分布式电源的安全管理办法、装置、系统及介质

分布式电源的安全管理办法、装置、系统及介质实质审查发明

技术领域

[0001] 本发明涉及分布式电源技术领域，具体是一种分布式电源的安全管理办法、装置、系统及介质。

具体实施方式

[0020] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0021] 请参阅图1，本发明实施例提供一种分布式电源的安全管理办法，包括如下步骤：步骤1、通过智能传感器实时收集微电网内各个分布式电源的能源生产和消费数
据，通过收集的能源生产和消费数据实时监测微电网各个分布式电源的能源需求。

[0022] 其中，智能传感器设置位置可以设置在分布式电源的重要节点：例如在风能、太阳能、小水电等分布式电源的接入点设置传感器，以监测各电源的实时出力情况，这些传感器可以实时收集电压、电流、功率因数等关键数据。

[0023] 在风能发电系统的接入点设置电力智能传感器，可以实时监测风力发电机组的输出电压、电流和功率因数等参数，帮助评估风能资源的利用效率和发电机组的运行状态。具体设置的电力智能传感器如下：电压传感器，用于实时监测风力发电机组的输出电压，确保电压稳定在合理范围
内；
电流传感器，用于测量风力发电机组的输出电流，以评估其发电能力和效率；
功率因数传感器，用于测量功率因数，即有功功率与视在功率的比值，以评估风力
发电机组的电能质量；
此外，还可能用于监测自然环境条件对风力发电的影响的风速传感器、风向传感
器等）。

[0024] 在太阳能接入点，主要关注的是光伏电池板的输出功率和效率。电力智能传感器能够实时监测分布式电源的各项参数，包括电压、电流、功率因数等，确保数据的准确性和实时性。因此，在太阳能接入点设置的电力智能传感器主要包括如下功能中的一种或多种功能：电压传感器，用于监测光伏电池板的输出电压，确保其在最佳工作电压范围内；
电流传感器，用于测量光伏电池板的输出电流，以评估其发电能力；
功率传感器，用于测量光伏电池板的输出功率，是评估其发电效率的关键参数；
光照传感器、温度传感器，用于分别监测光照强度和环境温度对光伏电池板发电
效率的影响。在小水电站的接入点设置电力智能传感器和水电智能传感器，可以实时监测水轮发电机组的电压、电流和功率因数等参数，以及水流的流量和水位等环境参数，帮助评估水电站的发电能力和运行状态。

[0025] 在小水电接入点，电力智能传感器主要关注与电力生产、传输和分配相关的参数，如电压、电流、功率因数、频率等。这些传感器能够高精度地测量这些参数，并通过数字化方式将数据传输给监控系统或数据中心，以便进行实时分析和处理。

[0026] 除了基本的电力参数外，在小水电接入点设置的水电智能传感器还可能具备一些与水电站特定环境相关的功能，如：水位监测：监测上游水库的水位，以评估来水量和水资源储备情况（液位传感器）。

[0027] 流量监测：测量水轮机进水的流量，以计算水电站的发电能力和效率（流量传感器）。

[0028] 压力监测：监测管道和涡轮机的水压，以确保系统的稳定性和安全性（压力传感器）。

[0029] 根据具体的应用场景和需求，小水电接入点还可能使用其他类型的传感器，如：超声波流量计：利用超声波在流动的流体中传播时，流体的流动将会使传播时间
发生微小的变化，从而测出流体的流速，再根据管道口径计算出流量大小。

[0030] 雷达水位计：采用发射—反射—接收的工作模式，通过测量电磁波从发射到接收的时间来计算到水面的距离。

[0031] 磁性浮子水位计：利用浮力原理和磁性耦合作用来测量水位，当被测的水位升降时，水位计的磁性浮子也随之升降，从而指示水位的高度。

[0032] 储能设备：在电池储能系统、飞轮储能等设备的输入和输出端设置传感器，监测其充放电状态、电量、温度等参数。

[0033] 对于电池储能系统，输入和输出端设置的传感器主要如下几种：电压传感器：用于测量电池组或单个电池的电压，以实时了解电池的电量及使用
情况。电压是反映电池储能状态的重要指标，通过监测电压可以及时发现电池故障和诊断电池的寿命状况，更好地维护电池的健康状态。

[0034] 电流传感器：用于测量电池充放电过程中的电流变化。通过监测电流可以了解充放电效率和电池寿命等信息，对电池的安全性和性能评估至关重要。

[0035] 温度传感器：用于检测电池的温度，了解电池的工作状态。温度是影响电池性能和寿命的关键因素之一。通过监测温度可以预防过热和过冷情况的发生，并根据需要进行散热或加热控制，保护电池安全。

[0036] 电量传感器（间接通过电压和电流计算得出）：虽然电量不是直接测量的参数，但可以通过电压和电流的变化以及电池的容量特性来估算。了解电池的剩余电量对于合理安排充放电计划和预防电池过充或过放具有重要意义。

[0037] 对于飞轮储能系统，输入和输出端设置的传感器主要如下几种：转速传感器（间接反映充放电状态）：用于测量飞轮的转速，转速的变化可以间接
反映飞轮储能系统的充放电状态。飞轮储能系统通过飞轮的旋转来储存和释放能量，转速是评估其储能和释能能力的重要指标。

[0038] 温度传感器：用于监测飞轮储能系统中各部件的温度，包括飞轮、轴承、电机等。温度是影响飞轮储能系统性能和寿命的关键因素之一。通过监测温度可以及时发现过热情况并采取相应的散热措施，保护系统安全。

[0039] 振动传感器：用于监测飞轮储能系统的振动情况，以评估系统的稳定性和运行状况。振动异常可能是系统故障或不平衡的预兆，通过监测振动可以及时发现并处理潜在问题。

[0040] 需要注意的是，不同类型的储能系统和设备可能需要不同类型的传感器组合来全面监测其运行状态和性能参数。此外，随着技术的不断发展，新的传感器类型和监测技术也在不断涌现，为储能系统的智能化和高效运行提供了更多可能性。

[0041] 关键负荷节点：在微电网内的关键负荷节点（如医院、数据中心等）设置传感器，实时监测其电力需求和用电质量。

[0042] 在微电网内的关键负荷节点（如医院、数据中心等）设置的传感器，包括以下几种类型：（1）电力需求监测传感器
电流传感器：用于实时监测电路中的电流变化，从而了解负荷的用电情况。电流是
反映电力需求的重要指标，通过监测电流可以评估负荷的实时功率和用电量，为电力调度和供需平衡提供依据。

[0043] 电压传感器：用于测量电路中的电压值，确保电压稳定在合理范围内，满足负荷的用电需求。电压的稳定对负荷的正常运行至关重要，电压过高或过低都可能对设备造成损害或影响运行效率。

[0044] 功率传感器：直接测量负荷的功率消耗，包括有功功率和无功功率。功率数据对于评估负荷的能效和电力需求具有重要意义，有助于发现潜在的节能机会和优化电力分配。

[0045] （2）用电质量监测传感器电能质量传感器：综合监测电网中的电能质量参数，如谐波、电压波动、频率偏差
等。电能质量直接影响负荷设备的运行稳定性和寿命。通过监测电能质量，可以及时发现并处理潜在的问题，保障负荷设备的正常运行。

[0046] 谐波传感器：专门用于测量电网中的谐波含量，包括各次谐波的幅值和相位。谐波是电网中常见的电能质量问题之一，对负荷设备的正常运行和电网的稳定性都有不良影响。通过监测谐波，可以评估电网的谐波污染程度，并采取相应的治理措施。

[0047] 频率传感器：用于监测电网的频率变化，确保频率稳定在额定范围内。频率是电网运行的重要参数之一，频率的波动会直接影响负荷设备的运行性能和稳定性。通过监测频率，可以及时发现并处理频率偏差问题，保障电网的稳定运行。

[0048] （3）辅助传感器温度传感器：用于监测负荷设备或周围环境的温度，预防过热导致的设备损坏或
火灾等安全隐患。温度是影响设备性能和寿命的关键因素之一。通过监测温度，可以及时发现并处理过热问题，保障设备的安全运行。

[0049] 湿度传感器（对于特定环境如数据中心）：用于监测环境湿度，确保设备在适宜的湿度条件下运行。湿度过高或过低都可能对设备造成不良影响，如导致设备腐蚀、短路或性能下降等。通过监测湿度，可以及时发现并处理湿度问题，保障设备的正常运行。

[0050] 电网连接点：在微电网与主电网的连接点设置传感器，监测微电网的并网或孤岛运行状态，以及功率交换情况。

[0051] 在微电网与主电网的连接点可以设置以下几种类型的传感器：（1）并网/孤岛状态监测传感器
状态切换监测传感器：用于实时监测微电网与主电网之间的连接状态，判断微电
网是处于并网状态还是孤岛运行状态。可以通过监测连接点的电压、电流、频率等参数的变化，结合预设的逻辑判断来实现状态的识别。

[0052] 同步监测传感器（如需要）：在并网过程中，可能需要同步监测传感器来确保微电网与主电网在电压、频率等参数上的同步，以保证并网过程的平稳和安全。

[0053] （2）功率交换监测传感器功率传感器：直接测量微电网与主电网之间交换的有功功率和无功功率。功率数
据是评估微电网运行效率和稳定性的重要指标，也是进行电力调度和供需平衡的重要依据。功率传感器可以是模拟量输出功率传感器或数字量输出功率传感器，后者能同时输出多种电力参数，如电压、电流、频率等。

[0054] 电流和电压传感器：虽然功率传感器可以直接测量功率，但电流和电压传感器也是不可或缺的。它们分别测量连接点处的电流和电压值，为功率计算提供基础数据。电流传感器可分为非接触式和接触式两种，电压传感器则包括电容式、电阻式和磁敏式等多种类型。

[0055] （3）辅助传感器频率传感器：监测连接点处的频率变化，确保微电网与主电网在频率上的一致性。
频率的稳定对于电力系统的稳定运行至关重要。电能质量传感器（可选）：综合监测连接点处的电能质量参数，如谐波、电压波动等。电能质量直接影响微电网和主电网的稳定运行和设备寿命。

[0056] 采用高精度的智能传感器，能够实时感知电网中的各种参数，并将其转换为电信号或数字信号。这些智能传感器通过有线或无线方式与数据采集系统相连，数据采集系统负责接收来自传感器的数据，并进行初步的处理和存储。它可以对数据进行过滤、清洗和标准化，以提高数据质量；通过通信网络（如有线网络、无线网络、物联网等），将数据采集系统与其他系统（如能量管理系统、中央控制器等）相连，实现数据的实时传输和共享。

[0057] 上面各个传感器收集的数据即为微电网内的能源生产和消费数据。

[0058] 以太阳能光伏发电系统为例，其数据采集和监测过程如下：在光伏阵列的输入端和输出端设置电压传感器和电流传感器，实时监测光伏阵列
的电压、电流和功率输出。

[0059] 在光伏逆变器的输入和输出端设置传感器，监测逆变器的转换效率、工作状态和温度等参数。

[0060] （1）输入端传感器1. 电流传感器，用于测量光伏逆变器输入端的直流电流，帮助实时监测光伏电池
板或蓄电池的输出电流，确保电流在逆变器的额定范围内，防止过载和短路等问题。常见的电流传感器包括霍尔电流传感器（开环和闭环）、磁通门电流传感器等。这些传感器能够高精度地测量电流，并将电流信号转换为电信号或其他所需形式的信息输出。

[0061] 2. 电压传感器，测量光伏逆变器输入端的直流电压，确保电压在逆变器的额定电压范围内，保障逆变器的正常工作。电压传感器可以直接测量电压值，并将其转换为可处理的电信号，供控制系统使用。

[0062] （2）输出端传感器1. 功率传感器，直接测量光伏逆变器输出端的交流功率，评估逆变器的转换效率
和输出功率是否符合预期。功率传感器可以综合测量电压和电流，并计算出功率值。它们通常具有高精度和高稳定性，能够实时反馈逆变器的输出功率。

[0063] 2. 电流和电压传感器在输出端，电流和电压传感器同样重要，它们分别测量逆变器输出的交流电流和
电压，确保输出电流和电压的稳定性和准确性。与输入端相似，输出端的电流和电压传感器也包括霍尔传感器、磁通门传感器等多种类型。

[0064] （3）温度传感器，用于测量光伏逆变器的内部温度，确保逆变器在合适的温度范围内工作，防止因温度过高而导致的设备损坏或性能下降。

[0065] 进口式温度传感器：安装在光伏逆变器换流器的进风口处，实时测量进入逆变器的空气温度，并反馈给控制器以调节逆变器的工作状态。

[0066] 贴片式温度传感器：紧贴逆变器芯片，具有较高的耐温性能，能够在逆变器内部高温环境下稳定工作。当逆变器发生温度异常时，贴片式温度传感器会向控制器反馈异常信号，触发保护机制。

[0067] 通过数据采集系统收集这些传感器的数据，并进行初步的处理和存储。例如，可以采用插值、平滑和修正等技术填补丢失的数据和修复错误的数据。

[0068] 将处理后的数据通过通信网络传输到能量管理系统或中央控制器，与其他数据一起进行综合分析和优化控制。

[0069] 步骤2、根据业务需求和数据特性，确定对各个分布式电源中能源需求有显著影响的特征，如历史需求、天气条件、电价等，根据显著影响的特征，确定每个分布式电源的最优特征集和预测模型。步骤2具体包括：步骤2.1、对微电网内各个分布式电源的能源生产和消费数据进行相关性分析，确
定对各个分布式电源中能源需求中有显著影响的候选特征。

[0070] 首先，先进行初步筛选，即对收集到的所有特征（步骤1中收集到的能源生产和消费数据）进行初步筛选，去除那些与分布式电源中能源需求明显不相关的特征。

[0071] 例如，收集到的特征有：风能、太阳能、小水电等分布式电源的电压、电流、功率因数等关键数据，电池储能系统的充放电状态、电量、温度，微电网的并网或孤岛运行状态以及功率交换情况，太阳能的分布式电源中，光伏阵列的电压、电流和功率输出，光伏逆变器的转换效率、逆变器的工作状态和逆变器的温度等。

[0072] 初步筛选，去除那些与分布式电源中能源需求明显不相关的特征可以是根据分析目的来进行筛选确定。

[0073] 首先，需要清晰地定义分析的目的。例如，确定后续分析目的是为了评估太阳能发电系统的效率，还是为了预测储能系统的运行需求，或者是为了优化电网的负载平衡。根据分析目的，识别出与之直接相关的关键特征。例如，分析太阳能发电系统效率时，日发电量、发电效率曲线是关键特征；而在预测储能系统运行需求时，最大负荷、储能系统容量则是关键特征。在有些情况下，还可以使用特征选择技术（如方差选择、相关系数分析、模型评分等）来进一步筛选和提取关键特征。

[0074] 例如，后续要评估评估某太阳能发电系统在特定时间段的效率。通过系统监控设备或数据记录器收集相关数据，然后确定其中的关键特征：日发电量、发电效率曲线、发电功率曲线。最后使用方差选择或相关系数分析等方法筛选出与效率直接相关的特征。

[0075] 其次，进行相关性计算，使用统计方法（如皮尔逊相关系数、斯皮尔曼秩相关系数等）分别计算各种剩余特征与能源需求之间的能源相关性，得到能源相关性系数集合。

[0076] 以皮尔逊相关系数计算为例，皮尔逊相关系数用于衡量两个变量之间的线性相关性，公式为：Axy= {{cov}(X,Y)}/{\sigma_X \sigma_Y})其中，Axy为计算的能源相关系数，({cov}(X,Y)) 是 (X) 和 (Y) 的协方差，(\
sigma_X) 和 (\sigma_Y) 分别是 (X) 和 (Y) 的标准差，X可以是收集到的特征，Y可以是能源需求。

[0077] 最后，设定一个相关性阈值（如0.1），在能源相关性系数集合中选择能源相关性的相关性系数高于该相关性阈值的特征作为候选特征。

[0078] 步骤2.2、对步骤2.1中得到的候选特征进行特征重要性评估，得到重要性得分较高的候选特征作为重要特征集。步骤2.2具体包括：步骤2.21、使用机器学习模型（如随机森林、梯度提升机等）进行初步训练，以评估
步骤2.1中得到的每个候选特征的重要性，得到每个候选特征的重要性得分。

[0079] 选择适合评估特征重要性的机器学习模型，如随机森林（Random Forest, RF）或梯度提升机（Gradient Boosting Machine, GBM）。提前训练好模型（收集训练集将数据集划分为训练集和测试集），此处是使用已经训练好的模型。

[0080] 使用机器学习模型（如随机森林、梯度提升机等）进行初步训练，以评估每个候选特征的重要性，输出每个候选特征的重要性得分。

[0081] 假设有一个分布式光伏电站，并收集了以下特征：光照强度、温度、湿度、风速、电压、电流和功率因数。我们使用随机森林模型进行训练，并获得了每个特征的重要性得分。温度（0.3）、功率因数（0.01）、风速（0.15）、湿度（0.08）、电压（0.05）、光照强度（0.4）、电流（0.01）等。

[0082] 步骤2.22、根据机器学习模型给出的候选特征重要性得分，对候选特征进行排序。

[0083] 以步骤2.21中示例为例来看，特征重要性排序：计算出的特征重要性得分从高到低为：光照强度（0.4）、温度（0.3）、风速（0.15）、湿度（0.08）、电压（0.05）、电流（0.01）、功率因数（0.01）。

[0084] 步骤2.23、在排序的候选特征中选择重要性得分较高的特征作为重要特征集。

[0085] 首先确定当前业务的主要影响因素，根据主要影响因素在排序的候选特征中选择代表性高的特征和辅助特征。

[0086] 当前业务的主要影响因素的确定主要根据系统类型来确定，即根据系统类型来确定当前业务的主要影响因素，系统类型可以提前确认，例如，若系统类型为光伏发电系统，光照强度、温度、湿度等可能是直接影响发电量的关键因素。考虑到光伏发电系统的特性，确定光照强度和温度是影响发电量的主要影响因素，因此，这两个特征在业务上非常重要。

[0087] 根据主要影响因素在排序的候选特征中选择代表性高的特征和辅助特征，可以是在候选特征中选择与主要影响因素相关性强的特征。若系统类型为光伏发电系统，检查数据，发现风速、湿度与光照强度和主要影响因素（温度）有一定的相关性，但不如它们直接。电压和电流可能与电网状态有关，但对发电量预测的直接贡献可能较小。功率因数在光伏发电系统中通常接近1，因此其变化对预测的影响可能不大。最终确定风速、湿度与光照强度和主要影响因素（温度）相关性强。

[0088] 如果需要进一步提高模型的性能，可以考虑加入风速作为辅助特征，因为它虽然重要性得分较低，但与光照强度和温度有一定的相关性，可能提供额外的信息。最终，选择光照强度、温度和风速作为重要特征集。

[0089] 特别注意，在选择特征时，分析数据的分布、相关性、缺失值等特性，以确保所选特征在数据集中具有代表性和稳定性，排除那些具有大量缺失值或与其他特征高度相关的特征，以避免冗余和噪声。

[0090] 通过这种方式，可以选择重要性得分较高（例如超过预设的重要性阈值）的特征作为重要特征集，从而提高预测模型的准确性和稳定性。

[0091] 步骤2.3、对每个分布式电源得到的重要特征集进行交叉验证，确定每个分布式电源的重要特征集中的最优的特征集和预测模型。

[0092] 使用不同的机器学习模型（如线性模型、神经网络等）进行交叉验证，以确保所选重要特征集在不同模型下都具有较好的预测性能，尝试不同的特征组合方式，以找到最优的特征集。

[0093] 可以将上面重要特征集的作为训练集，将训练集进一步划分为多个子集（如K折交叉验证中的K个子集），以进行多次训练和验证。

[0094] 观察在不同模型和交叉验证迭代中特征重要性的稳定性，对比不同模型（如线性模型（逻辑回归、线性回归）、神经网络、决策树、随机森林、梯度提升树等）在交叉验证中的性能指标，了解哪种模型更适合当前的数据集和特征集，分析模型在不同迭代中的性能波动情况，了解模型的稳定性和鲁棒性，进而确定最优的特征集和机器学习模型，并准备将其应用于后续实际的分布式电源预测任务中。

[0095] 具体的：步骤2.3包括：步骤2.3.1、生成候选评估特征集
使用不同的特征组合（如单特征、特征对、特征子集等）生成多个候选特征集。

[0096] 本发明中，还可以对原始特征（重要特征集）进行转换和组合，生成新的特征，加入候选评估特征集，以提高预测模型的性能。例如，可以计算历史需求的移动平均值或季节指数等。

[0097] 步骤2.3.2、模型选择与训练：选择多个机器学习模型，如线性模型（逻辑回归、线性回归）、神经网络、决策树、随机森林、梯度提升树等。对于每个候选评估特征集，在每个机器学习模型上进行训练。

[0098] 步骤2.3.3、交叉验证：使用K折交叉验证（K‑fold cross‑validation）来评估每个特征集在每个模型上
的表现。将数据集分成K个大小相似的互斥子集，每次用K‑1个子集训练模型，并在剩下的一个子集上测试模型。重复此过程K次，每次选择不同的子集作为测试集，计算所有测试结果的平均值作为该候选评估特征集和模型的性能指标。

[0099] 步骤2.3.4、性能评估与比较使用性能指标（如准确率、召回率、F1分数、均方误差等）来评估每个特征集和模型
的组合。比较不同特征集和模型组合的表现，选择表现最优的特征集和模型。

[0100] 步骤2.3.5、最终验证在一个独立的验证集或测试集上验证所选特征集和模型的性能，最终确定每个分
布式电源的最优的特征集和后续要使用到的预测模型。

[0101] 步骤3、通过上面针对每个分布式电源的选择的最优特征集和预测模型，预测各个分布式电源的微电网内未来的能源需求。步骤3具体包括：步骤3.1、模型选择与训练
数据采集：采集最优特征集的历史数据集，将历史数据集分为训练数据集和测试
数据集。

[0102] 模型选择：选择步骤2中最终确定的预测模型。

[0103] 模型训练：进行模型训练，例如使用最优特征集对应的训练数据集对模型进行训练，调整模型的参数，使模型能够准确地拟合历史数据。

[0104] 步骤3.2、模型评估与优化模型评估：使用测试数据集对模型的性能进行评估，计算模型的预测精度、召回
率、F1分数等指标。

[0105] 模型优化：根据评估结果对模型进行调整和优化，如调整模型的参数、增加新的特征、尝试不同的模型结构等。

[0106] 步骤3.3、预测与结果输出预测：使用训练好的模型对未来的能源需求进行预测。

[0107] 结果输出：将预测结果以图表、报告等形式输出，供决策者参考。

[0108] 假设我们有一个包含多个分布式电源的网络，我们需要预测未来一周的电力需求。在步骤2中确定对分布式电源中能源需求有显著影响的特征之后，假设为光照强度、温度等数据和电价数据，我们可以收集过去一年多个分布式电源的电力需求数据、天气数据（如光照强度、温度等）和电价数据。然后，我们使用这些数据训练一个深度学习模型（如LSTM）。在训练过程中，我们不断调整模型的参数，直到模型能够准确地拟合历史数据。最后，我们使用训练好的模型对未来一周多个分布式电源的电力需求进行预测，并将预测结果以图表的形式输出，决策者可以根据预测结果制定相应的能源管理策略，以确保微电网的稳定运行和高效利用分布式电源。

[0109] 步骤4、在步骤3中预测多个分布式电源的能源需求之后，利用多代理系统调整各个分布式电源的运行状态和出力，实现整个微电网的协调运行。步骤4具体包括：步骤4.1、将微电网中的每个分布式电源和关键设备视为一个代理（Agent），每个
代理具有自主决策和通信能力，代理之间通过通信协议进行信息交换，共享能源供需情况和运行数据。基于各分布式电源的本地信息和全局优化目标，各代理自主调整其运行状态和出力，实现整个各分布式电源的协调运行。

[0110] 其中，每个代理根据自身的电力需求预测、能源类型（如太阳能、风能等）和运行状态，独立计算出最佳的运行模式和出力。代理之间通过标准化的通信协议（如IEC 61850、MQTT等）进行信息交换，共享能源供需情况、运行数据和优化目标。步骤4.1具体包括：步骤4.11、各代理收集本地的电力需求预测（步骤3中已预测）、能源状态（如蓄电
池的充电状态、风机的风速等）和运行数据，通过通信协议（如IEC 61850、MQTT等）将信息上传至中央控制器或中央控制器，并接收其他代理的信息。

[0111] 步骤4.12、每个代理根据接收到的全局优化目标和本地信息，计算每个分布式电源本地最佳的运行状态和出力，考虑能源互补性、运行效率和成本等因素，选择每个分布式电源最优的运行模式。

[0112] 其中，每个代理首先收集本地的实时数据，包括能源产生量（如太阳能光伏发电量、风力发电量）、能源储存状态（如蓄电池的充电状态）、能源需求预测、设备状态（如设备故障、维护需求等）以及成本信息（如运行成本、维护成本等）。

[0113] 基于收集到的本地数据，每个代理进行本地优化计算，例如线性规划、动态规划、遗传算法或机器学习算法等优化算法，计算每个分布式电源本地最佳的运行状态和出力，选择每个分布式电源最优的运行模式。

[0114] 假设微电网中包含一个太阳能光伏发电系统（代理A）、一个风力发电系统（代理B）和一个蓄电池储能系统（代理C）代理A（太阳能光伏发电系统）根据天气预报预测出未来几小时的太阳能发电量，
并计算出本地最佳的运行模式和出力。代理B（风力发电系统）根据风速预测和本地设备状态，计算出本地最佳的运行模式和出力。代理C（蓄电池储能系统）根据电力需求和两个发电系统的出力预测，计算出需要充放电的电量和时间。

[0115] 例如，代理A基于太阳能辐射预测和成本信息，计算出在给定时间段内应该产生的电量和最优的运行模式（如是否启动跟踪系统、是否进行清洁等）。代理B基于风速预测和成本信息，计算出在给定时间段内应该产生的电量和最优的运行模式（如是否调整叶片角度、是否进行维护等）。代理C基于能源需求预测、蓄电池充电状态和放电成本，计算出最优的充放电策略。

[0116] 一个具体示例中：（1）首先，每个代理需要明确其优化目标。这可能包括最大化能源效率、最小化成
本、满足能源需求等。基于这些目标，代理可以定义一个成本函数（或损失函数），该函数衡量了当前运行状态和出力与最优状态之间的差距。各代理收集本地的实时数据，如能源产生量、能源储存状态、能源需求预测、设备状态以及成本信息等。

[0117] （2）基于当前运行状态和出力，以及收集到的本地数据，代理计算成本函数关于其参数的梯度。梯度是一个向量，它指向了函数值增加最快的方向。在优化问题中，我们想要找到使成本函数最小的参数值，因此我们需要沿着梯度的反方向（即负梯度方向）进行搜索。

[0118] （3）代理根据计算出的梯度更新其运行状态和出力。这可以通过从当前参数值中减去一个与梯度成正比的步长来实现的。步长（也称为学习率）是一个重要的超参数，它决定了参数更新的幅度。步长太大可能导致算法不稳定，而步长太小则可能导致算法收敛速度过慢。

[0119] （4）代理重复步骤4和5，直到满足某个停止条件。停止条件可以是达到最大迭代次数、成本函数值小于某个阈值、梯度值小于某个阈值等。当满足停止条件时，代理输出其优化后的运行状态和出力。

[0120] 假设代理A是一个太阳能光伏发电系统，其优化目标是最大化在满足能源需求前提下的能源效率。代理A定义了一个成本函数，该函数衡量了当前光伏发电量与能源需求之间的差距，以及光伏发电系统的效率。代理A收集到当天的太阳能辐射预测、设备状态（如逆变器效率、组件清洁度等）以及能源需求预测等信息。代理A根据历史数据和专家知识，初始化其光伏板的角度、逆变器的运行模式等参数。

[0121] 基于当前参数和收集到的本地数据，代理A计算成本函数关于其参数的梯度。例如，它可能发现当光伏板的角度增加一定角度时，成本函数值（即能源效率）会有所提高。

[0122] 代理A根据计算出的梯度调整其光伏板的角度和逆变器的运行模式。它可能会尝试多个不同的角度和模式组合，以找到使成本函数最小的最优解。代理A重复步骤4和5，直到成本函数值达到一个稳定的低值或满足其他停止条件。当优化过程完成后，代理A输出其优化后的光伏板角度、逆变器运行模式以及预计的光伏发电量。这些优化结果将被用于指导光伏发电系统的实际运行。

[0123] 其中，基于当前参数和收集到的本地数据，代理A计算成本函数关于其参数的梯度的方式可以如下：假设代理A的成本函数为J(θ)，其中θ是待优化的参数向量。那么，成本函数关于参
数θ的梯度可以表示为，它是一个与θ同维的向量。

[0124] 梯度的每个分量可以通过求成本函数对相应参数的偏导数来得到。即：

[0125] 在实际应用中，可以使用数值方法（如有限差分法）或符号计算来近似或精确计算这些偏导数。

[0126] 以代理A是一个光伏发电系统的代理为例，其目标是最大化在满足能源需求前提下的能源效率。我们可以定义一个简单的成本函数 J(θ) = ‑Efficiency(θ) + Penalty(θ)，其中 Efficiency(θ) 是能源效率函数（θ是光伏板的角度等参数），Penalty(θ) 是一个惩罚项，用于考虑不满足能源需求的情况。

[0127] 确定优化参数：假设θ是光伏板的角度（以度为单位）。

[0128] 定义成本函数：J(θ) =‑Efficiency(θ)+Penalty(θ)，其中Efficiency(θ) 是根据光伏板角度和当前天气条件计算出的能源效率，Penalty(θ)是在不满足能源需求时产生的惩罚成本。

[0129] 收集本地数据：代理A收集当前天气条件（如太阳辐射强度、温度等）和能源需求预测数据。

[0130] 计算成本函数值：使用当前的光伏板角度θ和收集到的本地数据，计算 Efficiency(θ)和Penalty(θ)，进而得到成本函数值J(θ)。

[0131] 计算梯度：通过数值方法（如有限差分法）或符号计算，计算J(θ) 对θ的偏导数，即梯度的分量。

[0132] 应用梯度下降：根据计算出的梯度和预先设定的学习率α，更新光伏板的角度。

[0133] 通过不断迭代这个过程，代理A可以逐渐找到使成本函数值最小的最优光伏板角度，从而实现能源效率的最大化。

[0134] 步骤4.2、设立一个中央控制器，负责收集各分布式电源的所有信息（步骤4.1中每个分布式电源反馈的本地最佳的运行状态和出力，每个分布式电源最优的运行模式）并进行集中处理。根据预测的能源需求，中央控制器制定全局优化策略，并下发到各个分布式电源执行，分布式电源根据接收到的指令调整其运行状态和出力，以满足系统需求和优化目标。步骤4.2具体包括：步骤4.21、中央控制器根据各代理上传反馈的每个分布式电源反馈的本地最佳的
运行状态和出力，每个分布式电源最优的运行模式，进行全局的能源供需平衡计算，如果发现某些代理的出力与全局优化目标不符，则通过通信协议向相关代理发送调整指令。

[0135] 首先，中央控制器需要收集来自各个分布式电源（如太阳能光伏板、风力发电机、储能系统等）的反馈信息，这些信息包括：本地最佳运行状态（如最大效率点、当前健康状况）
当前出力（即实际发电量或放电量）
预测出力（基于天气预报或历史数据的未来一段时间内的发电量预测）
最优运行模式（基于成本、效率、环保等因素的综合考量）
中央处理器通过全局优化处理模型来制定全局优化策略，以进行全局的能源供需
平衡计算。

[0136] 全局优化模型如下：目标函数：全局优化的目标通常是最大化能源利用效率、最小化成本或满足特定
的供需平衡条件。这里我们以最小化系统总成本为例，包括发电成本、传输损失、维护成本等。

[0137]其中，N是分布式电源的数量，Cgen,i是第i个电源的发电成本（可能与其出力成正
比），Ctrans,i是传输损失成本，Cmaint,i是维护成本。

[0138] 约束条件如下：供需平衡：总发电量应等于或略大于总需求量（考虑一定的储备容量）。

[0139]其中，Pgen,i是第i个电源的出力，Pdemand是系统总需求。

[0140] 电源出力限制：每个电源的出力需在其物理和技术限制内。

[0141]电网稳定性约束：如电压、频率等需保持在安全范围内。（电网规格中存在相关参
数）。

[0142] 中央处理器通过全局优化处理模型来制定全局优化策略，即中央处理器通过全局优化处理模型确定每个分布式电源的最优出力，具体方法如下：初始化：随机生成一组解（种群），每个解代表一个分布式电源出力的配置。

[0143] 评估：采用如上目标函数计算每个解的目标函数值（总成本）。

[0144] 选择：根据目标函数值选择优秀的解进行繁殖。

[0145] 交叉：通过交叉操作（如单点交叉、多点交叉）生成新的解。

[0146] 变异：以一定概率对解进行随机变异，以增加种群多样性。

[0147] 迭代：重复选择、交叉、变异过程，直到满足停止条件（如达到最大迭代次数、目标函数值收敛等）。

[0148] 通过上面的方法即确定每个分布式电源的最优出力，在比对每个分布式电源反馈的本地最佳的运行出力（每个分布式电源都是最佳出力即为全局优化目标），确定每个分布式电源是否需要调整出力，若需要调整出力，下发到各个分布式电源执行，分布式电源根据接收到的指令调整其运行状态和出力，以满足系统需求和优化目标。

[0149] 例如，代理A、B和C将各自的优化结果发送给中央控制器，如果发现某些代理的出力与全局优化目标不符，则通过通信协议向相关代理发送调整指令。例如，中央控制器根据三个代理上传的信息，进行全局的能源供需平衡计算，并发现代理A和B的出力不足以满足电力需求。因此，向代理C发送指令，要求其增加放电量以补充电力，如中央控制器发现代理A和B的发电量之和在下午时段可能无法满足能源需求，于是向代理C发送指令，要求其增加下午时段的放电量。

[0150] 此时，多个代理之间还可以考虑能源互补性。例如，如果代理A是太阳能光伏发电系统，而代理B是风力发电系统，两者在能源产生上可能存在互补性（例如，在夜间或风力不足时，太阳能光伏发电量减少，但可能风力充足）。因此，代理A和B在优化过程中需要相互考虑对方的能源产生情况。

[0151] 步骤4.22、收到调整指令的代理根据指令内容，自主调整其运行状态和出力。调整完成后，再次通过通信协议向中央控制器或中央控制器报告新的运行状态和出力。

[0152] 例如，代理C收到指令后，自主调整其放电量和放电时间，以满足电力需求，并通过通信协议向中央控制器报告新的运行状态和出力。代理C将调整后的优化结果发送给中央控制器，以便进行下一轮的全局优化。

[0153] 通过这种方式，每个代理都能够根据全局优化目标和本地信息，自主计算本地最佳的运行状态和出力，并与其他代理和中央控制器进行协同工作，实现整个微电网的优化运行。

[0154] 步骤4.23、中央控制器实时监控微电网的运行状态，评估各代理的响应速度和调整效果，得到评估结果，根据评估结果，对逻辑策略进行持续优化和调整。步骤4.23具体包括：步骤4.231、数据收集与预处理
实时数据采集：中央控制器通过通信网络实时收集各代理（如分布式电源、储能系
统、负荷控制器等）的运行数据，包括出力、效率、状态码、响应时间戳等。

[0155] 步骤4.232、响应速度评估定义响应时间：响应时间是指从中央控制器发送调整指令到各代理开始执行该指
令的时间差。

[0156] 计算响应时间：利用时间戳记录指令发送和接收的时间点，计算得到实际响应时间。

[0157] 响应时间计算公式：{响应时间} = {接收时间戳} ‑ {发送时间戳}
评估标准：设定合理的响应时间阈值（如秒级、毫秒级），将实际响应时间与阈值进
行比较，评估各代理的响应速度是否达标。

[0158] 步骤4.233、调整效果评估设定评估指标：根据微电网的运行目标和优化目标，设定合适的评估指标，如出力
稳定性、能源利用效率、供需平衡度、成本节约率等。

[0159] 例如，出力稳定性评估指标（示例）：{出力稳定性} = 1 ‑ {出力波动量}/{平均出力}
其中，出力波动量可以是一定时间内出力的最大值与最小值之差。

[0160] 能源利用效率评估指标（示例）：{能源利用效率} ={实际发电量}/{理论发电量}*100%
数据采集与计算：在调整指令执行后的一段时间内（如几分钟、几小时），持续收集
相关数据，并计算评估指标的实际值。

[0161] 对比分析：将评估指标的实际值与预期目标值、历史数据或行业标准进行对比分析，评估调整效果是否达到预期。

[0162] 步骤4.234、综合评估与反馈综合评估：结合响应速度和调整效果的评估结果，对各代理进行综合评估，确定其
在微电网运行中的表现优劣。

[0163] 反馈机制：将评估结果反馈给各代理和相关管理人员，作为后续优化和调整的依据。

[0164] 步骤4.3、利用储能设备（如电池、飞轮等）来平衡能源供需波动，提高系统的稳定性和可靠性。

[0165] 当预测的发电量超过电力需求时，利用储能系统进行充电，存储多余的电能。当电力需求超过发电量时，通过储能系统放电，补充电力供应。制定合理的充放电阈值，避免储能系统过度充放电，影响系统寿命和稳定性。

[0166] 假设我们有一个分布式电源系统，包括太阳能光伏发电系统和风力发电系统，以及一个蓄电池储能系统。经过预测，未来24小时内，光伏发电系统的发电量预计为500kWh，风力发电系统的发电量预计为300kWh，而电力需求预计为根据预测结果，需要一个能够存储100kWh电能的储能系统。考虑到充放电效率和寿命，选择锂离子电池作为储能设备。

[0167] 在白天光照充足、风力发电也较高的时段，光伏发电系统和风力发电系统的发电量超过电力需求。此时，我们将多余的电能充电到储能系统中，直至储能系统达到其容量的80%（避免过度充电）。

[0168] 在夜间或风力、光照条件较差的时段，电力需求超过发电量。此时，从储能系统中放电，补充电力供应。在放电过程中，我们保持储能系统的SOC（荷电状态）不低于20%（避免过度放电）。

[0169] 通过监控系统，实时监测分布式电源系统、储能系统和电网的运行状态。如果发现储能系统的SOC接近设定的阈值，我们将根据实时数据进行调整，以确保系统的稳定运行。定期对储能系统进行维护和检查，确保其正常运行。同时，通过优化算法，我们提高储能系统的运行效率和可靠性，降低运营成本。

[0170] 通过以上策略，微电网中的各分布式电源和关键设备可以作为一个智能代理系统，自主协调运行，实现整个微电网的优化运行。

[0171] 本发明可实现微电网内多种分布式电源的协调运行，确保系统安全稳定运行并满足用户需求，实现微电网的能量管理和优化。

[0172] 本发明另一实施例提供一种分布式电源的安全管理装置，用于执行上述方法，所述装置包括：能源需求监测模块，用于通过智能传感器实时收集微电网内各个分布式电源、储
能系统、关键负荷节点、微电网与主电网的连接点的能源生产和消费数据，通过收集的能源生产和消费数据实时监测微电网各个分布式电源的能源需求；
最优特征集和预测模型确定模块，用于根据业务需求和数据特性，确定对各个分
布式电源中能源需求有显著影响的特征，根据显著影响的特征确定每个分布式电源的最优特征集和预测模型；
能源需求预测模块，用于通过确定的对每个分布式电源的最优特征集和预测模
型，预测各个分布式电源的微电网内未来的能源需求；
运行调整模块，用于在预测多个分布式电源的能源需求后，利用多代理系统调整
各个分布式电源的运行状态和出力，实现整个微电网的协调运行
本发明另一实施例提供了一种分布式电源的安全管理系统，包括：计算机可读存
储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行所述的
分布式电源的安全管理方法。

[0173] 本发明另一实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的分布式电源的安全管理方法。

[0174] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0175] 本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0176] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0177] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

[0178] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

查看完整全部详细技术资料

当前第1页第1页第2页第3页