微燃機和儲能裝置

儲能技術在電力系統中主要起到電力調峰、提高系統的運行穩定性和提高供電質量的作用［12］。而在微電網中，由于需要按照主網情況即時與其接通和斷開，在這些切換的過程中會出現短暫的功率不平衡，引起電壓的不穩定。為了保證重要負荷的連續供電，必須引入儲能裝置進行快速的儲能、放能控制。目前的儲能技術和儲能裝置容量并不能填補離網運行時分布式電源的電能不足，并且為了達到足夠的可靠性，儲能裝置充電完成之前一般不能進行離網運行，儲能裝置特性如下：其中：ES（t）為儲能裝置在t時刻存儲的電能；PWT和PPV（t）分別為微網中風電機組和光伏電池的輸出功率；PL（t）為所帶負荷，η為充、放電效率；ESmin、ESmax分別為儲能最小、最大容量（本文取0和額定容量），并規定只有當初始容量不小于額定容量的情況下，微網才能離網運行。

微燃機輸出穩定且易于控制，其功率可在一定范圍內靈活調節，為了保證微網在離網運行時間盡可能長，網內一般都安裝有此類分布式電源。但其系統響應速度較慢，在并、離網切換的過程中可能會造成系統的頻率波動，影響微網兩種模式的平滑切換。微燃機模型［13］如下：

其中：QMT為燃氣輪機排氣余熱量；PMT為輸出電功率；ηe為發電效率；η1為熱損系數；Qhe、Qco分別為余熱的制熱和制冷量；Khe、Kco分別為溴冷機制熱系數和制冷系數；VMT為運行時間內消耗的天然氣量；Δt為運行時間；L為天然氣低熱值；R為熱電比。

1.5 負荷模型

負荷預測［13～15］同樣采用BP算法訓練神經網絡，輸出矩陣為

本文選擇某工廠、居民小區、商城一年的歷史數據訓練BP網絡，根據文獻［7］中訓練神經網絡的參數，本文采用輸入預測日前連續20天數據預測一天24h的負荷情況。跟之前微源出力一樣，為簡化計算，每天取5個觀測時間點，在獲得真實值后，將真實值作為新的輸入數據繼續進行預測。預測結果如圖4所示。

現代教育的多元化，新時代對教師特別是職教老師提出了更高的要求和挑戰。要求教師應當是復合型的教師角色，教師要具備淵博的知識結構，要走在學生的前列。對自己的本職工作要得心應手，游刃有余，只有這樣在學生的心目當中才能有美好的形象和很崇高的威信，進而在教育教學活動中能夠因勢利導、水到渠成。

圖4 負荷預測值與真實值對比Fig.4 Comparison of predicted load and actual load

2 微網運行及可靠性分析

傳統形式中風電以分布式電源直接接入電網，電網運營者以風電上網電價全部購入電能，在電網出現電壓跌落時切出全部風機。由于風機輸出的間歇性，給電網調度帶來很大的困難。目前儲能技術尚不成熟，風機的直接并網運行，有時會造成資源的浪費，并對主網電能質量產生影響。

在以微網形式并入配網后，微網可以根據實時情況隨時調整微網運行方式和微源供電模式，節約主網電能，最大效率利用網內分布式電源，在保證網內重要負荷供電的同時還能將富足電能供給主網。本文的算例中微網每小時進行一次預測，每日取5個時間觀測點，規定微網運行如下：

（1）風電輸出滿足網內負荷要求時離網運行，微源只對網內供電，不考慮對外倒送電能。

（2）離網運行期間出現微源供電不足，啟動微燃機補充電能差值，無法補足則恢復并網運行。

（3）首先保證重要負荷的連續供電。

在節約主網電力，達到電能最優配置的同時，微網最基本的任務還是要保證網內負荷的供電可靠性［16］。無論是負荷預測還是風速預測都存在一定的誤差甚至錯誤，當誤差在一定范圍內，且根據預測結果所選擇的運行方式在實際情況下仍能保證穩定運行，則認為可靠性運行；如根據預測結果選擇的運行方式在實際情況下輸出和負載并不平衡，則認為造成了用戶的供電中斷。傳統分布式電源直接連入配網后用戶的可靠性定義如下［17］：

其中：λc為用戶年平均故障率；λi為低壓網絡饋線故障率；λup為上層網絡故障率；rc為平均停電持續時間；Uc為年平均停電持續時間。

微網結構并應用預測系統后，網內用戶可靠性則變成：

根據風電并網要求，風電場需每15min向電力系統調度部門上報未來15min到4h內的預測功率，如果功率變化超過要求則需將風機切出；或者在主網出現電壓頻率波動超過一定限額，也需將風電機組全部切出，這就極大地限制了風能發電的效率，使得風能資源充足但是變化較快的時間段無法可靠地使用風力發電。微網根據預測系統統一管理分布式電源的特點可以高效地利用間歇式電源，在分布式電源發電充足時，將多余的電能給儲能充電，在分布式電源出現較大波動的時候，儲能裝置進行放電并啟動燃氣輪機，控制網內潮流，平衡發電和負載，繼續保持微網的穩定運行。這樣在大電網高負荷時期，可以最大效率地利用新能源發電，緩解主網調度壓力。為比較節能效果，這里引入風電利用率：

其中：Wi、Wj分別為微網內各風機輸出的電能和各負荷消耗的總電能；m為風機臺數；n為網內用戶數。

3 算例分析

本文采用圖1所示微網模型，3臺750kW風電機組出力情況如前所述，2臺100kW的微燃機，發電效率ηe為0.3，天然氣低熱值L取9.7kWh／m3。網內負荷1和5為居民住宅，峰值負荷分別為75 kW；地理位置較遠的負荷4為小型工廠，峰值負荷為150kW；負荷2、3為小型商業負載，峰值負荷分別為80kW。根據前面所述預測方法獲得3臺風電機組出力和網內負荷情況，如圖5所示。

圖5 微網內風電和負荷預測值Fig.5 Predicted value of both wind turbine output and load in microgrid

在風機出力不足或者波動較大時，采用微燃機和儲能裝置進行補足和保持網內穩定運行。本文設定微網每3h采樣數據控制網內供能，得到如表1所示時間點的誤差及其對微網的影響：

表1 預測誤差對微網運行的影響Tab.1 Impact of prediction error on the microgrid operation

其中發載差為網內負荷與微源出力的差值。風電大規模以分布式電源接入電網時，國家規定［18］其10min內的出力變化不得大于其裝機容量的1／10，這在一定程度上限制了風能的利用，與分布式電源直接接入相比，微網風能利用情況如圖6所示。

圖6 沒有微網時的電能利用情況Fig.6 Utilization of power without microgrid

引入微網結構，并使用預測系統后如圖7所示。

圖7 采用微網結構后的電能利用情況Fig.7 Utilization of power using microgrid structure

上層網絡可靠性參數引用文獻［17］，微網內天然氣利用情況及可靠性如表2所示。

表2 天然氣利用情況Tab.2 Utilization of natural gas

表3 可靠性比較Tab.3 Comparison of reliability

由分析結果可看出，高負荷時風電出力相對較小，波動較大，傳統分布式接入不能緩解主網的供電壓力。當采用微網結構后，將風力發電充分利用在區域供電上后，僅需儲能系統的支撐和少量燃氣輪機的出力就可以有效地節約主網電力。預測系統的誤差，在高負荷低風速時期會在一定程度上影響微網的網內潮流，造成功率的不平衡，但適當容量的儲能系統可以保證微網此時的穩定運行，可靠性參數也得到了明顯改善；在風機出力充足的情況下，繼續根據預測規劃微網運行則會造成系統的故障，引起網內負荷的斷電，使可靠性下降；微燃機由于預測誤差而造成的天然氣損耗相對較小。

4 結語

本文采用BP網絡預測風機出力和即時負荷，并以此規劃微網的運行。從結果可以看出，采用預測系統的微網結構可以在配網高負荷時期很好地緩解主網壓力。在充分利用風能資源、節能減排的同時可以保證網內用戶的可靠性要求，但在風能資源充足的情況下，天氣變化的影響產生的預測誤差會造成網內負荷的斷電，降低供電可靠性。隨著儲能技術的發展，微網在處理負荷較高、波動較大以及分布式電源出力不穩定方面將體現出更大的優越性。

本文的研究中僅對微網預測系統提出初步的設想，完整的微網預測技術體系仍有很多技術難題有待解決本，可在以下方面展開更加深入的研究：

（1）選擇更加合理的預測方法進一步規劃不同運行模式和組網結構下的微電網運行。

（2）選擇合適的時間采樣方法來增加計算精度。

（3）與經濟性分析相結合得出最佳微網運行模式。

［1］ 馬力（Ma Li）.混合系統微網控制策略分析（Control strategy analysis of hybrid system in micro－grid）［J］.電力系統及其自動化學報（Proceedings of the CSUEPSA），2010，22（6）：104－108.

［2］ 丁明，張穎媛，茆美琴（Ding Ming，Zhang Yingyuan，Mao Meiqin）.微網研究中的關鍵技術（Key technologies for microgrids being researched）［J］.電網技術（Power System Technology），2009，33（11）：6－11.

［3］ 李鵬，張玲，王偉，等（Li Peng，Zhang Ling，Wang Wei，etal）.微網技術應用與分析（Application and analysis of microgrid）［J］.電力系統自動化（Automation of Electric Power Systems），2009，33（20）：109－115.

［4］ 王成山，楊占剛，王守相，等（Wang Chengshan，Yang Zhangang，Wang Shouxiang，etal）.微網實驗系統結構特征及控制模式分析（Analysis of structural characteristics and control approaches of experimental microgrid systems）［J］.電力系統自動化（Automation of Electric Power Systems），2010，34（1）：99－105.

［5］ Papathanassiou S，Hatziargyriou N，Strunz K.A benchmark low voltage microgrid network［C］∥CIGRE Symposium，Athens，Greece：2005.

［6］ 陳益哲，張步涵，王江虹，等（Chen Yizhe，Zhang Buhan，Wang Jianghong，etal）.基于短期負荷預測的微網儲能系統主動控制策略（Active control strategy for microgrid energy storage system based on shortterm load forecasting）［J］.電網技術（Power System Technology），2011，35（8）：35－40.

［7］ Qiong Cui，Jie Shu，Xianyong Zhang，etal.The application of improved BP neural network for power load forecasting in the island microgrid system［C］∥International Conference on Electrical and Control Engineering，Yichang，China：2011.

［8］ Amjady N，Keynia F，Zareipour H.Short－term load forecast of microgrids by a new bilevel prediction strategy［J］.IEEE Trans on Smart Grid，2010，1（3）：286－294.

［9］ Li Xingpei，Liu Yibing，Xin Weidong.Wind speed prediction based on genetic neural network［C］∥4th IEEE Conference on Industrial Electronics and Applications，Xi＇an，China：2009.

［10］ 周中明，李建平，張鑫，等 （Zhou Zhongming，Li Jianping，Zhang Xin，et al）.ANN在電力系統中期負荷預測中的應用（The application of ANN in middle term load forecasting of power system）［J］.電力系統及其自動化學報（Proceedings of the CSU－EPSA），2003，15（2）：36－39.

［11］ 陶小虎，黃民翔（Tao Xiaohu，Huang Minxiang）.一種基于模糊規則和神經網絡的負荷預測方法（A new load forecasting method based on fuzzy rules and ANN）［J］.電力系統及其自動化學報（Proceedings of the CSU－EPSA），2000，12（5）：37－41，54.

［12］ 牛銘，黃偉，郭佳歡，等（Niu Ming，Huang Wei，Guo Jiahuan，et al）.微網并網時的經濟運行研究（Research on economic operation of grid－connected microgrid）［J］.電網技術（Power System Technology），2010，34（11）：38－42.

［13］Lee K Y，Cha Y T，Park J H.Short－term load forecasting using an artificial neural network［J］.IEEE Trans on Power Systems，1992，7（1）：124－132.

［14］Xu Fang－Yuan，Leung M C，Zhou Long.A RBF network for short－term load forecast on microgrid［C］∥International Conference on Machine Learning and Cybernetics，Qingdao，China：2010.

［15］ 周佃民，管曉宏，孫婕，等（Zhou Dianmin，Guan Xiaohong，Sun Jie，et al）.基于神經網絡的電力系統短期負荷預測研究（A short－term load forecasting system based on BP artificial neural network）［J］.電網技術（Power System Technology），2002，26（2）：10－13，18.

［16］ 別朝紅，李更豐，王錫凡（Bie Zhaohong，Li Gengfeng，Wang Xifan）.含微網的新型配電系統可靠性評估綜述（Review on reliability evaluation of new distribution system with micro－grid）［J］.電力系統自動化（Automation of Electric Power Systems），2011，31（1）：1－6.

［17］Costa P M，Matos M A.Assessing the contribution of microgrids to the reliability of distribution networks［J］.Electric Power Systems Research，2009，79（2）：382－389.

［18］DL／T 836－2003，中華人民共和國電力行業標準供電系統用戶供電可靠性評價規程［S］.