本發(fā)明涉及微電網，尤其涉及一種微電網智能運行優(yōu)化方法和系統(tǒng)。

背景技術：

1、在相關技術中，cn118761519a公開了一種智能微電網的優(yōu)化方法及系統(tǒng)，屬于智能微電網技術領域，該方法包括：獲取影響智能微電網的運行效率的電力參數；將電力參數和運行效率進行標準化或歸一化處理，得到多個數據點；隨機選擇k個數據點作為初始聚類中心；計算每個數據點到所有聚類中心的距離，并將數據點分配到距離最近的聚類中心所在的簇中，根據簇內數據點重新計算聚類中心的位置，并重復該步驟直到聚類中心的位置不再變化或達到預設的迭代次數，得到聚類結果；分析聚類結果，找出運行效率最優(yōu)的簇，并在該簇中提取出電力參數的平均值或中位數，作為最優(yōu)運行效率對應的參數值；將最優(yōu)運行效率對應的參數值應用于智能微電網中。該方案可以有效提高運行效率。

2、cn118469154b公開了一種基于分布式能源消納的智能微電網評價系統(tǒng)及方法，包括通過智能感知設備和傳感器，收集微電網中每個節(jié)點的能源產量、消耗和儲存情況以及微電網運行中的關鍵數據信息并進行預處理；根據微電網規(guī)模進行類別劃分，定義并計算第一能源消納效率；通過獲取的負荷需求情況和能量損耗情況，得到能源消納效率的調整參數；同時對能源成本進行適度調整；根據能源消納效率的調整參數與預設的能源消納效率的調整參數進行比較，得到調整后的能源消納效率；然后結合相關數據信息，建立微電網評估模型。該方案實現(xiàn)了對微電網的實時評估和優(yōu)化調控，提高了微電網的能源消納效率和可靠性。

3、因此，相關技術雖然可以通過多種電力數據的運算來提升微電網的運行效率，但不同的用電設備的用電條件不同，不同發(fā)電設備也互不相同，例如，一些用電設備需要進行變壓、整流等處理之后才能進行使用，在這些處理過程中，會造成一定的損耗，一些發(fā)電設備產生的電能也需要進行變壓、整流后才能夠輸入微電網中進行使用，也會造成一定損耗，因此，在不同的發(fā)電設備和用電設備的作用下，微電網的整體用電效率不同，而相關技術無法分析不同的情況下的用電效率，從而無法基于多種用電設備的用電需求以及整體用電效率來合理規(guī)劃發(fā)電設備的發(fā)電功率和外部電網的補能功率。

4、公開于本技術背景技術部分的信息僅僅旨在加深對本技術的一般背景技術的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域技術人員所公知的現(xiàn)有技術。

技術實現(xiàn)思路

1、本發(fā)明提供一種微電網智能運行優(yōu)化方法和系統(tǒng)，能夠解決相關技術無法分析不同的情況下的用電效率，從而無法基于多種用電設備的用電需求以及整體用電效率來合理規(guī)劃發(fā)電設備的發(fā)電功率和外部電網的補能功率。

2、根據本發(fā)明的第一方面，提供一種微電網智能運行優(yōu)化方法,包括：

3、在多個歷史時刻，獲取并記錄多個發(fā)電設備的歷史發(fā)電功率、多個用電設備的歷史用電功率，以及外部電網的歷史補能功率；

4、根據所述歷史發(fā)電功率、所述歷史用電功率和所述歷史補能功率，確定多個歷史時刻的歷史用電效率；

5、根據所述歷史發(fā)電功率、所述歷史用電功率、所述歷史補能功率和所述歷史用電效率，對用電功率預測模型進行訓練，獲得訓練后的用電功率預測模型；

6、獲取當前時刻，以及當前時刻的多項外部條件參數，其中，所述外部條件參數包括溫度參數、風力參數、降雨量參數和光照參數；

7、根據所述當前時刻和所述多項外部條件參數，在多個歷史日期中確定與當前時刻對應的歷史目標時刻；

8、根據所述歷史目標時刻之后的預設時間段內的多個時刻的多個用電設備的第一歷史用電功率，確定當前時刻之后的預設時間段內的多個時刻的多個用電設備的預測用電功率；

9、根據所述預測用電功率和所述訓練后的用電功率預測模型，確定當前時刻之后的預設時間段內的多個時刻的發(fā)電設備的預測發(fā)電功率和外部電網的預測補能功率；

10、根據所述預測發(fā)電功率對多個發(fā)電設備進行控制，并在所述預測補能功率不全為0的情況下，將微電網與外部電網連接。

11、根據本發(fā)明的第二方面，提供一種微電網智能運行優(yōu)化系統(tǒng)，包括：

12、記錄模塊，用于在多個歷史時刻，獲取并記錄多個發(fā)電設備的歷史發(fā)電功率、多個用電設備的歷史用電功率，以及外部電網的歷史補能功率；

13、歷史用電效率模塊，用于根據所述歷史發(fā)電功率、所述歷史用電功率和所述歷史補能功率，確定多個歷史時刻的歷史用電效率；

14、訓練模塊，用于根據所述歷史發(fā)電功率、所述歷史用電功率、所述歷史補能功率和所述歷史用電效率，對用電功率預測模型進行訓練，獲得訓練后的用電功率預測模型；

15、外部條件參數模塊，用于獲取當前時刻，以及當前時刻的多項外部條件參數，其中，所述外部條件參數包括溫度參數、風力參數、降雨量參數和光照參數；

16、歷史目標時刻模塊，用于根據所述當前時刻和所述多項外部條件參數，在多個歷史日期中確定與當前時刻對應的歷史目標時刻；

17、預測用電功率模塊，用于根據所述歷史目標時刻之后的預設時間段內的多個時刻的多個用電設備的第一歷史用電功率，確定當前時刻之后的預設時間段內的多個時刻的多個用電設備的預測用電功率；

18、預測模塊，用于根據所述預測用電功率和所述訓練后的用電功率預測模型，確定當前時刻之后的預設時間段內的多個時刻的發(fā)電設備的預測發(fā)電功率和外部電網的預測補能功率；

19、控制模塊，用于根據所述預測發(fā)電功率對多個發(fā)電設備進行控制，并在所述預測補能功率不全為0的情況下，將微電網與外部電網連接。

20、技術效果：根據本發(fā)明，可基于多個歷史時刻的歷史數據，對用電功率預測模型進行訓練，從而確定各個用電設備的用電功率與微電網的用電效率之間的關系，為優(yōu)化發(fā)電設備的發(fā)電功率和外部電網的補能功率提供數據基礎。并可基于多項外部條件參數來篩選歷史目標時刻，進而獲得預測用電功率，提升預測準確性，進而可基于預測用電功率和訓練后的用電功率預測模型對發(fā)電設備的發(fā)電功率和外部電網的補能功率進行準確的規(guī)劃，提升微電網的整體用電效率。在訓練用電功率預測模型時，可通過歷史訓練用電功率和歷史用電功率之間的差距，以及訓練用電效率與實測的歷史用電效率之間的差距兩方面來確定用電功率預測模型的損失函數，從而在訓練過程中提升在特定的用電效率下的各個用電設備的用電功率的計算精度，提升用電功率預測模型的訓練效果。在確定約束條件時，可通過約束條件限制預測發(fā)電功率的待定值、預測補能功率的待定值和用電效率的待定值的取值，從而在該取值下計算得到的用電效率高于通過預測用電功率計算的用電效率，可為多種待定值設定準確的范圍，提升優(yōu)化過程的運算效率，且提升微電網的用電效率。并可通過約束條件限制發(fā)電設備的發(fā)電功率的變化，避免損壞發(fā)電設備，且可通過約束條件的限制，使得計算得出的電功率、補能功率和用電功率能夠在現(xiàn)實中實現(xiàn)。在確定目標函數時，可通過目標函數來優(yōu)化計算用電功率的取值，從而優(yōu)化用電效率的待定值、預測發(fā)電功率的待定值和預測補能功率的待定值的取值，使其計算得到的計算用電功率能夠滿足使用微電網供電的人群的用電需求。并可通過目標函數來優(yōu)化用電效率的待定值的取值，從而在滿足用電需求的基礎上，使微電網的用電效率最大化，從而節(jié)約電能，提升電能使用效率。

21、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，而非限制本發(fā)明。根據下面參考附圖對示例性實施例的詳細說明，本發(fā)明的其它特征及方面將更清楚。