CN110266061B - 一种基于多代理系统的港口岸电参与电网调控方法和系统 - Google Patents

Abstract

本发明提供了一种基于多代理系统的港口岸电参与电网调控方法和系统，核心控制代理根据电网的当前状态以及预测状态，分析电网各参与对象的可能动作，计算各个参与对象代理的优化目标，寻找出各个代理的最佳策略；核心控制代理根据最佳策略计算供给侧代理的计划出力，与系统反馈的供给侧代理预测出力进行对比；差值部分由核心控制代理公布到“黑板”数据库中；供给侧代理收到核心控制代理的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行结果。实现兼顾靠港船舶、港口、电网等方面的效益，港口岸电参与电网调控后，能够明显降低系统的运行成本和气体排放量，促进社会节能减排。

Description

一种基于多代理系统的港口岸电参与电网调控方法和系统

技术领域

本发明属于电力系统供需互动技术领域，特别涉及一种基于多代理系统的港口岸电参与电网调控方法和系统。

背景技术

当前，节能环保已上升为国家战略，其中，电能替代作为转变能源发展方式、实现能源战略转型、实施能源革命的重大举措，电能替代，是指在能源消费上，利用电力能源代替煤炭、石油、天然气等化石能源以及常规终端能源直接消费，通过大规模集中转化来提高燃料使用效率、减少污染物排放，进而达到改良终端能源结构，促进环保的效果。港口岸电作为推广电能替代的重要场景之一，具有替代潜力大，互动能力强的特点，积极探索港口岸电参与电网调控的技术，以促进社会节能减排，降低系统运行成本，具有理论意义和实际应用价值。

绿色港口岸电是电能替代中重要的环节，在国家能源部颁发的《关于推进电能替代的指导意见(发改能源[2016]1054号)》将在沿海、沿江、沿河港口码头，推广靠港船舶使用岸电确定为电能替代的重要任务。

但是港口岸电负荷参与电网调控系统，既涉及到负荷侧靠港船舶电气设备中的可调控负荷，又涉及到电源侧各个电源的出力特点，参与对象众多，比如有港口、电网、船舶、政府等多个参与方，如何兼顾多方利益完成供给侧和需求侧资源的信息交互，在保证港口岸电的经济、绿色运行目标前提下，实现港口岸电负荷参与电网的有序调控以及形成易扩展、便于推广的调控方法仍存在问题。

发明内容

本发明的目的在于，针对上述问题，提出一种基于多代理系统的港口岸电参与电网调控方法和系统，解决了目前无法兼顾多方利益完成供给侧和需求侧资源的信息交互，无法实现港口岸电负荷参与电网的有序调控、扩展的问题。

为了实现上述目标，本发明采用了以下技术方案：一种基于多代理系统的港口岸电参与电网调控系统，其特征在于，包括：

协调层和互动对象层，所述协调层包括核心控制Agent，核心控制Agent用于对互动对象层中各个代理协调控制，接收电网的调控信息和各个用电系统Agent用电信息，并根据信息进行计算优化，将控制策略下发给下层Agent；

互动对象层包括供给侧Agent和需求侧Agent，供给侧Agent根据上层核心控制Agent下发的控制策略和自身的状态计算调整当前供给侧发电系统的发电计划，需求侧Agent根据上层核心控制Agent下发的控制策略和当前用电系统的状态调整用电系统的用电策略，从而协调地对港口岸电系统进行控制。

优选的，所述供给侧Agent包括：风力发电机Agent、光伏电源Agent以及火力发电机组Agent，需求侧Agent包括：靠港船舶Agent。

一种根据前述的任意一项基于多代理系统的港口岸电参与电网调控系统的调控方法，其特征在于，包括步骤：

步骤1，建立电网各参与对象模型，包括：建立港口岸电可调负荷模型、电网侧可调控对象模型，构建基于多代理系统的港口岸电参与电网调控的优化模型；

步骤2：核心控制Agent通过读取供给侧和需求侧Agent发送的信息得到电网各参与对象的当前运行状态以及预测状态；

步骤3：核心控制Agent根据电网的当前状态以及预测状态，分析电网各参与对象的可能动作，形成电网的动作集合，计算各个参与对象代理的优化目标，寻找出各个代理的最佳策略；

步骤4：核心控制Agent根据最佳策略计算供给侧Agent的计划出力，与系统反馈的供给侧Agent预测出力进行对比；若计划出力小于预测出力，则向供给侧Agent发送目标信息，通知对应Agent控制出力到计划出力大小；若超出，则向供给侧Agent发送目标信息，通知对应Agent按照预测出力进行出力，差值部分由核心控制Agent公布到“黑板”数据库中；

步骤5：供给侧Agent在收到核心控制Agent的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行度以及执行结果。

优选的，所述港口岸电可调负荷模型，包括：

(1)照明设备能耗模型：

式中，P_LA(t)为时刻t船舶所需人工光源进行补充照明的功率；E_s,t为室内综合照度值；E_e,t为自然光的照度；η_e为自然光利用系数，P_LS,n为当前照明区域内单个光源的功率；S_all为需要照明的总面积；t_work为船舶靠港停靠期间照明系统工作时长，φ表示照明区域内的光通量，U表示照明利用系数；K表示灯具维护系数；const表示不在工作时间时的照明功率，为一常数；

(2)空调设备能耗模型：

式中：T_in(t)为t时刻的室内温度；T_in(t+1)为t+1时刻的室内温度；T_out(t+1)为t+1时刻的室外温度；C为等效热容；R为等效热阻；Δt为时间间隔；P_AC(t)为t时刻空调系统的用电功率；η为空调系统的能效比。

优选的，所述电网侧可调控对象模型，包括：

(1)风力发电机出力模型：

式中：P_WT为风力发电机的输出功率，ρ为空气密度；A₁为风力发电机叶片面积；η^W为风力发电机功率系数；V^cutin为切入风速；V^cutout为切出风速；V^nom为额定风速；V_t为t时刻风速；

(2)光伏发电出力模型：

P_PV(t)＝[P_PV,STC×(1-γ×(T_j(t)-T_jSTC))]×N_PVp×N_PVs

式中：P_PV(t)为t时刻光伏电池的输出功率，P_PV,STC为标准测试条件下的最大输出功率；T_jSTC为光伏电池板参考温度；N_PVs为太阳能光伏模块中的串联单元数量；N_PVp为太阳能光伏中的并联单元数量；γ为功率-温度系数；T_j(t)为t时刻光伏电池的温度；

式中：T_amp为环境温度；G_T(t)为t时刻在倾斜光伏电池板上的太阳辐射；

为标准测试条件下的太阳辐射；NOCT为正常运行时光伏电池板温度；

(3)火力发电机组出力模型：

c_i(p_i,t,u_i,t-1,u_i,t)＝g_i(u_i,t-1,u_i,t)+f_i(p_i,t)

式中：c_i(p_i,t,u_i,t-1,u_i,t)为第i台机组在t时刻的发电成本，g_i(u_i,t-1,u_i,t)为第i台机组在t时刻的启动成本，f_i(p_i,t)为第i台机组在t时刻的能耗成本；p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态。

优选的，所述基于多代理系统的港口岸电参与电网调控的优化模型，包括：

1.1靠港船舶Agent优化目标为：靠港船舶的用电费用函数F₁最小，目标函数为：

式中：p(t)为分时电价；P₀(t)为不可调控负荷；n₁、n₂、n₃分别为船舶中照明设备、空调设备和可平移负荷的数量；

为分别为船舶中照明设备、空调设备和可平移负荷的总负荷；

1.2靠港船舶Agent优化约束条件：

1)温度约束：

T_in,min≤T_in(t)≤T_in,max

式中：T_in,max、T_in,min为室内温度的上、下限，T_in(t)为t时刻的室内温度；

2)人体热舒适度约束：-1≤PMV≤+1，PMV描述人体的舒适程度；

3)照度约束：

|VSC_t|≤VSC_bv

式中，VSC_t为用户在时段t的照明舒适度值；VSC_bv为用户可接受的照明舒适度边界值；

4)可平移负荷用电约束：

t_a<t_use,a

式中：t_a为负荷平移之后完成的时间；t_use,a为用户的使用时间；

2.1光伏电源Agent优化目标为：光伏电源收益F₂最大化，目标函数为：

F₂＝max(p_上网·P_out)

式中，P_out为光伏电源当前出力值，p_上网为光伏电源并网电价；

2.2光伏电源Agent优化约束条件包括：

P_PV,pu(t)≤P_{PV_mppt,pu}

式中，P_PV,pu(t)为t时刻光伏电源功率；P_{PV_mppt,pu}为光伏以最大功率点输出时的有功功率；

∑P_p,b(t)*p_p,b(t)+G_p-G_p,c-∑P_p,G(t)*p_p.G(t)≥0

式中，P_p,b(t)为t时刻光伏的上网功率，p_p,b(t)为t时刻光伏并网的电价，G_p为分布式光伏电源对自身所带负荷供电的收入，G_p,c为分布式光伏电源维护、建造费用，P_p,G(t)为t时刻光伏电源需要电网支撑电量，p_p.G(t)为t时刻电网向分布式光伏电源供电时单位电价；

3.1风力发电Agent优化目标为：风力发电机运营者的效益F₃最大，目标函数为：

F₃＝max(p′_上网·P′_out)

式中，P′_out为分布式风力发电当前出力值，p′_上网为分布式风力发电并网电价；

3.2风力发电Agent优化约束条件：

P_wind,pu(t)≤P_{wind_max}

式中，P_wind,pu(t)为t时刻风力发电的功率；P_{wind_max}为风力发电发电功率最大值；

∑P_w,b(t)*p_w,b(t)+G_w-G_w,c-∑P_w,G(t)*p_w.G(t)≥0

式中，P_w,b(t)为t时刻风力发电的上网电量，p_w,b(t)为风力发电机的并网电价，G_w为分布式风力发电对自身所带负荷供电的收入，G_w,c为分布式风力发电维护、建造费用，P_w,G(t)为t时刻风力发电需要电网支撑电量，p_w.G(t)为t时刻电网向分布式风力发电供电时单位电价；

4.1火力发电Agent优化目标为：火电机组运行时的启动成本和能耗成本F₄最小，目标函数为：

式中，p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态，N为火力发电机组的台数，T为控制周期；

4.2火力发电Agent优化约束条件：

1)机组输出功率约束：

式中：

为第i台机组的最小输出功率；

为第i台机组的最大输出功率；

2)最小开停机时间约束：

式中：

为第i台机组在t时刻连续开机运行的时间；

为第i台机组允许连续开机运行的最大时间，T_i ^down为第i台机组连续停机的最大时间；

为第i台机组在t时刻连续停机的时间；

3)热备用约束：

式中：

为t时刻的总负荷,γ_t为t时刻的热备用容量；

5.1核心控制Agent经济优化目标为：采用日运行经济成本f₁最低为优化目标：

式中：C_Wind(t)、C_PV(t)、C_HD(t)分别为t时刻风力发电机、光伏电源和火力发电机组的发电成本；

5.2核心控制Agent环境优化目标为：以系统中污染物排放对环境的影响f₂最小作为优化目标：

式中：E_HD(t)为t时刻火力发电机组的污染物排放量。

本发明的有益效果：本发明首先从供需两侧分析了可调对象，并建立了其数学模型；为解决众多参与对象的协调互动问题，将多代理技术引入港口岸电参与电网调控中来，建立了分层协调、易于扩展的多代理优化控制系统，将具备独立控制的供给侧和需求侧资源建立为独立的Agent单元，为了梳理多个独立单元之间的互动协调机制，并设立上层的控制核心Agent，建立了港口岸电多代理控制系统；最后通过实施例进行仿真验证，分析了港口岸电负荷参与电网调控的互动策略以及不同情景下系统运行成本与气体排放量，验证了采用港口岸电替代船舶辅助发电机和港口岸电参与电网调控后，能够明显降低系统的运行成本和气体排放量，促进社会节能减排。

附图说明

图1为基于MAS的港口岸电参与电网调控系统结构图；

图2为调控系统通信网络结构图；

图3为本发明调控方法流程图；；

图4为港口岸电负荷的调控特性图；

图5为空调设备模型图；

图6为港口岸电智能供电结构图；

图7为外界逐时风速变化曲线图；

图8为外界逐时太阳辐射变化曲线；

图9为外界逐时气温变化曲线图，

图10为电价曲线图；

图11为船舶空调系统设定温度图；

图12为船舶照明系统设定照度图；

图13为船舶各用电系统逐时电量占比图；

图14为港口岸电参与电网调控方案图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

港口岸电负荷参与电网调控既涉及到负荷侧靠港船舶电气设备中的可调控负荷，又涉及到电源侧各个电源的出力特点，涉及到的对象众多，调控过程十分复杂。考虑到港口岸电参与电网调控系统内部对象众多，若进行单独对象的控制较为复杂，且当系统中设备出现增减时需调整整体控制模型，模型可扩展性差；同时为了能够充分调动供需两侧的可调控资源，兼顾港口、电网、船舶、政府等各方的效益，实现能源高效利用、减少污染物排放、经济性能好的调控策略，本文采用基于多代理系统(Multi-Agent System,MAS)实现港口岸电负荷参与电网调控，从而达到分层布控、逐步实现互动的既定效果。

如图1所示，为本发明的一种基于多代理系统(Multi-Agent System，MAS)的港口岸电参与电网调控系统，包括两层：第一层的协调层和第二层的互动对象层，所述协调层包括由港口、电网、船舶、政府等组成的核心控制Agent，是整个港口岸电负荷参与电网调控系统中的总调度Agent，其目标为经济效益和环境效益最优，主要功能是处理船舶、分布式风力发电机、分布式光伏电源、火力发电机组的协调控制；可以接收电网的调控信息和第二层各个用电系统Agent用电信息，并根据信息进行计算优化，将决策好的用电策略下发给下层Agent；

互动对象层包括供给侧Agent和需求侧Agent，所述供给侧Agent包括：风力发电机Agent、光伏电源Agent以及火力发电机组Agent，需求侧Agent包括：船舶Agent，其目标是各个Agent实现效益最大化，主要任务有两个，一是实现与核心控制Agent的交互，二是协调内部各个设备的优化决策。供给侧Agent根据上层核心控制Agent下发的控制策略和自身的状态计算调整当前供给侧发电系统的发电计划，需求侧Agent根据上层核心控制Agent下发的控制策略和当前用电系统的状态、天气等信息调整用电系统的用电策略，从而协调地对港口岸电系统进行控制。

如图2所示，在MAS系统中，各Agent之间的信息交互，是保证MAS系统安全稳定高效运行的重要手段。

本发明的MAS信息交互方式包括点对点请求—应答通信方式以及黑板通信方式，其中，黑板通信方式其特性可以概括为广播式通信。该通讯方式包括了多个Agent以及一个可以用来记录Agent信息或事件的数据库，这个数据库是所有Agent共享的。当某一Agent经过自身运行状态分析后，需要其他Agent协同完成某项任务，此时可以将所需完成目标信息整合，发送到“黑板”即共享数据库中，当其他任意使用共享数据库的Agent经自身分析发现可以完成发送信息者所发布的任务信息时，该Agent将发布执行目标任务的信息到“黑板”，这样其他Agent不会重复完成该项目标任务。在整个MAS系统运行中，黑板数据库不断更新，使得Agent之间的交流信息也不断更新。这种方法不但能够加强Agent间的相互协作，同时信息共享也加快了整个系统对某一任务指标的完成提高了工作效率。在本发明对应的协调控制体系中，核心控制Agent通过“黑板”数据库的资源共享利用这种通信方式将各类Agent聚合起来。

直接接入配电网络的分布式电源与靠港船舶Agent都与核心控制Agent通过点对点的通信方式，分别有命令与通知两条通信线路；核心控制Agent对配电网层的黑板保持不断通信，告知其目前系统中的需要协调配合的目标信息；下层Agent可以随时根据自身情况从黑板Agent中提取系统所需目标信息，执行，并反馈信息；同一等层的Agent之间，也相互交互自身目前运行工况。

如图3所示，一种基于多代理系统的港口岸电参与电网调控方法，包括步骤：

步骤1，建立港口岸电可调负荷模型、电网侧可调控对象模型，并基于此，构建基于多代理系统的港口岸电参与电网调控的优化模型；

步骤2：核心控制Agent通过读取供给侧和需求侧Agent发送的信息得到电网各参与对象的当前运行状态以及预测状态；电网各参与对象包括：风力发电机、火力发电机、光伏电源、港口岸电各用电设备。

步骤3：核心控制Agent根据电网的当前状态以及预测状态，分析电网各参与对象的可能动作，形成电网的动作集合A，可能动作包括：例如：风力发电机的动作集合包括增大/降低出力，若已达上下限，则保持上一状态出力；火力发电机、光伏电源与之类似。港口岸电中的照明设备的动作集合包括调高、调低和保持照明设备的亮度；港口岸电中的空调设备的动作集合包括调高、调低和保持空调设备的设定温度；通过Q学习算法计算各个参与对象代理的优化目标，其中，核心控制Agent的目标有两个，一是经济目标最优，二是环境目标最优，寻找出各个代理的最佳策略；即港口岸电参与电网调控系统中各个参与者的最佳运行方式，该运行方式是通过Q学习算法优化求解得到的，是能够兼顾各方利益的折中解，该运行方式对应的优化目标对于该系统而言是最佳的。

步骤4：核心控制Agent根据最佳策略计算供给侧Agent的计划出力，与系统反馈的供给侧Agent预测出力进行对比；若计划出力小于预测出力，则通过点对点通信方式向供给侧Agent发送目标信息，通知对应Agent控制出力到计划出力大小；若超出，则点对点通信向供给侧Agent发送目标信息，通知对应Agent按照预测出力进行出力，而差值部分由核心控制Agent公布到“黑板”数据库中；

步骤5：供给侧Agent在收到核心控制Agent的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行度以及执行结果。

所述步骤1，建立港口岸电可调负荷模型、电网侧可调控对象模型，并基于此，构建基于多代理系统的港口岸电参与电网调控的优化模型，具体过程包括：

分析港口岸电负荷用电特性并对可调负荷和电网侧可调控对象进行建模；

港口岸电的服务对象是靠港船舶，在探索港口岸电参与电网调控的互动之前，需要明确港口岸电负荷是否具有调控潜力以及调控潜力有多少，因此，需要对船舶电气设备的用电特性进行分析。

从设备功能上来看，船舶用电设备可以分为以下几类：动力装置用辅机、甲板机械、舱室辅机、机修机械、冷藏通风、厨房设备、照明设备、弱电设备、自动化设备和其他等。从负荷调控特性上来看，这些设备可以归纳为关键负荷、可中断负荷、可平移负荷和可削减负荷等四类。其中，关键负荷是船舶靠港期间生产生活中的必需负荷，不可调节；可中断负荷在电力供需紧张时，可以中断供电；可平移负荷可以整体由某一时段平移到另一时段；可削减负荷在满足用户要求的前提下，可以通过调节某些参数以降低电力能源消耗。综合考虑港口岸电负荷的设备分类和负荷的可调控特性两方面因素，可以将港口岸电负荷划分为如图4的形式。

1.建立港口岸电可调负荷模型：

本发明选取照明设备和冷藏通风中耗电量最大的空调设备作为船舶岸电系统参与电网调控的负荷侧对象，分别建立二者模型：

(1)照明设备能耗模型：

室内平均照度的计算方式如式所示：

式中，E_av为工作面平均照度，单位为lx；Φ_s为每个灯具中光源额定总光通量，单位为lm；N为灯具数；U为照明利用系数；A为工作面面积，单位为m²；K为灯具维护系数，一般取0.8。

光通量Φ是根据辐射对标准光度观察者的作用导出的光度量，对于明视觉有：

式中，K_m光谱光视效能的峰值，V(λ)为光谱光视效率，λ为波长，

为光谱辐射能通量。

一般为满足港口照明亮度需求，要将环境中的光照强度保持在一定水平之上，即自然光照明与人工光源照明的叠加结果能满足室内人员对光源照度的需求。

室内综合照度值可由下式进行计算：

E_s,t＝E_b,t+η_eE_e,t

式中，E_s,t为室内综合照度值，单位：lx；E_b,t为人工照明进行补充所产生的照度值，单位：lx；E_e,t为自然光的照度，单位：lx；η_e为自然光利用系数，取0.4。

因此，船舶中人工照明单位时间能耗量可由下式进行计算：

式中，P_LA(t)为时刻t船舶所需人工光源进行补充照明的功率，单位为kW；P_LS,n为当前照明区域内单个光源的功率，kW；S_all为需要照明的总面积，单位为m²；t_work为船舶靠港停靠期间照明系统工作时长，φ表示照明区域内的光通量，U表示照明利用系数，一般室内取0.4，室外取0.3；K表示灯具表示维护系数，一般取0.7～0.8；const表示不在工作时间时的照明功率，为一常数(此时照明系统的用电量很小，所以不进行调节，即为常数)，本发明假设船舶靠港期间照明设备一直处于工作状态。

(2)空调设备能耗模型：

空调设备通过室内外的热量交换，为室内人员提供良好的温度需求，本发明参照模拟家庭和小型工商业用户的空调机组的等效热参数模型来描述船舶空调设备的能耗，其等效热参数模型如图5所示，室内温度的计算公式为：

式中：T_in(t)为t时刻的室内温度，单位为℃；T_in(t+1)为t+1时刻的室内温度；T_out(t+1)为t+1时刻的室外温度；C为等效热容，单位为J/℃；R为等效热阻，单位为℃/W；Δt为时间间隔；P_AC(t)为t时刻空调系统的用电功率，单位为kW；η为空调系统的能效比，即制冷量(制热量)与运行功率之比，该值越高，空调系统就越省电。

当空调系统工作在制冷状态时，ηP_AC前的符号为负；当空调系统工作在制热状态时，ηP_AC前的符号为正；当空调系统处于非工作状态时，ηP_AC为零。

2.建立电网侧可调控对象模型：

港口实施“以电代油”，利用岸电设备向停靠船舶供电，保证船舶的正常用能需求，这极大地增大了终端的用电需求，从而提高电厂增发电量，对于电网电源的影响主要表现在：

可以提高风力发电、光伏发电等新能源的消纳率，减少“弃风弃光”现象发生的概率；将电能替代增售电量与发电厂机组发电小时及机组效率结合，降低对燃煤发电厂的需求，优化发电厂的发电计划，从而提高发电厂的机组运行效率，促进电能替代。

(1)风力发电机出力模型：

风力发电机的输出功率取决于风速的大小，其输出功率可以用下式表示：

式中：P_WT为风力发电机的输出功率，ρ为空气密度(kg/m³)；A₁为风力发电机叶片面积(m²)；η^W为风力发电机功率系数；V^cutin为切入风速(m/s)；V^cutout为切出风速(m/s)；V^nom为额定风速(m/s)；V_t为t时刻风速(m/s)。

(2)光伏发电出力模型：

光伏电池的输出功率取决于温度和太阳辐射的最大功率点的情况，光伏电池的温度为：

式中：T_j(t)为t时刻光伏电池的温度，T_amp为环境温度(℃)；G_T(t)为t时刻在倾斜光伏电池板上的太阳辐射(kW/m²)；G_TSTC为标准测试条件下的太阳辐射(kW/m²)；NOCT为正常运行时光伏电池板温度(℃)。

则光伏电池的输出功率为：

P_PV(t)＝[P_PV,STC×(1-γ×(T_j(t)-T_jSTC))]×N_PVp×N_PVs

式中：P_PV(t)为t时刻光伏电池的输出功率，P_PV,STC为标准测试条件下的最大输出功率(kW)；T_jSTC为光伏电池板参考温度(℃)；N_PVs为太阳能光伏(PV)模块中的串联单元数量；N_PVp为PV模块中的并联单元数量；γ为功率-温度系数。

(3)火力发电机组出力模型

火力发电厂利用化石能源作为一次能源产生电能的工厂，其生产效率与蒸汽参数和运行工况有关，火力发电机组的发电成本为机组的启动成本和能耗成本之和，如下式所示：

c_i(p_i,t,u_i,t-1,u_i,t)＝g_i(u_i,t-1,u_i,t)+f_i(p_i,t)

式中：c_i(p_i,t,u_i,t-1,u_i,t)为第i台机组在t时刻的发电成本，g_i(u_i,t-1,u_i,t)为第i台机组在t时刻的启动成本，f_i(p_i,t)为第i台机组在t时刻的能耗成本。p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态(u_i,t＝0表示机组停机，u_i,t＝1表示机组开机)。

机组的启动成本，即机组由停机状态切换到运行状态所需的成本，与机组停机时间长短成正相关关系，根据机组停机时间长短，可以将启动成本划分为热启动成本和冷启动成本，工程上通常采用两阶段函数或者指数函数来表示机组的启动成本，其中，指数函数形式表示如下式所示：

采用两阶段函数描述启动成本的表达式如下式所示：

式中：S_h为热启动成本；S_c为冷启动成本；T_i ^down为第i台机组的最小停机时间；

为第i台机组在t时刻停机的时间；T_i ^cold为第i台机组的冷启动时间；b_0i、b_1i、_τi为第i台机组的启动耗量特性系数。

火力发电机组的能耗成本通常可以采用二次函数进行表示，如下式所示：

f_i(p_i,t)＝a_i+b_ip_i,t+c_i(p_i,t)²

式中：a_i、b_i、c_i为第i台机组的运行成本系数。

4.基于MAS的港口岸电参与电网调控优化模型

靠港船舶Agent管理接入港口岸电的靠港船舶集群的智能用电行为，依靠智能电网技术，假设每辆船舶一旦驶入港口，就占用一台港口岸电供电电源，Agent可以通过供电电源检测和记录相应船舶的相关信息，包括驶入时间、预计离开时间等信息，其中，预计离开时间由用户进行选择并将这一信息反馈给上层控制核心Agent，靠港船舶Agent在每个控制时段开始的时候刷新数据，一旦港口岸电负荷发生变化，或者检测到有新的船舶接入或离开，靠港船舶Agent就会更新其数据库，做一次优化计算，得到各时段船舶的智能用电策略，然后严格执行这一时段的用电安排，港口岸电智能供电结构见图6。当然，在这个时段结束时，靠港船舶Agent再次刷新数据，若这些数据有变化，就根据这些数据再做一次优化，确定下一时段的用电策略；反之，若这些数据没有发生变化，则按照上一次的优化结果安排用电。

(1)优化目标

根据港口岸电负荷用电特性分析的结果以及可调控负荷模型，在分时电价机制下，以靠港船舶的用电费用F₁为优化目标，利用分时电价信息引导船舶中的可调控负荷参与需求响应以优化用能方式、改善负荷曲线，靠港船舶的用电费用目标函数F₁为：

式中：p(t)为分时电价(元/kWh)；P₀(t)为不可调控负荷(kW)；n₁、n₂、n₃分别为船舶中照明设备、空调设备和可平移负荷的数量；

为分别为船舶中照明设备、空调设备和可平移负荷的总负荷。

(2)约束条件：

1)温度约束：

为了保证人们的热舒适度，室内温度不宜过高或过低，应满足的约束为：

T_in,min≤T_in(t)≤T_in,max

式中：T_in,max、T_in,min为室内温度的上、下限。

2)人体热舒适度约束：

以PMV指标描述人体的舒适程度，参照ISO-7730《适中的热环境—PMV与PPD指标的确定及热舒适条件的确定》设计规范，人体热舒适度约束表达式为：

-1≤PMV≤+1

3)照度约束：

|VSC_t|≤VSC_bv

式中，VSC_t为用户在时段t的照明舒适度值；VSC_bv为用户可接受的照明舒适度边界值；

4)可平移负荷用电约束：

对于这类负荷设备的约束，表现为负荷平移后应能满足用户需求，必需在使用前完成工作，应满足的约束为：

t_a<t_use,a

式中：t_a为负荷平移之后完成的时间；t_use,a为用户的使用时间。

光伏电源Agent首先要接受上层Agent所发送的运行命令，此外也将自身运行状态，即当前出力大小以及预测下一时间点出力大小通知上层核心控制Agent。

(1)目标函数

光伏电源Agent的主要运行目标为新能源损耗最小，即光伏电源的收益F₂最大化，目标函数如下：

F₂＝max(p_上网·P_out)

式中，P_out为光伏电源当前出力值，p_上网为光伏电源并网电价。

(2)约束条件

光伏发电限制：

P_PV,pu(t)≤P_{PV_mppt,pu}

式中，P_PV,pu(t)为t时刻光伏电源功率；P_{PV_mppt,pu}为光伏以最大功率点输出时的有功功率。

分布式电源建立目标是至少不能亏损，因此分布式光伏电源的约束条件为：

∑P_p,b(t)*p_p,b(t)+G_p-G_p,c-∑P_p,G(t)*p_p.G(t)≥0

式中，P_p,b(t)为t时刻光伏的上网功率，p_p,b(t)为t时刻光伏并网的电价，G_p为分布式光伏电源对自身所带负荷供电的收入，G_p,c为分布式光伏电源维护、建造等费用，P_p,G(t)为t时刻光伏电源需要电网支撑电量，p_p.G(t)为t时刻电网向分布式光伏电源供电时单位电价。

风力发电Agent功能与光伏电源Agent相似，作为下层Agent其主要通信职能为接受上层Agent命令，通知上层Agent运行状态以及出力预测；

(1)目标函数

风力发电Agent的主要运行目标为新能源损耗最小，即风力发电机运营者的效益F₃最大，目标函数如下：

F₃＝max(p′_上网·P′_out)

式中，P′_out为分布式风力发电当前出力值，p′_上网为分布式风力发电并网电价。

(2)约束条件

风力发电限制：

P_wind,pu(t)≤P_{wind_max}

式中，P_wind,pu(t)为t时刻风力发电的功率；P_{wind_max}为风力发电发电功率最大值。

分布式电源建立目标是至少不能亏损，因此分布式风力发电的约束条件为：

∑P_w,b(t)*p_w,b(t)+G_w-G_w,c-∑P_w,G(t)*p_w.G(t)≥0

式中，P_w,b(t)为t时刻风力发电的上网电量，p_w,b(t)为风力发电机的并网电价，G_w为分布式风力发电对自身所带负荷供电的收入，G_w,c为分布式风力发电维护、建造等费用，P_w,G(t)为t时刻风力发电需要电网支撑电量，p_w.G(t)为t时刻电网向分布式风力发电供电时单位电价。

火力发电Agent与上述Agent类似，作为下层Agent其主要通信职能为接受上层Agent命令，通知上层Agent运行状态以及出力预测。

(1)目标函数

假定机组共有N台机组，控制周期为T，只考虑火电机组运行时的启动成本和能耗成本F₄，因此，其目标函数可以采用下式表示：

式中，p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态(u_i,t＝0表示机组停机，u_i,t＝1表示机组开机)。

(2)约束条件

1)机组输出功率约束：

正常运行的机组，其输出功率上下限约束如下式所示：

式中：

为第i台机组的最小输出功率；

为第i台机组的最大输出功率。

2)最小开停机时间约束：

由于火力发电机组的物理特性要求，在机组投运后，必须持续运行一段时间才允许停机，而一旦停机后必须持续停运一段时间才允许再次开机投运，最小开停机时间的约束条件如下式所示：

式中：

为第i台机组在t时刻连续开机运行的时间；T_i ^up为第i台机组允许连续开机运行的最大时间，T_i ^down为第i台机组连续停机的最大时间；

为第i台机组在t时刻连续停机的时间。

3)热备用约束：

为了应用不确定性因素带来的不利影响，如负荷波动、某一机组发生故障等等，保证系统安全可靠运行，热备用约束条件如下式所示：

式中：

为t时刻的总负荷,γ_t为t时刻的热备用容量，即所有开机运行机组的最大输出功率之和必须大于等于该时刻的总负荷，这两者只差即为热备用容量。

核心控制Agent的目标包括经济效益和环境效益最优，其计算公式分别如下：

经济目标最优的函数为：

采用日运行经济成本f₁最低为优化目标，该值越小，经济效益越好，如式所示：

式中：C_Wind(t)、C_PV(t)、C_HD(t)分别为t时刻风力发电机、光伏电源和火力发电机组的发电成本。

环境目标最优的函数为：

新能源在发电过程中不会产生污染物，只有火力发电机组在产生电能的同时排放污染物，以系统中污染物排放对环境的影响f₂最小作为优化目标，其表达式如下所示：

式中：E_HD(t)为t时刻火力发电机组的污染物排放量。

Q学习算法的基本原理：强化学习算法，是解决动态规划最优问题的有效途径。所谓强化学习，就是在生物学上模仿人类学习认知环境的过程，也就是所谓的“吃一堑，长一智”，当系统取某项措施或行动后，使得环境的状态发生变化，并对行为者产生回报效应，若回报效应达到了行为者的目的，那么对应的行为将得到更大的行为概率，相反若汇报不能满足行为者的意图，那么该方向的行为将逐渐减少直至消失。将强化学习理论应用于MAS系统中，那么行为者就是一个单独的Agent，其过程如下：Agent选择一个确定的行为α作用整个系统，系统环境在该动作α的作用下发生状态变化，同时产生一个反馈的强化信号给Agent，Agent根据强化信号和当前的环境状态再选择下一动作。而作为某一行为的回报信号。强化信号的作用是使得Agent在下一次遇到类似情况时，会选择强化信号偏强的行为进行行动。从而在强化学习的行为集合中，逐渐加强某一状态对应的可以取到较优强化信号的行为概率，相反的，不能得到较优加强信号的行为的被采取概率将被降低。

本发明将选择强化学习算法中较为方便快捷的一种，Q学习法。Q学习的基本思想是根据动态规划原理，用即时回报和下一个状态的估计值来更新当前状态一动作对SAP(State-Action Pair)的值函数，从估计的值函数中得到最优策略。

实施例：

本实施例以某港口岸电系统为例，该套岸电系统由一条10kV线路供电，经变压器降压至380伏后，分为6套40千瓦岸电桩供电，每个充电桩可同时为两只靠岸停泊的船同时提供动力电，整个系统能够供应12只船同时充电，船舶中照明系统的单位照明功率为3W，光通量为100lm/W，空调系统额定功率为2.35kW；电源中包括600kW风力发电机、200kW光伏电源。日前预测的风速、外界温度、太阳辐射量、风速外界温度、电价分别如图7-10所示。包括步骤：

步骤1：对港口岸电参与电网调控系统中的各参与对象进行建模，包括建立港口岸电可调负荷模型、电网侧可调控对象模型，并基于此，构建基于多代理系统的港口岸电参与电网调控的优化模型。

步骤2：核心控制Agent读取当前电网状态以及预测状态，包括当前电网电价值、温度、湿度、太阳光照度等值；使用上述用电设备能耗模型和电源出力模型分别计算出用电消耗量和电源输出功率；

步骤3：核心控制Agent根据各个参与对象的当前状态以及预测状态，分析电网各参与对象的可能动作，形成电网的动作集合A,通过Q学习算法计算各个代理的优化目标，其中，核心控制Agent的目标包括经济效益和环境效益最优，寻找出最佳策略；

步骤4：核心控制Agent根据最佳策略计算各控制Agent的计划出力与系统反馈的控制Agent预测出力进行对比；若计划出力小于预测出力，则通过点对点通信方式向供给侧Agent发送目标信息，通知对应Agent控制出力到计划出力大小；若超出，则点对点通信向供给侧Agent发送目标信息，通知对应Agent按照预测出力进行出力，而差值部分由核心控制Agent公布到“黑板”数据库中；

步骤5：供给侧Agent在收到核心控制Agent的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行度以及执行结果。

该实施例调控结果分析如下：

图11-12为港口岸电负荷中可调控负荷的船舶空调系统和照明系统的优化设定值。上层核心控制Agent读取日前预测的外界温度、太阳辐射量、风速等值，根据该时刻的电价值，基于Q学习的动态规划算法计算得出底层照明和空调负荷的用电策略以及各个发电系统的出力状态，然后将信息下发给靠港船舶Agent，以空调为例，优化后的空调系统设定温度值基本上在26℃左右浮动，且空调的温度根据外界气温、光照强度的变化而动态设定，相邻时段间的温度设定值差值较小，人体不会产生因空调设定温度突变而感到忽冷忽热的现象；对照明Agent而言，优化后的照明系统人工补光照度设定值呈现先减少后增大的现象，这是由于随着外界光照强度逐渐增强，为最大限度的利用自然光照明，在保证船舶内部人员对照明舒适度的前提下，适当降低人工光源照度以减少港口岸电负荷用电量。

从图13中可以看出，船舶中基本负荷(即不可调控负荷)所占比重较大，在靠港船舶Agent与核心控制Agent的交互优化下，在保证用户一定舒适度的前提下，适当降低了空调系统和照明系统的用电量，以最大限度的降低了港口岸电的用电能耗，为用户节约了用电成本。

港口实施电能替代后，增加了系统的用电量，从图14中可以看出，在核心控制Agent的协调优化下，优先利用风力发电机和光伏电源来满足港口岸电负荷用电需求，在新能源出力不足时，利用火力发电机组予以补足，从而增加了新能源的消纳率，减少了对火力发电机组的压制，促进了社会节能减排。

下面分三种情景对比分析港口实施电能替代和港口岸电参与电网调控后的经济效益和环境效益变化，如表1所示：

表1三种情境下经济效益与环境效益对比

从表1中可以看出，在不采用港口岸电的情况下，整个系统的运行成本最高，且产生了大量的气体污染物，严重降低了港口城市的空气质量，采用港口岸电后，运行成本和气体污染物的排放量得以明显降低，后两种情景相比第一种情景的运行成本分别降低了42.18％、45.39％和49.84％、54.41％，这是因为电的用能成本要明显低于油的成本，并且在港口岸电参与电网调控后，充分挖掘了港口岸电负荷的调控潜力和优先消纳了新能源。

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 (6)

1.一种基于多代理系统的港口岸电参与电网调控系统，其特征在于，包括：

协调层和互动对象层，所述协调层包括核心控制Agent，核心控制Agent用于处理互动对象层中各个代理的协调控制，接收电网的调控信息和各个用电系统Agent用电信息，并根据信息进行计算优化，将控制策略下发给下层Agent；

互动对象层包括供给侧Agent和需求侧Agent，供给侧Agent根据上层核心控制Agent下发的控制策略和自身的状态计算调整当前供给侧发电系统的发电计划，需求侧Agent根据上层核心控制Agent下发的控制策略和当前用电系统的状态调整用电系统的用电策略，从而协调地对港口岸电系统进行控制；

所述调控系统的调控方法包括步骤：

步骤1，建立电网各参与对象模型，包括：建立港口岸电可调负荷模型、电网侧可调控对象模型，构建基于多代理系统的港口岸电参与电网调控的优化模型；

步骤2：核心控制Agent通过读取供给侧和需求侧Agent发送的信息得到电网各参与对象的当前运行状态以及预测状态；

步骤3：核心控制Agent根据电网的当前状态以及预测状态，分析电网各参与对象的可能动作，形成电网的动作集合，计算各个参与对象代理的优化目标，寻找出各个代理的最佳策略；

步骤4：核心控制Agent根据最佳策略计算供给侧Agent的计划出力，与系统反馈的供给侧Agent预测出力进行对比；若计划出力小于预测出力，则向供给侧Agent发送目标信息，通知对应Agent控制出力到计划出力大小；若超出，则向供给侧Agent发送目标信息，通知对应Agent按照预测出力进行出力，差值部分由核心控制Agent公布到“黑板”数据库中；

步骤5：供给侧Agent在收到核心控制Agent的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行度以及执行结果。

2.根据权利要求1中所述的一种基于多代理系统的港口岸电参与电网调控系统，其特征在于，所述供给侧Agent包括：风力发电机Agent、光伏电源Agent以及火力发电机组Agent，需求侧Agent包括：靠港船舶Agent。

3.一种根据权利要求1～2中所述的任意一项基于多代理系统的港口岸电参与电网调控系统的调控方法，其特征在于，包括步骤：

步骤1，建立电网各参与对象模型，包括：建立港口岸电可调负荷模型、电网侧可调控对象模型，构建基于多代理系统的港口岸电参与电网调控的优化模型；

步骤2：核心控制Agent通过读取供给侧和需求侧Agent发送的信息得到电网各参与对象的当前运行状态以及预测状态；

步骤3：核心控制Agent根据电网的当前状态以及预测状态，分析电网各参与对象的可能动作，形成电网的动作集合，计算各个参与对象代理的优化目标，寻找出各个代理的最佳策略；

步骤4：核心控制Agent根据最佳策略计算供给侧Agent的计划出力，与系统反馈的供给侧Agent预测出力进行对比；若计划出力小于预测出力，则向供给侧Agent发送目标信息，通知对应Agent控制出力到计划出力大小；若超出，则向供给侧Agent发送目标信息，通知对应Agent按照预测出力进行出力，差值部分由核心控制Agent公布到“黑板”数据库中；

步骤5：供给侧Agent在收到核心控制Agent的目标信息后，进行自我分析，计算自身可参与协调控制出力大小，同时读取“黑板”中的目标信息，并执行，反馈执行度以及执行结果。

4.根据权利要求3所述的一种基于多代理系统的港口岸电参与电网调控系统的调控方法，其特征在于，所述港口岸电可调负荷模型，包括：

(1)照明设备能耗模型：

式中，P_LA(t)为时刻t船舶所需人工光源进行补充照明的功率；E_s,t为室内综合照度值；E_e,t为自然光的照度；η_e为自然光利用系数，P_LS,n为当前照明区域内单个光源的功率；S_all为需要照明的总面积；t_work为船舶靠港停靠期间照明系统工作时长，φ表示照明区域内的光通量，U表示照明利用系数；K表示灯具维护系数；const表示不在工作时间时的照明功率，为一常数；

(2)空调设备能耗模型：

式中：T_in(t)为t时刻的室内温度；T_in(t+1)为t+1时刻的室内温度；T_out(t+1)为t+1时刻的室外温度；C为等效热容；R为等效热阻；Δt为时间间隔；P_AC(t)为t时刻空调系统的用电功率；η为空调系统的能效比。

5.根据权利要求3所述的一种基于多代理系统的港口岸电参与电网调控系统的调控方法，其特征在于，所述电网侧可调控对象模型，包括：

(1)风力发电机出力模型：

式中：P_WT为风力发电机的输出功率，ρ为空气密度；A₁为风力发电机叶片面积；η^W为风力发电机功率系数；V^cutin为切入风速；V^cutout为切出风速；V^nom为额定风速；V_t为t时刻风速；

(2)光伏发电出力模型：

P_PV(t)＝[P_PV,STC×(1-γ×(T_j(t)-T_jSTC))]×N_PVp×N_PVs

式中：P_PV(t)为t时刻光伏电池的输出功率，P_PV,STC为标准测试条件下的最大输出功率；T_jSTC为光伏电池板参考温度；N_PVs为太阳能光伏模块中的串联单元数量；N_PVp为太阳能光伏中的并联单元数量；γ为功率-温度系数；T_j(t)为t时刻光伏电池的温度；

式中：T_amp为环境温度；G_T(t)为t时刻在倾斜光伏电池板上的太阳辐射；

为标准测试条件下的太阳辐射；NOCT为正常运行时光伏电池板温度；

(3)火力发电机组出力模型：

c_i(p_i,t,u_i,t-1,u_i,t)＝g_i(u_i,t-1,u_i,t)+f_i(p_i,t)

式中：c_i(p_i,t,u_i,t-1,u_i,t)为第i台机组在t时刻的发电成本，g_i(u_i,t-1,u_i,t)为第i台机组在t时刻的启动成本，f_i(p_i,t)为第i台机组在t时刻的能耗成本；p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态。

6.根据权利要求3所述的一种基于多代理系统的港口岸电参与电网调控系统的调控方法，其特征在于，所述基于多代理系统的港口岸电参与电网调控的优化模型，包括：

1.1靠港船舶Agent优化目标为：靠港船舶的用电费用函数F₁最小，目标函数为：

式中：p(t)为分时电价；P₀(t)为不可调控负荷；n₁、n₂、n₃分别为船舶中照明设备、空调设备和可平移负荷的数量；

为分别为船舶中照明设备、空调设备和可平移负荷的总负荷；

1.2靠港船舶Agent优化约束条件：

1)温度约束：

T_in,min≤T_in(t)≤T_in,max

式中：T_in,max、T_in,min为室内温度的上、下限，T_in(t)为t时刻的室内温度；

2)人体热舒适度约束：-1≤PMV≤+1，PMV描述人体的舒适程度；

3)照度约束：

|VSC_t|≤VSC_bv

式中，VSC_t为用户在时段t的照明舒适度值；VSC_bv为用户可接受的照明舒适度边界值；

4)可平移负荷用电约束：

t_a＜t_use,a

式中：t_a为负荷平移之后完成的时间；t_use,a为用户的使用时间；

2.1光伏电源Agent优化目标为：光伏电源收益F₂最大化，目标函数为：

F₂＝max(p_上网·P_out)

式中，P_out为光伏电源当前出力值，p_上网为光伏电源并网电价；

2.2光伏电源Agent优化约束条件包括：

P_PV,pu(t)≤P_{PV_mppt,pu}

式中，P_PV,pu(t)为t时刻光伏电源功率；P_{PV_mppt,pu}为光伏以最大功率点输出时的有功功率；

∑P_p,b(t)*p_p,b(t)+G_p-G_p,c-∑P_p,G(t)*p_p.G(t)≥0

式中，P_p,b(t)为t时刻光伏的上网功率，p_p,b(t)为t时刻光伏并网的电价，G_p为分布式光伏电源对自身所带负荷供电的收入，G_p,c为分布式光伏电源维护、建造费用，P_p,G(t)为t时刻光伏电源需要电网支撑电量，p_p.G(t)为t时刻电网向分布式光伏电源供电时单位电价；

3.1风力发电Agent优化目标为：风力发电机运营者的效益F₃最大，目标函数为：

F₃＝max(p'_上网·P′_out)

式中，P′_out为分布式风力发电当前出力值，p'_上网为分布式风力发电并网电价；

3.2风力发电Agent优化约束条件：

P_wind,pu(t)≤P_{wind_max}

式中，P_wind,pu(t)为t时刻风力发电的功率；P_{wind_max}为风力发电发电功率最大值；

∑P_w,b(t)*p_w,b(t)+G_w-G_w,c-∑P_w,G(t)*p_w.G(t)≥0

式中，P_w,b(t)为t时刻风力发电的上网电量，p_w,b(t)为风力发电机的并网电价，G_w为分布式风力发电对自身所带负荷供电的收入，G_w,c为分布式风力发电维护、建造费用，P_w,G(t)为t时刻风力发电需要电网支撑电量，p_w.G(t)为t时刻电网向分布式风力发电供电时单位电价；

4.1火力发电Agent优化目标为：火电机组运行时的启动成本和能耗成本F₄最小，目标函数为：

式中，p_i,t为第i台机组在t时刻的输出功率；u_i,t为机组i在t时刻的开停机状态，N为火力发电机组的台数，T为控制周期；

4.2火力发电Agent优化约束条件：

1)机组输出功率约束：

式中：

为第i台机组的最小输出功率；

为第i台机组的最大输出功率；

2)最小开停机时间约束：

式中：

为第i台机组在t时刻连续开机运行的时间；

为第i台机组允许连续开机运行的最大时间，T_i ^down为第i台机组连续停机的最大时间；

为第i台机组在t时刻连续停机的时间；

3)热备用约束：

式中：

为t时刻的总负荷,γ_t为t时刻的热备用容量；

5.1核心控制Agent经济优化目标为：采用日运行经济成本f₁最低为优化目标：

式中：C_Wind(t)、C_PV(t)、C_HD(t)分别为t时刻风力发电机、光伏电源和火力发电机组的发电成本；

5.2核心控制Agent环境优化目标为：以系统中污染物排放对环境的影响f₂最小作为优化目标：

式中：E_HD(t)为t时刻火力发电机组的污染物排放量。

Images