CN108985524A - 一种多能互补系统的协调控制方法 - Google Patents
一种多能互补系统的协调控制方法 Download PDFInfo
- Publication number
- CN108985524A CN108985524A CN201810889158.7A CN201810889158A CN108985524A CN 108985524 A CN108985524 A CN 108985524A CN 201810889158 A CN201810889158 A CN 201810889158A CN 108985524 A CN108985524 A CN 108985524A
- Authority
- CN
- China
- Prior art keywords
- energy
- few days
- optimal solution
- complement
- variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000000295 complement effect Effects 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000003860 storage Methods 0.000 claims abstract description 11
- 240000002853 Nelumbo nucifera Species 0.000 claims abstract description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims abstract description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 18
- 238000013016 damping Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 8
- 231100000719 pollutant Toxicity 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 13
- 238000012804 iterative process Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多能互补系统的协调控制方法,包括:在日前调度阶段,通过基于次日长时间预测信息的日前鲁棒优化调度,确定具有大惯性环节装置的启停时段;在日内调度阶段,通过基于日内短时间预测信息的日内多目标量子粒子群优化,确定可连续调节装置的输出功率;利用日前与日内调度的协同优化,最终确定多能互补系统内源网荷储的运行方式,实现多能互补系统的协调控制。本发明在保证系统安全稳定运行条件基础上,考虑资源的最优化利用,实现了系统运行成本最小。
Description
技术领域
本发明涉及能源协调控制技术领域,尤其涉及一种多能互补系统的协调控制方法。
背景技术
随着经济快速发展,能源互联网产业迅速崛起,智能用电设备高度普及,供给侧的随机性增强、可控性降低,需求侧要求更加高效化和清洁化、需求侧波动性增大,系统的安全风险增加,整体性凸显。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种多能互补系统的协调控制方法,在保证系统安全稳定运行条件基础上,考虑资源的最优化利用,实现系统运行成本最小。
为达到上述目的,本发明所采用的技术方案是:一种多能互补系统的协调控制方法,所述方法包括如下步骤:
在日前调度阶段,通过基于次日长时间预测信息的日前鲁棒优化调度,确定具有大惯性环节装置的启停时段;
在日内调度阶段,通过基于日内短时间预测信息的日内多目标量子粒子群优化,确定可连续调节装置的输出功率;
利用日前与日内调度的协同优化,最终确定多能互补系统内源网荷储的运行方式,实现多能互补系统的协调控制。
进一步的,所述大惯性环节装置是指:不能频繁调节且运行状态改变后需要维持改变后的状态持续运行一段时间的设备或控制量,包括:蓄热装置/锅炉的储放热模式、供热源切换选择、日前电价制定信息。
进一步的,所述日前鲁棒优化调度的具体方法包括:
基于历史数据库、气候状态、用能服务信息对次日负荷的用能数量及分布式电源的发电量进行预测,并使用区间函数的形式对不确定量进行描述;
在日前调度阶段,对次日每小时内负荷、分布式电源的功率进行预测。
使用鲁棒优化控制考虑随机变量在预测区间内的所有可能性,具有min-max两阶段优化模式,其中内层为确定最大预测误差情况,外层为最小化总体优化目标。
进一步的,所述可连续调节装置是指:可在一段时间内进行多次调节的设备或控制量,包括:储能的充放电功率、冷热电联产装置运行状态、室内温度设定值。
进一步的,所述日内多目标量子粒子群优化的具体方法包括:
以5分钟为时间间隔,滚动刷新下阶段负荷及可再生能源的预测信息;
制定下一个5分钟时间间隔内可连续调节装置的功率设定值;
利用量子粒子群算法依概率收敛到全局最优解的特性,对原有量子粒子群算法的全局最优解和个体最优解的选择过程进行改进,并利用预处理阻尼JFNK算法对多目标量子粒子群算法实现过程中的等式约束进行处理;
依据变量与等式约束的数量关系,进行变量替换;
每轮随机选取初值,经多轮迭代后,获取所需的Pareto前沿,实现日内调度的控制目标。
进一步的,所述日内调度的控制目标为:
在短时间尺度内平衡预测误差所造成的功率缺额,并使得系统在经济性、可靠性、环保性方面同时达到最优;
其中:
经济性目标为“燃料成本+维护成本-运行收益”最小;
可靠性指标以切负荷的补偿成本来衡量,即期望未满足负荷需求的量和单位负荷成本之积来衡量;
环保性指标以污染物处理成本来衡量,即将微型燃气轮机、柴油机、燃料电池等在供能过程中产生环境污染物排放量和单位污染物治理成本之积来衡量。
进一步的,对原有量子粒子群算法的全局最优解和个体最优解的选择过程进行改进的具体方法包括:
在每轮初值选择后的第一次迭代时,个体最优解即为初值迭代计算获得的适应度函数值,全局最优解为从所有初次迭代个体最优解所组成的Pareto前沿中随机选择的一个值;
在每轮的非初次迭代阶段,将当前迭代获得的适应度函数值与当前个体最优解进行比较,选取两者中Pareto占优的值作为本次迭代的个体最优解;
将当前迭代所获得的所有粒子的个体最优解依次与历史最优解进行比较,选取两者中Pareto占优的值作为新的历史最优解,直到与所有粒子的个体最优解比较过后,获得本次迭代的历史最优解;
在获得本次迭代的全局最优解和个体最优解后,沿用原有量子粒子群算法程序对粒子进行更新,直到达到收敛条件,或本轮迭代次数限制,即可结束本轮量子粒子群算法的迭代过程。
进一步的,获取所需的Pareto前沿的具体方法如下:
若选取的控制变量个数为n,则对于所选取粒子群中的每个粒子均为n维变量,对于每个控制变量存在一个控制范围,则在初始化阶段,对每个粒子的每维变量在各变量对应的控制范围内进行随机取值;
每次随机选取初值后,即可开始一轮多目标量子粒子群算法,利用量子粒子群算法依概率收敛到全局最优解的特性,在每轮多目标粒子群算法中经过多次迭代后,可获得一个Pareto前沿的点,这样经过n轮随机选取初值,进行迭代后,即可由所得的n个Pareto前沿点描绘出待优化系统的Pareto前沿。
进一步的,所述阻尼JFNK算法的外循环使用传统牛顿迭代,使用阻尼法加速系统下降过程;
所述阻尼JFNK算法的内循环基于Krylov子空间,将修正量的求解转换为线性方程的求解,采用GMRES算法来进行内循环迭代。
进一步的,对等式约束进行处理的方法包括:
依据变量个数m与等式约束n之间的关系,每次仅对m-n个变量使用量子粒子群算法进行迭代更新,而对n个变量通过将m-n个变量代入等式约束后,利用预处理阻尼JFNK算法求解等式约束后获得,再将每次迭代所获得的m个变量与其限值进行对比后,最终确定各变量的取值。
与现有技术相比,本发明所达到的有益效果:
在日前调度阶段,使用鲁棒优化算法实现对具有大惯性环节、开关量特性的设备或控制量的调控,在大时间尺度内满足峰值负荷需求,并提高低成本可再生能源的利用率,使得优化结果具备抵抗预测误差扰动的能力,并且可以避免日内调度对整数型变量进行优化,简化日内调度的优化模型,提高日内优化的效率;
在日内调度阶段,使用改进型的多目标量子粒子群算法,利用量子粒子群算法依概率收敛到全局最优解的特性,仅需要对已有量子粒子群算法程序的全局最优解和个体最优集的选取过程进行改动,通过随机选取初值,多轮迭代的方法,即可获得所需的Pareto前沿,编程思路清晰,方便进行并行计算,提高算法效能;
利用预处理阻尼JFNK算法对等式约束进行变量替代,降低了粒子群算法的优化维度,保证对等式约束求解过程中的超线性收敛特性,提高算法的收敛速度,相比传统牛顿迭代法,可避免构造和存储Jacobian矩阵,并在外循环中添加阻尼环节来抑制振荡,提高算法的收敛性,对于内循环采用预处理方式,来使系数矩阵的特征值在复平面内更加聚拢,从而提高内循环的收敛速度。
附图说明
图1为多能互补系统的潮流构成图;
图2为多能互补系统多时间尺度优化调度过程示意图;
图3为改进型多目标量子粒子群算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1给出了多能互补系统的潮流构成图。图1将多能互补系统分为电潮流和热潮流两大部分,借助信息化手段,整合电价信息和室内、外环境温度等信息,分别对电、冷、热负荷进行预测和调控,利用蓄电池、可再生能源、主电网、热电联产装置、锅炉等多种能源形式的互补和“源-网-荷-储”各环节高度协调控制,借助各种能源转换装置,最终在区域内能源供需平衡的基础上,为用户提供灵活用能服务,实现能源高效利用,保证能源系统的可靠、节能、绿色发展。
图2给出了多能互补系统多时间尺度优化调度过程图。根据图2可知,本发明的实施流程分为两个主要步骤,分别为基于日前长时间预测信息的鲁棒优化调度和基于日内短时间预测信息的改进型多目标量子粒子群优化调度,通过日前与日内两个阶段调度策略的协调控制实现对多能互补系统的优化调控。对这两个步骤的描述如下:
步骤1:在日前调度阶段,依据对次日的负荷及可再生能源的预测信息,利用鲁棒优化策略,制定次日每小时的蓄热锅炉储放热、供热源切换选择、日前电价制定信息等具有大惯性环节的状态,从而在大时间尺度内满足峰值负荷需求,并使用更多的低成本可再生能源,并使得优化结果具备抵抗预测误差扰动的能力;
步骤2:在日内调度阶段,以5分钟为时间间隔,滚动刷新下阶段负荷及可再生能源的预测信息,制定下一个5分钟时间间隔内储能、冷热电联产装置、室内温度等具有可连续调节特性装置的功率设定值,利用量子粒子群算法依概率收敛到全局最优解的特性,对原量子粒子群算法的全局最优解和个体最优解的选择过程进行改进,并利用预处理阻尼JFNK算法对多目标量子粒子群算法(MOQPSO)实现过程中的等式约束进行处理,并依据变量与等式约束的数量关系,进行变量替换,减小MOQPSO算法的求解难度。每轮随机选取初值,经多轮迭代后,获取所需的Pareto前沿,实现涵盖系统经济性、可靠性、环保性的多目标优化;
其中步骤1进一步包括:基于历史数据库、气候状态、用能服务信息等对次日负荷的冷、热、电等用能数量及光伏、风电等分布式电源的发电量进行预测,并使用区间函数的形式对不确定量进行描述,在日前调度阶段,对次日每小时内负荷、分布式电源的功率进行预测。不同于随机优化方法,使用区间表示方法,可以避免获取系统的概率分布函数,以光伏为例,在次日第t个时段第i个光伏发电单元出力可以表示为:
其中为第i个光伏发电单元在次日第t个时段的输出功率基值,为第i个光伏发电单元在次日第t个时段的输出功率的最大偏差,Nd为光伏装置的集合,对于其它不确定变量,可用类似形式进行表述。
使用鲁棒优化控制考虑随机变量在预测区间内的所有可能性,具有min-max两阶段优化模式,其中内层为确定最大预测误差情况,外层为最小化总体优化目标,从而能保证在光伏、负荷等功率波动情况下可能造成的最差情况,多能互补系统的总体运行成本仍保持最低。
鲁棒优化考虑了随机变量的所有可能性。两阶段鲁棒优化模型的一般形式如下:
其中,x、y为优化变量,u为不确定量,U为不确定集,c、b、F、f、H、h、A、B、g、I为目标或约束系数。鲁棒优化的优化目标为系统的总运行成本,约束条件为:(1)分布式电源和负荷的不确定性约束,(2)联络线传输功率限制和功率平衡约束,(3)购售电状态约束,(4)热电生产关系的约束,(5)供热关联约束,(6)供电出力区间约束,(7)储热平衡约束,(8)储热容量约束,(9)储放热运行约束。
日前鲁棒优化的控制对象是对于调节指令的响应速度较慢,并且不能频繁调节的设备或控制量,如蓄热装置/锅炉的储放热模式、供热源切换选择、日前电价制定信息等环节,一旦这些设备或控制量的运行状态改变后,需要维持改变后的状态持续运行一段时间,所以这些量在优化过程中往往以整数形式,即以开关量表示,在日前调度阶段,通过鲁棒优化算法确定这类开关量的状态,初步确定次日各小时内源网荷储之间的能量平衡方式,从而在大时间尺度内满足峰值负荷需求,并提高低成本可再生能源的利用率,使得优化结果具备抵抗预测误差扰动的能力,并且可以避免日内调度对整数型变量进行优化,简化日内调度的优化模型,提高日内优化的效率。
其中步骤2进一步包括:基于对负荷用能及可再生能源发电每5分钟较高准确度的滚动预测信息,利用多目标量子粒子群算法对系统的运行状态进行优化,实现多能互补系统的日内调度。
日内调度的控制对象为:对于调节指令的响应速度较快,可在一段时间内进行多次调节的量,如储能的充放电功率、冷热电联产装置运行状态、室内温度设定值等,这些量在优化过程中可视为连续变量,对这些可连续调节的量进行优化控制。
日内调度对于多目标优化的基本公式可以表示为:
式中:x=(x1,x2,…,xn)为n维决策变量;m为目标函数的个数;g(x)函数为目标函数的q个不等式约束;h(x)为目标函数的p个等式约束,所有这些满足条件的决策变量用集合Ω表示,Y={F(x)|x∈Ω}为目标空间。
日内调度的优化控制目标为:在短时间尺度内平衡预测误差所造成的功率缺额,并使得系统在经济性、可靠性、环保性等多目标同时达到最优。其中经济性目标为“燃料成本+维护成本-运行收益”最小,可靠性指标以切负荷的补偿成本来衡量,即期望未满足负荷需求的量(冷、热、电等量)和单位负荷成本之积来衡量,环保性指标以污染物处理成本来衡量,即将微型燃气轮机、柴油机、燃料电池等在供能过程中产生NOx、CO2、SO2等环境污染物排放量和单位污染物治理成本之积来衡量。
日内调度的约束条件为:其中等式约束条件一般指系统的能量平衡方程,包括电、冷、热的平衡方程。其中不等式约束条件包括:(1)可控单元功率的不等式约束,即功率输出限制、功率爬坡限制等;(2)功率交换限制,即与电网功率交换量限制值、功率交换状态量不能同时为吸收功率和放出功率的限制;(3)储能限制,即充电限制、放电限制、容量限制、充/放电状态不能同时发生的约束。
图3给出了改进型多目标量子粒子群算法的流程图。由图3可见本发明中对于粒子的迭代更新策略仍沿用传统粒子群算法,但提出对以下三点进行改进:(1)全局最优解和个体最优解的选择过程、(2)等式约束的处理方法、(3)利用多轮迭代的思想获取所需的Pareto前沿。
每次迭代对粒子的更新公式可沿用传统量子粒子群算法,即:
xk+1=P±α|xk-mbest|In(1/u) (4)
P=β*pbest+(1-β)*gbest (6)
其中MaxIter为每轮迭代次数的设定值,N为粒子群中粒子个数设定值,xk表示某个粒子在k次迭代时的值,xk+1表示某个粒子在k+1次迭代时的值,k为当前迭代次数,P为最优化位置,α为学习因子,pbest为个体最优解,gbest为全局最优解,β和u为(0,1)之间的随机数,mbest为所有粒子最优值的平均值。
在多目标优化中,量子粒子群算法的适应度函数值将是一个多维向量,故需要对原量子粒子群算法的全局最优解和个体最优解的选择过程进行改进,即在每轮初值选择后的第一次迭代时,个体最优解即为初值迭代计算获得的适应度函数值,全局最优解为从所有初次迭代个体最优解所组成的Pareto前沿中随机选择的一个值;在每轮的非初次迭代阶段,将当前迭代获得的适应度函数值与当前个体最优解进行比较,选取两者中Pareto占优的值作为本次迭代的个体最优解,将当前迭代所获得的所有粒子的个体最优解依次与历史最优解进行比较,选取两者中Pareto占优的值作为新的历史最优解,直到与所有粒子的个体最优解比较过后,获得本次迭代的历史最优解,在获得本次迭代的全局和个体最优解后,可沿用原有量子粒子群算法程序对粒子进行更新,直到达到收敛条件,或本轮迭代次数限制,即可结束本轮量子粒子群算法的迭代过程。
若选取的控制变量个数为n,则对于所选取粒子群中的每个粒子均为n维变量,对于每个控制变量存在一个控制范围,则在初始化阶段,对每个粒子的每维变量在各变量对应的控制范围内进行随机取值。每次随机选取初值后,即可开始一轮多目标量子粒子群算法,利用量子粒子群算法依概率收敛到全局最优解的特性,在每轮多目标粒子群算法中经过多次迭代后,可获得一个Pareto前沿的点,这样经过n轮随机选取初值,进行迭代后,即可由所得的n个Pareto前沿点描绘出待优化系统的Pareto前沿。
量子粒子群算法实现过程中对于不等式约束条件可以使用罚函数进行处理,但使用罚函数法处理等式约束条件时,将使得量子粒子群算法的性能变差,故考虑使用预处理阻尼JFNK算法对多目标量子粒子群算法(MOQPSO)实现过程中的等式约束进行处理,所采用的JFNK方法是一种嵌套式迭代算法,外循环使用传统牛顿(Newton)迭代,来保证问题求解过程中的超线性收敛特性,提高算法的收敛速度,内循环基于Krylov子空间,将修正量的求解转换为线性方程的求解,采用GMRES(Generalized Minimal Residual)算法来进行内循环迭代,其基于Arnoldi方法来求解Krylov子空间问题,在外循环使用阻尼法加速系统下降过程,保证系统的全局收敛,在内循环使用预处理矩阵,使得系数矩阵的特征值在复平面上更加聚拢,加快重启动GMRES算法的收敛速度,依据变量个数m于等式约束n之间的关系(一般m>n,若m≤n,则优化问题可化为确定性的变量求解问题),每次仅对m-n个变量使用MOQPSO进行迭代更新,而对n个变量通过将m-n个变量代入等式约束后,利用预处理阻尼JFNK算法求解等式约束后获得,再将每次迭代所获得的m个变量与其限值进行对比后,最终确定各变量的取值。
其中预处理阻尼JFNK算法的具体实施过程可以表示为:
若待求解的非线性方程为:
F(x)=0 (8)
利用牛顿迭代法求取式(8),其迭代过程为
Jkδxk=-F(xk) (9)
xk+1=xk+δxk (10)
其中,k表示取值为0,1,2,…的迭代次数,Jk为第k次迭代时F(x)的Jacobian矩阵,δxk为第k次迭代所产生的状态量增量,F(xk)为第k次迭代所产生的非线性残差向量。给定状态量初始值x0,经过上述步骤,即可产生状态量序列xk,将判定迭代收敛的条件设定为
其中,||●||q表示范数运算,下标q可为1,2或∞,设定σ=1e-4,则在上述每步迭代过程中,需要构造系统的Jacobian矩阵,若将非线性残差向量表示为F(xk)=[F1;F2;…;Fi;…Fn],将状态量表示为则Jacobian矩阵的第(i,j)个元素以偏微分形式可表示为
由于F(x)为隐式非线性函数,需要利用差分方程获取其Jacobian矩阵,其方程为
其中,Δx为预设的微增量,本节将其取值为1e-4。
在阻尼法中确定系统的迭代序列为xk+1=xk+αq,其中q为最优下降梯度,α为系统设定的阻尼参数,并应满足
||F(xk+1)||=||F(xk+αq)||<(1-μα)||F(xk)|| (14)
其中,||●||为任一范数,则对应的迭代过程可以表述为
(1)选取固定参数0<μ<1,0<λ<1-μ.通过后续分析可知,一般选择μ=0.5,λ选择为0.005。
(2)对于系统赋初值,变量xk=x0,阻尼系数α=1,迭代次数k=1,并给定迭代精度ε。
(3)确定系统的迭代梯度,Jkq=(λ-1)F(xk),确定系统变量的下降梯度,此处可见λ值不宜选取太大,太大则与传统牛顿法产生较大的偏差。
(4)对于系统的阻尼系数进行缩放,使其满足
对系统的阻尼系数进行缩放,其缩放的条件为前一步缩减则该步保持不变,若前一步不变,则对应则大阻尼系数,但使其不大于1。
(5)对状态量进行更新,xk+1=xk+αq,并判断是否满足收敛条件式(11),获知迭代次数是否越限。
(6)对阻尼系数进行修正,若||F(xk+1)||≥(1-μα)||F(xk)||,则令α/2→α,并使用更新后的值计算步骤(5);若已经满足阻尼系数的条件,则转入步骤(3)计算下一次迭代值。
在GMRES算法中使用形如Jv的矩阵—向量积的形式,其中J为Newton迭代的Jacobian矩阵,v为Krylov空间内标准正交基Vm=[v1,v2,…,vm]的一个元素,且将Jv表示为
式中,ε为微扰动量,其获取方式为
其中,n为式(9)所表示的线性空间的维度,b为由计算机摄入误差而确定的常数,一般设定为1e-6。
选取预处理矩阵P,使得系数矩阵的特征值在复平面内聚拢,则预处理后式(9)可变为
JkP-1(Pq)=(λ-1)F(xk) (18)
选取预处理矩阵P,应保证JkP-1的特征值聚集在1附近。
应用重启动GMERS算法,迭代求取式(18),其过程可表示为:
(1)计算r0=(λ-1)F(xk)-Jkq0,β=||r0||2,v1=r0/β等初值;
(2)将j在1~m之间取值并启动外循环;
(3)计算wj=JkP-1vj;
(4)将i在1~j之间取值并启动内循环;
(5)计算hij=(wj,vi);
(6)计算wj=wj-hijvi;
(7)内循环结束;
(8)计算hj+1,j=||wj||2;
(9)判断hj+1,j是否为0;
(10)若hj+1,j为0,则将m取值为j并跳转至步骤(13);
(11)若hj+1,j不为0,计算vj+1=wj/hj+1,j;
(12)外循环结束;
(13)定义(m+1)×m阶的海森博格矩阵为Hm=[hij]1≤i≤m+1,1≤j≤m,利用最小二乘算法,计算ym使得||βe1-Hmy||2最小,并且有qm=q0+P-1Vmym;
(14)若满足重启动停止条件,则输出q=qm;若未满足,则取q0=qm,并返回步骤1重新迭代。
对上述求解过程的说明:m为Krylov空间内标准正交基Vm的维度,其取值原则为使得||(λ-1)F(xk)-Jkq||2最小,且其取值一般较小。步骤5中的(wj,vi)表示wj与vi的内积运算。重启动GMERS算法的停止条件为||(1-λ)F(xk)+Jkq||2<γ||(1-λ)F(xk)||2,其中γ为小于1的常数,其取值不宜过小,可取为0.9。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种多能互补系统的协调控制方法,其特征在于:所述方法包括如下步骤:
在日前调度阶段,通过基于次日长时间预测信息的日前鲁棒优化调度,确定具有大惯性环节装置的启停时段;
在日内调度阶段,通过基于日内短时间预测信息的日内多目标量子粒子群优化,确定可连续调节装置的输出功率;
利用日前与日内调度的协同优化,最终确定多能互补系统内源网荷储的运行方式,实现多能互补系统的协调控制。
2.根据权利要求1所述的多能互补系统的协调控制方法,其特征在于:所述大惯性环节装置是指:不能频繁调节且运行状态改变后需要维持改变后的状态持续运行一段时间的设备或控制量,包括:蓄热装置/锅炉的储放热模式、供热源切换选择、日前电价制定信息。
3.根据权利要求1所述的多能互补系统的协调控制方法,其特征在于:所述日前鲁棒优化调度的具体方法包括:
基于历史数据库、气候状态、用能服务信息对次日负荷的用能数量及分布式电源的发电量进行预测,并使用区间函数的形式对不确定量进行描述;
在日前调度阶段,对次日每小时内负荷、分布式电源的功率进行预测。
使用鲁棒优化控制考虑随机变量在预测区间内的所有可能性,具有min-max两阶段优化模式,其中内层为确定最大预测误差情况,外层为最小化总体优化目标。
4.根据权利要求1所述的多能互补系统的协调控制方法,其特征在于:所述可连续调节装置是指:可在一段时间内进行多次调节的设备或控制量,包括:储能的充放电功率、冷热电联产装置运行状态、室内温度设定值。
5.根据权利要求1所述的多能互补系统的协调控制方法,其特征在于:所述日内多目标量子粒子群优化的具体方法包括:
以5分钟为时间间隔,滚动刷新下阶段负荷及可再生能源的预测信息;
制定下一个5分钟时间间隔内可连续调节装置的功率设定值;
利用量子粒子群算法依概率收敛到全局最优解的特性,对原有量子粒子群算法的全局最优解和个体最优解的选择过程进行改进,并利用预处理阻尼JFNK算法对多目标量子粒子群算法实现过程中的等式约束进行处理;
依据变量与等式约束的数量关系,进行变量替换;
每轮随机选取初值,经多轮迭代后,获取所需的Pareto前沿,实现日内调度的控制目标。
6.根据权利要求5所述的多能互补系统的协调控制方法,其特征在于:所述日内调度的控制目标为:
在短时间尺度内平衡预测误差所造成的功率缺额,并使得系统在经济性、可靠性、环保性方面同时达到最优;
其中:
经济性目标为“燃料成本+维护成本-运行收益”最小;
可靠性指标以切负荷的补偿成本来衡量,即期望未满足负荷需求的量和单位负荷成本之积来衡量;
环保性指标以污染物处理成本来衡量,即将微型燃气轮机、柴油机、燃料电池等在供能过程中产生环境污染物排放量和单位污染物治理成本之积来衡量。
7.根据权利要求5所述的多能互补系统的协调控制方法,其特征在于:对原有量子粒子群算法的全局最优解和个体最优解的选择过程进行改进的具体方法包括:
在每轮初值选择后的第一次迭代时,个体最优解即为初值迭代计算获得的适应度函数值,全局最优解为从所有初次迭代个体最优解所组成的Pareto前沿中随机选择的一个值;
在每轮的非初次迭代阶段,将当前迭代获得的适应度函数值与当前个体最优解进行比较,选取两者中Pareto占优的值作为本次迭代的个体最优解;
将当前迭代所获得的所有粒子的个体最优解依次与历史最优解进行比较,选取两者中Pareto占优的值作为新的历史最优解,直到与所有粒子的个体最优解比较过后,获得本次迭代的历史最优解;
在获得本次迭代的全局最优解和个体最优解后,沿用原有量子粒子群算法程序对粒子进行更新,直到达到收敛条件,或本轮迭代次数限制,即可结束本轮量子粒子群算法的迭代过程。
8.根据权利要求5所述的多能互补系统的协调控制方法,其特征在于:获取所需的Pareto前沿的具体方法如下:
若选取的控制变量个数为n,则对于所选取粒子群中的每个粒子均为n维变量,对于每个控制变量存在一个控制范围,则在初始化阶段,对每个粒子的每维变量在各变量对应的控制范围内进行随机取值;
每次随机选取初值后,即可开始一轮多目标量子粒子群算法,利用量子粒子群算法依概率收敛到全局最优解的特性,在每轮多目标粒子群算法中经过多次迭代后,可获得一个Pareto前沿的点,这样经过n轮随机选取初值,进行迭代后,即可由所得的n个Pareto前沿点描绘出待优化系统的Pareto前沿。
9.根据权利要求5所述的多能互补系统的协调控制方法,其特征在于:所述阻尼JFNK算法的外循环使用传统牛顿迭代,使用阻尼法加速系统下降过程;
所述阻尼JFNK算法的内循环基于Krylov子空间,将修正量的求解转换为线性方程的求解,采用GMRES算法来进行内循环迭代。
10.根据权利要求5所述的多能互补系统的协调控制方法,其特征在于:对等式约束进行处理的方法包括:
依据变量个数m与等式约束n之间的关系,每次仅对m-n个变量使用量子粒子群算法进行迭代更新,而对n个变量通过将m-n个变量代入等式约束后,利用预处理阻尼JFNK算法求解等式约束后获得,再将每次迭代所获得的m个变量与其限值进行对比后,最终确定各变量的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889158.7A CN108985524B (zh) | 2018-08-07 | 2018-08-07 | 一种多能互补系统的协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889158.7A CN108985524B (zh) | 2018-08-07 | 2018-08-07 | 一种多能互补系统的协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985524A true CN108985524A (zh) | 2018-12-11 |
CN108985524B CN108985524B (zh) | 2020-11-17 |
Family
ID=64555059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810889158.7A Active CN108985524B (zh) | 2018-08-07 | 2018-08-07 | 一种多能互补系统的协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985524B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110137953A (zh) * | 2019-05-15 | 2019-08-16 | 国网冀北综合能源服务有限公司 | 基于分布式能源站多能源系统的协同运行优化方法 |
CN110909959A (zh) * | 2019-12-16 | 2020-03-24 | 国网青海省电力公司电力科学研究院 | 一种计及风电运行风险的多能互补电力系统鲁棒优化方法 |
CN111969602A (zh) * | 2020-08-14 | 2020-11-20 | 山东大学 | 一种综合能源系统的日前随机优化调度方法及装置 |
CN112364288A (zh) * | 2020-10-27 | 2021-02-12 | 中国核动力研究设计院 | 一种反应堆多物理场耦合计算系统及方法 |
CN113742931A (zh) * | 2021-09-13 | 2021-12-03 | 中国电子信息产业集团有限公司第六研究所 | 一种区块链边缘安全检测方法、系统、电子设备 |
CN117490133A (zh) * | 2023-12-29 | 2024-02-02 | 上海勘测设计研究院有限公司 | 一种供暖控制方法及多能互补供暖系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151798A (zh) * | 2013-03-27 | 2013-06-12 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
CN104614985A (zh) * | 2014-11-27 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性规划的高阶系统最优降阶方法 |
US20150161987A1 (en) * | 2013-12-06 | 2015-06-11 | International Business Machines Corporation | Systems and methods for accelerating hessian-free optimization for deep neural networks by implicit preconditioning and sampling |
CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
CN107732983A (zh) * | 2017-10-22 | 2018-02-23 | 清华大学 | 一种电‑热耦合多能流系统的日内滚动调度方法 |
CN107832919A (zh) * | 2017-10-17 | 2018-03-23 | 国网江苏省电力公司盐城供电公司 | 一种用于间歇性可再生能源接入电网的源网荷协调控制系统 |
CN108108888A (zh) * | 2017-12-18 | 2018-06-01 | 国网冀北电力有限公司 | 风力发电及光伏发电的有功指令协同控制方法及装置 |
CN108335232A (zh) * | 2018-02-08 | 2018-07-27 | 清华大学 | 基于备用整定的双层鲁棒机组组合方法 |
-
2018
- 2018-08-07 CN CN201810889158.7A patent/CN108985524B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151798A (zh) * | 2013-03-27 | 2013-06-12 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
US20150161987A1 (en) * | 2013-12-06 | 2015-06-11 | International Business Machines Corporation | Systems and methods for accelerating hessian-free optimization for deep neural networks by implicit preconditioning and sampling |
CN104009494A (zh) * | 2014-04-16 | 2014-08-27 | 武汉大学 | 一种环境经济发电调度方法 |
CN104614985A (zh) * | 2014-11-27 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性规划的高阶系统最优降阶方法 |
CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
CN107832919A (zh) * | 2017-10-17 | 2018-03-23 | 国网江苏省电力公司盐城供电公司 | 一种用于间歇性可再生能源接入电网的源网荷协调控制系统 |
CN107732983A (zh) * | 2017-10-22 | 2018-02-23 | 清华大学 | 一种电‑热耦合多能流系统的日内滚动调度方法 |
CN108108888A (zh) * | 2017-12-18 | 2018-06-01 | 国网冀北电力有限公司 | 风力发电及光伏发电的有功指令协同控制方法及装置 |
CN108335232A (zh) * | 2018-02-08 | 2018-07-27 | 清华大学 | 基于备用整定的双层鲁棒机组组合方法 |
Non-Patent Citations (1)
Title |
---|
马光同: "预处理Jacobian-free Newton-Krylov法在求解超导电磁场问题中的应用", 《中国电机工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110137953A (zh) * | 2019-05-15 | 2019-08-16 | 国网冀北综合能源服务有限公司 | 基于分布式能源站多能源系统的协同运行优化方法 |
CN110909959A (zh) * | 2019-12-16 | 2020-03-24 | 国网青海省电力公司电力科学研究院 | 一种计及风电运行风险的多能互补电力系统鲁棒优化方法 |
CN110909959B (zh) * | 2019-12-16 | 2023-04-07 | 国网青海省电力公司电力科学研究院 | 一种计及风电运行风险的多能互补电力系统鲁棒优化方法 |
CN111969602A (zh) * | 2020-08-14 | 2020-11-20 | 山东大学 | 一种综合能源系统的日前随机优化调度方法及装置 |
CN112364288A (zh) * | 2020-10-27 | 2021-02-12 | 中国核动力研究设计院 | 一种反应堆多物理场耦合计算系统及方法 |
CN112364288B (zh) * | 2020-10-27 | 2022-08-05 | 中国核动力研究设计院 | 一种反应堆多物理场耦合计算系统及方法 |
CN113742931A (zh) * | 2021-09-13 | 2021-12-03 | 中国电子信息产业集团有限公司第六研究所 | 一种区块链边缘安全检测方法、系统、电子设备 |
CN113742931B (zh) * | 2021-09-13 | 2024-01-26 | 中国电子信息产业集团有限公司第六研究所 | 一种区块链边缘安全检测方法、系统、电子设备 |
CN117490133A (zh) * | 2023-12-29 | 2024-02-02 | 上海勘测设计研究院有限公司 | 一种供暖控制方法及多能互补供暖系统 |
CN117490133B (zh) * | 2023-12-29 | 2024-03-22 | 上海勘测设计研究院有限公司 | 一种供暖控制方法及多能互补供暖系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108985524B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985524A (zh) | 一种多能互补系统的协调控制方法 | |
Hossain et al. | Modified PSO algorithm for real-time energy management in grid-connected microgrids | |
Vázquez-Canteli et al. | Reinforcement learning for demand response: A review of algorithms and modeling techniques | |
Bahrami et al. | Deep reinforcement learning for demand response in distribution networks | |
Majidi et al. | Application of information gap decision theory in practical energy problems: A comprehensive review | |
Wang et al. | Multi-agent control system with intelligent optimization for smart and energy-efficient buildings | |
Gelazanskas et al. | Demand side management in smart grid: A review and proposals for future direction | |
CN104616069B (zh) | 一种年度发电计划滚动分解优化方法 | |
CN108429288A (zh) | 一种考虑需求响应的离网型微电网储能优化配置方法 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
Levent et al. | Energy management for microgrids: a reinforcement learning approach | |
Li et al. | Model-based multi-objective predictive scheduling and real-time optimal control of energy systems in zero/low energy buildings using a game theory approach | |
Zhang et al. | Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control | |
CN113762650B (zh) | 一种分散式预测电网的优化方法及系统 | |
CN112700066A (zh) | 一种电-热综合能源系统调度最佳时间尺度配合方法 | |
CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN112311019A (zh) | 多智能体系统及其能源路由策略 | |
CN112966444A (zh) | 一种建筑多能源系统智慧能量优化方法及装置 | |
Yu et al. | Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction | |
CN108448649A (zh) | 一种基于自主学习群搜索算法的联合调度方法及系统 | |
Zhang et al. | Multi-objective optimal control algorithm for HVAC based on particle swarm optimization | |
Wang et al. | An information fusion based multi-agent control system for indoor energy and comfort management in smart and green buildings | |
Jain et al. | Multi-objective-based robust unit commitment using hydro-thermal-wind: A hybrid technique | |
Pang et al. | A bi-objective low-carbon economic scheduling method for cogeneration system considering carbon capture and demand response | |
Chen et al. | A Multi-time scale robust energy management scheme for grid-connected micro-grid |
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 |