第三章 基于短期预测的能源互联网协同控制方法 ................................. 23
3.1能源互联网协同控制模型 .............................. 23
3.1.1 发电公司发电模型 ................................. 24
3.1.2 电力零售商模型 ........................... 24
第四章 计及预测误差的能源互联网协同控制方法 .................................... 43
4.1能源互联网能源预测的非精确性 ............................. 43
4.2计及预测误差的能源互联网协同控制方法........................... 44
第五章 总结与展望 ............................ 53
5.1本文工作总结 ............................. 53
5.2后续工作展望 .................................. 53
第四章 计及预测误差的能源互联网协同控制方法
4.1能源互联网能源预测的非精确性
能源互联网中对负载以及可再生能源的预测受到自然环境(如气温、风速、光照)和人为活动的影响，难以对其进行准确预测。以风能为例，风力发电依赖于大气过程，单个风力涡轮机的输出功率与转子扫过区域上的风强度正相关，空气从高压区域到低压区域的运动，所以压力差越大，产生的风越强。自然条件如空气密度、温度、地形以及风力涡轮机本身因素如涡轮摩擦情况等都将对最终的输出功率产生影响。
能源系统维持着人类社会的正常运行，能源预测对能源系统的稳定运行有着非常重要的作用，目前能源预测的结果通常都是一个确切的预测数值，但是该预测数值可能出现的概率及预测结果的波动范围均无法得以估计和确定，因此能源预测是非精确性的。如果对预测结果的非精确性处理不好，将会破坏能源供需实时平衡，影响能源系统的安全稳定运行。相反，充分地考虑预测结果的非精确性，将有助于决策者更科学地进行能源调度计划、能源网络规划、能源系统可靠性评估及风险分析等工作，确保能源系统安全运行，并提高能源企业的经济效益及社会效益。
所以，在能源互联网协同控制中，能源的预测只是一个参考，通过对未来能源生产、消耗的预测，为之后的控制提供参考。
..........................
第五章 总结与展望
5.1本文工作总结
尽管人类社会实现了前所未有的经济发展，但当今世界仍面临着能源效率低下、环境污染、能源不安全和区域发展不平衡等几个具有挑战性的能源问题。因此，各国积极推广可再生能源和分布式能源，与此同时如何使得可再生能源和各种分布式能源之间高效协同成为能源发展过程中亟需解决的问题。为解决可再生能源和分布式能源与现有能源网络之间的矛盾，能源互联网这一概念被提出来了。能源预测和在此基础上的协同控制是实现可再生能源高效利用的有效方法，也是实现能源互联网高效安全运行的必要途径，是能源互联网中的一个重要研究方向。因此，本论文对能源互联网中的基于智能预测的协同控制进行了深入研究，主要完成的研究工作如下：
(1) 分析了神经网络优化的数学优化模型，同时提出了一种基于交叉变异和梯度加速的粒子群算法，在此基础上提出了一种基于改进粒子群算法优化的神经网络。该神经网络利用改进的粒子群算法确定神经网络的参数，随后将此神经网络应用于能源互联网中的光伏输出预测、风电输出预测和能源需求预测，实证分析结果显示本文提出的基于改进粒子群优化的神经网络具有较高的预测精度与优越性。
(2) 研究了能源互联网内发电公司能源生产、电力零售商销售与微电网能源使用之间的关系，并建立了一个包含产-销-用三个层次的能源互联网模型。随后，本文讨论了电力批发价格方法以及发电公司最优发电计划，为零售商和微电网之间的建立了主从博弈模型。最终提出了一种基于主从博弈和经济调度的能源互联网协同控制方法，该方法最小化发电公司的发电成本，同时能够最大化零售商利润和微电网的效用，实现能源互联网的协同高效运行。
(3) 提出一种计及预测误差的能源互联网协同控制方法，该方法能够实现能源互联网的实时优化调整，避免由于预测误差所导致的功率失衡问题，该协同控制方法更加适用于多变、不稳定的能源互联网场景。
参考文献（略）
