辛銳，姜丹，鄭煥坤，劉宏，陳曦

(1.國(guó)網(wǎng)河北省電力有限公司信息通信分公司，石家莊050013； 2.華北電力大學(xué)，河北 保定071000)

0 引 言

能源互聯(lián)網(wǎng)作為“雙碳”目標(biāo)的關(guān)鍵推動(dòng)者，為涉及能源生產(chǎn)、傳輸、分配、轉(zhuǎn)換、存儲(chǔ)、交換和消費(fèi)的各種設(shè)備與新的信息和通信技術(shù)集成提供了一個(gè)開放的框架[1-2]，從而實(shí)現(xiàn)能源系統(tǒng)的有效控制，克服了傳統(tǒng)能源系統(tǒng)集中發(fā)電，單向流動(dòng)，無(wú)法完成分布式和多樣化可再生能源整合的缺陷[3-4]。同時(shí)針對(duì)有限區(qū)域內(nèi)，分布式能源和儲(chǔ)能裝置同處一地的能源消費(fèi)者，可形成一個(gè)本地能源互聯(lián)網(wǎng)，即微電網(wǎng)，從而有效緩解因不斷增長(zhǎng)能源需求和可再生能源滲透所造成的壓力[5]。然而，由于可再生能源的間歇性和波動(dòng)性以及有限的發(fā)電能力，不受控制和不協(xié)調(diào)的可再生發(fā)電機(jī)大規(guī)模滲透到微電網(wǎng)特別是配電網(wǎng)將導(dǎo)致高度的波動(dòng)性和系統(tǒng)擾動(dòng)[6-7]。因此，目前亟需一種新的能源管理方法來(lái)充分利用微電網(wǎng)的潛力，通過(guò)提高可再生能源的效率來(lái)減少能源供需不平衡問(wèn)題[8-9]。

對(duì)于微電網(wǎng)中的能量管理設(shè)計(jì)，目前以得到國(guó)內(nèi)外學(xué)者的廣泛研究。文獻(xiàn)[10]提出了微電網(wǎng)能量管理的雙層控制模型，該模型由調(diào)度層和調(diào)度層組成，調(diào)度層根據(jù)實(shí)時(shí)數(shù)據(jù)提供各單元的輸出功率，調(diào)度層根據(jù)預(yù)測(cè)數(shù)據(jù)提供運(yùn)行優(yōu)化。文獻(xiàn)[11]提出了一種公平的能源調(diào)度策略，以最大化整體系統(tǒng)效益。為了進(jìn)一步優(yōu)化能量交換效率，文獻(xiàn)[12]考慮了需求側(cè)管理和發(fā)電調(diào)度，以保證能源系統(tǒng)的實(shí)時(shí)運(yùn)行。文獻(xiàn)[13]提出了一種基于隨機(jī)機(jī)組組合模型的動(dòng)態(tài)規(guī)劃算法，用于協(xié)調(diào)可推遲需求與分布式可再生能源供應(yīng)。文獻(xiàn)[14]提出一種可變閾值的自動(dòng)適應(yīng)控制方法,采用自適應(yīng)智能技術(shù)控制儲(chǔ)能元件的即時(shí)充放電功率,提高電能分配效率,實(shí)現(xiàn)對(duì)于負(fù)荷的"削峰填谷。文獻(xiàn)[15]聚焦微電網(wǎng)不確定性分布式能源管控研究，通過(guò)引入博弈分析，有效提高可再生能源的利用率，同時(shí)為微電網(wǎng)儲(chǔ)能配置和優(yōu)化管理提供有效建議。然而，上述工作主要側(cè)重于整個(gè)系統(tǒng)的總體效益，而忽略了多個(gè)市場(chǎng)參與者之間的相互作用和相互聯(lián)系。

為進(jìn)一步提高分布式能源利用率的有效，具有多個(gè)目標(biāo)實(shí)體的競(jìng)爭(zhēng)合作機(jī)制已廣泛應(yīng)用于微網(wǎng)的能量管理研究，通過(guò)合作或競(jìng)爭(zhēng)的策略進(jìn)行多個(gè)實(shí)體間性能決策，從而有效改善微網(wǎng)的整體能源調(diào)度水平，針對(duì)多個(gè)能源系統(tǒng)中的競(jìng)爭(zhēng)博弈分析，文獻(xiàn)[16]提出了一個(gè)新的電力市場(chǎng)運(yùn)行模型，并通過(guò)小時(shí)定價(jià)方案優(yōu)化每個(gè)市場(chǎng)參與者的目標(biāo)函數(shù)。文獻(xiàn)[17]提出了一種新的基于動(dòng)態(tài)勢(shì)博弈的需求側(cè)管理方法來(lái)解決風(fēng)力發(fā)電中的不確定性。文獻(xiàn)[18]設(shè)計(jì)了一種博弈論的分布式實(shí)時(shí)能源管理方案，以最大化社會(huì)效益，同時(shí)最小化每個(gè)用戶的成本。文獻(xiàn)[19]提出了一種合作需求響應(yīng)方案降低用戶的電費(fèi)。文獻(xiàn)[20]提出了一種基于合作博弈的多階段市場(chǎng)模型，以使公用事業(yè)公司的運(yùn)營(yíng)成本最小化、最大化市場(chǎng)總利潤(rùn)。通過(guò)上述對(duì)競(jìng)爭(zhēng)和合作博弈管理分析發(fā)現(xiàn)，盡管系統(tǒng)間的合作性分析存在優(yōu)勢(shì)，但非合作博弈模型不需要各種市場(chǎng)參與者之間的共同承諾，并且具有通信開銷較低的優(yōu)勢(shì)。此外，通過(guò)非合作博弈分析在各種非合作博弈模型中，可以有效地在參與者之間建立層級(jí)模型，在這種模型中，領(lǐng)導(dǎo)者對(duì)追隨者擁有市場(chǎng)支配地位，并且可以將自己的策略強(qiáng)加給追隨者。

綜上所述，為了有效利用可再生能源，同時(shí)進(jìn)一步保證系統(tǒng)可靠運(yùn)行和滿足用戶用電需求，文章研究了分布式能源管理問(wèn)題，最大化每個(gè)市場(chǎng)參與者的個(gè)體目標(biāo)函數(shù)?；诜呛献鞑┺乃枷牒痛髷?shù)據(jù)相融合的方法解決能源互聯(lián)網(wǎng)中的微電網(wǎng)能源管理問(wèn)題。為了有效降低風(fēng)力渦輪機(jī)帶來(lái)的不確定性，提出了一種基于深度學(xué)習(xí)的短期風(fēng)力發(fā)電預(yù)測(cè)算法。在預(yù)訓(xùn)練過(guò)程中，采用三層隱層結(jié)構(gòu)的自適應(yīng)進(jìn)化算法從訓(xùn)練序列中提取特征，在微調(diào)過(guò)程中，采用反向傳播算法計(jì)算整個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值。數(shù)值結(jié)果表明，準(zhǔn)確的風(fēng)電功率預(yù)測(cè)結(jié)果有利于更好的能源管理。

1 基于多分布式節(jié)點(diǎn)的電力系統(tǒng)模型

近年來(lái)隨著“碳中峰”，“碳達(dá)峰”雙碳目標(biāo)的不斷推進(jìn)，太陽(yáng)能、風(fēng)能等分布式能源的大范圍并網(wǎng)，由于分布式能源不可控、波動(dòng)性、可變性、間歇性特性，大規(guī)模、高比例接入將給電力系統(tǒng)穩(wěn)定帶來(lái)一定挑戰(zhàn)。此外，微電網(wǎng)裝機(jī)容量有限，僅僅依靠自身能源供應(yīng)可能無(wú)法滿足用戶的電力需求，當(dāng)用戶電能供應(yīng)不足時(shí)，協(xié)調(diào)發(fā)電廠和儲(chǔ)能公司，購(gòu)買相應(yīng)的電能，及時(shí)滿足用戶用能需求。對(duì)此，文中構(gòu)建了一種基于微電網(wǎng)能源管理系統(tǒng)，具體模型架構(gòu)如圖1所示。

圖1 微電網(wǎng)能量管理系統(tǒng)模型

圖1中包括公用事業(yè)公司、儲(chǔ)能公司、用戶和各種可再生能源。在這個(gè)系統(tǒng)中，假設(shè)有一個(gè)單一的常規(guī)電能產(chǎn)出企業(yè)(發(fā)電廠)和一個(gè)單一的可再生能源儲(chǔ)存公司(儲(chǔ)存公司)，一個(gè)單一的微電網(wǎng)，在這個(gè)模型中有K個(gè)用戶表示為K={1,...,k,...,K}。電力公司和儲(chǔ)能公司被視為能源供應(yīng)商，以滿足微電網(wǎng)的電力需求，確保電力系統(tǒng)的穩(wěn)定性。

1.1 發(fā)電廠的目標(biāo)函數(shù)

發(fā)電廠目標(biāo)函數(shù)的定義相當(dāng)靈活。一般來(lái)說(shuō)，我們考慮由發(fā)電成本表示為C(L)和污染物排放成本表示為I(L)組成的成本函數(shù)。它們中的每一個(gè)都可以被建模為L(zhǎng)的二次函數(shù)。此外，主要由輸電線路電阻引起的線路損耗也被考慮在內(nèi)，以確保能源供應(yīng)。因此，發(fā)電廠的目標(biāo)函數(shù)表述為:

Ug(Lm, g,pg)=Rg(Lm, g,pg)-Cg(εgLm, g)-Ig(εgLm, g)

(1)

其中:

(2)

式中Rg(Lm,g,pg)為電力收入；Cg(εgLm,g)和Ig(εgLm,g)分別為發(fā)電和污染物排放的成本函數(shù)；Lm,g表示微電網(wǎng)從發(fā)電廠購(gòu)買的電量；pg是發(fā)電廠的單位電價(jià)；ag、bg、cg、αg、βg為Cg(εgLm,g)和Ig(εgLm,g)的成本參數(shù)。假設(shè)ρg表示輸電過(guò)程中的功率損耗百分比，它與電壓、變壓器效率和輸電線路電阻有關(guān)。εg為發(fā)電廠在向微電網(wǎng)傳輸過(guò)程中電能損耗的負(fù)影響因子，εg=1/(1-ρg)。因此，εgLm,g為以滿足微電網(wǎng)需求Lm,g的實(shí)際發(fā)電量。

1.2 儲(chǔ)能公司的目標(biāo)函數(shù)

我們考慮了電池充電和放電過(guò)程中的功率損耗低效率，以及線路損耗，并制定了儲(chǔ)能公司的目標(biāo)函數(shù)：

Us(Lm,s,ps)=Rs(Lm,s,ps)-Cs(εs,Lm,s)

(3)

其中：

(4)

式中Rs(Lm,s,ps)為電力收入；Cs(εs,Lm,s)為儲(chǔ)能的成本函數(shù)；Lm,s記錄了微電網(wǎng)從儲(chǔ)能公司購(gòu)買的電量；ps為儲(chǔ)能公司的單位電價(jià)；ηc和ηd分別代表存儲(chǔ)設(shè)備的充電和放電效率；cs表示運(yùn)行和維護(hù)的單位成本；εs為儲(chǔ)能公司在向微電網(wǎng)傳輸過(guò)程中電能損耗的負(fù)影響因子。

1.3 微網(wǎng)的目標(biāo)函數(shù)

文中關(guān)注作為微電網(wǎng)主要來(lái)源的可再生能源，并考慮發(fā)電廠和儲(chǔ)能公司提供的電力服務(wù)質(zhì)量考慮滿意度函數(shù)[17]。因此，微電網(wǎng)的目標(biāo)函數(shù)可表述為：

(5)

其中:

(6)

1.4 用戶的目標(biāo)功能

同樣，我們也考慮了滿意度函數(shù)。因此，第k個(gè)用戶的目標(biāo)函數(shù)由式(7)給出：

Uk(Lk,m,pm)=Rk,m(Lk,m)+Ck,m(Lk,m,pm)

(7)

其中：

(8)

式中Rk,m(Lk,m)表示滿意度值；Ck,m(Lk,m,pm)表示第k個(gè)用戶從微網(wǎng)購(gòu)買電力所支付的款項(xiàng)；Xk,m和dk,m的意思和Xm,g類似。

2 系統(tǒng)模型和問(wèn)題表述

如上所述，文章提出了一個(gè)由領(lǐng)導(dǎo)者和追隨者組成的三階段Stackelberg博弈來(lái)描述每個(gè)階段的相互聯(lián)系，并對(duì)能量管理過(guò)程進(jìn)行建模，如圖2所示。

圖2 三階段Stackelberg博弈分析模型

第一階段：發(fā)電廠和存儲(chǔ)公司作為博弈分析的領(lǐng)導(dǎo)者，向微電網(wǎng)公布電能價(jià)格pg和ps。通過(guò)合理調(diào)整能源的價(jià)格，獲取自身收益的最大化。因此發(fā)電廠和儲(chǔ)能公司的棘突優(yōu)化問(wèn)題描述為：

(9)

(10)

第二階段：微電網(wǎng)作為能量管理系統(tǒng)的核心關(guān)鍵點(diǎn)，在三階段Stackelberg博弈中扮演兩種角色。微電網(wǎng)可以被認(rèn)為是發(fā)電廠和儲(chǔ)能公司的追隨者，也是用戶的領(lǐng)導(dǎo)者。一方面，微電網(wǎng)根據(jù)風(fēng)電功率和機(jī)組價(jià)格的預(yù)測(cè)結(jié)果確定電力需求Lm,g和Lm,s；另一方面，它向用戶公布電價(jià)pm。微電網(wǎng)的目標(biāo)也是通過(guò)調(diào)整Lm,g、Lm,s和pm來(lái)最大化其收益。我們可以將微電網(wǎng)的優(yōu)化問(wèn)題描述為：

(11)

(12)

第三階段：第k個(gè)用戶(?k{1,2,...K})，作為微電網(wǎng)的跟隨者，基于電價(jià)pm的確定最終向微電網(wǎng)購(gòu)買的電量Lk,m，以使其收益最大化。我們可以將第k個(gè)用戶的優(yōu)化問(wèn)題描述為：

(13)

s.t.C6：Lk,m≤Lk,b

(14)

式中Lk,b為第k個(gè)用戶的基本電力需求。

3 算法和分析

首先提出了一個(gè)基于三階段博弈的分布式能量管理算法。然后，結(jié)合SAE、反向傳播算法和遺傳算法，推導(dǎo)出基于大數(shù)據(jù)分析的風(fēng)電功率預(yù)測(cè)算法。

3.1 分布式能量管理算法

文中提出一個(gè)三階段的博弈來(lái)描述每個(gè)階段的相互聯(lián)系，并使用逆向歸納法來(lái)捕捉每個(gè)階段決策過(guò)程的相互聯(lián)系。

(1)三階段用戶博弈分析

第k個(gè)用戶的優(yōu)化目標(biāo)在式(13)中定義，它是一個(gè)標(biāo)準(zhǔn)的凹函數(shù)。因此，可以使用KKT條件來(lái)解決優(yōu)化問(wèn)題。與第k個(gè)用戶相關(guān)聯(lián)的拉格朗日函數(shù)是：

(15)

通過(guò)使用KKT條件：

(16)

可以得到最優(yōu)解：

(17)

(2)第二階段微電網(wǎng)博弈分析

假設(shè)用戶k′∈κ′={1,...,i,...K}購(gòu)電Lk,m1，用戶k″∈κ″={1,...,i,...K″}購(gòu)電Lk,m2。當(dāng)κ=κ′∪κ″時(shí)，可以獲得：

(18)

微電網(wǎng)相關(guān)的拉格朗日函數(shù)可以寫成：

(19)

基于KKT條件：

(20)

可以得到最優(yōu)解：

(21)

(22)

可以得到最優(yōu)解：

(23)

在同樣的情況下，根據(jù)KKT的條件：

(24)

可以得到最優(yōu)解：

(25)

(26)

可以觀察到pm被視為pg和ps的函數(shù)式(25)。因此，PMC可以表示為：

pm=Am,1pg+Am,2ps+Am,3

(27)

(28)

(3)第一階段效用與儲(chǔ)能公司博弈分析

在這種情況下，定義Lm,g是pg的函數(shù)：

(29)

(30)

因此，Ug(pg)=Ag,3(pg)2+Ag,4pg+Ag,5可以寫成pg的二次函數(shù)：

Ug(pg)=Ag,3(pg)2+Ag,4pg+Ag,5

(31)

其中:

(32)

由于Ug是基于式(31)的pg的凸函數(shù)，我們可以通過(guò)求解凸函數(shù)得到：

(33)

同樣，根據(jù)式(21)定義Lm,s是ps的函數(shù)，我們有：

(34)

其中:

(35)

因此，Us可以寫成ps的二次函數(shù)，由：

Us(ps)=As,3(ps)2+As,4ps+As,5

(36)

其中:

(37)

(38)

3.2 風(fēng)電功率預(yù)測(cè)算法

本小節(jié)提出了一種結(jié)合自編碼器(SAE)、反向傳播算法和遺傳算法的基于深度學(xué)習(xí)的短期風(fēng)電功率預(yù)測(cè)算法。利用統(tǒng)計(jì)關(guān)系歷史時(shí)間序列數(shù)據(jù)可以分為兩個(gè)過(guò)程：訓(xùn)練前的過(guò)程和微調(diào)過(guò)程。在預(yù)訓(xùn)練過(guò)程中，由一個(gè)可見層、一個(gè)隱層和一個(gè)輸出層組成的三層AEs構(gòu)成一個(gè)神經(jīng)網(wǎng)絡(luò)。在微調(diào)過(guò)程中，在神經(jīng)網(wǎng)絡(luò)的末端增加了一層，并應(yīng)用反向傳播算法獲得更合適的整個(gè)網(wǎng)絡(luò)的初始權(quán)值。此外，為了提高預(yù)測(cè)精度，我們采用遺傳算法優(yōu)化每個(gè)AE的學(xué)習(xí)率和每層神經(jīng)元的數(shù)量。

(1)基于遺傳算法SAE的預(yù)測(cè)模型訓(xùn)練過(guò)程

我們?cè)谡麄€(gè)網(wǎng)絡(luò)中添加一個(gè)新的隱含層h2，在圖3(b)中，將新的層和原來(lái)的層疊加到已有的AE中。由于h1和h2組合為輸入層，因此，我們可以通過(guò)刪除最后一層和增加一層來(lái)堆疊更多的自動(dòng)編碼器?？紤]到計(jì)算的復(fù)雜性，本節(jié)將三個(gè)自動(dòng)編碼器堆疊在一起。預(yù)訓(xùn)練過(guò)程如圖3(a)和圖3(b)所示，由兩個(gè)隱藏層h1和h2組成，訓(xùn)練整個(gè)網(wǎng)絡(luò)的初始權(quán)值。

在圖3(c)中，為了形成整個(gè)遺傳SAE神經(jīng)網(wǎng)絡(luò)，我們添加了一個(gè)輸出層，并初始化集合參數(shù)w4,b4在最后一個(gè)隱藏層和輸出層之間。采用反向傳播算法訓(xùn)練整個(gè)網(wǎng)絡(luò)的所有權(quán)值和偏差的過(guò)程稱為微調(diào)過(guò)程。因此，提出的方法可以訓(xùn)練具有三個(gè)隱藏層的深層網(wǎng)絡(luò)收斂到全局最小值。

圖3 遺傳算法的預(yù)先訓(xùn)練和微調(diào)過(guò)程

(2)優(yōu)化模型

(39)

表1 SAE算法的訓(xùn)練過(guò)程

4 納什均衡存在及唯一性

納什均衡的證明過(guò)程分為三個(gè)部分：證明該博弈中納什均衡的存在性；證明納什均衡的存在唯一性；證明每個(gè)階段的納什均衡構(gòu)成了Stackelberg均衡。

定理1:Stackelberg博弈中存在一個(gè)納什均衡。

證明:公用事業(yè)公司的函數(shù)在式(1)中定義，最優(yōu)變量包括pg和Lm,g。因此，公用事業(yè)公司的策略空間是歐氏空間的非空緊凸子集。此外，我們證明了目標(biāo)函數(shù)可以表示為基于式(31)的凹函數(shù)。同樣，結(jié)論也適用于儲(chǔ)能公司、微網(wǎng)和用戶的目標(biāo)函數(shù)。因此，在這個(gè)三階段Stackelberg博弈的第一和第三階段存在一個(gè)純策略納什均衡。

定理2:在Stackelberg博弈中納什均衡的存在是唯一的。

(40)

定理3: Stackelberg均衡由第一和第三階段的納什均衡構(gòu)成。

證明:第一階段博弈的納什均衡是

因此對(duì)于任何可行價(jià)格

有：

(41)

因此，第一階段和第三階段納什均衡構(gòu)成了Stackelberg博弈。

5 仿真結(jié)果

通過(guò)仿真結(jié)果驗(yàn)證了所提出的基于大數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)的博弈理論能量管理算法的有效性。發(fā)電廠、儲(chǔ)能公司、微網(wǎng)和用戶的仿真參數(shù)如表2所示。為了評(píng)估所提出的預(yù)測(cè)精度風(fēng)力預(yù)報(bào)模型，基于某省本地微型網(wǎng)格收集的風(fēng)力機(jī)的真實(shí)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)報(bào)。通過(guò)剔除不必要的信息，利用一年內(nèi)的有功功率數(shù)據(jù)樣本進(jìn)行仿真。假設(shè)ag>am、αg<αm，表示發(fā)電廠的發(fā)電成本較低，但發(fā)電廠的污染物排放成本高于基于可再生能源的微電網(wǎng)。另外，假設(shè)Xm,s>Xm,g，表示微網(wǎng)優(yōu)先使用存儲(chǔ)公司的可再生能源。假設(shè)每個(gè)用戶k∈k的基本用電需求Lk,b相同。

表2 仿真參數(shù)設(shè)置

圖4 發(fā)電廠儲(chǔ)能公司和微網(wǎng)的最優(yōu)電價(jià)與用戶Lk,b的基本用電需求對(duì)比

圖5 從發(fā)電廠儲(chǔ)能公司的最優(yōu)購(gòu)電量與用戶Lk,b的基本用電需求分析Fig.5 An analysis of the optimal power purchase of power grid energy storage companies the basic power demand of usersLk,b

圖6 發(fā)電廠Ug、儲(chǔ)能公司Us、微電網(wǎng)Um 最優(yōu)收益與用戶基本電力需求Lk,b之間的關(guān)系

圖7 微電網(wǎng)的最優(yōu)收益與風(fēng)電預(yù)測(cè)誤差為Δ>0

圖8 微電網(wǎng)的最優(yōu)收益與風(fēng)電預(yù)測(cè)誤差為Δ<0

圖9為Adam、SVM和SAE遺傳算法對(duì)風(fēng)電預(yù)測(cè)步驟三種不同算法的MAPE值?；跉v史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)過(guò)程稱為step=1。通過(guò)將預(yù)測(cè)結(jié)果添加到歷史數(shù)據(jù)中，可以以類似的方式獲得新的結(jié)果，這個(gè)過(guò)程稱為step=2，以此類推。從模擬結(jié)果中可以發(fā)現(xiàn)，MAPE隨著預(yù)測(cè)步長(zhǎng)的增加而增加。因此可以得出這樣的結(jié)論：隨著步長(zhǎng)的增加，結(jié)果變得不準(zhǔn)確。仿真結(jié)果表明，該算法能獲得最小的預(yù)測(cè)誤差與其他兩種算法比較。具體來(lái)說(shuō)，step=5時(shí)，與SVM算法相比，預(yù)測(cè)絕對(duì)誤差降低了7.3%，與Adam算法相比，預(yù)測(cè)絕對(duì)誤差降低了32.4%。

圖9 三種不同模型的MAPE隨風(fēng)力發(fā)電預(yù)測(cè)步長(zhǎng)而變化

圖10為不同算法收斂性的對(duì)比分析，從圖10中可以看出，隨著迭代次數(shù)的增加，無(wú)論是采用所提出的Stackelberg博弈還是經(jīng)典的Nash非合作博弈算法，經(jīng)過(guò)較少的迭代次數(shù)都能達(dá)到一個(gè)非常明顯的收斂。但是基于所提出的基于大數(shù)據(jù)的可再生能源管理系統(tǒng)采用Stackelberg博弈其收斂性明顯的好于Nash，同時(shí)相比于其他算法Stackelberg博弈能夠給微網(wǎng)系統(tǒng)帶來(lái)更多的收益。

圖10 不同算法收斂性對(duì)比

6 結(jié)束語(yǔ)

文中關(guān)注的是由發(fā)電廠、儲(chǔ)能公司、微電網(wǎng)和電力用戶組成的能源管理系統(tǒng)。為了有效利用可再生能源，提出利用基于大數(shù)據(jù)的發(fā)電預(yù)測(cè)技術(shù)獲取短期風(fēng)電預(yù)測(cè)結(jié)果，幫助微電網(wǎng)實(shí)施能源管理策略。在此基礎(chǔ)上，文章創(chuàng)新性地將能源管理問(wèn)題定義為一個(gè)三階段的Stackelberg博弈，將電力市場(chǎng)中的每個(gè)角色作為博弈者，在保證系統(tǒng)運(yùn)行可靠性的同時(shí)，滿足用戶用電需求，使其個(gè)人收益最大化。利用逆向歸納法求解了三階段優(yōu)化問(wèn)題，導(dǎo)出了各階段最優(yōu)價(jià)格和需求策略的封閉解析表達(dá)式。最后，通過(guò)仿真驗(yàn)證了該算法的有效性，并證明了預(yù)測(cè)誤差會(huì)降低微電網(wǎng)的最優(yōu)收益。實(shí)驗(yàn)結(jié)果表明，該遺傳算法的性能優(yōu)于其他傳統(tǒng)算法，有利于能量管理。在未來(lái)的工作中，將重點(diǎn)關(guān)注基于可再生能源和電力消費(fèi)預(yù)測(cè)的多個(gè)微電網(wǎng)之間的能源合作管理。