在发电和需求不确定条件下微电网的最优运行

摘要

在过去的几十年中，能源危机、环境污染，以及不断增长的电力需求导致了可再生能源发电技术的进步。可再生能源技术的不断进步，为分布式发电(DG)的增长和应用奠定了基础。为了充分发挥分布式电源的潜力，最近，一种被称为微电网的新模式已经出现。微电网是一种包含分布式能源(DER)和局部负荷的低电压或中电压小规模电网。以微电网形式的分布式能源的协调运行允许电力供应的分散，因而有可能增加系统可靠性和提升电能质量。随着微电网的发展，可再生能源向电力系统的渗透越来越大。为了实现微电网的高效可靠运行，应合理规划分布式发电机组、储能系统以及系统内可控负载的经济调度。风能和光伏(PV)资源等可再生能源的间歇性对微电网运营提出了重大挑战。电力需求也表现出高度的随机特性。由于负荷和发电平衡是电网的关键要求，可再生能源和负荷需求的不确定性给电力调节带来了挑战。这些问题需要精确的发电和需求预测工具来规划解决，从而使得微电网系统有效运行，从而确保供电的可靠性。本文基于需求和发电预测结果和其他运行信息，采用最优能量管理策略来确保微电网在并网和孤岛模式下的经济和稳定运行。
　　在这篇论文中，我们提出了微电网中发电和负荷需求预测的混合建模方法。提出了基于粒子群优化(PSO)和遗传算法(GA)相结合的自适应网络模糊推理系统(ANFIS)模型，用于风电和光伏发电预测。在本文提出的建模技术中，结合PSO和GA的集成优化算法通过在PSO和GA并行运行的每个解步骤中交换最佳解的变量来迭代优化ANFIS模型的参数。本文所提出的建模方法得益于粒子群优化算法的简单性和有效性以及遗传算法的强全局搜索能力来迭代优化相对复杂的ANFIS结构。该集成算法还用于训练风电预报的神经网络模型。在光伏发电预测建模中，本文提出了一种基于二元遗传算法的特征选择策略，确定了一组合适的预测变量，以提高预测者的效率和准确性。为了选择最重要的变量，特征选择策略使用二进制GA来评估对应于不同特征子集的高斯过程回归(GPR)模型的均方误差(MSE)。此外，还提出了一种结合经验模态分解(EMD)、粒子群优化算法和ANFIS的混合负荷预测方法。所提出的方法首先采用EMD将微电网的复杂负载数据序列分解为一组多个固有模式函数(IMF)和残差，然后使用PS0算法来优化每个IMF分量和残差的ANFIS模型。通过对各分量模型的预测结果进行汇总，得到最终的短期电力负荷预测值。最后，考虑到需求和发电的不确定性，开发了未来一天的最优能量管理策略。最优能量管理策略的目标是通过优化调度DGS和能量存储系统来使运行成本最小化并提高第二天的能量利用效率。利用混合整数线性规划(MILP)方法建立了最优资源调度模型。最终从研究结果得出结论，并对今后的研究方向进行了讨论。

目录

声明

摘要

ABSTRACT

ACKNOWLEDGEMENTS

TABLE OF CONTENTS

LIST OF ABBREVIATIONS

LIST OF FIGURES

LIST OF TABLES

1．INTRODUCTION

1．2．The Microgrid Concept

1．3．Energy Management Systems

1．3．1．Generation Forecasting

1．3．2．Electricity Demand Forecasting

1．3．3．Optimal Scheduling of Resources

1．4．Research Objectives

1．5．Thesis Outline

1．6．Publications

2．DISTRIBUTED ENERGY RESOURCES IN MICROGRIDS

2．2．Wind Turbines

2．3．Photovoltaic Installations

2．4．Micro Turbines

2．5．Energy Storage Systems

3．GENERATION AND DEMAND FORECASTING

3．1．Introduction to Evolutionary Algorithms and AI

3．1．1．Genetic Algorithm

3．1．2．Particle Swarm Optimization

3．1．3．Artificial Neural Networks

3．1．4．Adaptive Neuro-fuzzy Inference Systems

3．1．5．Forecasting Performance Evaluation Metrics

3．2．Wind Power Generation Forecasting

3．2．1．Introduction

3．2．2．Modelling Data

3．2．3．Description of Methodologies

3．2．4．Analysis of Results

3．3．PV Generation Forecasting

3．3．2．Modelling Data

3．3．3．Description of Methodology

3．3．4．Analysis of Results

3．4．Short Term Load Forecasting

3．4．1．Introduction

3．4．2．Modelling Data

3．4．3．Description of Methodology

3．4．4．Analysis of Results

3．5．Very Short Term Load Forecasting

3．5．1．Introduction

3．5．2．Data and Methodolelgy

3．5．3．Analysis of Results

4．OPTIMAL ENERGY MANAGEMENT IN MICROGRIDS

4．1．Introduction

4．2．Modeling of Components

4．3．Problem Formulation

4．4．Analysis of Results

5．CONCLUSIONS AND FUTURE WORK

5．1．Conclusions

5．2．Future Works

References