电力论文哪里有？笔者重点阐述了本文中所研究的微电网系统的总体架构与模型，介绍了该微电网的各个重要组成部分，包括风力和光伏发电机组与锂离子电池储能系统装置的基础原理与数学模型的构建，主要介绍了锂离子电池储能系统装置的基本原理、基本构造、电荷状态模式及其输出模型。
1 绪论
1.2.1 风电功率预测的研究现状
近些年来，中国的风电装机容量在不断提高，仅 2020 年上半年，就增长了6.7GW 之多。
风力发电虽然已渗透于电力系统的各个组成部分之间，但风电输出功率具备着间歇性与波动大的缺点，这些缺点给电力系统的运营和全局范围内的调度也带来了挑战。因此，如何实现准确预测风力发电产生的风电功率和如何减少风速变化对风电功率带来的不良影响，已经成为对电网整体平稳运行至关重要的问题之一。近些年以来，世界上的许多学者深入研究了风电功率预测，并且使得风电功率预测精度有了显著提升。这些学者从时间维度的视角对风电功率预测做出了划分，并分为超短期、短期、中期和长期功率预测四种方式；研究者们又按照功率预测方式的差异，将其分成了以下预测方式：
持续性方法：该方法归根结底只是一个很简单的假定，也就是假想未来某时间的风速和所预报的风速一致。但预测时间尺度的进一步增加，会使得该方法的预测精度迅速、不断下降。该方法是最简便，也是最经济的风电功率预测的方式。电力公司往往使用的也正是这种继续性方式，来对超短期功率做出预测。
物理方式：该方式在完成气候预测(NWP)时，利用数值或低大气层来进行，把障碍物、气压、气温和地表粗糙度等因素都考虑在其中，并做出正确预测的方式。增加 NWP 模型的分辨率，从而使得天气预报的准确度得到提高是物理方法的主要意义[6]。但是由于该方法需要大量计算的缺点，需要超级计算机对其进行渲染。NWP 风力预测是商业风电功率预测最常用的数据输入方法。物理系统把来自 NWP 的数据输入，根据现场条件精确这些风俗预报的输出数据。
3 基于优化 BP 神经网络的风光功率预测
3.1 BP 神经网络
3.1.1 BP 神经网络结构
BPNN 是一个多层次化的神经网络，而形成这种神经网络所依赖的计算理论是误差的反向传播和输入信号的前向传递。神经网络通过含有多个神经元的输入层进行输入，通过含有多个神经元的输出层进行输出。不同层的神经元通过全互相的方式连接，但相同层的神经元之间没有关联。在这两层之间还有可以改变训练精度的隐含层。当隐含层数量增加时，训练误差就会变小，从而实现提高精度的目的。不过，这种增加隐含层数量的方式会使得训练速度更加迟缓。因为，只有单层隐含层的 BPNN 才具有计算简便、学习快捷的优势，而且也可以用来对更繁复的非线性函数进行拟合，所以，我们建立模型使用的是经典的 BPNN，基本构造如图 3-1 所示。
4 基于微电网运行成本的能量管理策略
4.1 微电网能量管理的整体框架
风光储微电网的能源管理策略总体架构如图 4-1 给出，这里将风力发电、光伏发电和电负荷的预测值视为该优化调度模型的输入量，通过优化调度模型以系统运行的总体经济成本最小化为目标设计能量管理策略，在充分考虑各个微电源自身约束条件的情况下，采用能量管理算法求解得到储能装置的充放电计划和微电网与主网的功率交换计划。
本文所建立的电能管理的模型，其执行流程图如下图 4-2 所示：
先将风力发电功率的预测值 PWT、光伏发电功率的预测值 PPV、负荷预测值PL、锂电池荷电态 SOC 输入该能量管理策略模型，随后判断风光发电功率的预测值能否满足用户的负荷需求。
若能够满足，则继续对锂电池荷电态进行判断。若达到上限，为了避免对锂电池的使用寿命产生影响，则锂电池不能放电；若没有达到锂电池的上限，此时风光发电功率除了满足负荷需求之外还可对锂电池进行充电或向主网售电，，锂电池能否充电由能量管理策略决定，当能充电时继续进行判断，判断风光发电功率预测值超出负荷需求的部分能否超过锂电池充电的额定功率，若达到甚至超过，则锂电池以额定功率进行充电，若未达到，则锂电池以风光发电功率与负荷之差的功率进行充电。
4.2 微电网能量管理策略的建模
因为风光发电的输出功率存在着波动与不稳定性，且微电网与主网之间交换功率也存在着上下限极值的约束，导致微电网系统的稳定性较差，无论是与主网连接的并网运行状态还是与主网断开的独立运行状态，微电网系统的功率都存在较大的波动，而锂离子电池正好可以弥补微电网系统的这一缺陷，通过进行充放电来对整个系统的功率平衡进行调整，使得微电网系统可以更加平稳的运行。
在风光储微电网系统并网工作时，微电网系统和主网之间可以实现功率的双向传输。为了使微电网的运行成本下降，在风光发电量无法达到最大负载需求时要考虑实时电价，在实时电价较低时，由微电网向主网购进电能，来对微电网进行供电和锂离子电池的充电，此时若微电网和主网之间的交流功率不能达到15kW，而储能设备又没有达到最大荷电态的上限约束时，还可对储能设备进行充电；在实时电价较高时，锂电池即使达到荷电态的下限约束，出于经济性考虑也不会进行充电，否则就进行放电与风力发电和光伏发电共同供应系统的负荷需求，并尽可能多的将超过负荷需求的部分出售给主网。这样的售电过程可以使得系统的整体运行成本进一步降低。
本文将风力发电、光伏发电和锂离子电池储能装置的成本和实时电价以及环境成本考虑在内，以微电网的运行成本最低为优化目标，建立微电网优化调度模型，来研究微电网的能量管理策略，并在 MATLAB 软件中，使用优化算法，对所建立的模型进行算例分析验证其可行性。
5 结论
5.1 总结
由于全球各国对煤矿资源、化石燃料等不可再生资源的过度利用，加上对煤矿资源和化石燃料过度利用所造成的环境污染问题，风力发电、光伏发电等更清洁的可再生资源逐渐得到了全球各国的青睐，并不断加大对其的研究投入和装机容量。如今，风力发电技术和太阳能光伏技术均已作为相对完善的可再生能源发电技术，在微电网系统中使用得越来越普遍，但由于风力发电技术和太阳能光伏技术发电技术都受天气条件的影响，为其所产生电能的并网造成了一定问题。 本文在深入研究了微电网系统的基本结构和模型的基础上，通过 GWPA 算法优化 BPNN，来对风力发电和光伏发电的功率分别作出了预测，最后提出了以微电网系统运行成本最低为优化目标的电能管理策略。本文主要工作如下：
（1）重点阐述了本文中所研究的微电网系统的总体架构与模型，介绍了该微电网的各个重要组成部分，包括风力和光伏发电机组与锂离子电池储能系统装置的基础原理与数学模型的构建，主要介绍了锂离子电池储能系统装置的基本原理、基本构造、电荷状态模式及其输出模型。
（2）阐述了 BPNN 与狼群算法的基本原理，鉴于这 2 个算法均具有各自的缺点，故对狼群算法加以了完善，并将完善后的狼群算法用来优化 BPNN，将优化后的 BPNN 用于风力发电与光伏发电的功率预测。经过算例分析对比，很显然改进狼群算法优化后的 BPNN 所预测的风力发电功率和光伏发电功率，较普通BPNN 预测的风光功率更为精确。
（3）介绍了本文所研究的含风光储微电网的能量管理策略，先介绍了该能量管理策略的整体框架，然后考虑微电网与主网交换功率的实时电价和环境成本以及风力发电机组、光伏发电机组和储能装置的运行成本，以微电网的运行成本最低为优化目标，提出了本文研究的能量管理策略。随后使用 MATLAB 基于粒子群算法对该能量管理策略进行验证，与常规策略的系统运行成本进行对比，对比显示本文提出的能量管理策略具有更好的经济性，使得微电网的运行成本更低。
参考文献（略）
