具体实施方式

为使本发明实施例的目的、技术方案和优点更清楚，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介绍。

如题1所示，现有的微电网系统包括光伏发电站、微网储能单元、原有负荷和备用负荷，其中备用负荷包括备用负荷1、…、备用负荷m。当光伏发电站的发电量大于电力系统最大传输电量和负荷（包括原有负荷和微网储能单元）消纳电量的总和时，需要通过投入备用负荷来消纳多余电量。各备用负荷的消纳能力不同，不同的投入组合方式对应的消纳能力不同，如何通过投入备用负荷以实现对多余电量的较大程度消纳，是提高光伏发电量利用率所亟待解决的问题。

为了解决上述问题，如图2所示，本实施例的提高智能电网区域综合利用效率的方法包括以下步骤：

（1）获取各备用负荷距离光伏发电站的距离以及各备用负荷的耗电量信息，根据所述距离和耗电量信息计算各备用负荷对应的消纳能力；

各备用负荷的消纳能力与其距离光伏发电站的距离以及其耗电量有关，备用负荷的消纳能力与备用负荷距离光伏发电站的距离和耗电量均成正相关关系：备用负荷距离光伏伏发电站的距离反映的是光伏电站向备用负荷供电时电能损耗的多少，备用负荷距离光伏发电站的距离越远，光伏电站向备用负荷供电时电能损耗越多；本实施例中备用负荷的耗电量随时间的波动较小，备用负荷的耗电量可通过备用负荷在设定时间长度（比如24h）下的耗电量均值表示，其反应的是备用负荷自身的功率大小，备用负荷的耗电量越大，备用电源对电能的消纳能力越强。本实施例基于数学建模的方式通过拟合得到各备用负荷的消纳能力、距离光伏发电站的距离和耗电量之间的关系如下：

其中，为备用负荷单位时间内的消纳能力，l为备用负荷距离光伏发电站的距离，为备用负荷单位时间内的耗电量，k和b为基于最小二乘法拟合得到的参数。

（2）根据各备用负荷对应的消纳能力对各备用负荷进行聚类，得到各聚类集合对应的备用负荷；

在得到了各备用负荷的消纳能力之后，本实施例基于K-means聚类算法对备用负荷进行聚类，以将消纳能力较为相近的备用负荷划分为一类。聚类集合的个数与备用负荷的总个数以及备用负荷之间消纳能力的差异大小有关，聚类集合的个数越多，对备用负荷划分的越精细，每一聚类集合内备用负荷的消纳能力的差异越小。

本实施例以聚类集合的个数为5、备用负荷的总个数为20为例进行说明，基于各备用负荷消纳能力的不同，基于K-means聚类算法将这20个备用负荷划分为5类，然后根据每一类聚类中心对应的备用负荷的消纳能力从小至大进行排序，并根据排序赋予1-5的集合标识，统计每一集合中备用负荷的个数，将对应的集合标识分配给对应的集合内的备用负荷，将每一个备用负荷视为一个节点。

（3）将各聚类集合对应的聚类中心的消纳能力、各聚类集合包括的备用负荷的个数和光伏电站需要消纳的多余电量输入到构建好的消纳能力预测网络进行推理，提取推理完成后消纳能力预测网络对应的特征张量；

光伏电站需要消纳的多余电量指需要备用负荷消纳的总电量，其值等于光伏发电站的发电量减去电力系统最大传输电量和负荷（包括原有负荷和微网储能单元）消纳电量的总和。本实施例为了得到光伏电站需要消纳的多余电量与备用负荷投入的对应关系，构建了消纳能力预测网络，以通过消纳能力预测网络得到光伏电站需要消纳的多余电量与备用负荷投入的对应关系，也即如何投入负荷才能较大程度消纳光伏电站需要消纳的多余电量。

消纳能力预测网络的输入为各聚类集合对应的聚类中心的消纳能力、各聚类集合包括的备用负荷的个数和光伏电站需要消纳的多余电量；消纳能力预测网络的输出为：与所述光伏电站需要消纳的多余电量对应的消纳能力预测值；消纳能力预测网络的架构如下：

构建TCN网络，网络的输入为1*(K+1)尺寸，本实施例中K=5，输入中前K个元素中每个元素包括对应聚类集合的节点数量和聚类中心的消纳能力，第K+1个元素为光伏电站需要消纳的多余电量。本实施例中网络的输入为1*(5+1)尺寸，设置滑窗尺寸为L，设置空洞卷积的空洞率为ri，对网络输入进行空洞卷积后输出特征张量，尺寸为1*5尺寸，尺寸的维持通过Padding操作实现，再将特征张量输入全连接层，输出为组合消纳能力；

上述网络具体训练过程为：一个区域的光伏电站对应一组上述输入，采用多个区域的光伏电站对应的输入作为训练数据集，网络的损失函数设计为

其中，L _r 为消纳能力预测值与需要消纳的多余电量的回归损失，L _c1 为特征张量损失，L _c2 为全连接层参数损失，为消纳能力预测值，E _t 为需要消纳的多余电量，为L2范式，p _k 为特征张量中第k个元素的值，Q为大于设定阈值的常数，K为特征张量中元素的总个数，w _k1 为第k1个神经元的权重，K1为神经元的总个数，Q1为大于设定阈值的常数；需要说明的是：特征张量中的每一个元素对应一个全连接层的神经元，因此特征张量中元素的总个数等于神经元的总个数，也即K= K1。

特征张量损失L _c1 的目的是约束特征张量元素不大于1，其中函数的目的是确保其在小于1的情况下损失较小，大于1的情况下损失极大，并且是连续可导的，便于进行梯度的反向传播，实际应用中也可选择其他满足上述要求的函数作为该项损失；特征张量损失L _c1 中函数的目的是约束特征张量元素不小于0，否则该项损失极大，为了实现约束效果，设置Q大于设定阈值，以使Q为非常大的常数。为了实现对全连接层参数w _k1 的约束效果，设置全连接层参数损失L _c2 中Q1大于设定阈值，以使Q1为非常大的常数，比如Q1为1*10 ⁶ 。

当滑窗尺寸L和空洞卷积的空洞率ri确定时，通过上述训练过程可以得到一个对应的训练好的消纳能力预测网络；为了得到一个最优的消纳能力预测网络，本实施例中将滑窗尺寸L和空洞卷积的空洞率ri作为超参数，对上述网络进行超参数遍历寻优，默认网络可收敛，即L _c1 、L _c2 项可满足，由于该两项提供较大的损失，在满足该两项的情况下，针对L _r 进行最优超参数的选取，选择L _r 最小时对应的超参数作为最优超参数。将最优的滑窗尺寸L和空洞卷积的空洞率ri对应的训练好的消纳能力预测网络作为推理网络。

得到了训练好的消纳能力预测网络（即上述推理网络）之后，将各聚类集合对应的聚类中心的消纳能力、各聚类集合包括的备用负荷的个数和光伏电站需要消纳的多余电量输入到构建好的消纳能力预测网络进行推理，即可提取推理完成后消纳能力预测网络对应的特征张量。

（4）根据所述特征张量和各聚类集合包括的备用负荷的个数，计算与光伏电站需要消纳的多余电量对应的组合条件，所述组合条件包括各聚类集合需要投入的备用负荷的个数；

基于上述训练方法得到的消纳能力预测网络，其特征张量为由各聚类集合需要投入的备用负荷的比例构成的序列，基于提取的特征张量，可以得到各聚类集合需要投入的备用负荷的比例，将与对应聚类集合包括的备用负荷的个数相乘即可得到各聚类集合需要投入的备用负荷的个数，这些各聚类集合需要投入的备用负荷的个数就构成了与光伏电站需要消纳的多余电量对应的组合条件。

比如，当最优的滑窗尺寸L=4，空洞卷积的空洞率ri=2时，提取到的特征张量为：[b1、b2、0、b4、b5]，标号为1-5的聚类集合对应的备用负荷节点的数量分别为：S1、S2、S3、S4、S5，那么需要投入的标号1的聚类集合中备用负荷的数量为b1*S1，需要投入的标号2的聚类集合中备用负荷的数量为b2*S2，需要投入的标号3的聚类集合中备用负荷的数量为0，需要投入的标号4的聚类集合中备用负荷的数量为b4*S4，需要投入的标号5的聚类集合中备用负荷的数量为b5*S5。若得到的需要投入的某聚类集合的备用负荷的数量不是整数，为了避免由于备用负荷过多对光伏发电量的过多消纳，本实施例采用向下取整的方式来得到上述聚类集合中需要投入的备用负荷的数量。

（5）计算满足所述组合条件下的各组合方式对应的距离总值，将对应距离总值最小的组合方式作为目标组合方式。

满足组合条件的组合方式并不唯一，会有很多种组合方式，由于备用负荷距离光伏发电站的距离越大，电能传输过程中的不可控因素越多，比如，输电线局部故障，为了得到较为可靠的组合方式，本实施例将各组合方式中各备用负荷距离光伏发电站的距离进行叠加，得到各组合方式对应的距离总值，将对应距离总值最小的组合方式作为目标组合方式，也即优选的组合方式。

本实施例计算了各备用负荷对应的消纳能力，并根据各备用负荷对应的消纳能力对备用负荷进行了聚类，通过将各聚类集合对应的聚类中心的消纳能力、各聚类集合包括的备用负荷的个数和光伏电站需要消纳的多余电量输入到构建好的消纳能力预测网络，可以得到与光伏电站需要消纳的多余电量对应的各组合方式，将各组合方式对应的距离总值作为进一步筛选最优组合方式的参考指标，可以实现备用负荷对光伏电站需要消纳的多余电量的较大程度消纳，解决了现有控制方法对光伏发电量利用率较低的问题。

需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。