本文是一篇计算机软件论文，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。
第一章 绪论
1.1研究背景与意义
随着经济的高速发展，能源危机和环境污染问题引起了越来越多人的担心，为了应对上述问题，各国积极研究分布式能源和可再生能源技术。然而，分布式能源和可再生能源技术的相关研究仍处于初步阶段，接入各种分布式能源以及可再生能源会给现有能源网络带来波动性。因此，如何对这些分布式能源以及可再生能源进行有效利用成为能源发展过程中亟需解决的问题。
能源互联网(Energy Internet, EI)是分布式能源、可再生能源与信息技术相结合的产物，是由分布式能源、储能单元和多个能源管理系统和网络组成的混合能源系统[1]，用于整合更多分布式能源，提高电能质量和可靠性，减少温室气体排放[2,3]。能源互联网提供了一个开放的框架，用于将涉及能源生产、传输、存储、交换和消费的每个设备通过信息通信技术集成在一起[4-7]。由于集成的设备种类和数量越来越多，需要收集和分析的数据也越来越多，因此能源互联网的协同控制变得比传统的电力系统更加复杂。
为了实现对能源互联网的协同控制，对能源需求以及不断普及的可再生能源的预测成为必不可少的步骤。因此，本文主要研究能源互联网下的智能预测和以智能预测为基础的能源互联网协同控制。首先，本文所研究的能源互联网环境下的智能预测主要是能源预测，其次本文从能源优化调度管理的角度来进行能源互联网协同控制研究。
基于智能预测的能源互联网协同控制的原理是：通过智能预测技术减少能源互联网由于可再生能源和负载波动产生的不确定性，支持各种可再生能源和分布式能源的接入，并且实现能源的即插即用，在满足用户需求的同时，实现对各种能源的优化协同，从而高效利用能源互联网中的各种能源。能源互联网协同控制不仅能够提高可再生能源的渗透率，降低传统化石能源在整个能源消耗中的比重，它还能增强能源互联网对用户需求的响应能力，降低用户用能成本。
............................
1.2国内外研究现状
能源互联网是能源技术与互联网信息技术的融合，涉及到电力、通信、材料等多个领域，目前国内外对能源互联网的研究方兴未艾。
国外的能源互联网研究起步较早，已取得一定的成果。2010 年，美国的 A. Q. Huang 等人提出了未来可再生电能传输和管理(The Future Renewable Electric Energy Delivery and Management, FREEDM) 系统[3]，该系统将高度分布式和可扩展的替代发电源和存储与现有电力系统集成在一起，以促进绿色和可持续的能源社会。2011 年，未来智能能源互联网(Future Internet for Smart Energy，FINSENY)项目在欧洲正式启动，该项目最终形成欧洲智能能源基础设施的未来能源互联网 ICT 平台[8]。与国外的研究相比，国内对于能源互联网的研究起步较晚，但发展迅速。曹军威等人研究了能源路由器设计并对其实现过程中涉及的相关技术进行了分析[9]，显示出利用能源路由器构建能源互联网的优势，并深入探讨能源路由器功能和实现方法。赵海等人通过研究互联网的拓扑结构[10]，设计了一种基于分级储能单元的能源互联网架构。曾鸣等人总结了实现能源互联网协调优化的关键技术[11]，提出了能源互联网广义“源–网–荷–储”协调优化运营模式。
能源预测是有效利用能源以及对能源互联网进行规划的基础，从能源需求预测到可再生能源输出预测，能源预测一直是研究的热点。一方面，过量的能源生产不仅会造成电网的失衡，还会造成能源浪费。另一方面，能源需求的突发性会造成电价飙升和输电阻塞，这是能源系统应避免出现的情况。有关能源预测的研究，国内外已经取得一定的成果。从预测方法上来说，可以分成四类：(1)传统统计预测方法[12-14]； (2)时间序列预测方法[15,16]；(3)灰色预测方法 [17,18]；(4)智能预测方法。
............................
第二章 基于神经网络的能源互联网能源预测研究
2.1能源互联网能源预测研究
新技术的发展和全球能源网络的扩张，创造了对能源的持续增长的需求。作为一个基本的经济标准，消费量可以从字面上描述一个城市或国家的工业增长。根据“2018 年全球能源统计年鉴”，2017 年，全球电力消耗已达到 22015TWh，相较 2016 年增长了 2.6%，其中我国的增长率达到 5.9%。为了维持社会的可持续发展趋势，必须对能源的生产和使用进行良好的管理。目前，许多研究都集中在利用数学方法、经典统计学方法和人工智能系统对开放能源系统的能源生产和需求进行预测。
能源预测主要分为能源需求预测和能源生产预测，能源需求预测向来就是能源系统的重要研究内容，同时随着风能、太阳能等可再生能源在总的能源使用中所占比例的不断提高，需要对风电和太阳能发电进行有效的预测，否则如果直接并网运行，将大大降低能源系统的安全性和可靠性，同时也会对能源系统的经济运行带来挑战。通过准确预测风能和太阳能，能源调度部门可以合理安排发电计划和用电计划，提高能源系统运行的经济性和可靠性。
在本章中，能源生产预测主要是以风能和太阳能为代表的可再生能源预测。风能和太阳能作为支持不断增长的能源需求的有前景的可再生能源，具有不可控性和部分不可预测性的缺点，给能源系统的大规模集成提出了挑战，因此准确预测至关重要。
风力预测方法一般可分为两类：物理方法和统计方法[36-38]。物理方法利用气象资料和物理定律预测风速和风向，并将结果输入风力机功率曲线，计算相应的功率输出[39]。统计方法试图利用历史风电数据建立模型[40]，主要包括传统的时间序列预测法[41,42]和人工智能预测法[43-46]。近期发展起来的人工智能预测方法是风电研究的热点，它是一种基于智能理论与智能预测技术的预测方法。目前，国内风电功率预测研究主要在两个方面受限：(1)数字气象预报(Numerical Weather Prediction, NWP)在风速、温度等气象因素上的时间分辨率不高；(2)数据采集与监控系统(Supervisory Control And Data Acquisition, SCADA)不够健全，不能实时提供每分钟的能源数据。
...............................
2.2 基于改进粒子群算法优化的神经网络
鉴于 PSO 算法具有实现容易、精度高、收敛快等优点，常常被用于求解优化问题。神经网络的训练是一个典型的非凸最优化问题，传统的训练方法是反向传播法(BP)，该方法利用神经网络的梯度信息进行训练，由于神经网络的非凸特性，容易陷入局部最优，因此本章考虑采用 PSO 算法进行神经网络的训练。
2.2.1神经网络优化分析
人工神经网络(Artificial Neural Network, ANN )广泛应用于工程和非工程应用(识别、建模、控制等)。人工神经网络的优点是能够对多维函数进行非线性映射，并利用实验数据进行有限训练从而预测系统输出。同时，人工神经网络具有从高度不确定的输入数据或受噪声干扰的数据中生成输出的能力。
前馈人工神经网络(Feedforward Artificial Neural Network, FANN)，简称前馈网络，是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈，可用一个有向无环图表示。前馈神经网络是目前应用最广泛、发展最迅速的人工神经网络之一。
在本章中，前馈人工神经网络将用来进行能源预测。前馈人工神经网络由输入、隐含和输出三种类型的层组成。每个节点包含一个激活函数，并通过突触连接到其他节点。节点之间的连接被赋予一个权重，该权重决定节点及其关联变量对输出的影响程度。
前馈人工神经网络需要有监督的训练才能变得准确，在训练阶段，将神经网络的输出与实际数据进行比较，以确定网络误差。当网络学习时，通过使用反向传播算法调整连接权重，以将误差降至最低。通过对权重进行不断调整，前馈人工神经网络将达到最佳输出水平，即神经网络预测的误差最小。
....................
