CN111769547A - 一种三层联动机制的交互式综合能源系统实时调控方法 - Google Patents
一种三层联动机制的交互式综合能源系统实时调控方法 Download PDFInfo
- Publication number
- CN111769547A CN111769547A CN202010532777.8A CN202010532777A CN111769547A CN 111769547 A CN111769547 A CN 111769547A CN 202010532777 A CN202010532777 A CN 202010532777A CN 111769547 A CN111769547 A CN 111769547A
- Authority
- CN
- China
- Prior art keywords
- layer
- energy
- real
- time
- control
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
- H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种三层联动机制的交互式综合能源系统实时调控方法,用以解决综合能源系统的生产消费信息协同问题,以促进新能源消纳和高效利用。所提方法中,第一层采用提出的可拓展全局二次启发式规划算法,分配传统发电机组出力及分配其他综合能源出力总和。第二层采用提出的快速收缩调度优化算法,求解各类综合能源出力最优组合。第三层采用提出的微颗粒度实时控制算法,调控各类分布式能源、柔性负荷和储能设备。三层联动机制方法每一层调控根据各自区域及前一层的实时信息执行灵活的能源分配策略,解决了综合能源灵活协同控制问题。
Description
技术领域
本发明属于综合能源系统优化调度与控制领域,涉及一种交互式综合能源系统实时的调度与控制方法,适用于综合能源的发电调度与频率控制。
背景技术
随着分布式能源并网装机容量快速增长,电力系统能源结构发生了很大变化。大量具有随机性质的能源给电力系统功率频率稳定调节、安全运行和经济调度带来了挑战。然而,传统高度集中的统一管理调度模式不支持多种能源的互补转化,使得分布式新能源并网利用率低,且未能很好与终端电力用户互动。因此,有必要优化综合能源参与下,以电网为骨架的综合能源系统能源调度。
综合能源参与电力系统调度需要考虑能源网络功率实时平衡、降低网络损耗以及促进新能源消纳等实际问题;并最终以能源成本最小为目标函数,求解各类综合能源的最优经济调度计划。本发明考虑了多区域综合能源的联合调度,以下为综合能源系统成本效益、功率和约束条件的公式推导。
综合能源并网能够消纳风电和光伏等清洁能源,从而降低传统火电等污染物排放量大的能源上网容量,以提高环境效益。各能源产生的环境效益Yeb用公式描述为:
忽略电力传输损耗,系统的功率平衡方程表示为:
上述方程从综合能源系统总体层面分析,然而综合能源系统包含了各种发电特性和经济性不同的能源,为取得系统最优调度,需要从每一项并网的能源分析。以往的综合能源的综合能源调度控制方法未考虑系统的分层控制,将系统当作集中式调度处理;或者未将综合能源系统细化到第三层,能源种类考虑不完全;第三层能源的调度时间尺度单一等。这类方法在能源之间缺乏密切配合,致使能源利用不充分。
若不分层地将系统当作集中式调度处理,大量的状态变量将使计算难以收敛,容易陷入维数灾难而得不到解。且不同类型的能源其特性和重要性不同,应该充分考虑调度可行性差异。如大容量的火电水电等在系统作为基荷时,为了保证系统稳定和节约启动成本则不应该频繁的启停;作为调峰调频的储能则应该考虑其可具备不同时间尺度方案,以实时调节系统功率缺额;小容量的可调能源则考虑其实时的调度方案以就地消纳不可控新能源,减少能源外送的成本和损耗。
发明内容
本发明提出一种三层联动机制的交互式综合能源系统实时调控方法。该方法与传统集中式发电控制模式不同,三层联动机制方法考虑了多种能源参与电网的新一代综合能源系统的分层调度控制。三层联动机制方法根据能源的类型和技术差异,将综合能源系统分成了三个层次,并利用所提的三种方法分别调度各层能源。
(1)可拓展全局二次启发式规划算法
传统优化算法考虑综合能源成本和环境效益的系统目标函数可表示为:
然而影响综合能源系统决策的目标函数的XT潜在多种数学关系,使用传统优化算法不易建立精确的系统模型。因此,在综合能源第一层采用提出的可拓展全局二次启发式规划算法,用以控制传统发电机组出力及分配其他综合能源出力总和。二次启发式规划算法是一种拟合算法,不需要建立复杂的函数关系式,通过神经网络能够拟合目标函数。为了准确反映系统函数关系,可拓展全局二次启发式规划算法通过评估输入状态数量以及系统的复杂程度,自动调整神经网络的深度和宽度。
可拓展全局二次启发式规划的神经网络由多层神经元组成,在层与层之间通过权重w和偏置b链接。为了避免网络仅是进行单一线性组合,无法拟合系统非线性关系,给除输入层之外的每个神经元的输出添加了激活函数g(z)。当g(z)取logistic函数时,g(z)表达式为:
g(z)=1/(1+e-z) (5)
从而,从输入变量x经过神经网络后得到的输出预测值p为:
p1=g(w1x+b1) (6)
pv=g(wvpv-1+bv) (7)
式中pv为第v层网络输出的预测值向量;x为输入向量;wv为第v层网络的权重向量;bv为第v层网络的偏置向量。
为衡量并调整网络拟合准确度,引入损失函数计算输入变量x经过神经网络后输出的预测值p与真实值y的差距。采用均方误差计算的损失函数为:
接着对损失函数对各权重和偏置求偏导,对复合函数LMES中变量求偏导遵循链式法则。为方便矩形计算,采用向量化形式的函数偏导。反向传播算法计算梯度更新权重和偏置的一般形式为:
(2)快速收缩调度优化算法
在所设计的综合能源系统的第二层包含了各可控的综合能源类型的总和以及像风电、光电和潮汐能等的不可控能源。由于这些能源受到的条件约束复杂,且状态多变,在这一层使用提出的优化方法计算调度成本效益最优的能源分配。第二层成本效益的目标函数Csort为:
式中fi(xi)为关于第i类能源的成本效益函数;αi为第i类能源的成本效益的权重。
方法先将可行域分成多个均匀的区间,通过计算每个区间的部分变量确定是否将这个区间丢弃,每次筛除一部分区间。经过数次之后,在剩下的一个区间里面使用含动量的梯度下降方法:
xt=βxt-1+(1-β)Δxt (14)
式中xt为第t次计算得到的状态变量向量形式;动量超参数β满足0≤β≤1;Δxt为目标函数对状态变量偏导数,代表了迭代收敛的方向。式(14)的结果引入了第t+1次计算的状态变量结果,这保证求解能以较大步长沿着梯度方向加速收敛,同时较大步长能够避免求解局部最优。
(3)微颗粒度实时控制算法
在所设计的综合能源系统的第三层为具体的可调控的分布式能源、储能和柔性负荷,这一层具有地理分布范围广,单体容量小等的特点。将每一类看做层里面的元胞,根据每个元胞的技术性能,使用不同的时间尺度调度。在第二层规定的调度时间尺度t内,第三层第k类可控能源的调度容量Fk为:
Fk=skPk,t (15)
式中,sk为第k类可控能源的状态向量,取值0或1;Pk,t为t时间内第k类可控能源的提供的功率向量形式。为衡量实际出力Fk与第二层分配第k类能源出力目标值xk的偏差,定义第k类能源可信度Bk:
Bk=Fk/xk (16)
可信度将为第二层的下一次调度提供参考。
所提出的微颗粒级时间尺度调度方法,充分利用不同能源的特性分配调度计划,实时为系统削峰填谷,促进新能源就地消纳。同时微颗粒度实时控制,给电力用户参与电力调度提供了可能。调度参与用户可以在调度过程中的任意时刻退出或参与,而因状态变化而缺失或增多的功率,可以在下一微时刻调整,这增加了系统的灵活性。
附图说明
图1是本发明方法的可拓展全局二次启发式规划网络拓展示意图。
图2是本发明方法的区间快速收缩调度优化示意图。
图3是本发明方法的三层联动机制的交互式综合能源系统实时调控示意图。
具体实施方式
本发明提出的一种三层联动机制的交互式综合能源系统实时调控方法,结合附图详细说明如下:
图1是本发明方法的可拓展全局二次启发式规划网络拓展示意图。原始神经网络如图1中a所示,根据输入系统状态变量个数的变化,触发阈值条件时,则神经网络的深度宽度相应调整为图1中的b、c或d示意的结构。若以图1中a为原始神经网络结构,则b为拓展深度的神经网络,c为拓展宽度的神经网路,d为拓展深度和宽度的神经网络。根据触发阈值的初始状态不同,拓展的方向按图1中箭头所指的方向调整。
图2是本发明方法的区间快速收缩调度优化示意图。图中区间是指包含了所有求解变量x的取值范围的集合,是m维的(m为求解变量的个数)。为方便说明,假设第二层成本效益的目标函数为:
设将原始区间分成均匀的n个区间,经过一次搜寻后,区间收缩为u(u<n)个;经过z次搜寻后锁定为一个目标区间De(De的上下限为x1,x2)。接着在这个目标区间里面使用含动量的梯度下降方法,取x0=x1,β=0.9时:
x1=0.9*x1+0.1*Δx1 (19)
第k次迭代后取得最优解为:
xk=0.9*xk-1+0.1*Δxk (21)
此时第二层成本效益的目标函数Csort取得最小值,xk为所求的各类能源调度向量。
图3是本发明方法的三层联动机制的交互式综合能源系统实时调控示意图。第一层包含了火电、水电、核电、天然气发电和抽水蓄能等具有稳定出力的较大容量的机组;第二层包含了新能源、柔性负荷、蓄能及小容量的发电机组的大类;第三层为各类具体可调度的蓄能设备和小容量发电机组。层与层之间通过信息收集反馈和指令控制紧密联系,形成联动的交互式能源控制系统。
第一层可拓展全局二次启发式规划算法根据传输网络信息以及第二层的新能源信息安排第一层能源调度以及第二层可调度能源总计划;第二层快速收缩调度优化算法根据第三层出力计算可信度,评估此次调度是否满足目标。若不满足,则根据电力成本决定是否启用调峰机组,蓄能设备。第三层为微颗粒度实时控制算法,每一类能源允许使用不同时间尺度进行调度,根据可信度并计算第三层冗余功率和调度成本决定是否从同一层的其他类能源中调度。
Claims (4)
1.一种三层联动机制的交互式综合能源系统实时调控方法,其特征在于,能用一种三层联动机制的实时调控框架求解交互式综合能源的经济最优分配方案;该方法在使用过程中的主要步骤为:
(1)将综合能源系统按能源和技术类型分层:第一层为区域级的常规发电机组;第二层为的可控能源以及不可控能源的大类;第三层为各类具体的分布式可控能源、柔性负荷和具有交互性的能源;
(2)第一层采用提出的可拓展全局二次启发式规划算法,用以控制传统发电机组出力及分配其他综合能源出力总和;
(3)第二层采用提出的快速收缩调度优化算法,求解各类综合能源出力最优组合;
(4)第三层采用提出的微颗粒度实时控制算法,分配各分布式能源、柔性负荷和储能的调度计划,以促进能源及时互补和转化。
2.如权利要求1所述的一种三层联动机制的交互式综合能源系统实时调控方法,其特征在于,所述步骤(2)中第一层使用提出的可拓展全局二次启发式规划算法;考虑到综合能源系统的第一层的机组数量可能会因为机组组合或经济调度而改变;此时若使用具有相同深度和宽度的神经网络,将会因输入状态变量减少时使得网络神经元冗余而拟合系统的噪声;在输入状态变量增加时使得网络神经元缺少而欠拟合;提出的可拓展全局二次启发式规划方法根据输入状态数量变化,自动拓展神经网络的深宽度,使得神经网络机构与输入状态数量实时匹配以保障拟合非线性能源系统的准确性。
3.如权利要求1所述的一种三层联动机制的交互式综合能源系统实时调控方法,其特征在于,所述步骤(3)中第二层采用提出的快速收缩调度优化算法;该方法先通过在各区间内搜索可行解,将不满足设定阈值条件的区间舍弃,以便快速锁定求解区间;最后在收缩的区间上对变量采用含动量的梯度下降方法进行迭代更新;增加动量以保持梯度朝着下降方向进行,且迭代步长额外增加了动量因子,在下降过程能跳出局部最优,使得迭代过程快速收缩到全局最优解。
4.如权利要求1所述的一种三层联动机制的交互式综合能源系统实时调控方法,其特征在于,所述步骤(4)中第三层采用微颗粒度实时控制算法;该方法使用的调度时间尺度为微颗粒级的,且该方法兼容灵活的不同时间尺度的实时调度规则;微颗粒度实时控制细化了第三层不同类型能源的控制方案,使各类能源按各自特性出力;分布式微颗粒级的时间调度控制尺度利于实时消纳不可控能源和冲击负荷,使能源就地存储,减少网络传输损耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532777.8A CN111769547B (zh) | 2020-06-12 | 2020-06-12 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532777.8A CN111769547B (zh) | 2020-06-12 | 2020-06-12 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111769547A true CN111769547A (zh) | 2020-10-13 |
CN111769547B CN111769547B (zh) | 2023-07-28 |
Family
ID=72720766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010532777.8A Active CN111769547B (zh) | 2020-06-12 | 2020-06-12 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111769547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564118A (zh) * | 2020-11-23 | 2021-03-26 | 广西大学 | 一种分布式可拓展量子深宽度学习的实时电压控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
-
2020
- 2020-06-12 CN CN202010532777.8A patent/CN111769547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
Non-Patent Citations (4)
Title |
---|
YIN LF ET AL: "Expandable deep learning for real time economic generation dispatch and control of three state energies based future smart grids" * |
刘毅;章云;: "一种基于自适应动态规划的协同优化算法" * |
周旺;江修波;刘丽军;: "考虑多源协同的主动配电网区域能源三层优化配置" * |
沈筱譞: "在线学习系统中的深度学习推荐算法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564118A (zh) * | 2020-11-23 | 2021-03-26 | 广西大学 | 一种分布式可拓展量子深宽度学习的实时电压控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111769547B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
Mahmoudi et al. | Optimization of a hybrid energy system with/without considering back-up system by a new technique based on fuzzy logic controller | |
Venayagamoorthy et al. | Dynamic energy management system for a smart microgrid | |
Shayeghi et al. | Multi-stage fuzzy load frequency control using PSO | |
CN111030188B (zh) | 一种含分布式和储能的分层分级控制策略 | |
Zhang et al. | A hybrid particle swarm optimization with small population size to solve the optimal short-term hydro-thermal unit commitment problem | |
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
Yuan et al. | An efficient chaos embedded hybrid approach for hydro-thermal unit commitment problem | |
Li et al. | Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system | |
Li et al. | Federated multiagent deep reinforcement learning approach via physics-informed reward for multimicrogrid energy management | |
CN109840692A (zh) | 一种互联微电网分布式鲁棒调度系统及调度方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
Li et al. | Short-term power generation forecasting of a photovoltaic plant based on PSO-BP and GA-BP neural networks | |
Yin et al. | Relaxed deep generative adversarial networks for real-time economic smart generation dispatch and control of integrated energy systems | |
Lei et al. | An adaptive replacement strategy-incorporated particle swarm optimizer for wind farm layout optimization | |
Masero et al. | A fast implementation of coalitional model predictive controllers based on machine learning: Application to solar power plants | |
Aburiyana et al. | Direct net load forecasting using adaptive neuro fuzzy inference system | |
CN115377985A (zh) | 一种电网发电机组调度优化方法 | |
Yin et al. | Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids | |
Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
CN111769547B (zh) | 一种三层联动机制的交互式综合能源系统实时调控方法 | |
Liu et al. | An AGC dynamic optimization method based on proximal policy optimization | |
CN113809780B (zh) | 一种基于改进q学习惩罚选择的微电网优化调度方法 | |
Fan et al. | Multi-agent deep reinforced co-dispatch of energy and hydrogen storage in low-carbon building clusters | |
Germi et al. | A hybrid model for daily peak load power forecasting based on SAMBA and neural network |
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 |