本发明涉及多微网系统，尤其涉及一种多微网智能调度与性能提升方法及系统。
背景技术：
1、随着全球能源形势的变化和环境问题的日益严峻，分布式能源和可再生能源的发展成了解决能源危机和环境保护问题的重要途径。多微网系统作为一种具有高度灵活性和可靠性的能源供应方案，引起了学术界和工业界的广泛关注。
2、多微网优化调度的主要目标是在满足系统稳定性、安全性和可靠性的前提下，实现多微网内各个设备的高效协同运行，降低运行成本并提高系统的经济性。为了实现这一目标，需要对多微网内的发电设备、负荷需求、电网约束等因素进行精确建模，并设计高效的优化算法来解决多目标优化问题。
3、多微网系统通过集成多种分布式能源、储能设备、负荷以及与电网的互动，可以实现高效、安全、经济和环保的能源供应。然而，多微网系统的复杂性和不确定性也给其优化调度和管理带来了巨大挑战。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种多微网智能调度与性能提升方法，提供如下技术方案，一种多微网智能调度与性能提升方法，包括：构建多微网系统模型，多微网系统模型包括微电网内发电设备模型和基于灰色模型的负荷需求模型；对遗传算法的编码方式、选择算子、交叉算子和变异算子进行改进，利用混合优化策略和机器学习方法，建立改进遗传算法，计算多微网系统的运行成本、排放量和可靠性；通过分析微网系统中的发电设备、负荷需求和电网约束，构建多微网优化调度模型；通过matlab仿真平台进行仿真算例分析。
3、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述微电网内发电设备模型包括，构建光伏发电模型、构建风力发电模型、构建燃气轮机模型和构建燃料电池模型；
4、所述构建光伏发电模型，算法公式为：
5、
6、其中，为光伏发电功率，为辐射强度，ti为温度，ki为光伏设备的性能系数，βi为温度系数，tref为参考温度；
7、所述构建风力发电模型，算法公式为：
8、
9、其中，为风力设备的发电功率，vj为风速，ρ为空气密度，aj为叶片扫过面积，cp为风能利用系数；
10、所述建燃气轮机模型，算法公式为：
11、
12、其中，为燃气轮机的发电功率，fk为输入燃料流量，ηk为燃气轮机的热效率，lhv为燃料的低热值；
13、所述构建燃料电池模型，算法公式为：
14、
15、其中，为燃料电池的发电功率，hi为输入氢气流量，ηi为燃料电池的热效率，为氢气的低热值。
16、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述基于灰色模型的负荷需求模型包括，构建基于灰色模型的负荷需求模型，并进行负荷需求预测，首先构建gm(1,1)模型，对原始负荷数据序列进行累加生成，构建新的数据序列，表示为，
17、x(1)(k)＝σ[x(0)(i)]，i＝1,2，...，k
18、其中，x(0)为原始负荷数据序列，x(1)为累加生成序列，k表示序列长度；
19、构建gm(1,1)模型的一次微分方程，公式为：
20、(1-a)z(k)＝bx(1)(k)
21、对累加生成序列进行累减平均生成，公式为：
22、z(k)＝0.5[x(1)(k)+x(1)(k-1)
23、通过最小二乘法估计参数值，求解一次微分方程中的参数a和b，公式为：
24、a＝(btb)-1bty
25、其中，a为发展系数，b为灰作用量，z(k)为累减平均生成序列；
26、所述进行负荷需求预测，包括：利用求解得到的参数a和b，求得gm(1,1)模型的解析解；通过解析解计算预测值，并还原为原始数据序列的预测值，计算公式为：
27、
28、x(0)(k+1)＝x(1)(k+1)-x(1)(k)
29、其中，x(0)(k+1)表示原始数据序列的预测值，x(1)(k+1)表示累加生成序列的预测值。
30、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述建立改进遗传算法包括，应用实数编码方式，设计适应度函数以评估染色体的质量，
31、chromosomei＝(x1，x2，...，xn)
32、fitness(chomosomei)＝w1*costi+w2*emissioni+w3*reliabilityi
33、其中，w1、w2、w3是权重系数，costi表示成本函数，chromosomei表示染色体，emissioni表示排放函数，reliabilityi表示可靠性函数，fitness表示适应度函数；
34、采用轮盘赌选择算子，并采用算术交叉算子，进行染色体交叉操作，计算公式为：
35、
36、offspring1＝a1*parent1+(1-a1)*parent2
37、offspring2＝a1*parent2+(1-a1)*parent1
38、其中，a1为交叉系数，取值范围为[0,1]；
39、采用非均匀变异算子，对算法的全局搜索能力进行增强，公式为
40、xnew＝xold+δ(t，y)
41、
42、其中，xold为变异前的基因值，xnew为变异后的基因值，δ(t,y)为变异幅度，t为当前迭代次数，t为最大迭代次数，y为变异范围，rand为[0,1]间的随机数，b为变异参数；
43、采用混合优化策略将机器学习方法与优化算法相结合，采用支持向量回归算法构建预测模型，预测微网内的负荷需求、可再生能源发电量参数，算法模型为：
44、
45、其中，x为输入特征向量，αi为对应的支持向量系数，xi为支持向量，b1为偏置项，k1为核函数；
46、支持向量回归算法的目标表示为：
47、
48、其中，表示惩罚项，l表示损失函数，c为惩罚系数，yi为对应的真实输出；
49、生成初始解集合，用于遗传算法的初始种群，公式为：
50、
51、其中，为预测的负荷需求，为预测的可再生能源发电量，θl、θp分别为负荷需求和可再生能源发电量预测模型的参数；
52、对初始解集合进行优化：
53、
54、其中，m为当前迭代次数，和分别为第i个和第j个染色体的第j个元素，f为缩放因子，y'为非均匀变异算子的变异幅度；
55、调整缩放因子和非均匀变异算子的变异幅度，调整公式为：
56、
57、其中，fmax和fmin分别表示缩放因子的最大值和最小值，ymax和ymin分别表示非均匀变异算子的最大变异幅度和最小变异幅度。
58、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述构建多微网优化调度模型包括，构建多微网优化调度的目标函数、计算系统的运行成本、系统的排放量和系统的可靠性以及限定系统的约束条件；
59、所述构建多微网优化调度的目标函数，函数公式为
60、o＝w1*cost+w2*e+w3*reliability
61、其中，o表示目标函数，e表示排放量，cost表示运行成本；
62、所述计算系统的运行成本：
63、
64、其中，cpv表示光伏发电，cwt表示风力发电，cgt表示燃气轮机，cfc表示燃料电池，cbat表示蓄电池的单位成本，pch(t)、pdis(t)表示蓄电池的充电和放电功率，pgrid(t)表示与主电网的交易功率，cgrid表示与电网交互成本；
65、所述系统的排放量：
66、
67、其中，efgt、effc分别表示燃气轮机和燃料电池的排放因子；
68、所述系统的可靠性：
69、
70、其中，pu(t)表示在时刻t未满足的负荷需求，pl(t)在时间t的总负载功率需求。
71、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述构建多微网优化调度模型还包括限定系统的约束条件，发电设备的功率约束，
72、
73、其中，pmin表示功率最小值，pmax表示功率最大值；
74、负荷平衡约束：
75、
76、多微网间的交互约束：
77、
78、各节点的电压约束：
79、vmin≤v≤vmax
80、其中，vmin表示电压最小值，vmax表示电压最大值：
81、各节点的电流约束：
82、imin≤iij≤imax
83、其中，imin表示电流最小值，imax表示电流最大值；
84、储能设备的约束：
85、emin≤ebat(t)≤emax
86、
87、
88、其中，emin、emax分别表示蓄电池荷电状态的最小值和最大值，分别表示充电功率的最小值和最大值，分别表示放电功率的最小值和最大值；
89、发电设备的启停约束：
90、0≤ug(t+1)-ug(t)≤δg
91、其中，ug(t)表示时刻t发电设备g的状态，δg表示启停惩罚系数，控制发电设备的启停频率。
92、作为本发明所述的一种多微网智能调度与性能提升方法的一种优选方案，其中：所述进行仿真算例分析包括，设计多微网场景和算法参数，并对收敛过程进行分析；
93、分析微源输出功率分布、负荷需求满足情况和系统的运行成本；
94、进行该多微网智能调度与性能提升方法与其他算法的性能对比和排放情况分析，并分析该多微网智能调度与性能提升方法的设备输出功率变化；
95、分析负荷需求和各个微源的输出功率之间的关系、多个微网之间的电力供需关系，以及电池储能充放电的变化情况，得出分析结论。
96、本发明的另一个目的是提供一种多微网智能调度与性能提升系统，其能通过智能调度和优化管理，实现多微网系统的高效运行、成本降低、环境影响减少和可靠性提升，以促进可持续的能源使用和优化能源管理。
97、作为本发明所述的一种多微网智能调度与性能提升系统的一种优选方案，其中：包括模型构建模块、算法改进模块、优化调度模块、仿真分析模块、性能评估模块；
98、所述模型构建模块，负责构建多微网系统模型，包括发电设备模型和负荷需求模型；
99、所述算法改进模块，对遗传算法进行改进，包括编码方式、选择算子、交叉算子和变异算子的设计，以及混合优化策略和机器学习方法的整合；
100、所述优化调度模块，构建多微网优化调度模型，考虑运行成本、排放量和可靠性，同时处理发电设备、负荷需求和电网的约束条件；
101、所述仿真分析模块，通过matlab仿真平台进行仿真算例分析，包括设计多微网场景、算法参数，分析收敛过程、功率分布、负荷需求满足情况和运行成本；
102、所述性能评估模块，进行性能对比分析，包括排放情况分析、设备输出功率变化分析，以及负荷需求与微源输出功率关系、微网间电力供需关系和储能变化情况的分析。
103、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种多微网智能调度与性能提升方法的步骤。
104、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种多微网智能调度与性能提升方法的步骤。
105、本发明的有益效果：本发明结合遗传算法的全局搜索能力和局部搜索技术的优势，提出了一种改进的遗传算法，提高了多微网优化调度的搜索效率；引入混合优化策略，将机器学习方法与传统优化算法相结合，进一步提高微网能源管理的效率和可靠性；在此基础上，构建了一个多微网优化调度模型，通过分析微网系统中的发电设备、负荷需求和电网约束等因素，并基于灰色模型提高负荷需求预测的准确性，实现多微网系统的经济性和稳定性目标。
1.一种多微网智能调度与性能提升方法，其特征在于：包括，
2.如权利要求1所述的一种多微网智能调度与性能提升方法，其特征在于：所述微电网内发电设备模型包括，构建光伏发电模型、构建风力发电模型、构建燃气轮机模型和构建燃料电池模型；
3.如权利要求2所述的一种多微网智能调度与性能提升方法，其特征在于：所述基于灰色模型的负荷需求模型包括，构建基于灰色模型的负荷需求模型，并进行负荷需求预测，首先构建gm(1,1)模型，对原始负荷数据序列进行累加生成，构建新的数据序列，表示为，
4.如权利要求3所述的一种多微网智能调度与性能提升方法，其特征在于：所述建立改进遗传算法包括，应用实数编码方式，设计适应度函数以评估染色体的质量，
5.如权利要求4所述的一种多微网智能调度与性能提升方法，其特征在于：所述构建多微网优化调度模型包括，构建多微网优化调度的目标函数、计算系统的运行成本、系统的排放量和系统的可靠性以及限定系统的约束条件；
6.如权利要求5所述的一种多微网智能调度与性能提升方法，其特征在于：所述构建多微网优化调度模型还包括限定系统的约束条件，发电设备的功率约束，
7.如权利要求6所述的一种多微网智能调度与性能提升方法，其特征在于：所述进行仿真算例分析包括，设计多微网场景和算法参数，并对收敛过程进行分析；
8.一种采用如权利要求1～7任一所述的一种多微网智能调度与性能提升方法的系统，其特征在于：包括模型构建模块、算法改进模块、优化调度模块、仿真分析模块、性能评估模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
