CN106886603A - 一种需求响应资源组合优化的分层分布式体系架构和方法 - Google Patents
一种需求响应资源组合优化的分层分布式体系架构和方法 Download PDFInfo
- Publication number
- CN106886603A CN106886603A CN201710123249.5A CN201710123249A CN106886603A CN 106886603 A CN106886603 A CN 106886603A CN 201710123249 A CN201710123249 A CN 201710123249A CN 106886603 A CN106886603 A CN 106886603A
- Authority
- CN
- China
- Prior art keywords
- load
- demand response
- time
- response resource
- scheduling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 210
- 230000009194 climbing Effects 0.000 claims description 59
- 230000009467 reduction Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000001174 ascending effect Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000002601 radiography Methods 0.000 claims description 6
- 230000006735 deficit Effects 0.000 claims description 5
- 238000012887 quadratic function Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000001447 compensatory effect Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种需求响应资源组合优化的分层分布式体系架构和方法,该体系架构包括负荷聚合商,负荷代理和需求响应资源;其中,负荷代理是一组需求响应资源的等值,其获取需求响应资源的相关信息,并将负荷聚合商下达的控制信息传递给需求响应资源;各负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他负荷代理的信息。该方法简化了计算的复杂性;便于负荷聚合商的管理,也为大量的中小型需求响应资源参与系统调度提供了可能;利用一致性算法和Dantzig‑Wolfe分解理论对负荷调整量分配问题进行分布式计算,相比集中式优化提高了计算的速度,而且可以适应需求响应资源不确定性的特性。
Description
技术领域
本发明涉及电力需求响应资源的组合优化技术,具体涉及一种需求响应资源组合优化的分层分布式的体系架构和方法。
背景技术
随着电力市场化改革和需求侧放开,大量的用户可以参与到电力系统的优化运行中,这些用户被称为需求响应资源,需求响应资源数量众多、分布广泛、特性多样,集中式的直接调度难度很大。需求响应资源与传统的发电资源相比,又具有较大的不确定性,表现为自主接入或退出,同时响应能力也随着用户的实际运行状态的不同而不同。传统的集中式计算往往不能考虑需求响应资源的这些特点,而且全局计算复杂性很大。所以本发明在此背景下提出了一种需求响应资源分层聚合、分布式计算的体系架构和方法。
发明内容
发明目的:为解决现有技术的不足,提出一种需求响应资源组合优化问题中将需求响应资源分层聚合形成负荷代理,然后利用一致性算法和Dantzig-Wolfe分解理论分布式计算负荷调整量分配的体系架构和方法。
技术方案:本发明的一种需求响应资源组合优化的分层分布式体系架构,包括负荷聚合商,负荷代理和需求响应资源;其中,负荷代理是一组需求响应资源的等值,其获取需求响应资源的相关信息,并将负荷聚合商下达的控制信息传递给需求响应资源;各负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他负荷代理的信息。
优选的,每组中的需求响应资源的补偿价格要保持多样性。
一种基于权利要求1所述架构的分层分布式方法,包括以下步骤:
(1)对需求相应资源进行分层聚合,形成一种分层分布式的体系架构,该体系架构的最上层为负荷聚合商,中间层为负荷代理,最下层为需求响应资源,所述负荷聚合商通过负荷代理管理需求响应资源;
(2)负荷代理负荷调整量分配的分布式计算。
进一步的,所述步骤(1)包括以下步骤:
(11)将需求响应资源进行分组,形成等值需求响应资源
首先需要将数量众多的需求响应资源进行分组,形成等值需求响应资源;所有的负荷代理管理负荷聚合商的所有需求响应资源;获得内部需求响应资源的相关信息,并将负荷聚合商的控制指令下达到需求响应资源;各负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他负荷代理的信息;
(12)对负荷代理建模
需求响应资源分组后得到负荷代理,需求响应资源的综合外特性包括出力特性和时间相关特性,负荷代理的综合外特性与所述需求响应资源的综合外特性相似;
更进一步的,所述步骤(12)中的负荷代理模型为:
(Ⅰ)出力范围
负荷代理的等值出力可以描述为在调度时段上具有持续出力的能力;不同的调度时段对应的负荷代理最大等值出力不同,需求响应资源的分组不同对应的负荷代理最大等值出力也不同;负荷代理的最大等值出力由如下需求响应资源的评估模型求得:
(i)目标函数
以调度时段内最大化各时段的负荷调整量和各时段负荷调整量偏差最小为目标;
式中,T为调度时段数,t为调度时段;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;w1、w2为权重系数,均为非负数,且w1+w2=1;
(ii)约束条件
(a)功率调整范围约束
式中,Pjmin、Pjmax分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值;
(b)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;
(c)最小削减时间约束
式中,TDjmin为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用;
(d)最大削减时间约束
式中,T为调度时段数;Tjmax为需求响应资源j的最大削减时间的时段数;
(e)最小削减间隔时间约束
式中,TUjmin为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间;
(f)最大削减次数约束
式中,Njmax为需求响应资源j的最大削减次数,T为调度时段数;
以优化获得的各时段的负荷调整量的最小值△Pimax作为负荷代理i的负荷调整量的最大负荷调整量;其中,
由于负荷代理的需求响应资源可以不进行需求响应,所以负荷代理的最小负荷调整量为0;
(Ⅱ)爬坡约束
通过上述评估最大出力的模型确定了负荷代理内部需求响应资源各时段的参与状态对应的每一时段爬坡能力的最小值,然后根据具体的场景乘以一个经验系数得到负荷代理的爬坡参数;负荷代理的爬坡约束可以表示为:
式中,i为负荷代理,j为需求响应资源,为需求响应资源j调用时段t的调用状态;为负荷代理i调度时段t的负荷调整量,为负荷代理i调度时段t-1的负荷调整量;Ni为负荷代理i中需求响应资源的数目;DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;DRi、URi分别为负荷代理i的等值爬坡参数,对应负荷调整量的最小值下降率、上升率;ki为某一场景下的经验系数,由负荷聚合商长期运行经验得到,通常取值为0~1;
(Ⅲ)时间相关约束
由于负荷代理内部有很多需求响应资源,等值后可以看成能够在调度时段内均能参与调度,即负荷代理参与调度需求的全时段,因此,负荷代理的时间相关特性被松弛掉;
(Ⅳ)负荷代理的成本特性
得到负荷代理的最大负荷调整量△Pimax后,将0~△Pimax等分为K段,得到K+1个负荷调整量的分点0、△Pimax/K、2△Pimax/K、...、(K-1)△Pimax/K、△Pimax;每个负荷调整量对应的成本特性用如下模型求解:
(i)目标函数
以负荷代理i达到某一负荷调整量k△Pimax/K(k=0,1,2,…,K)的成本最小化为目标,将这个最小化的成本和该负荷调整量k△Pimax/K作为第k组成本的输入输出数据;
式中,T为调度时段数;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;Cj为合同中规定的需求响应资源j的单位补偿价格;γ为权重系数;
(ii)约束条件
(a)功率平衡约束
△Pimax为负荷代理的最大负荷调整量;
(b)功率调整范围约束
式中,Pjmin、Pjmax分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值;
(c)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;
(d)最小削减时间约束
式中,TDjmin为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用;
(e)最大削减时间约束
式中,T为调度时段数;Tjmax为需求响应资源j的最大削减时间的时段数;
(f)最小削减间隔时间约束
式中,TUjmin为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间;
(g)最大削减次数约束
式中,Njmax为需求响应资源j的最大削减次数,T为调度时段数;
将负荷代理的成本特性用关于负荷调整量的二次函数表示如下:
式中,为负荷代理i调度时段t的负荷调整量,aagenti、bagenti、cagenti分别为负荷代理i待定的成本特性系数;上述负荷代理i待定的成本特性系数可以利用最小二乘法获得;通过对负荷代理i内部需求响应资源组合优化获得的K组成本输入输出数据( )进行计算;令:
欲使得J取得最小值,对aagenti、bagenti、cagenti分别求偏导数并令其等于0得:
化简为:
解上述方程就可以求得aagenti、bagenti、cagenti的值,因而可以得到负荷代理i的成本特性。
进一步的,所述步骤(2)包括以下步骤:
(21)构建负荷代理负荷调整量分配的集中优化模型
(ⅰ)目标函数
日前,某负荷聚合商获得调度时段t的功率缺额为(t=1,2,...,T),该负荷聚合商包含n个负荷代理,负荷代理i调度时段t的功率(即负荷调整量)为(i=1,2,...,n),目标函数为最小化各负荷代理的调用成本;
式中,为负荷代理i的成本特性函数;
(ⅱ)约束条件
(a)功率平衡约束
(b)功率调整范围约束
式中,△Pimin、△Pimax分别为负荷代理i的负荷调整量的最小值、最大值;
(c)爬坡约束
式中,DRi、URi分别为负荷代理i的等值爬坡参数;
(22)负荷代理负荷调整量分配问题的算法
根据DWD理论,将爬坡约束松弛,可得T个并行的子问题:
minL(△Pt,λ)+αHt△Pt
式中,t=1,2,…,T;λ为功率平衡约束的拉格朗日乘子;α为矩阵形式的爬坡约束Ht△Pt对应的拉格朗日乘子的行向量,从问题的决策变量为各负荷代理时段t的负荷调整量的列向量△Pt;
上述从问题中T个时段的从问题决策变量△Pt对应的解集为Ωt,解集Ωt中确定的负荷代理负荷调整量可表示为其中,为解集Ωt中的第m个元素,为对应的权重,且满足结合从问题的解,可将主问题表示如下:
式中,主问题的决策变量为为爬坡约束的矩阵形式,Ht为负荷代理爬坡约束的系数矩阵;R为各负荷代理爬坡约束的上升和下降速率组成的列向量;
上述列写了包含主从问题的优化模型,主从问题需要协调制约才能通过交替迭代达到最终的整体优化;
上述算法的主问题是线性规划,从问题中的子问题是二次规划,使用一致性算法求解;主-从一致性算法如下:
式中,dij为负荷代理之间通信网络对应的行随机矩阵D的元素;PD为负荷聚合商某时段的功率缺额;为负荷代理i不满足爬坡约束对应时段的松弛系数,Tp为负荷代理i不满足爬坡约束对应时段所属的集合;
多时段基于Dantzig-Wolfe分解理论的主从问题计算,具体流程如下:
(a)初始化,从问题中α初始值置零;
(b)求解从问题的各个子问题,将各个时段对应子问题的解作为解集Ωt内的新增元素;
(c)求解主问题,若有可行解转(d);若无可行解,利用次梯度法修正α,转(b);
(d)根据主问题求得β,利用这个权重β得到一组改进的解并且根据这组改进的解利用次梯度法得到更新的α,然后更新从问题中各子问题的目标函数,并对其分别进行求解,并判断是否满足收敛条件,若满足,计算结束,输出这组解;若不满足,转(e);
(e)根据从问题的解,将不满足收敛条件的解作为解集Ωt中的新增元素,对主问题进行求解,转(d);
所述主问题有了可行解后,主从问题自动交替进行,直到最后得到收敛的解;若主问题没有得到可行,需要修正α使得主问题得到可行解。
有益效果:与现有技术相比,本发明的优点为:针对目前需求响应资源组合优化的集中式优化计算复杂的问题,提出了一种分层分布式的体系架构和分布式计算方法,简化了计算的复杂性;将需求响应资源进行分组,然后等值为负荷代理,便于负荷聚合商的管理,也为大量的中小型需求响应资源参与系统调度提供了可能;利用一致性算法和Dantzig-Wolfe分解理论对负荷调整量分配问题进行分布式计算,相比集中式优化提高了计算的速度,而且可以适应需求响应资源不确定性的特性。
附图说明
图1是需求响应资源组合优化的分层分布式体系架构示意图;
图2是单时段一致性算法计算的流程框图;
图3是多时段基于Dantzig-Wolfe分解理论的主从问题计算流程框图。
具体实施方式
下面结合附图对本发明作详细的描述。
需求响应资源的数量大,分布广泛,类型、特性和控制手段也十分多样化,如果直接控制每一个需求响应资源,那么负荷聚合商通讯、优化、控制的工作量巨大,无法较好地开展需求响应资源组合优化的工作。根据负荷聚合商对需求响应资源组合优化问题的特点,可以采用一种分层分布式体系架构来简化负荷聚合商的控制工作量,分层分布式体系架构的示意图如图1所示。
一种需求响应资源组合优化的分层分布式体系架构,包括最上层的负荷聚合商,中间层的负荷代理和最下层的需求响应资源;负荷代理是一组需求响应资源的等值,是负荷聚合商和需求响应资源的中间层;通过获得内部需求响应资源的相关信息对外呈现具有和需求响应资源相似的特性,对内可以通过下达控制指令来控制需求响应资源;各个负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他代理的信息来协调各个代理之间的响应;负荷聚合商相当于利用负荷代理分布式地管理需求响应资源。
其中,每一组中的需求响应资源的补偿价格要保持多样,拟合得到的负荷代理成本特性会比较准确;如果分组内需求响应资源的补偿价格种类比较单一,那么拟合得到的负荷代理的成本特性有一定的误差,最终会影响负荷聚合商的总调度成本。
一种基于上述分层分布式体系架构的分布式方法,包括以下步骤:
1、对需求相应资源进行分层聚合
1.1将需求响应资源进行分组,形成等值需求响应资源,即负荷代理
由于负荷聚合商管理的需求响应资源数量多、种类多、分布广、直接控制难度很大,首先需要将数量众多的需求响应资源进行分组,形成等值需求响应资源,这里叫做负荷代理。所有的负荷代理管理了负荷聚合商的所有需求响应资源。负荷代理是一组需求响应资源的等值,通过获得内部需求响应资源的相关信息对外呈现具有和需求响应资源相似的特性,对内可以通过下达控制指令来控制需求响应资源。为了后续分布式计算,需要得到负荷代理二次函数的成本特性,对需求响应资源分组时,需要每一组中的需求响应资源的补偿价格要保持多样,拟合得到的负荷代理成本特性会比较准确。如果分组内需求响应资源的补偿价格种类比较单一,那么拟合得到的负荷代理的成本特性有一定的误差,最终会影响负荷聚合商的总调度成本。
1.2对负荷代理建模
需求响应资源分组后得到负荷代理,需求响应资源的综合外特性包括出力特性和时间相关特性,因此,负荷代理也应该具有相似的综合外特性。
(1)出力范围
负荷代理的等值出力可以描述为在调度时段上具有持续出力的能力。不同的调度时段对应的负荷代理最大等值出力不同,需求响应资源的分组不同对应的负荷代理最大等值出力也不同。负荷代理的最大等值出力由如下需求响应资源的评估模型求得。以调度时段内最大化各时段的负荷调整量和各时段负荷调整量偏差最小为目标,所述目标函数为:
式中,T为调度时段数,t为调度时段;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;w1、w2为权重系数,均为非负数,且w1+w2=1。
所述约束条件包括需求响应资源功率调整范围约束、爬坡约束、最大和最小削减时间约束、最小削减间隔时间约束和最大削减次数约束;具体为
(a)功率调整范围约束
式中,Pjmin、Pjmax分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用。
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值。
(b)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率。
(c)最小削减时间约束
式中,TDjmin为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用。
(d)最大削减时间约束
式中,Tjmax为需求响应资源j的最大削减时间的时段数;T为调度时段数。
(e)最小削减间隔时间约束
式中,TUjmin为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间。
(f)最大削减次数约束
式中,Njmax为需求响应资源j的最大削减次数,T为调度时段数。
以优化获得的各时段的负荷调整量的最小值△Pimax作为负荷代理i的负荷调整量的最大负荷调整量。其中,
由于负荷代理的需求响应资源可以不进行需求响应,所以负荷代理的最小负荷调整量为0。
上述模型为混合整数规划模型,本发明可通过Matlab软件调用CPLEX对上述模型进行求解。
(2)爬坡约束
负荷代理的爬坡约束是内部需求响应资源在某一调度时段对外的调节性能,准确地讲,负荷代理的爬坡约束是负荷代理在某一负荷调整量下得到内部需求响应资源组合状态对应的每一时段爬坡能力的最小值。但是,负荷聚合商在做负荷代理的负荷调整量分配问题时并不知道其内部资源的组合状态,所以,为了计及负荷代理的调节能力,需要根据具体的场景进行爬坡参数的获取。本发明中采用较为保守的方式,通过上述评估最大出力的模型确定了负荷代理内部需求响应资源各时段的参与状态对应的每一时段爬坡能力的最小值,然后根据具体的场景乘以一个经验系数得到负荷代理的爬坡参数。负荷代理的爬坡约束可以表示为:
式中,i为负荷代理,j为需求响应资源,为需求响应资源j调用时段t的调用状态;为负荷代理i调度时段t的负荷调整量,为负荷代理i调度时段t-1的负荷调整量;Ni为负荷代理i中需求响应资源的数目;DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;DRi、URi分别为负荷代理i的等值爬坡参数,对应负荷调整量的最小值下降率、上升率;ki为某一场景下的经验系数,由负荷聚合商长期运行经验得到,通常取值为0~1。
(3)时间相关约束
由于负荷代理内部有很多需求响应资源,等值后可以看成能够在调度时段内均能参与调度,即负荷代理参与调度需求的全时段,因此,负荷代理的时间相关特性被松弛掉。
(4)负荷代理的成本特性
得到负荷代理的最大负荷调整量(最大等值出力)△Pimax后,将0~△Pimax等分为K段,得到K+1个负荷调整量的分点0、△Pimax/K、2△Pimax/K、...、(K-1)△Pimax/K、△Pimax。每个负荷调整量对应的成本特性用如下模型求解。
以负荷代理i达到某一负荷调整量k△Pimax/K(k=0,1,2,…,K)的成本最小化为目标,将这个最小化的成本和该负荷调整量k△Pimax/K作为第k组成本的输入输出数据。所述目标函数为:
式中,T为调度时段数;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;Cj为合同中规定的需求响应资源j的单位补偿价格;γ为权重系数。
(Ⅱ)所述约束条件包括功率平衡约束、需求响应资源功率调整范围约束、爬坡约束、最大和最小削减时间约束、最小削减间隔时间约束和最大削减次数约束;具体为:
(a)功率平衡约束
△Pimax为负荷代理的最大负荷调整量,即负荷代理的最大等值出力;
(b)功率调整范围约束
式中,Pjmin、Pjmax分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用。
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值。
(c)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率。
(d)最小削减时间约束
式中,TDjmin为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用。
(e)最大削减时间约束
式中,Tjmax为需求响应资源j的最大削减时间的时段数;T为调度时段数。
(f)最小削减间隔时间约束
式中,TUjmin为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间。
(g)最大削减次数约束
式中,Njmax为需求响应资源j的最大削减次数,T为调度时段数。
上述模型为混合整数规划模型,本发明可通过Matlab软件调用CPLEX对上述模型进行求解。
将负荷代理的成本特性用关于负荷调整量的二次函数表示如下
式中,为负荷代理i调度时段t的负荷调整量。aagenti、bagenti、cagenti分别为负荷代理i待定的成本特性系数。
上述负荷代理i待定的成本特性系数可以利用最小二乘法获得,下面给出求解过程。通过对负荷代理i内部需求响应资源组合优化获得的K组成本输入输出数据( )进行计算。令:
欲使得J取得最小值,对aagenti、bagenti、cagenti分别求偏导数并令其等于0得
化简为:
解上述方程就可以求得aagenti、bagenti、cagenti的值,因而可以得到负荷代理i的成本特性。
2、负荷代理负荷调整量分配的分布式计算
通过对需求响应资源的分层聚合,大大缩小了需求响应资源的规模,并且简化了需求响应资源复杂的外特性,负荷聚合商相当于利用负荷代理分布式地管理需求响应资源。负荷代理作为负荷聚合商和需求响应资源的中间层,大大简化了负荷聚合商优化决策的难度。负荷聚合商优化决策时利用多代理技术,将每个负荷代理建模为智能体,负荷聚合商建模为多智能体系统,负荷代理以负荷聚合商的某一优化目标管理负荷群的内部响应,并发出控制指令控制内部的需求响应资源。负荷聚合商中的各个代理之间通过通信网络交互负荷聚合商公布的信息和其他代理的信息来协调各个代理之间的响应,以达到负荷聚合商的某个优化目标。
2.1单时段的分布式算法
(1)构建负荷代理负荷调整量分配的集中优化模型
(Ⅰ)目标函数
日前,某负荷聚合商获得调度时段t的功率缺额为(t=1,2,...,T),该负荷聚合商包含n个负荷代理,负荷代理i调度时段t的功率(即负荷调整量)为(i=1,2,...,n)。目标函数为最小化各负荷代理的调用成本(即成本特性)。
式中,为负荷代理i的成本特性函数。
(Ⅱ)约束条件
(a)功率平衡约束
(b)功率调整范围约束
式中,△Pimin、△Pimax分别为负荷代理i的负荷调整量的最小值、最大值。
(c)爬坡约束
式中,DRi、URi分别为负荷代理i的等值爬坡参数。
将每个负荷代理建模为智能体,负荷聚合商建模为多智能体系统,负荷聚合商获得各负荷代理的成本特性,将调度需求下发给各负荷代理,各负荷代理通过通信网络与其他智能体进行信息交互,利用平均一致算法实现调度需求的最优分配,然后各负荷代理通过某种控制策略使内部需求响应资源达到相应的负荷调整量。
(2)不考虑爬坡约束的分布式算法
不考虑爬坡约束的分布式算法流程图如图2所示,包括以下步骤:
(a)初始化一致性参数λ和收敛精度μ;
(b)一致性计算,得到各负荷代理的负荷调整量;
(c)判断是否超过负荷调整量出力限值?
若是,设置负荷调整量为出力限值;若否,计算负荷调整量;
(d)根据计算△P
(e)判断|△P|≤μ?其中,μ的取值决定了问题的求解精度,0<μ≤0.01。
若是,结束计算;若否,返回步骤(b)。
具体为:负荷代理之间互相通信的网络结构可以抽象成图结构。根据某个特定的图可以得到邻接矩阵A,其中,邻接矩阵A中元素aij是从节点i到节点j的边的个数。拉普拉斯矩阵L=[lij]定义如下:
图中所有节点的调用状态x全部达到一致时,就使图的节点达到一致。离散化的平均一致算法可以表示为
其中,k为离散采样次数,k∈N;dij为行随机矩阵D的元素,计算如下:
利用平均一致算法将负荷聚合商资源分配的集中式优化问题转化为分布式优化问题。负荷聚合商得到每个负荷代理的成本特性函数后,将响应量分配给各个负荷代理,利用拉格朗日乘子法,把模型转化为
对上述模型目标函数求偏导数,得各负荷代理微增率一致
用各代理微增率作为状态量,利用平均一致算法,得到如下从代理的迭代公式
选择一个主代理来协调功率平衡的约束,记迭代过程中功率的不平衡差值为
主代理的迭代公式如下
式中,ε为收敛系数。
由各代理的微增率公式计算得
各代理的功率约束可以变换为
2.2多时段的分布式算法
(1)构建考虑爬坡约束的负荷代理负荷调整量分配的主从问题模型
Dantzig-Wolfe分解理论(缩写为DWD)可以有效处理约束方程的系数矩阵有原对角块的形式,可以将具有时间耦合约束的优化问题分解为主问题和从问题。其中,主问题是包含时间耦合约束的优化问题,由从问题各时段的静态优化子问题的解组合加权作为目标,构成线性规划的优化问题。主从问题的协调优化由权重和起作用的爬坡约束的影子决定。利用该算法可以单独处理爬坡约束,对于带有时间关联约束得大规模的优化问题有很好应用前景。
首先将负荷代理的爬坡约束化为如下矩阵形式
式中,△Pt为负荷代理时段t负荷调整量组成的列向量;R为各负荷代理爬坡约束的上升和下降速率组成的列向量;Ht=[Ht,-Ht]T,其中Ht是T-1维的列向量,向量中每个元素为n维方阵,各元素由下式确定:
式中,是Ht中第i个元素;In为n维单位阵。
为此,负荷代理负荷调整量分配的集中化优化模型可以重写为如下形式
目标函数
式中,为负荷代理i的成本函数。
约束条件
(a)功率平衡约束
(b)功率调整范围约束
式中,△Pimin、△Pimax分别为负荷代理i的负荷调整量的最小值、最大值。
(c)爬坡约束
将功率平衡约束转化为拉格朗日函数
式中,为负荷代理i的成本特性函数。
该拉格朗日函数的约束条件为:
(a)功率调整范围约束
式中,△Pimin、△Pimax分别为负荷代理i的负荷调整量的最小值、最大值。
(b)爬坡约束
令将上述模型转化为如下形式
根据DWD理论,将爬坡约束松弛,可得T个并行的子问题,
minL(△Pt,λ)+αHt△Pt
式中,t=1,2,…,T;α为爬坡约束对应的拉格朗日乘子的行向量,从问题的决策变量为负荷代理的负荷调整量△Pt。
上述从问题中T个时段的从问题决策变量△Pt对应的解集为Ωt,解集Ωt中确定的负荷代理负荷调整量可表示为其中,为解集Ωt中的第m个元素,为对应的权重,且满足结合从问题的解,可将主问题表示如下:
式中,主问题的决策变量为
上述列写了包含主从问题的优化模型,主从问题需要协调制约才能通过交替迭代达到最终的整体优化。
上述算法的主问题是线性规划,本发明可通过Matlab软件调用CPLEX对上述模型进行求解。从问题是二次规划问题,使用分布式一致性算法求解。此时只需要在分布式计算中将改为其中,为负荷代理i不满足爬坡对应的时段,Tp为负荷代理i不满足爬坡约束对应时段所属的集合。
上述算法的收敛条件为
式中,δ为收敛阀值;为第t个子问题的解;ρt为上次计算中主问题的目标函数值。
(2)考虑爬坡约束的分布式算法
具体流程如图3所示:
(a)初始化,从问题中α初始值置零;
(b)求解从问题的各个子问题,将各个时段对应子问题的解作为解集Ωt内的新增元素;
(c)求解主问题,若有可行解(即满足主问题中的爬坡约束)转(d);若无可行解(即不满足主问题中的爬坡约束),利用次梯度法修正α,转(b);
(d)根据主问题求得β,其中,β是构成的矩阵式,利用这个权重β得到一组改进的解并且根据这组改进的解利用次梯度法得到更新的拉格朗日乘子α,然后更新从问题中各子问题的目标函数,并对其分别进行求解,并判断是否满足收敛条件,若满足,计算结束,输出这组解;若不满足,转(e);
(e)根据从问题的解,将不满足收敛条件的解作为解集Ωt中的新增元素,对主问题进行求解,转(d)。
上述算法中主问题有了可行解后,算法中主从问题自动交替进行,直到最后得到收敛的解;若主问题没有得到可行,需要修正α使得主问题得到可行解。
上述算法流程中的拉格朗日乘子α的修正使用次梯度法。每次修正时按照次梯度的方向进行,本发明中次梯度ξk=Ht△Pt,第k次迭代的迭代更新公式如下
式中,ωk满足如下条件:
此处ωk选取为
式中,a、b是正常数,且使得满足条件
Claims (6)
1.一种需求响应资源组合优化的分层分布式体系架构,其特征在于,包括负荷聚合商,负荷代理和需求响应资源;其中,负荷代理是一组需求响应资源的等值,其获取需求响应资源的相关信息,并将负荷聚合商下达的控制信息传递给需求响应资源;各负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他负荷代理的信息。
2.根据权利要求1所述的分层分布式体系架构,其特征在于,每组中的需求响应资源的补偿价格要保持多样性。
3.一种基于权利要求1所述架构的分层分布式方法,其特征在于,包括以下步骤:
(1)对需求相应资源进行分层聚合,形成一种分层分布式的体系架构,该体系架构的最上层为负荷聚合商,中间层为负荷代理,最下层为需求响应资源,所述负荷聚合商通过负荷代理管理需求响应资源;
(2)负荷代理负荷调整量分配的分布式计算。
4.根据权利要求3所述的一种分层分布式方法,其特征在于,所述步骤(1)包括以下步骤:
(11)将需求响应资源进行分组,形成等值需求响应资源
首先需要将数量众多的需求响应资源进行分组,形成等值需求响应资源;所有的负荷代理管理负荷聚合商的所有需求响应资源;获得内部需求响应资源的相关信息,并将负荷聚合商的控制指令下达到需求响应资源;各负荷代理之间通过通信网络交互负荷聚合商公布的信息和其他负荷代理的信息;
(12)对负荷代理建模
需求响应资源分组后得到负荷代理,需求响应资源的综合外特性包括出力特性和时间相关特性,负荷代理的综合外特性与所述需求响应资源的综合外特性相似。
5.根据权利要求4所述的一种分层分布式方法,其特征在于,所述步骤(12)中的负荷代理模型为:
(Ⅰ)出力范围
负荷代理的等值出力可以描述为在调度时段上具有持续出力的能力;不同的调度时段对应的负荷代理最大等值出力不同,需求响应资源的分组不同对应的负荷代理最大等值出力也不同;负荷代理的最大等值出力由如下需求响应资源的评估模型求得:
(i)目标函数
以调度时段内最大化各时段的负荷调整量和各时段负荷调整量偏差最小为目标;
式中,T为调度时段数,t为调度时段;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;w1、w2为权重系数,均为非负数,且w1+w2=1;
(ii)约束条件
(a)功率调整范围约束
式中,Pj min、Pj max分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值;
(b)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;
(c)最小削减时间约束
式中,TDj min为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用;
(d)最大削减时间约束
式中,T为调度时段数;Tj max为需求响应资源j的最大削减时间的时段数;
(e)最小削减间隔时间约束
式中,TUj min为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间;
(f)最大削减次数约束
式中,Nj max为需求响应资源j的最大削减次数,T为调度时段数;
以优化获得的各时段的负荷调整量的最小值△Pimax作为负荷代理i的负荷调整量的最大负荷调整量;其中,
由于负荷代理的需求响应资源可以不进行需求响应,所以负荷代理的最小负荷调整量为0;
(Ⅱ)爬坡约束
通过上述评估最大出力的模型确定了负荷代理内部需求响应资源各时段的参与状态对应的每一时段爬坡能力的最小值,然后根据具体的场景乘以一个经验系数得到负荷代理的爬坡参数;负荷代理的爬坡约束可以表示为:
-DRi≤△Pi t-△Pi t-1≤URi
式中,i为负荷代理,j为需求响应资源,为需求响应资源j调用时段t的调用状态;△Pi t为负荷代理i调度时段t的负荷调整量,△Pi t-1为负荷代理i调度时段t-1的负荷调整量;Ni为负荷代理i中需求响应资源的数目;DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;DRi、URi分别为负荷代理i的等值爬坡参数,对应负荷调整量的最小值下降率、上升率;ki为某一场景下的经验系数,由负荷聚合商长期运行经验得到,通常取值为0~1;
(Ⅲ)时间相关约束
由于负荷代理内部有很多需求响应资源,等值后可以看成能够在调度时段内均能参与调度,即负荷代理参与调度需求的全时段,因此,负荷代理的时间相关特性被松弛掉;
(Ⅳ)负荷代理的成本特性
得到负荷代理的最大负荷调整量△Pi max后,将0~△Pi max等分为K段,得到K+1个负荷调整量的分点0、△Pi max/K、2△Pi max/K、...、(K-1)△Pi max/K、△Pi max;每个负荷调整量对应的成本特性用如下模型求解:
(i)目标函数
以负荷代理i达到某一负荷调整量k△Pi max/K(k=0,1,2,…,K)的成本最小化为目标,将这个最小化的成本和该负荷调整量k△Pi max/K作为第k组成本的输入输出数据;
式中,T为调度时段数;为负荷代理i中的需求响应资源数目;为需求响应资源j调度时段t的负荷调整量,为需求响应资源j调度时段t-1的负荷调整量;Cj为合同中规定的需求响应资源j的单位补偿价格;γ为权重系数;
(ii)约束条件
(a)功率平衡约束
△Pi max为负荷代理的最大负荷调整量;
(b)功率调整范围约束
式中,Pj min、Pj max分别为需求响应资源j的负荷调整量的最小值、最大值;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;
需求响应资源的调节能力并不是和传统发电机组那样可以看成具有连续的调节的能力,通常具有的调节能力是离散化的,负荷调整量的取值为离散的,表示如下:
式中,为非负的整数变量;为需求响应资源j的离散的单位调整值;
(c)需求响应资源j的爬坡约束
式中,DRj、URj分别为需求响应资源j的负荷调整量的最小值下降率、上升率;
(d)最小削减时间约束
式中,TDj min为需求响应资源j的最小削减时间;为需求响应资源j调度时段t-1的累计削减时间;为需求响应资源j调度时段t的调用状态,为1时表示调用,为0时表示不调用;为需求响应资源j调度时段t-1的调用状态,为1时表示调用,为0时表示不调用;
(e)最大削减时间约束
式中,T为调度时段数;Tj max为需求响应资源j的最大削减时间的时段数;
(f)最小削减间隔时间约束
式中,TUj min为需求响应资源j的最小削减间隔时间;为需求响应资源j调度时段t-1的累计不削减时间;
(g)最大削减次数约束
式中,Nj max为需求响应资源j的最大削减次数,T为调度时段数;
将负荷代理的成本特性用关于负荷调整量的二次函数表示如下:
fagenti(△Pi t)=aagenti(△Pi t)2+bagenti△Pi t+cagenti
式中,△Pi t为负荷代理i调度时段t的负荷调整量,aagenti、bagenti、cagenti分别为负荷代理i待定的成本特性系数;上述负荷代理i待定的成本特性系数可以利用最小二乘法获得;通过对负荷代理i内部需求响应资源组合优化获得的K组成本输入输出数据 进行计算;令:
欲使得J取得最小值,对aagenti、bagenti、cagenti分别求偏导数并令其等于0得:
化简为:
解上述方程就可以求得aagenti、bagenti、cagenti的值,因而可以得到负荷代理i的成本特性。
6.根据权利要求3所述的一种分层分布式方法,其特征在于,所述步骤(2)包括以下步骤:
(21)构建负荷代理负荷调整量分配的集中优化模型
(ⅰ)目标函数
日前,某负荷聚合商获得调度时段t的功率缺额为该负荷聚合商包含n个负荷代理,负荷代理i调度时段t的功率(即负荷调整量)为△Pi t(i=1,2,...,n),目标函数为最小化各负荷代理的调用成本;
式中,fagenti(△Pi t)为负荷代理i的成本特性函数;
(ⅱ)约束条件
(a)功率平衡约束
(b)功率调整范围约束
△Pi min≤△Pi t≤△Pi max
式中,△Pi min、△Pi max分别为负荷代理i的负荷调整量的最小值、最大值;
(c)爬坡约束
-DRi≤△Pi t-△Pi t-1≤URi
式中,DRi、URi分别为负荷代理i的等值爬坡参数;
(22)负荷代理负荷调整量分配问题的算法
根据DWD理论,将爬坡约束松弛,可得T个并行的子问题:
min L(△Pt,λ)+αHt△Pt
s.t.△Pi min≤△Pi t≤△Pi max
式中,t=1,2,…,T;λ为功率平衡约束的拉格朗日乘子;α为矩阵形式的爬坡约束Ht△Pt对应的拉格朗日乘子的行向量,从问题的决策变量为各负荷代理时段t的负荷调整量的列向量△Pt;
上述从问题中T个时段的从问题决策变量△Pt对应的解集为Ωt,解集Ωt中确定的负荷代理负荷调整量可表示为其中,为解集Ωt中的第m个元素,为对应的权重,且满足结合从问题的解,可将主问题表示如下:
式中,主问题的决策变量为 为爬坡约束的矩阵形式,Ht为负荷代理爬坡约束的系数矩阵;R为各负荷代理爬坡约束的上升和下降速率组成的列向量;
上述列写了包含主从问题的优化模型,主从问题需要协调制约才能通过交替迭代达到最终的整体优化;
上述算法的主问题是线性规划,从问题中的子问题是二次规划,使用一致性算法求解;主-从一致性算法如下:
式中,dij为负荷代理之间通信网络对应的行随机矩阵D的元素;PD为负荷聚合商某时段的功率缺额;为负荷代理i不满足爬坡约束对应时段的松弛系数,Tp为负荷代理i不满足爬坡约束对应时段所属的集合;
多时段基于Dantzig-Wolfe分解理论的主从问题计算,具体流程如下:
(a)初始化,从问题中α初始值置零;
(b)求解从问题的各个子问题,将各个时段对应子问题的解作为解集Ωt内的新增元素;
(c)求解主问题,若有可行解转(d);若无可行解,利用次梯度法修正α,转(b);
(d)根据主问题求得β,利用这个权重β得到一组改进的解并且根据这组改进的解利用次梯度法得到更新的α,然后更新从问题中各子问题的目标函数,并对其分别进行求解,并判断是否满足收敛条件,若满足,计算结束,输出这组解;若不满足,转(e);
(e)根据从问题的解,将不满足收敛条件的解作为解集Ωt中的新增元素,对主问题进行求解,转(d);
所述主问题有了可行解后,主从问题自动交替进行,直到最后得到收敛的解;若主问题没有得到可行,需要修正α使得主问题得到可行解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123249.5A CN106886603B (zh) | 2017-03-03 | 2017-03-03 | 一种需求响应资源组合优化的分层分布式体系架构和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123249.5A CN106886603B (zh) | 2017-03-03 | 2017-03-03 | 一种需求响应资源组合优化的分层分布式体系架构和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886603A true CN106886603A (zh) | 2017-06-23 |
CN106886603B CN106886603B (zh) | 2020-07-14 |
Family
ID=59180581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710123249.5A Expired - Fee Related CN106886603B (zh) | 2017-03-03 | 2017-03-03 | 一种需求响应资源组合优化的分层分布式体系架构和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886603B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490960A (zh) * | 2017-09-04 | 2017-12-19 | 东南大学 | 基于智能家电在线需求响应潜力的双层协调优化方法 |
CN107546855A (zh) * | 2017-09-28 | 2018-01-05 | 广东工业大学 | 一种居民用电负荷的非侵入分解方法 |
CN110796291A (zh) * | 2019-10-10 | 2020-02-14 | 国网山东省电力公司德州供电公司 | 基于Dantzig-Wolfe分解的多能互补微网集群分布式优化调度 |
CN111178581A (zh) * | 2019-11-28 | 2020-05-19 | 北京国电通网络技术有限公司 | 一种电力需求响应分配方法及装置 |
CN111373423A (zh) * | 2017-07-18 | 2020-07-03 | 西门子公司 | 多代理流量控制系统的分散式计划、调度与控制 |
CN111553544A (zh) * | 2020-05-19 | 2020-08-18 | 国网浙江省电力有限公司杭州供电公司 | 基于一致性算法的工业园区分布式综合需求响应方法 |
CN112419099A (zh) * | 2020-12-15 | 2021-02-26 | 深圳供电局有限公司 | 一种对开关负荷集群进行一致性智能控制的方法 |
CN112734300A (zh) * | 2021-01-30 | 2021-04-30 | 中国人民解放军国防科技大学 | 通用产品体系模型构建方法、装置和计算机设备 |
CN114710196A (zh) * | 2022-03-24 | 2022-07-05 | 重庆邮电大学 | 一种软件定义卫星网络虚拟网络功能迁移方法 |
CN115409388A (zh) * | 2022-09-02 | 2022-11-29 | 北京化工大学 | 多车型定制公交运营优化方法 |
CN116565882A (zh) * | 2023-06-29 | 2023-08-08 | 北京大学 | 分布式需求响应方法、装置、系统及介质 |
CN116681269A (zh) * | 2023-08-03 | 2023-09-01 | 南京邮电大学 | 一种电网交互型高效居民建筑智能协同运行优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194305A1 (en) * | 2001-06-18 | 2002-12-19 | Infineon Technologies North America Corp. | Systems and methods to facilitate a distribution of information via a dynamically loadable component |
CN103296682A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种多时空尺度渐进趋优的负荷调度模式设计方法 |
CN105024398A (zh) * | 2015-06-29 | 2015-11-04 | 国电南瑞科技股份有限公司 | 一种基于最优风电置信度的优化调度方法 |
CN105226708A (zh) * | 2015-10-15 | 2016-01-06 | 中国电力科学研究院 | 一种大规模电网调度计划等值协调优化方法 |
CN105391090A (zh) * | 2015-11-10 | 2016-03-09 | 南京邮电大学 | 一种智能电网多智能体多目标一致性优化方法 |
CN106446383A (zh) * | 2016-09-14 | 2017-02-22 | 三峡大学 | 一种基于改进约束序优化的带安全约束的不确定性机组组合问题求解方法 |
-
2017
- 2017-03-03 CN CN201710123249.5A patent/CN106886603B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194305A1 (en) * | 2001-06-18 | 2002-12-19 | Infineon Technologies North America Corp. | Systems and methods to facilitate a distribution of information via a dynamically loadable component |
CN103296682A (zh) * | 2013-05-09 | 2013-09-11 | 国家电网公司 | 一种多时空尺度渐进趋优的负荷调度模式设计方法 |
CN105024398A (zh) * | 2015-06-29 | 2015-11-04 | 国电南瑞科技股份有限公司 | 一种基于最优风电置信度的优化调度方法 |
CN105226708A (zh) * | 2015-10-15 | 2016-01-06 | 中国电力科学研究院 | 一种大规模电网调度计划等值协调优化方法 |
CN105391090A (zh) * | 2015-11-10 | 2016-03-09 | 南京邮电大学 | 一种智能电网多智能体多目标一致性优化方法 |
CN106446383A (zh) * | 2016-09-14 | 2017-02-22 | 三峡大学 | 一种基于改进约束序优化的带安全约束的不确定性机组组合问题求解方法 |
Non-Patent Citations (6)
Title |
---|
WENTING WEI 等: "Hierarchical and distributed demand response control strategy for thermostatically controlled appliances in smart grid", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》 * |
时欣利: "智能电网预测发电和柔性负荷控制策略研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
智勇 等: "面向智慧工业园区的双层优化调度模型", 《电力系统自动化》 * |
杨胜春 等: "多时间尺度协调的柔性负荷互动响应调度模型与策略", 《中国电机工程学报》 * |
王珂 等: "基于多代理技术的需求响应互动调度模型", 《电力系统自动化》 * |
高赐威 等: "基于负荷聚合商业务的需求响应资源整合方法与运营机制", 《电力系统自动化》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111373423A (zh) * | 2017-07-18 | 2020-07-03 | 西门子公司 | 多代理流量控制系统的分散式计划、调度与控制 |
CN107490960A (zh) * | 2017-09-04 | 2017-12-19 | 东南大学 | 基于智能家电在线需求响应潜力的双层协调优化方法 |
CN107546855A (zh) * | 2017-09-28 | 2018-01-05 | 广东工业大学 | 一种居民用电负荷的非侵入分解方法 |
CN107546855B (zh) * | 2017-09-28 | 2020-05-08 | 广东工业大学 | 一种居民用电负荷的非侵入分解方法 |
CN110796291A (zh) * | 2019-10-10 | 2020-02-14 | 国网山东省电力公司德州供电公司 | 基于Dantzig-Wolfe分解的多能互补微网集群分布式优化调度 |
CN111178581A (zh) * | 2019-11-28 | 2020-05-19 | 北京国电通网络技术有限公司 | 一种电力需求响应分配方法及装置 |
CN111178581B (zh) * | 2019-11-28 | 2024-01-05 | 北京国电通网络技术有限公司 | 一种电力需求响应分配方法及装置 |
CN111553544B (zh) * | 2020-05-19 | 2023-08-25 | 国网浙江省电力有限公司杭州供电公司 | 基于一致性算法的工业园区分布式综合需求响应方法 |
CN111553544A (zh) * | 2020-05-19 | 2020-08-18 | 国网浙江省电力有限公司杭州供电公司 | 基于一致性算法的工业园区分布式综合需求响应方法 |
CN112419099A (zh) * | 2020-12-15 | 2021-02-26 | 深圳供电局有限公司 | 一种对开关负荷集群进行一致性智能控制的方法 |
CN112734300A (zh) * | 2021-01-30 | 2021-04-30 | 中国人民解放军国防科技大学 | 通用产品体系模型构建方法、装置和计算机设备 |
CN112734300B (zh) * | 2021-01-30 | 2024-03-08 | 中国人民解放军国防科技大学 | 通用产品体系模型构建方法、装置和计算机设备 |
CN114710196A (zh) * | 2022-03-24 | 2022-07-05 | 重庆邮电大学 | 一种软件定义卫星网络虚拟网络功能迁移方法 |
CN115409388A (zh) * | 2022-09-02 | 2022-11-29 | 北京化工大学 | 多车型定制公交运营优化方法 |
CN116565882A (zh) * | 2023-06-29 | 2023-08-08 | 北京大学 | 分布式需求响应方法、装置、系统及介质 |
CN116565882B (zh) * | 2023-06-29 | 2023-09-19 | 北京大学 | 分布式需求响应方法、装置、系统及介质 |
CN116681269A (zh) * | 2023-08-03 | 2023-09-01 | 南京邮电大学 | 一种电网交互型高效居民建筑智能协同运行优化方法 |
CN116681269B (zh) * | 2023-08-03 | 2023-10-13 | 南京邮电大学 | 一种电网交互型高效居民建筑智能协同运行优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106886603B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886603B (zh) | 一种需求响应资源组合优化的分层分布式体系架构和方法 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
Liu et al. | DeepSlicing: Deep reinforcement learning assisted resource allocation for network slicing | |
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN110400128B (zh) | 一种基于工人偏好感知的空间众包任务分配方法 | |
Zazo et al. | Robust worst-case analysis of demand-side management in smart grids | |
CN103699446A (zh) | 基于量子粒子群优化算法的多目标工作流动态调度方法 | |
Missbauer | Order release planning by iterative simulation and linear programming: Theoretical foundation and analysis of its shortcomings | |
Li et al. | Deep reinforcement learning: Algorithm, applications, and ultra-low-power implementation | |
CN114626306B (zh) | 一种园区分布式能源调控信息新鲜度保障方法及系统 | |
Mieth et al. | Online learning for network constrained demand response pricing in distribution systems | |
CN109599866A (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN114090239B (zh) | 一种基于模型的强化学习的边缘资源调度方法和装置 | |
Li et al. | Communication-efficient stochastic gradient MCMC for neural networks | |
Ghosh et al. | Achieving sub-linear regret in infinite horizon average reward constrained mdp with linear function approximation | |
Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
Yu et al. | Risk-averse flexible policy on ambulance allocation in humanitarian operations under uncertainty | |
Milocco et al. | Evaluating the upper bound of energy cost saving by proactive data center management | |
Liu et al. | Multi-objective robust workflow offloading in edge-to-cloud continuum | |
Namba et al. | Dual decomposition-based distributed microgrid managament with PV prediction | |
Hu et al. | Towards cost-efficient workload scheduling for a tango between geo-distributed data center and power grid | |
CN115883371A (zh) | 边缘-云协同系统中基于学习优化方法的虚拟网络功能放置方法 | |
CN111817298B (zh) | 含随机风能的多调度区间分布式能源调度方法及系统 | |
Aravena et al. | A distributed computing architecture for the large-scale integration of renewable energy and distributed resources in smart grids | |
CN113238873A (zh) | 一种用于航天器资源优化配置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |