本发明涉及电力领域，特别是涉及一种混合驱动的微电网能量管理方法、系统及装置。
背景技术：
微电网能量管理包括优化调度、负荷管理、实时监测等功能。其中优化调度是微电网技术中一个重要研究内容。传统对于微电网有功优化调度方法的研究虽然侧重点有所不同，但总体思路大都是分为两步：工程建模和数学求解。整个建模和求解过程都是以数学理论为支撑，进行严密的逻辑推导，因而可以称之为物理模型驱动的微电网有功优化调度方法。常用的数学方法有：基于模型预测控制方法、混合整数规划、随机规划、鲁棒优化、近似动态规划等，求解方法可分为以拉格朗日松弛法、内点法为代表的传统算法和以遗传算法、粒子群算法为代表的智能算法。
强间歇性可再生能源高比例接入、高渗透率电力电子装备、多能源耦合等新模式对微电网的物理特性及运行控制产生了越来越强烈的影响。物理模型驱动的调度优化方法本质是研究各元件运行的内在机理，依靠纯数学理论进行求解，其计算量大且十分复杂，已难以满足现阶段及未来微电网优化调度的更高要求。人工智能是新一轮科技革命和产业变革的重要驱动力量，研究人工智能在电力系统的应用有助于突破传统解决方案在适度简化和理论推导等方面的局限性。机器学习是实现人工智能最热门的一种方法。机器学习方法基于微电网系统在实际运行中积累的历史运行和决策数据，构造出近似的模型来模拟逼近微电网运行工况与控制决策之间的映射关系，通过数据驱动的方式，根据微电网的运行工况直接映射出各元件的控制决策，不研究有功优化调度模型的内在机理，避免了复杂非线性、非凸优化模型求解效率低的问题，同时能够最大限度地利用微电网实际运行过程中积累的数据资源，有效计算历史决策对于未来决策的指导与借鉴意义。现阶段机器学习在系统调度运行的应用大致可分为深度强化学习和深度学习两大类方法，在数据特征提取和模型拟合方面具有巨大优势。
随着高比例强间歇性可再生能源的大规模并网，高渗透率的电力电子设备和多能源耦合等问题使得微电网优化调度的复杂度大大提升，可再生能源发电的强随机性也对微电网能量管理的不确定性分析与优化提出了更高的要求。传统的物理模型驱动的调度优化方法已难以满足现阶段及未来微电网优化调度的要求，主要表现在：
1)复杂强耦合性系统难以建模：随着多能流耦合综合能源系统的快速发展，微电网内源、网、荷、储各环节的运行规划也伴随着强耦合特性，其物理特性与运行特征的精确建模分析较为困难；
2)数据的利用和认知受限：微电网在电力生产、传输、交易、消费过程中产生了大量规划运行数据，其中蕴含着丰富的相关关系和因果关系，而传统模型驱动方法本质是研究各元件运行的内在机理，依靠纯数学理论进行求解，缺乏对历史决策数据信息的挖掘和利用；
3)计算效率和精度之间存在矛盾：微电网的能量管理问题本质上是一种非线性、多约束、多目标的复杂系统优化问题，通过简化模型来提高计算效率往往会导致精度下降。
为了克服传统模型驱动方法的不足，目前采用无模型思路的数据驱动受到了广泛关注。数据驱动的方法减少了对微电网物理模型的依赖，对研究对象的物理模型不敏感，但是在微电网能量管理中仍面临如下挑战：
1)基于数据驱动的离线学习方法，需要极大数量的标签数据(微电网运行数据与策略信息)作为支撑来训练数据驱动模型，对于基于预置模型产生的训练场景生成技术要求很高；
2)建模过程中依赖专家经验，其性能也受到先验知识库数量和质量的影响；
3)数据驱动方法存在准确率上限、过拟合、欠拟合风险。
技术实现要素：
本发明的目的是提供一种混合驱动的微电网能量管理方法、系统及装置，可提升微电网能量管理方法决策结果的准确性及高效性，并有效提高微电网优化运行管理的高效性和鲁棒性。
为实现上述目的，本发明提供了如下方案：
一种混合驱动的微电网能量管理方法，所述混合驱动的微电网能量管理方法包括：
获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括历史24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
可选地，所述样本数据包括实际样本数据及虚拟样本数据；
其中，所述获取历史运行数据和决策信息，得到样本数据，具体包括：
根据获取的历史运行数据和决策信息，形成实际样本数据；
根据所述实际样本数据通过模型驱动方法生成虚拟样本数据。
可选地，所述根据所述实际样本数据通过模型驱动方法生成虚拟样本数据，具体包括：
根据获取的历史运行数据生成概率分布特征；
根据所述概率分布特征，得到多个模拟运行数据；
基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息，所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息。
可选地，所述混合驱动的微电网能量管理方法还包括：
获取所述运行-决策映射模型的损失函数；
根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
可选地，根据以下公式确定损失函数lossnew：
lossnew＝mae ∑λihi(x) ∑μigi(x)；
其中，λi和μi为惩罚因子；hi(x)为不等式约束；gi(x)为等式约束；x为输出向量(pgi,t,pcha,t,pdis,t,pgrid,t)；mae为均方误差，
其中，(pgi,t,pcha,t,pdis,t,pgrid,t)表示输出向量实际值；
可选地，所述根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型，具体包括：
获取所述损失函数的初始梯度g0；
基于rmsprop优化算法更新所述运行-决策映射模型的权重参数；所述rmsprop优化算法的权重更新公式为：
其中，θt为在时段t待更新的运行-决策映射模型的权重参数；η为学习率；β为衰减因子；ε为平滑参数；g0为损失函数的初始梯度；vt为时段t累计平方梯度。
可选地，根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果，具体包括：
基于所述微电网能量管理物理模型，根据日前24时段的运行数据，得到第二决策信息；
基于粒子群算法，根据所述第二决策信息，对所述初始决策信息进行迭代处理，得到最终决策结果。
其中所述基于微电网能量物理模型包括目标函数和约束条件，所述目标函数为：
其中，t为调度周期；n为可控机组的数量；
所述约束条件包括系统功率平衡约束、可控机组运行约束、储能电池运行约束以及微电网与大电网间联络线的功率约束。
为实现上述目的，本发明还提供了如下方案：
一种混合驱动的微电网能量管理系统，所述混合驱动的微电网能量管理系统包括：
数据采集模块，用于获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
训练模块，用于根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
在线决策模块，用于基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
修正模块，用于根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
可选地，所述数据获取模块包括：
实际样本获取单元，用于根据获取的历史运行数据和决策信息，形成实际样本数据；
计算单元，用于根据获取的历史运行数据生成概率分布特征；
模拟单元，用于根据所述概率分布特征，得到多个模拟运行数据；
虚拟样本数据获取单元，用于基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息；所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息；所述样本数据包括实际样本数据及虚拟样本数据。
可选地，所述混合驱动的微电网能量管理系统还包括：
损失函数获取模块，与所述训练模块连接，用于获取所述运行-决策映射模型的损失函数；
迭代训练模块，分别与所述损失函数获取模块及所述训练模块连接，用于根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
为实现上述目的，本发明还提供了如下方案：
一种混合驱动的微电网能量管理装置，所述混合驱动的微电网能量管理系统包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所提供的混合驱动的微电网能量管理方法，首先获取历史运行数据和决策信息作为样本数据，并根据样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型，然后基于运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息，最后再根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果，有效提升了决策结果的准确性及高效性并提高了微电网优化运行的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明混合驱动的微电网能量管理方法的流程图；
图2为本发明混合驱动的微电网能量管理方法的框架图；
图3为本发明混合驱动的微电网能量管理系统的模块结构图；
图4为gru的基本结构单元图。
符号说明：
1-数据采集模块，2-训练模块，3-在线决策模块，4-修正模块，5-损失函数获取模块，6-迭代训练模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明的目的是提供一种混合驱动的微电网能量管理方法、系统及装置，通过结合模型驱动方法在因果关系处理中的优势和数据驱动方法计算效率的优势，基于模型驱动的方法生成足够多的运行数据和决策信息，以满足后续微电网能量管理模型对训练样本数据量和数据形式的需求；然后基于门控循环单元(gatedrecurrentunit，gru)神经网络数据驱动模型，深入挖掘模型驱动生成训练样本的信息，通过对海量历史数据的训练，得到数据-模型混合驱动的微电网能量管理的在线决策模型，然后基于运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息，再基于微电网能量管理物理模型，采用粒子群算法对所述初始决策信息进行修正，得到最终的决策结果，从而有效提升了微电网管理方法决策结果的准确性及高效性，并提高了微电网优化运行的鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明混合驱动的微电网能量管理方法包括：
s100：获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括历史24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的历史运行数据和决策信息。
s200：根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型。
s300：基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率。
s400：根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
具体地，所述样本数据包括实际样本数据及虚拟样本数据。
其中，在s100中，所述获取历史运行数据和决策信息，得到样本数据，具体包括：
s101：根据获取的历史运行数据和决策信息，形成实际样本数据。
s102：根据所述实际样本数据通过模型驱动方法生成虚拟样本数据。
具体地，在s102中，所述根据所述实际样本数据通过模型驱动方法生成虚拟样本数据，具体包括：
根据获取的历史运行数据生成概率分布特征；所述概率分布特征为概率分布曲线。
根据所述概率分布特征，得到多个模拟运行数据。
基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息，所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息。
具体地，数据驱动离线训练需要极大数量的标签数据(微电网运行数据与决策信息)，所以在开始离线训练前，首先基于模型驱动的方法生成大量虚拟样本数据，实现训练样本的增殖，可对接下来的离线学习模型起到启发作用，主要避免学习器欠拟合。
进一步地，在执行s200后，所述混合驱动的微电网能量管理方法还包括：
s210：获取所述运行-决策映射模型的损失函数。
s220：根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
具体地，根据以下公式确定损失函数lossnew：
lossnew＝mae ∑λihi(x) ∑μigi(x)；
其中，λi和μi为惩罚因子；hi(x)为不等式约束；gi(x)为等式约束；x为输出向量(pgi,t,pcha,t,pdis,t,pgrid,t)；mae为均方误差。
其中，(pgi,t,pcha,t,pdis,t,pgrid,t)表示输出向量实际值；
具体地，所述根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型，具体包括：
获取所述损失函数的梯度g0。
基于rmsprop优化算法更新gru神经网络的权重参数；所述rmsprop优化算法的权重更新公式为：
其中，θt为在时段t待更新的运行-决策映射模型的权重参数；η为学习率；β为衰减因子；ε为平滑参数；g0为损失函数的初始梯度；vt为时段t累计平方梯度。
具体地，所述根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果，具体包括：
基于所述微电网能量管理物理模型，根据日前24时段的运行数据，得到第二决策信息；
基于粒子群算法，根据所述第二决策信息，对所述初始决策信息进行迭代处理，得到最终决策结果。
其中，所述微电网能量管理物理模型包括目标函数和约束条件，所述目标函数为：
其中，t为调度周期；n为可控机组的数量；
所述约束条件包括系统功率平衡约束、可控机组运行约束、储能电池运行约束以及微电网与大电网间联络线的功率约束。
具体地，所述系统功率平衡约束为：
所述可控机组运行约束包括可控机组的出力约束、爬坡约束、最小运行时间和停运时间约束以及机组的状态指示变量约束，如下式：
uti＝min{t,(ton,i-ion,i)·noni,0}；
dti＝min{t,(toff,i-ioff,i)·(1-noni,0)}；
其中，pgi,min和pgi,max分别表示可控机组i的最小出力和最大出力；pi,rd和pi,ru分别表示可控机组i的最大下调出力和最大上调出力；nsdi,t＝1表示可控机组i在时段t停运，反之nsdi,t＝0；ton,i和toff,i分别表示可控机组i的最小运行时间和最小停运时间；ion,i和ioff,i分别表示可控机组i的初始运行时间和初始停运时间；non,i0表示可控机组i在0时刻的运行状态。
所述储能电池运行约束包括储能电池的充放电状态约束、充放电功率约束、储能电池容量约束、调度周期内储能平衡约束等等，如下式：
其中，ncha,t和ndis,t为指示储能电池充放电状态的二进制变量，ncha,t＝1表示储能电池在时段t充电，反之noni,t＝0；ndis,t＝1表示储能电池在时段t放电，反之nsui,t＝0；pcha,max和pdis,max分别表示储能变流器的最大充放电功率；pes,t表示储能电池在时段t的容量；ec表示储能电池的最大容量；socmax和socmin分别表示储能电池的最大最小荷电状态。
所述微电网与大电网间联络线的功率约束为
具体地，基于深度学习的微电网日前优化调度辅助决策方法不研究优化调度的内在机理，所输出的调度决策结果很可能不满足微电网系统功率平衡约束以及各元件的运行约束等。本发明在在线决策阶段采用数据-模型级联融合方式，先用上一步骤中机器学习驱动的优化方法得出决策结果，将其作为初值代入到基于物理模型的优化方案中，采用智能算法如粒子群算法修正初值。该融合很好地集成了基于物理模型驱动和基于数据驱动的决策方法的优势，可以大大减少智能算法逼近最优解的迭代次数，从而提升计算效率和决策结果的准确率。随着历史数据的积累，机器学习驱动的微电网优化模型得到的初值会越来越精确，模型的计算效率便随着数据的累积而上升。
为提高本发明混合驱动的微电网能量管理方法的准确度，所述混合驱动的微电网能量管理方法还包括：
将所述样本数据的65％作为训练集，后35％作为测试集，用训练集数据进行神经网络训练，得出运行-决策(输入-输出)映射模型，即样本离线训练模型，并通过在测试集上损失函数的表现选取最优映射模型。
此外，本发明提供一种混合驱动的微电网能量管理系统。如图3所示，本发明混合驱动的微电网能量管理系统包括：数据采集模块1、训练模块2、在线决策模块3以及修正模块4。
其中，所述数据采集模块1用于获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的历史运行数据和决策信息。
所述训练模块2用于根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型。
所述在线决策模块3用于基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率。
所述修正模块4用于根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
具体地，所述数据获取模块1包括：实际样本获取单元，计算单元，模拟单元以及虚拟样本数据获取单元。
其中，所述实际样本获取单元用于根据获取的历史运行数据和决策信息，形成实际样本数据。
所述计算单元用于根据获取的历史运行数据生成概率分布特征。
所述模拟单元用于根据所述概率分布特征，得到多个模拟运行数据。
所述虚拟样本数据获取单元用于基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息；所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息；所述样本数据包括实际样本数据及虚拟样本数据。
进一步地，本发明所述混合驱动的微电网能量管理系统还包括：损失函数获取模块5以及迭代训练模块6。
其中，所述损失函数获取模块5与所述训练模块连接，用于获取所述运行-决策映射模型的损失函数。
所述迭代训练模块6分别与所述损失函数获取模块5及所述训练模块2连接，所述迭代训练模块6用于根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
本发明还提供一种混合驱动的微电网能量管理装置，所述混合驱动的微电网能量管理系统包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
进一步地，本发明混合驱动的微电网能量管理方法、系统及装置使用的gru神经网络的基本结构单元为：
门控循环单元gru是循环神经网络rnn的一种，可以被视为长短时记忆网络lstm的变体。它通过捕捉时间序列中时间步距离较大的依赖关系，从而解决rnn长期记忆和反向传播中的梯度衰减问题。gru将lstm中的输入门和遗忘门合二为一成更新门，与重置门共同作用来控制信息的流动。其基本结构单元如图4所示。
gru基本结构单元的前向传播过程如式所示：
zt＝σ(wz[ht-1,xt])；
rt＝σ(wt[ht-1,xt])；
y＝σ(woht)；
其中，xt为gru的输入向量；ht为gru的隐藏状态向量；ht候选状态向量；σ和tanh为激活函数，一般σ使用sigmoid函数；wz和wt分别为更新门和重置门的参数向量；wo为输出的参数向量；
gru通过各种门函数将重要的特征信息保留下来，保证了在长距离传输的时候不会丢失历史信息，gru在效果相当的情况下，相比于lstm少了一个门，参数数量的减少使得训练时间减少和收敛速度大大提升。
与现有技术相比，本发明的有益效果是：本发明的混合驱动的微电网能量管理方法提出了基于模型-数据级联融合方式的样本数据生成方法，为神经网络训练阶段极大数量标签数据的需求提供了支撑；同时提出了基于rmsprop优化算法的gru神经网络训练对海量历史数据进行训练，基于数据-模型级联融合方式的在线决策方法，将机器学习驱动的优化方法得出的初始决策信息作为初值代入到基于物理模型的优化方案中进行在线决策，提升了决策结果的准确性及高效性。
本发明采用混合驱动方法先用学习驱动的优化方法得出决策结果，将其作为初值代入到基于物理模型的优化方案中，采用智能算法如粒子群算法修正初值，这种思路很好地融合了基于物理模型驱动和基于数据驱动的决策方法的优势，可以大大减少智能算法逼近最优解的迭代次数，从而提升计算效率，随着历史数据的积累，学习驱动的微电网优化模型得到的初值会越来越精确，模型的计算效率便随着数据的累积而上升。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
1.一种混合驱动的微电网能量管理方法，其特征在于，所述混合驱动的微电网能量管理方法包括：
获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括历史24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
2.根据权利要求1所述的混合驱动的微电网能量管理方法，其特征在于，所述样本数据包括实际样本数据及虚拟样本数据；
其中，所述获取历史运行数据和决策信息，得到样本数据，具体包括：
根据获取的历史运行数据和决策信息，形成实际样本数据；
根据所述实际样本数据通过模型驱动方法生成虚拟样本数据。
3.根据权利要求2所述的混合驱动的微电网能量管理方法，其特征在于，所述根据所述实际样本数据通过模型驱动方法生成虚拟样本数据，具体包括：
根据获取的历史运行数据生成概率分布特征；
根据所述概率分布特征，得到多个模拟运行数据；
基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息，所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息。
4.根据权利要求1所述的混合驱动的微电网能量管理方法，其特征在于，所述混合驱动的微电网能量管理方法还包括：
获取所述运行-决策映射模型的损失函数；
根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
5.根据权利要求4所述的混合驱动的微电网能量管理方法，其特征在于，根据以下公式确定损失函数lossnew：
lossnew＝mae ∑λihi(x) ∑μigi(x)；
其中，λi和μi为惩罚因子；hi(x)为不等式约束；gi(x)为等式约束；x为输出向量(pgi,t,pcha,t,pdis,t,pgrid,t)；mae为均方误差，
其中，(pgi,t,pcha,t,pdis,t,pgrid,t)表示输出向量实际值；
6.根据权利要求1所述的混合驱动的微电网能量管理方法，其特征在于，所述根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果，具体包括：
基于所述微电网能量管理物理模型，根据日前24时段的运行数据，得到第二决策信息；
基于粒子群算法，根据所述第二决策信息，对所述初始决策信息进行迭代处理，得到最终决策结果。
其中，所述微电网能量管理物理模型包括目标函数和约束条件，所述目标函数为：
其中，t为调度周期；n为可控机组的数量；
所述约束条件包括系统功率平衡约束、可控机组运行约束、储能电池运行约束以及微电网与大电网间联络线的功率约束。
7.一种混合驱动的微电网能量管理系统，其特征在于，所述混合驱动的微电网能量管理系统包括：
数据采集模块，用于获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
训练模块，用于根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
在线决策模块，用于基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
修正模块，用于根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
8.根据权利要求7所述的混合驱动的微电网能量管理系统，其特征在于，所述数据获取模块包括：
实际样本获取单元，用于根据获取的历史运行数据和决策信息，形成实际样本数据；
计算单元，用于根据获取的历史运行数据生成概率分布特征；
模拟单元，用于根据所述概率分布特征，得到多个模拟运行数据；
虚拟样本数据获取单元，用于基于所述微电网能量管理物理模型，根据模拟出的运行数据，得到对应的虚拟决策信息；所述虚拟样本数据包括多对模拟运行数据及虚拟决策信息；所述样本数据包括实际样本数据及虚拟样本数据。
9.根据权利要求7所述的混合驱动的微电网能量管理系统，其特征在于，所述混合驱动的微电网能量管理系统还包括：
损失函数获取模块，与所述训练模块连接，用于获取所述运行-决策映射模型的损失函数；
迭代训练模块，分别与所述损失函数获取模块及所述训练模块连接，用于根据所述损失函数对所述运行-决策映射模型进行迭代训练，直至得到使得所述损失函数的函数值最小时对应的运行-决策映射模型。
10.一种混合驱动的微电网能量管理装置，其特征在于，所述混合驱动的微电网能量管理系统包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取历史运行数据和决策信息，得到样本数据；所述历史运行数据包括24时段的系统净负荷、风机出力以及光伏出力；所述决策信息包括可控机组出力、储能充放电功率及微电网与大电网联络线的交换功率；所述样本数据为多对的运行数据和决策信息；
根据所述样本数据对门控循环单元gru神经网络进行训练，得到运行-决策映射模型；
基于所述运行-决策映射模型，根据日前24时段的运行数据，得到初始决策信息；所述初始决策信息包括每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率；
根据微电网能量管理物理模型及日前24时段的运行数据，采用粒子群算法对所述初始决策信息进行迭代处理，得到最终决策结果。
技术总结