基于负载均衡的主从式微电网功率负荷预测系统及其方法
【专利摘要】本发明一种基于负载均衡的主从式微电网功率负荷预测系统，包括用于高复杂度的数学计算和大规模的数据存储的主服务器，它可以通过以太网交换机与预测系统分布式子站进行信息交互。预测系统分布式子站可以把一些需要大规模运算的任务发送给主服务器，由主服务器完成计算。每个预测系统分布式子站负责采集微电网或者子微网中风机、光伏的发电功率实时数据，和该区域的负荷数据。本发明可以实现微电网功率和负荷的精细预测，预测结果为能量管理系统和微电网控制器提供了精确的数据支持，同时降低预测成本，提高预测系统服务器和装置的使用效率。可以在系统上实现数据级的负载均衡，每个网元内部实现网元内部线程级负载均衡。
【专利说明】基于负载均衡的主从式微电网功率负荷预测系统及其方法
【技术领域】
[0001] 本发明涉及微电网功率预测，微电网负荷预测领域，具体涉及的是一种基于负载 均衡的主从式微电网功率负荷预测系统及其方法。
【背景技术】
[0002] 微电网是一种新型的电网结构，包括了风电、光伏、柴油发电、储能、负荷、控制保 护模块等。微电网可以实现自我控制、保护和管理的自治系统，既可以与外部电网并网运 行，也可以孤立运行。微电网能够充分促进分布式电源与可再生能源的高效利用。
[0003] 近年来光伏、风电行业迅速发展，越来越多的小型光伏发电和风电应用在微电网 领域，精确的风电和光伏功率预测有助于微电网调度控制和安全运行。如果能够确定未来 某特定时刻微电网内的负荷数据，对微电网经济调度和能量管理也有重要的意义。
[0004] 目前市场上的光伏、风电、负荷预测系统需要多个采集通道，每一个预测系统又相 互独立，因此造成了数据冗余。另外，目前各家的预测系统需要开发多种通信接口用于预测 系统与外部采集器、控制器、能量管理系统、调度的通信，一旦实时通信接口中断，预测系统 的输入数据将产生较大的误差，对预测结果也会不准确。
[0005] 光伏发电和风力发电受到天气因素影响，出力往往是不稳定的。传统的光伏和风 电预测系统需要气象部门数值天气预报的支持，但是目前的数值天气预报时间分辨率和空 间分辨率一般都无法达到精确预测的要求，因此也加大了微电网能量管理系统控制、调节 出力和负荷平衡的难度。
[0006] 目前的功率预测和负荷预测大多采用神经网络算法，神经网络算法训练期间系统 一般需要花费大量的资源用于计算神经网络权值，这就需要使用高性能的服务器。在实际 运行中，神经网络的训练一般是一个月甚至更长时间才需要训练一次，高成本、高性能的服 务器并没有得到较高的使用率。
【发明内容】
[0007] 针对现有技术上存在的不足，本发明目的是在于提供一种基于负载均衡的主从式 微电网功率负荷预测系统及其方法，为微电网提供精确的功率和负荷预测数据，实现系统 级和网元内部线程级的负载均衡，提高系统和装置的整体利用效率。
[0008] 为了实现上述目的，本发明是通过如下的技术方案来实现：
[0009] -种基于负载均衡的主从式微电网功率负荷预测系统，其包括主服务器，用于数 学计算和数据存储；
[0010] 预测系统分布式子站，用于采集本地预测相关的实时数据，预测本地区域内的功 率和负荷数据，同时进行权值修正计算；所述主服务器太网交换机与预测系统分布式子站 进行信息交互，
[0011] 所述主服务器包括以下模块：
[0012] 气象采集模块，用于采集来自网络的免费数值天气预报；
[0013] 精确气象预测模块，根据当地经度、维度、海拔、位势高度为依据，同时依据微电网 园区内的地理信息和建筑示意图，进行三维建模；
[0014] 数据库，用于存储气象历史数据和采集数据，及微电网园区内的功率、负荷数据； 远程主服务器通信模块用于与每个预测系统分布式子站通信，同时采集Internet上的气 象数据；
[0015] 通信模块，基于普通的以太网通信方式，使用TCP/IP协议。
[0016] 神经网络远程训练模块，用于训练功率预测和负荷预测模型；
[0017] 均衡算法模块，负责控制神经网络训练模块的资源创建和资源分配；
[0018] 远程预测模块，根据预测系统分布式子站的预测结果预测多个微电网或多个子微 电网的总功率和总负荷数据，或者在某个预测系统分布式子站发生故障时，代替其完成功 率和负荷预测。
[0019] 进一步的，所述预测系统分布式子站包括：
[0020] 中央处理器，用于调度各个子模块之间的协同工作，完成基本的系统运行和数据 处理；
[0021] 预测系统通信模块，用于预测系统分布式子站与主服务器之前的通信，同时采集 当地环境监测数据；
[0022] 存储模块，用于存储近三个月的环境监测仪、负荷、功率的历史数据；
[0023] 神经网络算法训练模块，用于训练功率预测和负荷预测模型的在线重训练；
[0024] 神经网络算法训练预测模块，根据神经网络算法训练模块训练出来的预测模型进 行加权预测；
[0025] 均衡算法模块，负责控制神经网络训练模块的资源创建和资源分配，当本地资源 不能满足训练要求或者会影响数据采集、功率负荷预测时，中央处理器会向主服务器请求 远程开启训练，主服务器完成训练后会将负荷预测模型文件发送至本地；
[0026] 本地预测模块，用于采集本地预测相关的实时数据，预测本地区域内的功率和负 荷数据；
[0027] 所述通信模块、存储模块、神经网络算法训练模块和本地预测模块均与中央处理 器连接，所述均衡算法模块和神经网络算法训练预测模块均与神经网络算法训练模块连 接，所述本地预测模块、神经网络算法训练模块以及预测系统通讯模块均与存储模块连接， 便于数据的存储。
[0028] 进一步的，所述本地预测模块包括光伏预测模块、风电预测模块和负荷预测模块。
[0029] 作为优选，所述神经网络远程训练模块的神经网络算法采用改进的BP神经网络 算法，所述改进的BP神经网络算法如下：
[0030]权值更新Λ Wlj:
【权利要求】
1. 一种基于负载均衡的主从式微电网功率负荷预测系统，其包括主服务器，用于数学 计算和数据存储； 预测系统分布式子站，用于采集本地预测相关的实时数据，预测本地区域内的功率和 负荷数据，同时进行权值修正计算；所述主服务器太网交换机与预测系统分布式子站进行 信息交互， 所述主服务器包括以下模块： 气象采集模块，用于采集来自网络的免费数值天气预报； 精确气象预测模块，根据当地经度、维度、海拔、位势高度为依据，同时依据微电网园区 内的地理信息和建筑示意图，进行三维建模； 数据库，用于存储气象历史数据和采集数据，及微电网园区内的功率、负荷数据；远程 主服务器通信模块用于与每个预测系统分布式子站通信，同时采集Internet上的气象数 据； 通信模块，基于普通的以太网通信方式，使用TCP/IP协议。 神经网络远程训练模块，用于训练功率预测和负荷预测模型； 均衡算法模块，负责控制神经网络训练模块的资源创建和资源分配； 远程预测模块，根据预测系统分布式子站的预测结果预测多个微电网或多个子微电网 的总功率和总负荷数据，或者在某个预测系统分布式子站发生故障时，代替其完成功率和 负荷预测。
2. 根据权利要求1所述的基于负载均衡的主从式微电网功率负荷预测系统，其特征在 于，所述预测系统分布式子站包括： 中央处理器，用于调度各个子模块之间的协同工作，完成基本的系统运行和数据处 理； 预测系统通信模块，用于预测系统分布式子站与主服务器之前的通信，同时采集当地 环境监测数据； 存储模块，用于存储近三个月的环境监测仪、负荷、功率的历史数据； 神经网络算法训练模块，用于训练功率预测和负荷预测模型的在线重训练； 神经网络算法训练预测模块，根据神经网络算法训练模块训练出来的预测模型进行加 权预测； 均衡算法模块，负责控制神经网络训练模块的资源创建和资源分配，当本地资源不能 满足训练要求或者会影响数据采集、功率负荷预测时，中央处理器会向主服务器请求远程 开启训练，主服务器完成训练后会将负荷预测模型文件发送至本地； 本地预测模块，用于采集本地预测相关的实时数据，预测本地区域内的功率和负荷数 据； 所述通信模块、存储模块、神经网络算法训练模块和本地预测模块均与中央处理器连 接，所述均衡算法模块和神经网络算法训练预测模块均与神经网络算法训练模块连接，所 述本地预测模块、神经网络算法训练模块以及预测系统通讯模块均与存储模块连接，便于 数据的存储。
3. 根据权利要求2所述的基于负载均衡的主从式微电网功率负荷预测系统，其特征在 于，所述本地预测模块包括光伏预测模块、风电预测模块和负荷预测模块。
4. 根据权利要求1所述的基于负载均衡的主从式微电网功率负荷预测系统，其特征在 于，所述神经网络远程训练模块的神经网络算法采用改进的BP神经网络算法，所述改进的 BP神经网络算法如下： 权值更新AWij :
其中，Wlj表示第1个神经元到输出层第j个神经元之间的连接权值，Oij表示神经网络 输出，h表示目标值，V1表示第1个神经元输入值，Θ ^表示阈值，L表示神经元个数。
5. 根据权利要求1所述的基于负载均衡的主从式微电网功率负荷预测系统，其特征在 于，所述数据库采用的是Oracle或Sybase数据库。
6. -种基于负载均衡的主从式微电网功率负荷预测方法，其方法步骤如下： (1) 分布式采集预测步骤；采集本地预测相关的实时数据，通过神经网络算法预测本 地区域内的功率和负荷数据，同时进行权值修正计算，输出预算结果； (2) 气象采集步骤，用于采集来自网络的免费数值天气预报； (3) 气象预测步骤，根据步骤（1)采用的当地小范围经度、维度、海拔、位势高度为依 据，进行三维建模；模型以步骤（2)获取的网络气象数据作为输入条件，采用物理方程和 热力学方程模拟气象变化，并经神经网络算法修正后，最终得到微电网园区内精确气象信 息； (4) 预测微电网的总功率和总负荷数据；根据步骤（1)的预测结果并经预测多个微电 网或多个子微电网的总功率和总负荷数据； 所述神经网络算法中包括系统级负载均衡调度算法步骤，当本地资源不能满足训练要 求或者会影响数据采集、功率负荷预测时，装置会向主服务器请求远程开启负载均衡调度 算法训练，主服务器在打开网络连接服务后，将循环侦听子站请求，一旦有子站请求主服务 器完成神经网络训练，主服务器将在数据库中查找对应的子站信息和子站的历史数据进行 训练，主服务器完成训练后会将模型文件发送至对应的子站。
7. 根据权利要求6所述的方法，其特征在于，神经网络算法的方法为：首先是初始化权 值数据，每个权值赋值随机数，随机数范围在-1到1之间；将历史数据样本作为神经网络的 输入值，分别计算每一层神经网络的输入和输出。得到神经网络的最终输出后，求理论值与 计算值均方误差，如果误差满足预设条件，则训练结束；如果不满足预设条件，则再判断最 大循环次数，如果超出最大循环次数同样也结束训练，否则将反向计算每层神经元局部梯 度并修正神经元权值；直到满足均方误差或最大循环次数的预设条件。
8. 根据权利要求6所述的方法，其特征在于，所述神经网络算法中还包括网元内部线 程级负载均衡调度算法步骤，均衡算法模块首先会检查操作系统版本，并加载对应的宏、初 始化全局变量。算法会统计有多少个CPU及开始监控每个CPU的占用率；均衡模块算法会 在内存中创建一个任务管理器用于任务分片、任务监视、分配系统资源和回收系统资源；如 果本地资源可以满足所有任务时，任务管理器会开始执行分片后的任务；如果本地资源不 能够满足所有任务，而且该任务无法等待，均衡算法模块会连接主服务器，将该任务提交给 主服务器执行； 每个子任务首先会初始化任务计数器，保证该任务占用系统资源时间是有限的，在该 任务执行后将完成数据加载、数据处理的任务，并向外部IO请求读写文件，文件锁将保证 文件读写的唯一性，防止数据出错。
【文档编号】G06Q50/06GK104376389SQ201410759321
【公开日】2015年2月25日 申请日期:2014年12月10日 优先权日:2014年12月10日
【发明者】赖晓路, 童欲豪, 孙锋, 孟宪侠, 朱华婧, 张少强, 孙攀 申请人:国电南京自动化股份有限公司