基于FPGA的微电网能量控制方法、FPGA处理器及系统

摘要

本申请公开了一种基于FPGA的微电网能量控制方法、FPGA处理器及系统，设置微电网的能量控制目标函数，并利用遗传膜算法获得该函数的最优解。具体地，利用膜计算算法获得多层基本膜及一层表层膜，利用遗传算法获得多个粒子，将各个所述粒子随机分配至各层基本膜中，进而对各层基本膜中的粒子执行遗传算法获得各层基本膜上的最优粒子，并将所述各个最优粒子输出至表层膜以确定群体最优粒子，且依据所述群体最优粒子对每层基本膜中的粒子更新，如此循环，直至获得最终的群体最优粒子，从而将该群体最优粒子的最优值确定为所述目标函数中控制变量的最优值。同时，本申请提供的FPGA处理器用以实现上述微电网能量控制方法。

说明书

技术领域

本申请涉及电网控制技术领域，尤其是一种基于FPGA的微电网能量 控制方法、FPGA处理器及系统。

背景技术

微电网是由分布式电源、储能装置、能量转换装置、负荷、负荷监控 及用电保护装置等组成的小型发配电系统。具体地，所述微电网内可包 含一种或多种分布式电源，例如光伏发电装置、风力发电装置、水力发 电装置、燃料电池及燃气轮机等，用于产生负荷所需的电能。

分布式电源的类型不同，各自的运行方式也存在差异。例如，光伏、 风力等新能源的发电功率易受自然环境影响，但排放的污染物较少，相 反，燃料电池、燃气轮机等化石能源的发电功率较为稳定，但会对环境 造成较大的污染。因此，根据实际需求，需要对微电网中分布式电源的 运行方式进行不同的控制。

目前的控制方法，主要应用遗传算法求解控制函数中控制变量的最优 值，并依据该最优值对微电网进行控制。但是，所述遗传算法对空间的 搜索具有局限性，在最优值的求解过程中容易过早收敛，从而导致陷入 局部最优值，因此，利用该算法获得的最优值误差较大，进而降低控制 方法的准确性。

发明内容

有鉴于此，本申请提供了一种基于FPGA的微电网能量控制方法、 FPGA处理器及系统，用以解决现有技术中的微电网控制方法准确性较差 的技术问题。本申请提供的技术方案如下：

一种基于FPGA的微电网能量控制方法，包括：

设置微电网的能量控制目标函数；其中，所述能量控制目标函数中包 含控制变量，所述控制变量包括所述微电网中各种所述分布式电源的发 电功率；

初始化预设遗传膜算法的执行参数；其中，所述预设遗传膜算法中包 含多层基本膜及一层表层膜，且所述执行参数包括基本膜的层数、每层 所述基本膜对应遗传算法的粒子个数、所述遗传算法的迭代次数、所述 遗传算法的交叉概率及所述遗传算法的变异概率；

确定所述遗传算法的适应度函数，并生成所述遗传算法中每个粒子的 初始值；

将各个所述具有初始值的粒子随机分配至各层所述基本膜中，并依据 所述适应度函数、所述迭代次数、所述交叉概率及所述变异概率，对每 层所述基本膜上的粒子执行所述遗传算法，以获得每层所述基本膜上的 备选最优粒子；其中，每层所述基本膜中包含至少一个所述粒子，且每 个所述备选最优粒子均具有最优值；

将所述各个备选最优粒子传送至所述表层膜中，在所述表层膜中确定 目标最优粒子；其中，所述目标最优粒子具有最优值；

判断是否满足所述预设遗传膜算法的终止执行条件；

若是，将所述目标最优粒子的最优值确定为所述能量控制目标函数控 制变量的最优值，从而获得各种所述分布式电源的发电功率；

否则，用所述目标最优粒子更新每层所述基本膜中的备选最优粒子， 并返回对每层所述基本膜中的粒子执行所述遗传算法。

上述方法，优选的，所述设置微电网的能量控制目标函数包括：

设置微电网运行成本函数

$\min C_1=k_1\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{CF}}_i\left(P_{\mathrm{it}}\right)+k_2\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{OM}}_i\left(P_{\mathrm{it}}\right)+k_3{C}_t(P_{\mathrm{loadt}}-\underset{i=1}{\overset{N}{\Sigma }}{P}_{\mathrm{it}})$为所述微电网的能量 控制目标函数；其中，k₁、k₂及k₃为预设系数值；i为所述微电网中各种 分布式电源的编号；N为所述分布式电源的种数；P_it为第i种分布式电源 在t时刻的发电功率；CF_i为第i种分布式电源运行时的燃料消耗成本； OM_i为第i种分布式电源运行时的管理成本；P_loadt为所述微电网中负荷的 需求功率；当为正值时，该正值为所述微电网t时刻向主电网 购买的功率且所述C_t为购买电价，当为负值时，该负值为所述 微电网t时刻向主电网出售的功率且所述C_t为出售电价；

或，

设置微电网环境效益函数$\min C_2=\underset{i=1}{\overset{N}{\Sigma }}{C}_k{\gamma }_{\mathrm{ik}}{P}_{\mathrm{it}}+C_k{\gamma }_{\mathrm{GRIDk}}{P}_{\mathrm{GRIDt}}$为所述微 电网的能量控制目标函数；其中，为处理所述微电网所排放污 染物的成本之和，C_k为处理每单位排放污染物的成本，P_it为第i种分布 式电源在t时刻的发电功率，γ_ik为分布式电源在t时刻输出P_it功率所排放 污染物的总量；C_kγ_GRIDkP_GRIDt为处理主电网所排放污染物的成本之和， P_GRIDt为所述主电网在t时刻的输出功率，γ_GRIDk为所述主电网在t时刻输 出P_GRIDt功率所排放污染物的总量；

或，

设置微电网综合效益函数minC₃＝w₁C₁+w₂C₂为所述微电网的能量控 制目标函数；其中，w₁、w₂分别为预设权重，且w₁≥0，w₂≥0，w₁+w₂＝1； C₁为所述微电网运行成本函数；C₂为所述微电网环境效益函数。

上述方法，优选的，当所述预设的所述微电网的能量控制目标函数包 括所述微电网运行成本函数时，所述各种分布式电源包括光伏发电装置、 风力发电装置、柴油发电机、燃料电池及燃气轮机，相应的：

所述光伏发电装置及所述风力发电装置各自对应的燃料消耗成本CF 由CF＝0获得；

所述柴油发电机的燃料消耗成本CF由CF(P)＝a_iP²+b_iP+c_i获得；其 中，a_i、b_i、c_i为预设成本函数系数；

所述燃料电池及燃气轮机各自对应的燃料消耗成本CF由 获得；其中，C为燃料价格；L为燃料热值；P_J为 时间段J内的净输出发电功率；η_J为时间段J内的机组效率。

上述方法，优选的，所述确定所述遗传算法的适应度函数，并生成所 述遗传算法中每个粒子的初始值包括：

将所述能量控制目标函数的倒数确定为所述遗传算法的适应度函数；

依据所述控制变量的预设约束条件，生成所述遗传算法中每个粒子的 初始值。

上述方法，优选的，所述设置微电网的能量控制目标函数包括：

获取各个预设控制定量及控制变量；

依据所述各个预设控制定量及所述控制变量，设置微电网的能量控制 目标函数。

上述方法，优选的，在所述将所述目标最优粒子的最优值确定为所述 能量控制目标函数控制变量的最优值，从而获得各种所述分布式电源的 发电功率之后，还包括：

依据获得的各种所述分布式电源的发电功率，分别对所述微电网中各 种所述分布式电源进行控制。

本申请提供了一种现场可编程门阵列FPGA处理器，包括：

目标函数设置单元，用于设置微电网的能量控制目标函数；其中，所 述能量控制目标函数中包含控制变量，所述控制变量包括所述微电网中 各种所述分布式电源的发电功率；

执行参数初始单元，用于初始化预设遗传膜算法的执行参数；其中， 所述预设遗传膜算法中包含多层基本膜及一层表层膜，且所述执行参数 包括基本膜的层数、每层所述基本膜对应遗传算法的粒子个数、所述遗 传算法的迭代次数、所述遗传算法的交叉概率及所述遗传算法的变异概 率；

遗传算法定义单元，用于确定所述遗传算法的适应度函数，并生成所 述遗传算法中每个粒子的初始值；

备选粒子获取单元，用于将各个所述具有初始值的粒子随机分配至各 层所述基本膜中，并依据所述适应度函数、所述迭代次数、所述交叉概 率及所述变异概率，对每层所述基本膜上的粒子执行所述遗传算法，以 获得每层所述基本膜上的备选最优粒子；其中，每层所述基本膜中包含 至少一个所述粒子，且每个所述备选最优粒子均具有最优值；

目标粒子获取单元，用于将所述各个备选最优粒子传送至所述表层膜 中，在所述表层膜中确定目标最优粒子；其中，所述目标最优粒子具有 最优值；

终止条件判断单元，用于判断是否满足所述预设遗传膜算法的终止执 行条件；若是，触发控制变量确定单元；否则，触发备选粒子更新单元；

控制变量确定单元，用于将所述目标最优粒子的最优值确定为所述能 量控制目标函数控制变量的最优值，从而获得各种所述分布式电源的发 电功率；

备选粒子更新单元，用于用所述目标最优粒子更新每层所述基本膜中 的备选最优粒子，并返回对每层所述基本膜中的粒子执行所述遗传算法。

本申请提供了一种微电网能量控制系统，包括CPU、参数采集模块、 如上述的FPGA处理器及微电网，其中：

所述CPU，用于将生成的遗传算法中每个粒子的初始值发送至所述 FPGA处理器；

所述参数采集模块，用于将采集的所述微电网中多种分布式电源的控 制参数发送至所述FPGA处理器；

所述FPGA处理器，用于预设所述微电网的能量控制目标函数，并依 据所述各个粒子的初始值及所述各个控制参数，执行预设遗传膜算法以 获得所述能量控制目标函数中控制变量的最优值，并将所述控制变量的 最优值发送至所述CPU；其中，所述控制变量包含所述各种分布式电源 的发电功率；

所述CPU，还用于依据所述控制变量的最优值对所述微电网中的多 种分布式电源的发电功率进行控制。

本申请提供的技术方案，具有下述有益效果：

现有控制方法中，将利用遗传算法获得的局部最优粒子确定为群体最 优粒子，寻优计算过程中的搜索空间有限，容易过早收敛到局部，获得 的最优粒子具有误差。本申请提供的控制方法中，通过在每层基本膜上 获得局部最优粒子，并利用所述每层膜上的局部最优个体对各层膜上的 粒子进行更新，从而避免了遗传算法中的粒子最优值收敛于局部，降低 了最优粒子最优值的误差，从而提高了控制方法的准确性。

同时，由于膜计算方法是一种具有层次结构的分布式、并行计算模型， 各层基本膜中的运算过程是独立的，因此本申请提供的控制方法具有较 高的运行效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描 述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图 仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种基于FPGA的微电网能量控制方法实施例的 流程图；

图2为本申请提供的一种现场可编程门阵列FPGA处理器的结构示意 图；

图3为本申请提供的一种微电网能量控制系统实施例的结构示意 图；

图4为本申请提供的一种FPGA处理器的一个连接结构示意图；

图5为本申请提供的一种FPGA处理器的另一连接结构示意图；

图6为本申请提供的一种FPGA处理器的又一连接结构示意图；

图7为本申请提供的一种FPGA处理器的又一连接结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案 进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实 施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术 人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本 申请保护的范围。

参见图1，其示出了本申请提供的一种基于FPGA的微电网能量控制 方法实施例一的流程图，该实施例具体包括：

步骤101：设置微电网的能量控制目标函数；其中，所述能量控制目 标函数中包含控制变量，所述控制变量包括所述微电网中各种所述分布 式电源的发电功率。

其中，根据微电网实际运行需求，设置微电网的能量控制目标函数。 例如，微电网需要运行成本最低时，可预设关于微电网消耗的燃料成本 的函数；微电网需要环境效益最低时，可预设关于微电网处理排放污染 物成本的函数。

函数中包含有变量，所述能量控制目标函数中包含的变量可认为是控 制变量，且所述控制变量表明的是微电网中各种分布式电源的发电功率。 可见，所述能量控制目标函数表明的是，各种分布式电源的发电功率需 要满足达到怎样的情况，才能获得所述能量控制目标函数的最优值，从 而达到所述微电网的实际运行需求。

步骤102：初始化预设遗传膜算法的执行参数；其中，所述预设遗传 膜算法中包含多层基本膜及一层表层膜，且所述执行参数包括基本膜的 层数、每层所述基本膜对应遗传算法的粒子个数、所述遗传算法的迭代 次数、所述遗传算法的交叉概率及所述遗传算法的变异概率。

其中，所述预设遗传膜算法的具体执行过程包括下述步骤103至步骤 108。需要说明的是，所述遗传膜算法是由遗传算法及膜计算算法结合而 来。所述膜计算算法中包含有多层基本膜及一层表层膜，则需要初始化 所述基本膜的层数。同时，需要在每层所述基本膜中执行遗传算法，则 需要初始化所述遗传算法中的粒子个数、迭代次数、交叉概率及变异概 率。

步骤103：确定所述遗传算法的适应度函数，并生成所述遗传算法中 每个粒子的初始值。

其中，遗传算法中需要依据适应度函数计算各个粒子的适应度值，则 需要确定所述遗传算法的适应度函数。可选的，所述适应度函数为所述 能量控制目标函数的倒数。例如，所述能量控制目标函数为f(x)，可以将 适应度函数设置为

同时，遗传算法中的各个粒子需要具有初始值，所述初始值可以认为 是所述能量控制目标函数的备选解，需要对所述各个备选解进行遗传算 法的选择、交叉及变异运算，生成最优解。需要说明的是，所述各个粒 子具有预设取值范围，初始值的生成方式可以是在该预设取值范围内随 机生成的。

步骤104：将各个所述具有初始值的粒子随机分配至各层所述基本膜 中，并依据所述适应度函数、所述迭代次数、所述交叉概率及所述变异 概率，对每层所述基本膜上的粒子执行所述遗传算法，以获得每层所述 基本膜上的备选最优粒子；其中，每层所述基本膜中包含至少一个所述 粒子，且每个所述备选最优粒子均具有最优值。

其中，随机分配各个粒子，需要保证每层基本膜中都至少包含有一个 粒子。对各层基本膜上的粒子执行遗传算法，则在每层基本膜上可获得 最优粒子，该最优粒子为备选最优粒子。

步骤105：将所述各个备选最优粒子传送至所述表层膜中，在所述表 层膜中确定目标最优粒子；其中，所述目标最优粒子具有最优值。

其中，将各层基本膜上的备选最优粒子传送至所述表层膜中，所述表 层膜中具有与所述基本膜层数等量的备选最优粒子。具体地，比较所述 各个备选最优粒子对应的适应度值，当某个备选最优粒子对应的适应度 值最大时，说明该备选最优粒子使目标函数的取值最小，因此，将该备 选最优粒子确定为目标最优粒子。

步骤106：判断是否满足所述预设遗传膜算法的终止执行条件；若是， 执行步骤107，否则执行步骤108。

其中，所述预设的终止执行条件可以是，所述备选最优粒子的适用度 值达到预设阈值，也可以是所述备选最优粒子的适用度值及所述目标最 优粒子的适用度值不再上升，还可以是所述对所述基本膜中的备选最优 粒子的次数达到预设次数。

步骤107：将所述目标最优粒子的最优值确定为所述能量控制目标函 数控制变量的最优值，从而获得各种所述分布式电源的发电功率。

其中，当满足所述预设终止执行条件时，将所述目标最优粒子的最优 值输出，确定为步骤101中预设的能量控制目标函数中控制变量的最优 值。由于所述控制变量表明各种所述分布式电源的发电功率，因此，可 获得各种所述分布式电源的发电功率最优值。

步骤108：用所述目标最优粒子更新每层所述基本膜中的备选最优粒 子，并返回对每层所述基本膜中的粒子执行所述遗传算法。

其中，当不满足所述预设终止执行条件时，用从所述表层膜中确定的 目标最优粒子更新各层基本膜中的备选最优粒子。具体地，将该目标备 选最优粒子对应的最优值与各层所述备选最优粒子对应的最优值进行比 较，当相较于备选最优粒子对应的最优值使能量控制目标函数获得的结 果，目标最优粒子对应的最优值使能量控制目标函数获得的结果更优时， 将用所述目标最优粒子对该层基本膜中的备选最优粒子进行更新，所述 更新即替代所述备选最优粒子。

由以上的技术方案可知，本申请提供的一种微电网能量控制方法中， 设置微电网的能量控制目标函数，并利用遗传膜算法获得该函数的最优 解。所述遗传膜算法结合有膜计算算法及遗传算法，具体地，利用膜计 算算法获得多层基本膜及一层表层膜，利用遗传算法获得多个粒子，将 各个所述粒子随机分配至所述各层基本膜中，并对所述每层基本膜中的 粒子执行遗传算法，从而获得各层基本膜中的最优粒子，将所述各层基 本膜中的最优粒子输出至所述表层膜中，在所述表层膜中的各个最优粒 子中，确定群体最优粒子，并依据所述群体最优粒子对每层基本膜中的 各个粒子进行更新，并重新进行遗传算法，如此循环，从而在表层膜中 获得最终的群体最优粒子，将该群体最优粒子的最优值确定为所述能量 控制目标函数中的控制变量的最优值，从而获得所述能量控制目标函数 的最优解。

现有控制方法中，将利用遗传算法获得的局部最优粒子确定为群体最 优粒子，寻优计算过程中的搜索空间有限，容易过早收敛到局部，获得 的最优粒子具有误差。本申请提供的控制方法中，通过在每层基本膜上 获得局部最优粒子，并利用所述每层膜上的局部最优个体对各层膜上的 粒子进行更新，从而避免了遗传算法中的粒子最优值收敛于局部，降低 了最优粒子最优值的误差，从而提高了控制方法的准确性。

同时，由于膜计算方法是一种具有层次结构的分布式、并行计算模型， 各层基本膜中的运算过程是独立的，因此本申请提供的控制方法具有较 高的运行效率。

需要说明的是，上述微电网能量控制方法应用于FPGA处理器，当然 也可应用于其他类型的处理器上。

需要说明的是，上述实施例中设置的微电网的能量控制目标函数可以 是根据实际需求设定的目标函数，可选的，设置微电网的能量控制目标 函数可以将微电网运行成本函数、微电网能量效益函数或者由上述两个 函数综合生成的微电网综合效益函数设置为所述微电网的能量控制目标 函数。其中，所述运行成本可以包括分布式电源消耗燃料的成本、分布 式电源运行管理成本及微电网与主电网的电力交易成本；所述环境效益 指的是处理分布式电源排放污染物的成本。

具体地，所述微电网运行成本函数的具体表现形式为：

$\min C_1=k_1\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{CF}}_i\left(P_{\mathrm{it}}\right)+k_2\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{OM}}_i\left(P_{\mathrm{it}}\right)+k_3{C}_t(P_{\mathrm{loadt}}-\underset{i=1}{\overset{N}{\Sigma }}{P}_{\mathrm{it}})---\left(1\right)$

其中，k₁、k₂及k₃为预设系数值；表示分布式电源消耗的 燃料成本，表示分布式电源运行管理成本，表 示微电网与主电网的电力交易成本。

具体地，i为所述微电网中各种分布式电源的编号；N为所述分布式 电源的种数；P_it为第i种分布式电源在t时刻的发电功率；CF_i为第i种分 布式电源运行时的燃料消耗成本；OM_i为第i种分布式电源运行时的管理 成本；P_loadt为所述微电网中负荷的需求功率；当为正值时，该 正值为所述微电网t时刻向主电网购买的功率且所述C_t为购买电价，当 为负值时，该负值为所述微电网t时刻向主电网出售的功率且 所述C_t为出售电价。

上述式(1)中包含的控制变量为各种分布式电源的发电功率，需要 求解能使该式取得最小值的各种分布式电源的发电功率。需要说明的是， 如果微电网中的分布式电源包含新能源如风力、光伏，则式(1)中分布 式电源消耗燃料成本的求解过程中不包含属于新能源的分布式电源。

可选的，当微电网中的各种分布式电源包括光伏发电装置 (Photovoltaic，PV)、风力发电装置(Wind Turbine，WT)、柴油发电机(Diesel  Engine，DE)、燃料电池(Fuel Cell，FC)及燃气轮机(Micro Turbine，MT)时， 各种分布式电源消耗燃料成本CF的表现形式如下：

所述光伏发电装置及所述风力发电装置各自对应的燃料消耗成本CF 满足CF＝0；

所述柴油发电机的燃料消耗成本CF满足CF(P)＝a_iP²+b_iP+c_i；其中， a_i、b_i、c_i为预设成本函数系数；

所述燃料电池及燃气轮机各自对应的燃料消耗成本CF满足 其中，C为燃料价格；L为燃料热值；P_J为时间 段J内的净输出发电功率；η_J为时间段J内的机组效率。

具体地，所述微电网环境效益函数的具体表现形式为：

$\min C_2=\underset{i=1}{\overset{N}{\Sigma }}{C}_k{\gamma }_{\mathrm{ik}}{P}_{\mathrm{it}}+C_k{\gamma }_{\mathrm{GRIDk}}{P}_{\mathrm{GRIDt}}---\left(2\right)$

其中，为处理所述微电网所排放污染物的成本之和，C_k为 处理每单位排放污染物的成本，k为排放污染物的类型如CO₂，SO₂，NO_X， P_it为第i种分布式电源在t时刻的发电功率，γ_ik为分布式电源在t时刻输 出P_it功率所排放污染物的总量；C_kγ_GRIDkP_GRIDt为处理主电网所排放污染物 的成本之和，P_GRIDt为所述主电网在t时刻的输出功率，γ_GRIDk为所述主 电网在t时刻输出P_GRIDt功率所排放污染物的总量。

具体地，所述微电网综合效益函数的具体表现形式为：

minC₃＝w₁C₁+w₂C₂   (3)

其中，w₁、w₂分别为预设权重，且w₁≥0，w₂≥0，w₁+w₂＝1；C₁为所 述微电网运行成本函数，即式(1)；C₂为所述微电网环境效益函数，即 式(2)。

依据上述列举的三种能量控制目标函数，可以实现对微电网中各种分 布式电源发电功率的不同控制，从而实现不同的微电网运行控制需求。

可选的，在上述方法实施例的基础上，还可以包括：

步骤109：依据获得的各种所述分布式电源的发电功率，分别对所述 微电网中各种所述分布式电源进行控制。

其中，本步骤在步骤107之后执行，即在步骤107确定控制变量的最 优值后，依据所述控制变量的最优值对各种分布式电源的发电功率进行 调整，使其符合求解获得的目标最优粒子的最优值，从而实现能量控制 目标函数的最优解，如成本最低、环境效益最大或者综合效益最大。

可选的，上述方法实施例中，对遗传膜算法的初始化过程可以通过以 下方式实现：

预设膜结构为[₀[₁]₁,[₂]₂,[₃]₃,…,[_m]_m]₀；其中，该膜结构包含有m层基本 膜及表层膜0。预设遗传算法中的粒子个数为n，将n个粒子随机分配值 所述m层基本膜中，如下所示：

w₀＝λ；

$w_1=b_1{b}_2{b}_3···b_{n_1},n_1<n;$

$w_2=b_{n_1+1}{b}_{n_1+2}···b_{n_2},n_2<n;$

……

$w_m=b_{n_{(m-1)}+1}{b}_{n_{(m-1)}+2}···b_{n_m},n_m\le n;$

其中，b_i(i＝1,2,…,n)为各层基本膜中第i个粒子。

需要说明的是，上述方法实施例中，能量控制目标函数中的控制变量 需要在一定的预设范围内，所述预设范围作为求解目标函数最优解时的 约束条件。同时，在生成所述遗传算法中每个粒子的初始值时，需要满 足所述约束条件，即需要在预设范围内，生成各个粒子的初始值。微电 网的能量控制目标函数中的控制变量为分布式电源的发电功率，则，约 束条件可以包括：功率限值条件及容量传输条件。其中，

所述功率限值条件指的是，各种分布式电源的发电功率需要大于等于 各自对应的输出功率下限，并且小于等于各自的输出功率上限。例如， 分布式电源分别为PV、WT、FC、DE及MT时，各自的输出功率下限分 别均为0，各自的输出功率上限分别为6、12、30、30及30。

所述容量传输条件指的是，所述微电网与主电网之间交易的电量需要 小于等于预设的交易限值或者电力传输物质所能传输电量的极值。例如， 所述传输电量极值为115KW。

需要说明的是，上述方法实施例中，设置微电网的能量控制目标函数 包括：

获取各个预设控制定量及控制变量，并依据所述各个预设控制定量及 所述控制变量，设置微电网的能量控制目标函数。

其中，所述预设控制定量也就是能量控制目标函数中的各个已知量， 如微电网运行成本函数中的运行管理系数、分布式电源的管理成本、微 电网中负荷的需求功率及分布式电源的燃料消耗成本等。具体地，

分布式电源分别为PV、WT、FC、DE及MT时，各自的运行管理系 数分别为0.0096、0.0296、0.0293、0.088及0.0359。

微电网中负荷的需求功率如表1所示：

表1

主电网的实时电价如表2所示：

表2

光伏发电装置的预测发电功率如表3所示：

表3

风力发电装置的预存发电功率如表4所示：

表4

分布式电源排放污染物的处理成本及排放系数如表5所示：

表5

参见图2，其示出了本申请提供的一种现场可编程门列阵FPGA(Field  Programmable Gate Array)处理器的结构示意图，该处理器具体包括：目 标函数设置单元201、执行参数初始单元202、遗传算法定义单元203、 备选粒子获取单元204、目标粒子获取单元205、终止条件判断单元206、 控制变量确定单元207及备选粒子更新单元208。其中，

所述目标函数设置单元201，用于设置微电网的能量控制目标函数； 其中，所述能量控制目标函数中包含控制变量，所述控制变量包括所述 微电网中各种所述分布式电源的发电功率；

所述执行参数初始单元202，用于初始化预设遗传膜算法的执行参 数；其中，所述预设遗传膜算法中包含多层基本膜及一层表层膜，且所 述执行参数包括基本膜的层数、每层所述基本膜对应遗传算法的粒子个 数、所述遗传算法的迭代次数、所述遗传算法的交叉概率及所述遗传算 法的变异概率；

所述遗传算法定义单元203，用于确定所述遗传算法的适应度函数， 并生成所述遗传算法中每个粒子的初始值；

所述备选粒子获取单元204，用于将各个所述具有初始值的粒子随机 分配至各层所述基本膜中，并依据所述适应度函数、所述迭代次数、所 述交叉概率及所述变异概率，对每层所述基本膜上的粒子执行所述遗传 算法，以获得每层所述基本膜上的备选最优粒子；其中，每层所述基本 膜中包含至少一个所述粒子，且每个所述备选最优粒子均具有最优值；

所述目标粒子获取单元205，用于将所述各个备选最优粒子传送至所 述表层膜中，在所述表层膜中确定目标最优粒子；其中，所述目标最优 粒子具有最优值；

所述终止条件判断单元206，用于判断是否满足所述预设遗传膜算法 的终止执行条件；若是，触发控制变量确定单元207；否则，触发备选粒 子更新单元208；

所述控制变量确定单元207，用于将所述目标最优粒子的最优值确定 为所述能量控制目标函数控制变量的最优值，从而获得各种所述分布式 电源的发电功率；

所述备选粒子更新单元208，用于用所述目标最优粒子更新每层所述 基本膜中的备选最优粒子，并返回对每层所述基本膜中的粒子执行所述 遗传算法。

现有的控制处理器为执行单任务的处理器，或者是由软件进行计算的 系统，无法实现高速的并行运算，现有控制处理器的运行效率较低。本 申请提供的所述FPGA控制器可以对能量控制目标函数进行并行处理， 提高了运算效率，且可避免现有控制处理器在寻优计算的过程中过早收 敛于局部最优粒子造成的误差，控制准确性较高。

参见图3，本申请提供了一种微电网能量控制系统的结构示意图，该 系统具体包括：CPU301、参数采集模块302、如权利要求7所述的FPGA 处理器303及微电网304，其中：所述CPU301分别与所述FPGA处理器 303及所述微电网304相连，所述参数采集模块302分别与所述FPGA处 理器303及所述微电网304相连。其中：

所述CPU301，用于将生成的遗传算法中每个粒子的初始值发送至所 述FPGA处理器；

所述参数采集模块302，用于将采集的所述微电网304中多种分布式 电源的控制参数发送至所述FPGA处理器。

其中，所述FPGA处理器303向所述参数采集模块302发送采集信号， 触发所述参数采集模块302对所述微电网的控制参数进行采集，并该采 集的控制参数返回至所述FPGA处理器303。所述参数采集模块302采集 的所述微电网304中分布式电源的控制参数可以包括生成能量控制目标 函数的各种控制定量。需要说明的是，所述参数采集模块可以是A/D转 换器。

所述FPGA处理器303，用于预设所述微电网的能量控制目标函数， 并依据所述各个粒子的初始值及所述各个控制参数，执行预设遗传膜算 法以获得所述能量控制目标函数中控制变量的最优值，并将所述控制变 量的最优值发送至所述CPU；其中，所述控制变量包含所述各种分布式 电源的发电功率；

所述CPU301，还用于依据所述控制变量的最优值对所述微电网中的 多种分布式电源的发电功率进行控制。

需要说明的是，所述FPGA处理器为芯片EP2C5T144C8，包括U1、 U2、U3及U4四个模块，如(a)、(b)、(c)及(d)所示。参见图4， 其示出了所述FPGA处理器与所述CPU及所述参数采集模块的连接关系 示意图。具体地，模块U1中的管脚Data_In1_0～Data_In1_14为数据输 入口1，与CPU相连，以接收所述CPU发送的粒子初始值；模块U2中 的管脚Data_In2_0～Data_In2_14为数据输入口2，与参数采集模块相连， 以获取该模块采集的微电网的控制参数；模块U2中的管脚Data_Out_0～ Data_Out_7与CPU相连，以将计算生成的各种参数包括最终输出的最优 值发送至CPU；模块U3中的管脚CPU_Wr及CPU_Rd与CPU相连，传 送CPU的读写控制信号；模块U3中的管脚DG_Ready及Control_End与 CPU相连，传送FPGA处理器对CPU读取参数的触发信号及CPU对FPGA 新一次计算的触发信号。

可选的，上述微电网能量控制系统可以包括时钟控制单元305、电源 供应单元306及程序下载单元307。其中：

所述时钟控制单元305，用于对所述FPGA处理器进行最优解计算提 供时钟信号；所述电源供应单元306，用于为所述FPGA处理器提供工作 电源；所述程序获取单元307，用于为所述FPGA处理器下载程序，如配 置程序及控制程序等。

参见图5，其示出了所述时钟控制单元与所述FPGA处理器的连接关 系示意图。具体地，所述时钟控制单元305如(a)所示，为50M有源晶 体振荡器；所述FPGA处理器包含有U6模块如(b)所示。时钟控制单 元305产生的时钟信号CLK0及CLK4与所述FPGA处理器对应位相连， 以为所述FPGA处理器提供时钟信号。

参见图6，其示出了所述电源供应单元与所述FPGA处理器的连接关 系示意图。具体地，所述电源供应单元306如(d)所示及(e)所示，分 别为3.3V电源及1.2V电源；所述FPGA处理器包含有U9、U10及U11 模块，分别如(a)、(b)及(c)所示。所述FPGA处理器的U9、U10、 U11各模块的接口分别与电源3.3V(d)、1.2V(e)以及地GND相连。

参见图7，其示出了所述程序获取单元与所述FPGA处理器的连接关 系示意图。具体地，所述程序获取单元307如(a)所示，为HEADER5X2； 所述FPGA处理器包含有U7模块如(b)所示。所述程序获取单元307 (FPGA_JTAG1)与所述FPGA处理器的模块U5的对应接口相连。

基于本申请提供的微电网能量控制方法，发明人进行如下的仿真实 验：

设置微电网中包含的分布式电源包括光伏发电装置、电力发电装置、 燃料电池、燃气轮机、柴油发电机及主电网中的发电装置。设置遗传算 法中的种群规模即粒子个数为30，交叉概率为0.9及变异概率为0.05。 取上述表1至表5中时刻t为12时的微电网的发电功率、负荷需求功率 及主电网电价。

当设置的微电网能量控制目标函数分别为上述式(1)、式(2)及上 述式(3)时，分别依据遗传算法(GA)、改进的遗传算法(IGA)及本 申请提供的控制方法(GAPS)获得计算结果，如下表6所示。

表6

由表6可知，对于目标函数1(微电网运行成本函数)而言，GAPS 算法相较于GA算法而言，成本降低了1.86％，GAPS相较于IGA算法而 言，成本降低了0.031％；对于目标函数2(微电网环境效益函数)而言， GAPS算法相较于GA算法而言，成本降低了2.15％，GAPS算法相较于 IGA算法而言，成本降低了1.1％；对于目标函数3(微电网综合效益函 数)而言，GAPS算法相较于GA算法及IGA算法而言，在不同的权重 系数下，成本也随之降低。可见，本申请提供的控制方法，可获得较低 的成本值，也就是说准确性相应提高。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述， 每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间 相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况 下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实 施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。