人工神经网络预测技术在微网运行中的应用

王 越，卫志农，吴佳佳

（河海大学能源与电气学院，南京211100）

负荷日益增长和用户对供电质量要求的不断提高，使得传统配网结构面临的压力越来越大。在居民、工业、商业负荷均较高的夏季，经常会出现负荷持续高峰，容易造成供电紧张。当电能供应无法满足所有用户需求时，供电部门通常采取拉闸限电措施以达到重要负荷连续供电和满足节能减排的要求。限电措施虽然在一定程度上减小了电网供电压力，保证了电网在高负荷期间的稳定运行，但同时也造成了相关企业和个人一定的经济损失。对于配网的正常运行和规划而言限电只能作为应急措施而不能作为常规控制手段。

随着风电、光伏等新能源发电的迅速发展，将为上述问题的缓解提供有效的途径。国内外对这些新能源发电以分布式电源形式接入电网的运行和规划已经做了大量的研究，但是这种混合式配电网仍需解决分布式电源发电的间歇性、大规模接入对电网的冲击、高昂的建造维护费用等诸多问题，特别是经常会出现风能或光能富足期间不一定能缓解主网压力，在高负荷期间，却无法提供足够电能等情况。

新型配网结构——微网概念的提出在很大程度上解决了分布式电源的这些问题，其在并网和离网两种模式间的灵活切换的特点可以让配网的运行和调度有更多的选择，来应对不同的情况［1，2］。如果微网网内条件允许，可以切换到离网运行模式；当网内微源供电不足可以回到并网运行。微网内分布式电源与储能系统相互配合，再采用合适的控制策略完全能够保证微网一定时间的离网稳定运行［3］。微网的这种综合管理负荷和微源、灵活切换运行的特点可以最大效率地利用风电这样的间歇式电源，在特定时期可以增强区域供电，缓解主网压力。

根据微源和负荷的预测结果，微网可以在主网压力不大且微源出力理想的情况下控制微源以网内供电为主，即使在微源出力变化较大的情况下，仍可使用微燃机和储能装置的移峰填谷作用［4］，稳定网内潮流，平衡负荷和微源，避免了资源的浪费和对主网的冲击；在实在无法满足负荷要求的情况下切换到大电网供电为主，甚至切出微源。预测系统的加入可以帮助配网运行者制定出最经济合理的供配电方案，但预测的误差也会对供电可靠性造成影响。

鉴于此，本文将基于人工神经网络（NN）的预测系统加入到微网中，以此来预测风电机组的处理和网内负荷情况。通过分析比较传统分布式电源接入与微网结构下用户的供电可靠性和节能减排效果，对配网中的微网运行方式提供切实可行的建议和帮助。

1 微网内模型

1.1 微网结构

本文采用如图1所示Benchmark 0.4kV低压微网结构［5］。

图1 微网结构Fig.1 Structure of Microgrid

为充分考虑不同负荷的特点，本文设定负荷点1、5为居民负荷，负荷点4为工业负荷，负荷点2、3为商业负荷。

1.2 BP算法训练神经网络

目前关于风速预测的方法较多，但由于受天气和大气运动的影响，中长期的风速预测难以保证准确性，从而导致分析结果的参考价值较低。关于在微电网中应用预测技术，已经有很多文献进行了尝试并获得了很好的计算结果：文献［6］中将短期负荷预测应用在微网储能装置控制策略中取得了很好的削峰填谷效果；文献［7］提出采用改进的NN算法对离网状态下的微电网网内负荷进行预测可以很好的跟踪微网负荷的动态特性；文献［8］则直接指出准确的网内预测是微网稳定运行的关键因素，并在传统预测方法的基础上提出了一种双层预测策略。

根据不同预测算法的特点，本文选用反向传播算法（BP算法）［9］预测微网每日运行24h的微源和负荷数据。这种算法既灵活简便又能保证一定的计算精度，比较适合对微网整体状况进行评估并做出实时的调整。

首先利用BP算法设计神经网络并加以训练，这一过程是一个输入前向传播、反向输出误差再循环记忆的过程［10］。设输入模式向量和与之相对应的期望输出由以下公式表示：

其中k＝1，2，…，m；n为学习模式对数，q为输出层单元格数。将中间层单元激活值代入S型激活函数得到中间层j单元的输出值：

其中Wij为输入层至中间层的连接权，θj为中间层单元的阈值，阈值在学习中不断被修正，同理求的输出端的激活值和输出值。在顺向传播的过程中得到的网络实际输出值，当其与期望输出值误差大于设定值的时候，对网络进行反向误差传播校正，输出层校正误差为：

训练网络的过程中，考虑到人工神经网络方法在进行预测时，具有很强的自学习能力和复杂的非线性函数映射能力的特点［11］，因此选择输入量为矩阵形式，输出量也为矩阵形式，选取一个时间点T，形成一个X22矩阵，矩阵大小为n·（NZ－L），令N2＝NZ－L，矩阵大小为n·N2。该矩阵中，每行依次表示L天的历史数据和L＋1天的温度、湿度等数据，NZ为总样本容量，N2表示最后一个样本的起始天数，之后选出X22中第1至第N2－C列，令N＝N2－C，C为训练步长，通常取1，形成矩阵xx作为输入矩阵用于训练BP网络。选出X22的第N＋1至第N2列，即X22的最后一列，作为预测输入矩阵x11，最终训练得到输出矩阵Y，将x11作为预测输入矩阵输入到已训练好的网络，就可以得出第NZ天T时刻的预测数值。

本文采用的模型中，将一天24h分成24等份，每一个小时记为一个时间周期，被预测日记为NZ，将此前N－L（N＞L）天的T时刻的历史数据及相应的温度湿度数据输入输入层神经元模块，然后训练得到最终的预测网络模型，再将第NZ天前L天的风速数据及第NZ天T时刻的温度湿度预测数据输入次网络，最终得到对应时刻预测值。模型如图2所示。

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

1.3 微源出力预测

由于光伏系统暂时还难以在配网实际运行中提供足够的电能支持，本文采用的微网结构中微源以风电机组为主。微网的中央控制系统可以根据微源及负荷的预测结果和大电网的总体电能情况控制微网的运行方式。

本文首先进行风速预测，将风速值带入风电机功率模型得到预测出力。基于某地区风电场实测数据，应用所提方法来训练神经网络，得到输出矩阵为

在确定模型之后，先要将风速数据、温度数据和湿度数据等输入量行预处理。在实际问题中，一般都有多个输入参数，而每个输入的量纲可能不同，数量级也不尽相同，并且系统又是非线性的。因此，从这些角度考虑，为了有利于训练时尽量让训练能够收敛以及学习过程能顺利达到局部最小，数据初值的选取不可忽视。为了让输入的各个参数能够统一，则必需输入数据进行归一化，变成无量纲的数据，作为输入初值。本文采取将各个输入数据单独进行归一化，使之在区间［0，1］之间，以某一输入参数的序列为例，归一化公式为：

其中Y ＝ ｛yi｝是归一化前的数据，｛y′i｝是归一化后的序列。然后得出第NZ天T时刻的风速预测数值，直到24个时刻全部预测完成。最后按照风电机输出功率与风速的功率曲线［11］得到每天24h的风电出力。

其中：Prate为额定功率；Vci为切入风速；Vco为切出风速；Vrate为额定风速。本文根据某风电场8月实测风速预测一个月内各时间点风机出力，风机切入风速3m／s，额定风速14m／s，切出风速25m／s，额定功率750kW。为简化计算，每天从9：00开始到21：00取5个时间观测点。预测出力与真实值的对比如图3所示。

图3 预测出力与实际出力对比Fig.3 Comparison of predicted output and actual output

1.4 微燃机和储能装置

储能技术在电力系统中主要起到电力调峰、提高系统的运行稳定性和提高供电质量的作用［12］。而在微电网中，由于需要按照主网情况即时与其接通和断开，在这些切换的过程中会出现短暂的功率不平衡，引起电压的不稳定。为了保证重要负荷的连续供电，必须引入储能装置进行快速的储能、放能控制。目前的储能技术和储能装置容量并不能填补离网运行时分布式电源的电能不足，并且为了达到足够的可靠性，储能装置充电完成之前一般不能进行离网运行，储能装置特性如下：其中：ES（t）为储能装置在t时刻存储的电能；PWT和PPV（t）分别为微网中风电机组和光伏电池的输出功率；PL（t）为所带负荷，η为充、放电效率；ESmin、ESmax分别为储能最小、最大容量（本文取0和额定容量），并规定只有当初始容量不小于额定容量的情况下，微网才能离网运行。

微燃机输出稳定且易于控制，其功率可在一定范围内灵活调节，为了保证微网在离网运行时间尽可能长，网内一般都安装有此类分布式电源。但其系统响应速度较慢，在并、离网切换的过程中可能会造成系统的频率波动，影响微网两种模式的平滑切换。微燃机模型［13］如下：

其中：QMT为燃气轮机排气余热量；PMT为输出电功率；ηe为发电效率；η1为热损系数；Qhe、Qco分别为余热的制热和制冷量；Khe、Kco分别为溴冷机制热系数和制冷系数；VMT为运行时间内消耗的天然气量；Δt为运行时间；L为天然气低热值；R为热电比。

1.5 负荷模型

负荷预测［13～15］同样采用BP算法训练神经网络，输出矩阵为

本文选择某工厂、居民小区、商城一年的历史数据训练BP网络，根据文献［7］中训练神经网络的参数，本文采用输入预测日前连续20天数据预测一天24h的负荷情况。跟之前微源出力一样，为简化计算，每天取5个观测时间点，在获得真实值后，将真实值作为新的输入数据继续进行预测。预测结果如图4所示。

现代教育的多元化，新时代对教师特别是职教老师提出了更高的要求和挑战。要求教师应当是复合型的教师角色，教师要具备渊博的知识结构，要走在学生的前列。对自己的本职工作要得心应手，游刃有余，只有这样在学生的心目当中才能有美好的形象和很崇高的威信，进而在教育教学活动中能够因势利导、水到渠成。

图4 负荷预测值与真实值对比Fig.4 Comparison of predicted load and actual load

2 微网运行及可靠性分析

传统形式中风电以分布式电源直接接入电网，电网运营者以风电上网电价全部购入电能，在电网出现电压跌落时切出全部风机。由于风机输出的间歇性，给电网调度带来很大的困难。目前储能技术尚不成熟，风机的直接并网运行，有时会造成资源的浪费，并对主网电能质量产生影响。

在以微网形式并入配网后，微网可以根据实时情况随时调整微网运行方式和微源供电模式，节约主网电能，最大效率利用网内分布式电源，在保证网内重要负荷供电的同时还能将富足电能供给主网。本文的算例中微网每小时进行一次预测，每日取5个时间观测点，规定微网运行如下：

（1）风电输出满足网内负荷要求时离网运行，微源只对网内供电，不考虑对外倒送电能。

（2）离网运行期间出现微源供电不足，启动微燃机补充电能差值，无法补足则恢复并网运行。

（3）首先保证重要负荷的连续供电。

在节约主网电力，达到电能最优配置的同时，微网最基本的任务还是要保证网内负荷的供电可靠性［16］。无论是负荷预测还是风速预测都存在一定的误差甚至错误，当误差在一定范围内，且根据预测结果所选择的运行方式在实际情况下仍能保证稳定运行，则认为可靠性运行；如根据预测结果选择的运行方式在实际情况下输出和负载并不平衡，则认为造成了用户的供电中断。传统分布式电源直接连入配网后用户的可靠性定义如下［17］：

其中：λc为用户年平均故障率；λi为低压网络馈线故障率；λup为上层网络故障率；rc为平均停电持续时间；Uc为年平均停电持续时间。

微网结构并应用预测系统后，网内用户可靠性则变成：

根据风电并网要求，风电场需每15min向电力系统调度部门上报未来15min到4h内的预测功率，如果功率变化超过要求则需将风机切出；或者在主网出现电压频率波动超过一定限额，也需将风电机组全部切出，这就极大地限制了风能发电的效率，使得风能资源充足但是变化较快的时间段无法可靠地使用风力发电。微网根据预测系统统一管理分布式电源的特点可以高效地利用间歇式电源，在分布式电源发电充足时，将多余的电能给储能充电，在分布式电源出现较大波动的时候，储能装置进行放电并启动燃气轮机，控制网内潮流，平衡发电和负载，继续保持微网的稳定运行。这样在大电网高负荷时期，可以最大效率地利用新能源发电，缓解主网调度压力。为比较节能效果，这里引入风电利用率：

其中：Wi、Wj分别为微网内各风机输出的电能和各负荷消耗的总电能；m为风机台数；n为网内用户数。

3 算例分析

本文采用图1所示微网模型，3台750kW风电机组出力情况如前所述，2台100kW的微燃机，发电效率ηe为0.3，天然气低热值L取9.7kWh／m3。网内负荷1和5为居民住宅，峰值负荷分别为75 kW；地理位置较远的负荷4为小型工厂，峰值负荷为150kW；负荷2、3为小型商业负载，峰值负荷分别为80kW。根据前面所述预测方法获得3台风电机组出力和网内负荷情况，如图5所示。

图5 微网内风电和负荷预测值Fig.5 Predicted value of both wind turbine output and load in microgrid

在风机出力不足或者波动较大时，采用微燃机和储能装置进行补足和保持网内稳定运行。本文设定微网每3h采样数据控制网内供能，得到如表1所示时间点的误差及其对微网的影响：

表1 预测误差对微网运行的影响Tab.1 Impact of prediction error on the microgrid operation

其中发载差为网内负荷与微源出力的差值。风电大规模以分布式电源接入电网时，国家规定［18］其10min内的出力变化不得大于其装机容量的1／10，这在一定程度上限制了风能的利用，与分布式电源直接接入相比，微网风能利用情况如图6所示。

图6 没有微网时的电能利用情况Fig.6 Utilization of power without microgrid

引入微网结构，并使用预测系统后如图7所示。

图7 采用微网结构后的电能利用情况Fig.7 Utilization of power using microgrid structure

上层网络可靠性参数引用文献［17］，微网内天然气利用情况及可靠性如表2所示。

表2 天然气利用情况Tab.2 Utilization of natural gas

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

由分析结果可看出，高负荷时风电出力相对较小，波动较大，传统分布式接入不能缓解主网的供电压力。当采用微网结构后，将风力发电充分利用在区域供电上后，仅需储能系统的支撑和少量燃气轮机的出力就可以有效地节约主网电力。预测系统的误差，在高负荷低风速时期会在一定程度上影响微网的网内潮流，造成功率的不平衡，但适当容量的储能系统可以保证微网此时的稳定运行，可靠性参数也得到了明显改善；在风机出力充足的情况下，继续根据预测规划微网运行则会造成系统的故障，引起网内负荷的断电，使可靠性下降；微燃机由于预测误差而造成的天然气损耗相对较小。

4 结语

本文采用BP网络预测风机出力和即时负荷，并以此规划微网的运行。从结果可以看出，采用预测系统的微网结构可以在配网高负荷时期很好地缓解主网压力。在充分利用风能资源、节能减排的同时可以保证网内用户的可靠性要求，但在风能资源充足的情况下，天气变化的影响产生的预测误差会造成网内负荷的断电，降低供电可靠性。随着储能技术的发展，微网在处理负荷较高、波动较大以及分布式电源出力不稳定方面将体现出更大的优越性。

本文的研究中仅对微网预测系统提出初步的设想，完整的微网预测技术体系仍有很多技术难题有待解决本，可在以下方面展开更加深入的研究：

（1）选择更加合理的预测方法进一步规划不同运行模式和组网结构下的微电网运行。

（2）选择合适的时间采样方法来增加计算精度。

（3）与经济性分析相结合得出最佳微网运行模式。

［1］ 马力（Ma Li）.混合系统微网控制策略分析（Control strategy analysis of hybrid system in micro－grid）［J］.电力系统及其自动化学报（Proceedings of the CSUEPSA），2010，22（6）：104－108.

［2］ 丁明，张颖媛，茆美琴（Ding Ming，Zhang Yingyuan，Mao Meiqin）.微网研究中的关键技术（Key technologies for microgrids being researched）［J］.电网技术（Power System Technology），2009，33（11）：6－11.

［3］ 李鹏，张玲，王伟，等（Li Peng，Zhang Ling，Wang Wei，etal）.微网技术应用与分析（Application and analysis of microgrid）［J］.电力系统自动化（Automation of Electric Power Systems），2009，33（20）：109－115.

［4］ 王成山，杨占刚，王守相，等（Wang Chengshan，Yang Zhangang，Wang Shouxiang，etal）.微网实验系统结构特征及控制模式分析（Analysis of structural characteristics and control approaches of experimental microgrid systems）［J］.电力系统自动化（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］ 陈益哲，张步涵，王江虹，等（Chen Yizhe，Zhang Buhan，Wang Jianghong，etal）.基于短期负荷预测的微网储能系统主动控制策略（Active control strategy for microgrid energy storage system based on shortterm load forecasting）［J］.电网技术（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，张鑫，等 （Zhou Zhongming，Li Jianping，Zhang Xin，et al）.ANN在电力系统中期负荷预测中的应用（The application of ANN in middle term load forecasting of power system）［J］.电力系统及其自动化学报（Proceedings of the CSU－EPSA），2003，15（2）：36－39.

［11］ 陶小虎，黄民翔（Tao Xiaohu，Huang Minxiang）.一种基于模糊规则和神经网络的负荷预测方法（A new load forecasting method based on fuzzy rules and ANN）［J］.电力系统及其自动化学报（Proceedings of the CSU－EPSA），2000，12（5）：37－41，54.

［12］ 牛铭，黄伟，郭佳欢，等（Niu Ming，Huang Wei，Guo Jiahuan，et al）.微网并网时的经济运行研究（Research on economic operation of grid－connected microgrid）［J］.电网技术（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，管晓宏，孙婕，等（Zhou Dianmin，Guan Xiaohong，Sun Jie，et al）.基于神经网络的电力系统短期负荷预测研究（A short－term load forecasting system based on BP artificial neural network）［J］.电网技术（Power System Technology），2002，26（2）：10－13，18.

［16］ 别朝红，李更丰，王锡凡（Bie Zhaohong，Li Gengfeng，Wang Xifan）.含微网的新型配电系统可靠性评估综述（Review on reliability evaluation of new distribution system with micro－grid）［J］.电力系统自动化（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，中华人民共和国电力行业标准供电系统用户供电可靠性评价规程［S］.