CN111967179A - 一种能源互联网能量单元动态优化匹配方法 - Google Patents

一种能源互联网能量单元动态优化匹配方法 Download PDF

Info

Publication number
CN111967179A
CN111967179A CN202010627057.XA CN202010627057A CN111967179A CN 111967179 A CN111967179 A CN 111967179A CN 202010627057 A CN202010627057 A CN 202010627057A CN 111967179 A CN111967179 A CN 111967179A
Authority
CN
China
Prior art keywords
energy
matching
unit
internet
units
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
Application number
CN202010627057.XA
Other languages
English (en)
Other versions
CN111967179B (zh
Inventor
华昊辰
杨洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Nenglai Energy Internet Research Institute Co ltd
Original Assignee
Jiangsu Nenglai Energy Internet Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Nenglai Energy Internet Research Institute Co ltd filed Critical Jiangsu Nenglai Energy Internet Research Institute Co ltd
Priority to CN202010627057.XA priority Critical patent/CN111967179B/zh
Publication of CN111967179A publication Critical patent/CN111967179A/zh
Application granted granted Critical
Publication of CN111967179B publication Critical patent/CN111967179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种能源互联网能量单元动态优化匹配方法，包含以下步骤：步骤1，基于图论的能源互联网能量路由网络建模；步骤2，应用神经网络技术对能量单元之间的能量匹配指数进行建模；步骤3，基于局域消纳在先，广域互联在后的原则构建能源互联网单元优化匹配问题，并表达为整数规划问题；步骤4，利用强化学习技术学习最优的能量单元匹配指数函数；步骤5，求解实际的能量单元动态匹配优化问题；步骤6，将所得能量单元匹配策略应用于能源互联网系统的能量路由，本发明具有较强的针对性和应用价值，即专注于能源互联网不同能量单元之间的优化匹配，设计专业且实用。

Description

一种能源互联网能量单元动态优化匹配方法
技术领域
本发明涉及互联网技术领域，具体是一种能源互联网能量单元动态优化匹配方法。
背景技术
涉及能源、信息、电气等多个领域和学科的能源互联网是提升能源系统智能化水平，解决人类社会能源危机，缓解气候变化和全球变暖进程的重要手段。随着能源互联网理念和架构的发展和完善，相关的技术也在能源互联网示范工程中得到了实践。在自底向上架构的能源互联网场景中，多个能量路由器(简称：路由器)彼此连接，构成能量路由网络。不同的能量单元通过信息、电力接口接入能量路由器，并通过能源路由网络在能量单元之间实现能源(电力)的开放、对等交换。
为了提升能源利用效率，减少能量传输过程中带来的损耗，能源局域消纳在先，广域互联在后成为了能源互联网系统中的重要能量管理原则。根据该能量管理原则，每个能量单元应当优先与其邻近的能量单元建立能量连接，构成能源消纳集群，并在集群内实现能源的供需平衡。具体来说，对于典型的能量单元，如果其能够通过自身可控能源生产、消纳单元的调节实现其内部的能源供需平衡，则该能量单元自身构成一个能源消纳集群。如果该能量单元无法依靠其内部的能源调度实现平衡，则其将通过能量路由网络同相匹配的能量单元建立能量连接，从而构成能源消纳集群，并通过集群内部的能源调度实现供需的匹配。如图1所示，图中红色顶点代表能量路由器及其对应的能量单元，黑色实线代表能量路由器之间的物理能量链路，能量单元构成的能源消纳集群通过灰色阴影区域表示。在能量单元的匹配过程中，各个能量单元(红色顶点)将优先与其周边的能量单元进行匹配，构成能源消纳集群。在必要时能量也可以通过能源消纳集群之间的能量传输链路在整个区域能源互联网内部进行共享，从而体现上述能源互联网系统的能量管理准则。
另一方面，对各个单元能源供需互补程度的评价质量的将显著影响上述能源互联网系统的能源利用效率。由于能源互联网能量单元天然具有的异构特性，在实际应用层面，为所有可能的能量单元组合设计定制化的匹配程度评估算法并不现实。为此，有必要发展基于人工智能的能源互联网单元匹配算法，通过数据驱动的人工智能算法实现对不同类型能量单元匹配程度的智能估计，以满足能源互联网多样化的应用场景。
能源互联网所具有的开放共享、对等互联等高级特性自提出以来长期处于理论层面，尚未在实际工程应用中得到实现，一个重要的原因即为智能的动态能量单元匹配算法的缺失。本发明基于数据驱动的思想，提出了实现在自底向上构建的能源互联网系统中能量单元的智能动态匹配算法，使得不同能量单元可以对等地进行能量的交换和共享。
发明内容
本发明的目的在于提供一种能源互联网能量单元动态优化匹配方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种能源互联网能量单元动态优化匹配方法，包含以下步骤：
步骤1，基于图论的能源互联网能量路由网络建模；
步骤2，应用神经网络技术对能量单元之间的能量匹配指数进行建模；
步骤3，基于局域消纳在先，广域互联在后的原则构建能源互联网单元优化匹配问题，并表达为整数规划问题；
步骤4，利用强化学习技术学习最优的能量单元匹配指数函数；
步骤5，求解实际的能量单元动态匹配优化问题；
步骤6，将所得能量单元匹配策略应用于能源互联网系统的能量路由。
作为本发明的进一步技术方案：所述步骤1具体是：根据图论技术，能源互联网中的能量路由网络可以由一个有向图G＝(V,E)进行描述，其中V为图G中的顶点的集合，代表能源互联网中的能量路由器，E为图G中各个顶点之间的边的集合，代表能量路由器之间的物理连接链路，对于任何一个能量路由器vi∈V，其他能量路由器与该能量路由器的连接关系可以由分量取值为0和1的向量ai进行表达，其第j个分量ai,j表示了能量路由器vi和vj之间的连接状态，ai,j＝1表示存在一条直接由能量路由器vi到vj的物理能量传输链路，ai,j＝0表示直接从能量路由器vi到vj的物理能量传输链路不存在，例如，对于由5个能量路由器组成的能量路由网络，a1＝[0 1 0 1 1]′表示在不经由其他路由器的条件下，从能量路由器v1出发的能量只能传输到能量路由器v2，v4，和v5，此处(·)′表示矩阵转置，下同，由此，对于一般的能源互联网系统，假设其能量路由网络由n个能量路由器构成，则其物理能量传输链路可以由如下矩阵A表示
Figure BDA0002566910600000031
由于能量单元与能量路由器之间存在一一对应的关系，因此本发明中同样使用vi指代第i个能源消纳单元，能量单元之间的连接状况也可以利用上面的邻接矩阵表达，基于描述能量单元连接关系的矩阵A，能量单元在能量路由网络G上的距离可以通过矩阵D表示，矩阵D的元素di,j表示能量从能量单元vi经由能量路由网络到达vj的最短物理能量链路包含的能量路由器的数量。
作为本发明的进一步技术方案：所述步骤2具体是：给定任意一对能量单元(vi,vj)，为描述其能源供需的匹配程度，本发明提出能量匹配指数h，该能量匹配指数根据能量单元vi和vj的能源供需态势计算达到，取值范围为0到1，本发明中，将能量单元对(vi,vj)对应的匹配指数记为hi,j，hi,j越大，表示能量单元vi和vj越适合被匹配进同一个能源消纳集群，反之则说明能量单元vi和vj不适合被划分在同一个能源消纳集群内，本发明采用数据驱动的机器学习技术对该匹配指数进行近似估计，具体而言，本发明通过构建一个具有可学习参数θ的神经网络Q来学习不同能源供需态势下任意两个能量单元的匹配指数函数h，该神经网络接受两个给定能量单元vi和vj的能源供需态势感知数据作为输入，并给出一个在0到1范围内的标量
Figure BDA0002566910600000041
作为对其匹配指数hi,j的估计值。
作为本发明的进一步技术方案：所述步骤3具体是：设最大允许的能源消纳集群数量为m,m≤n，并用具有n个分量的向量Fk,k＝1,2,…,m表示属于第k个能源消纳集群的能量单元，Fk各个分量的取值为0或1，其中第i个分量Fk,i＝1表示能量单元vi属于第k个能源消纳集群，Fk,i＝0表示能量单元vi不属于第k个能源消纳集群，一方面，关于能量单元的能量供需状态的匹配程度，由步骤2中的神经网络模型Q可以得到任意两个能量单元的组合(vi,vj)对应的匹配指数
Figure BDA0002566910600000042
从而第k个能源消纳集群总的能量不匹配程度(越小越好)可由公式(2)进行计算
Figure BDA0002566910600000043
其中矩阵
Figure BDA0002566910600000044
另一方面，关于局域消纳在先，广域互联在后的能源互联网能量管理原则，可以将第k个能源消纳集群的能量单元构成对该原则的违反程度量化表达如下
Figure BDA0002566910600000045
其中D为步骤1中得到的能量单元关于能量传输网络的距离矩阵，综合上述两方面，
Figure BDA0002566910600000046
其中α为权重系数，可根据具体应用场景进行调整，上述能量单元匹配问题实际上是寻找最优的能源消纳集群划分向量F1,F2,…,Fm，使得目标函数
Figure BDA0002566910600000047
取得最小值，同时保证等式约束条件Fk,iFk,j(Ⅱ(i→j)-1)＝0对所有能量单元和能源消纳集群成立，在该等式约束条件中，当能量单元vi可以通过能量路由网络和能量单元vj建立能量连接时，Ⅱ(i→j)＝1，反之，Ⅱ(i→j)＝0，该约束条件保证了当能量单元vi和vj同时属于第k个能源消纳集群时，它们之间必须存在可行的能量传输链路。
作为本发明的进一步技术方案：所述步骤4具体是：基于步骤2中提出的能量单元能量匹配指数及其神经网络模型Q和步骤3中的能量单元优化匹配问题(4)，本发明利用所考虑的能源互联网的能源供需数据和强化学习技术[11,12]对神经网络模型G的参数θ进行训练，具体的流程如下，输入：各个能量单元的历史能源供需数据，最大迭代次数K，k＝1，对神经网络参数θk进行初始化，循环直至收敛或k>K，从历史数据中随机生成各个能量单元的能源供需态势感知数据，根据神经网络模型Q及其参数θk计算各个能量单元组合的能量匹配指数
Figure BDA0002566910600000051
基于得到的能量路由网络模型G和能量匹配指数
Figure BDA0002566910600000052
求解问题(4)，得到对应的能量单元匹配策略πk，根据历史数据计算给定能量单元匹配策略πk下各个能源消纳集群可维持正常运行的总时长tk作为反馈值，根据反馈值tk，采用强化学习算法更新模型Q的参数θk；输出：模型参数θK，经过上述训练过程，基于神经网络模型Q的能量单元匹配指数估计结果将被用于实际的能量单元匹配应用中。
作为本发明的进一步技术方案：所述步骤5具体是：在每一个能量单元匹配周期内，根据实际能源互联网系统中各个能量单元的能源供应和需求的实时监测数据，步骤4中得到的神经网络模型参数θK将被用于计算所有可能的能量单元组合的能量匹配指数
Figure BDA0002566910600000053
基于各个能量单元组合的能量匹配指数，通过先进的非线性整数规划技术[13,14]求解问题(4)得到用于下一周期能量单元匹配的策略π。
作为本发明的进一步技术方案：所述步骤6具体是：将步骤5所得下一周期的能量单元匹配策略π输入能源互联网系统，并通过能量路由网络建立各个能源消纳集群内部的能量连接以及能源消纳集群之间的能量连接，循环应用步骤5和上述过程，即完成能源互联网能量单元在一个匹配周期内的动态匹配优化目标。
与现有技术相比，本发明的有益效果是：1，本发明具有较强的针对性和应用价值，即专注于能源互联网不同能量单元之间的优化匹配，设计专业且实用。
2，本发明使用数据驱动的强化学习技术对不同能量单元的能量匹配指数进行学习，不依赖于对不同能量单元的先验知识，也不需要对各个能量单元进行单独的建模，可以避免显式建模过程带来的误差，同时具有较强的泛用性。
3，本发明采用先进的优化技术，即非线性整数规划技术对能量单元的动态匹配问题进行求解，可适用较为复杂的能源互联网应用场景的能量调度管理。
3，本发明通过周期性地进行能源互联网能量单元的匹配优化，可以提高能源互联网系统整体的能量利用效率和灵活性，提升社会和经济效益。
附图说明
图1为区域能源互联网能量单元优化匹配结果示意图；
图2为本发明的流程图。
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。
请参阅图2，实施例1：一种能源互联网能量单元动态优化匹配方法，
步骤1，基于图论的能源互联网能量路由网络建模。
根据图论技术，能源互联网中的能量路由网络可以由一个有向图G＝(V,E)进行描述，其中V为图G中的顶点的集合，代表能源互联网中的能量路由器，E为图G中各个顶点之间的边的集合，代表能量路由器之间的物理连接链路。对于任何一个能量路由器vi∈V，其他能量路由器与该能量路由器的连接关系可以由分量取值为0和1的向量ai进行表达，其第j个分量ai,j表示了能量路由器vi和vj之间的连接状态。ai,j＝1表示存在一条直接由能量路由器vi到vj的物理能量传输链路，ai,j＝0表示直接从能量路由器vi到vj的物理能量传输链路不存在。例如，对于由5个能量路由器组成的能量路由网络，a1＝[0 1 0 1 1]′表示在不经由其他路由器的条件下，从能量路由器v1出发的能量只能传输到能量路由器v2，v4，和v5，此处(·)′表示矩阵转置，下同。由此，对于一般的能源互联网系统，假设其能量路由网络由n个能量路由器构成，则其物理能量传输链路可以由如下矩阵A表示
Figure BDA0002566910600000071
由于能量单元与能量路由器之间存在一一对应的关系，因此本发明中同样使用vi指代第i个能源消纳单元，能量单元之间的连接状况也可以利用上面的邻接矩阵表达。基于描述能量单元连接关系的矩阵A，能量单元在能量路由网络G上的距离可以通过矩阵D表示。矩阵D的元素di,j表示能量从能量单元vi经由能量路由网络到达vj的最短物理能量链路包含的能量路由器的数量(不包含出发点vi)。特别地，当i＝j时，di,j＝0，当能量无法通过能量路由网络从能量单元vi传输至vj时，di,j＝+∞，此处+∞表示正无穷大。
步骤2，应用神经网络技术对能量单元之间的能量匹配指数进行建模。
给定任意一对能量单元(vi,vj)，为描述其能源供需的匹配程度，本发明提出能量匹配指数h。该能量匹配指数根据能量单元vi和vj的能源供需态势计算达到，取值范围为0到1。本发明中，将能量单元对(vi,vj)对应的匹配指数记为
Figure BDA0002566910600000072
越大，表示能量单元vi和vj越适合被匹配进同一个能源消纳集群，反之则说明能量单元vi和vj不适合被划分在同一个能源消纳集群内。本发明采用数据驱动的机器学习技术对该匹配指数进行近似估计。具体而言，本发明通过构建一个具有可学习参数θ的神经网络Q来学习不同能源供需态势下任意两个能量单元的匹配指数函数h。该神经网络接受两个给定能量单元vi和vj的能源供需态势感知数据作为输入，并给出一个在0到1范围内的标量
Figure BDA0002566910600000081
作为对其匹配指数hi,j的估计值。该神经网络的参数θ通过步骤4中的基于强化学习的算法学习得到。
步骤3，基于局域消纳在先，广域互联在后的原则构建能源互联网单元优化匹配问题，并表达为整数规划问题。
设最大允许的能源消纳集群数量为m,m≤n，并用具有n个分量的向量Fk,k＝1,2,…,m表示属于第k个能源消纳集群的能量单元。Fk各个分量的取值为0或1，其中第i个分量Fk,i＝1表示能量单元vi属于第k个能源消纳集群，Fk,i＝0表示能量单元vi不属于第k个能源消纳集群。
一方面，关于能量单元的能量供需状态的匹配程度，由步骤2中的神经网络模型Q可以得到任意两个能量单元的组合(vi,vj)对应的匹配指数
Figure BDA0002566910600000082
从而第k个能源消纳集群总的能量不匹配程度(越小越好)可由公式(2)进行计算。
Figure BDA0002566910600000083
其中矩阵
Figure BDA0002566910600000084
另一方面，关于局域消纳在先，广域互联在后的能源互联网能量管理原则，可以将第k个能源消纳集群的能量单元构成对该原则的违反程度量化表达如下。
Figure BDA0002566910600000085
其中D为步骤1中得到的能量单元关于能量传输网络的距离矩阵。
综合上述两方面，本专利中考虑的能源互联网能量单元动态匹配问题可以被描述为如下整数规划问题[10]。
Figure BDA0002566910600000091
其中α为权重系数，可根据具体应用场景进行调整。上述能量单元匹配问题实际上是寻找最优的能源消纳集群划分向量F1,F2,…,Fm，使得目标函数
Figure BDA0002566910600000092
取得最小值，同时保证等式约束条件Fk,iFk,j(Ⅱ(i→j)-1)＝0对所有能量单元和能源消纳集群成立。在该等式约束条件中，当能量单元vi可以通过能量路由网络和能量单元vj建立能量连接时，Ⅱ(i→j)＝1，反之，Ⅱ(i→j)＝0。该约束条件保证了当能量单元vi和vj同时属于第k个能源消纳集群时，它们之间必须存在可行的能量传输链路。
步骤4，利用强化学习技术学习最优的能量单元匹配指数函数。
基于步骤2中提出的能量单元能量匹配指数及其神经网络模型Q和步骤3中的能量单元优化匹配问题(4)，本发明利用所考虑的能源互联网的能源供需数据和强化学习技术[11,12]对神经网络模型G的参数θ进行训练。具体的流程如下：
输入：各个能量单元的历史能源供需数据，最大迭代次数K
k＝1，对神经网络参数θk进行初始化，
循环直至收敛或k>K
从历史数据中随机生成各个能量单元的能源供需态势感知数据
根据神经网络模型Q及其参数θk计算各个能量单元组合的能量匹配指数
Figure BDA0002566910600000093
Figure BDA0002566910600000094
基于得到的能量路由网络模型G和能量匹配指数
Figure BDA0002566910600000101
求解问题(4)，得到对应的能量单元匹配策略πk
根据历史数据计算给定能量单元匹配策略πk下各个能源消纳集群可维持正常运行的总时长tk作为反馈值
根据反馈值tk，采用强化学习算法更新模型Q的参数θk
输出：模型参数θK
经过上述训练过程，基于神经网络模型Q的能量单元匹配指数估计结果将被用于实际的能量单元匹配应用中。
步骤5，求解实际的能量单元动态匹配优化问题。
在每一个能量单元匹配周期内，根据实际能源互联网系统中各个能量单元的能源供应和需求的实时监测数据，步骤4中得到的神经网络模型参数θK将被用于计算所有可能的能量单元组合的能量匹配指数
Figure BDA0002566910600000102
基于各个能量单元组合的能量匹配指数，通过先进的非线性整数规划技术[13,14]求解问题(4)得到用于下一周期能量单元匹配的策略π。
步骤6，将所得能量单元匹配策略应用于能源互联网系统的能量路由。
将步骤5所得下一周期的能量单元匹配策略π输入能源互联网系统，并通过能量路由网络建立各个能源消纳集群内部的能量连接以及能源消纳集群之间的能量连接，循环应用步骤5和上述过程，即完成能源互联网能量单元在一个匹配周期内的动态匹配优化目标。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种能源互联网能量单元动态优化匹配方法，其特征在于，包含以下步骤：
步骤1，基于图论的能源互联网能量路由网络建模；
步骤2，应用神经网络技术对能量单元之间的能量匹配指数进行建模；
步骤3，基于局域消纳在先，广域互联在后的原则构建能源互联网单元优化匹配问题，并表达为整数规划问题；
步骤4，利用强化学习技术学习最优的能量单元匹配指数函数；
步骤5，求解实际的能量单元动态匹配优化问题；
步骤6，将所得能量单元匹配策略应用于能源互联网系统的能量路由。
2.根据权利要求1所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤1具体是：根据图论技术，能源互联网中的能量路由网络可以由一个有向图G＝(V，E)进行描述，其中V为图G中的顶点的集合，代表能源互联网中的能量路由器，E为图G中各个顶点之间的边的集合，代表能量路由器之间的物理连接链路，对于任何一个能量路由器vi∈V，其他能量路由器与该能量路由器的连接关系可以由分量取值为0和1的向量ai进行表达，其第j个分量ai，j表示了能量路由器vi和vj之间的连接状态，ai，j＝1表示存在一条直接由能量路由器vi到vj的物理能量传输链路，ai，j＝0表示直接从能量路由器vi到vj的物理能量传输链路不存在，例如，对于由5个能量路由器组成的能量路由网络，a1＝[0 1 0 1 1]′表示在不经由其他路由器的条件下，从能量路由器v1出发的能量只能传输到能量路由器v2，v4，和v5，此处(·)′表示矩阵转置，下同，由此，对于一般的能源互联网系统，假设其能量路由网络由n个能量路由器构成，则其物理能量传输链路可以由如下矩阵A表示
Figure FDA0002566910590000011
由于能量单元与能量路由器之间存在一一对应的关系，因此使用vi指代第i个能源消纳单元，能量单元之间的连接状况也可以利用上面的邻接矩阵表达，基于描述能量单元连接关系的矩阵A，能量单元在能量路由网络G上的距离可以通过矩阵D表示，矩阵D的元素di，j表示能量从能量单元vi经由能量路由网络到达vj的最短物理能量链路包含的能量路由器的数量。
3.根据权利要求2所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤2具体是：给定任意一对能量单元(vi，vj)，为描述其能源供需的匹配程度，提出能量匹配指数h，该能量匹配指数根据能量单元vi和vj的能源供需态势计算达到，取值范围为0到1，将能量单元对(vi，vj)对应的匹配指数记为hi，j，hi，j越大，表示能量单元vi和vj越适合被匹配进同一个能源消纳集群，反之则说明能量单元vi和vj不适合被划分在同一个能源消纳集群内，采用数据驱动的机器学习技术对该匹配指数进行近似估计，通过构建一个具有可学习参数θ的神经网络Q来学习不同能源供需态势下任意两个能量单元的匹配指数函数h，该神经网络接受两个给定能量单元vi和vj的能源供需态势感知数据作为输入，并给出一个在0到1范围内的标量
Figure FDA0002566910590000021
作为对其匹配指数hi，j的估计值。
4.根据权利要求3所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤3具体是：设最大允许的能源消纳集群数量为m，m≤n，并用具有n个分量的向量Fk，k＝1，2，...，m表示属于第k个能源消纳集群的能量单元，Fk各个分量的取值为0或1，其中第i个分量Fk，i＝1表示能量单元vi属于第k个能源消纳集群，Fk，i＝0表示能量单元vi不属于第k个能源消纳集群，一方面，关于能量单元的能量供需状态的匹配程度，由步骤2中的神经网络模型Q可以得到任意两个能量单元的组合(vi，vj)对应的匹配指数
Figure FDA0002566910590000022
从而第k个能源消纳集群总的能量不匹配程度(越小越好)可由公式(2)进行计算
Figure FDA0002566910590000023
其中矩阵
Figure FDA0002566910590000024
另一方面，关于局域消纳在先，广域互联在后的能源互联网能量管理原则，可以将第k个能源消纳集群的能量单元构成对该原则的违反程度量化表达如下
Figure FDA0002566910590000031
其中D为步骤1中得到的能量单元关于能量传输网络的距离矩阵，综合上述两方面，
Figure FDA0002566910590000032
其中α为权重系数，可根据具体应用场景进行调整，上述能量单元匹配问题实际上是寻找最优的能源消纳集群划分向量F1，F2，...，Fm，使得目标函数
Figure FDA0002566910590000033
取得最小值，同时保证等式约束条件
Figure FDA0002566910590000034
对所有能量单元和能源消纳集群成立，在该等式约束条件中，当能量单元vi可以通过能量路由网络和能量单元vj建立能量连接时，
Figure FDA0002566910590000035
反之，
Figure FDA0002566910590000036
该约束条件保证了当能量单元vi和vj同时属于第k个能源消纳集群时，它们之间必须存在可行的能量传输链路。
5.根据权利要求1所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤4具体是：基于步骤2中提出的能量单元能量匹配指数及其神经网络模型Q和步骤3中的能量单元优化匹配问题(4)，利用所考虑的能源互联网的能源供需数据和强化学习技术[11，12]对神经网络模型G的参数θ进行训练，具体的流程如下，输入：各个能量单元的历史能源供需数据，最大迭代次数K，k＝1，对神经网络参数θk进行初始化，循环直至收敛或k＞K，从历史数据中随机生成各个能量单元的能源供需态势感知数据，根据神经网络模型Q及其参数θk计算各个能量单元组合的能量匹配指数
Figure FDA0002566910590000037
基于得到的能量路由网络模型G和能量匹配指数
Figure FDA0002566910590000038
求解问题(4)，得到对应的能量单元匹配策略πk，根据历史数据计算给定能量单元匹配策略πk下各个能源消纳集群可维持正常运行的总时长tk作为反馈值，根据反馈值tk，采用强化学习算法更新模型Q的参数θk；输出：模型参数θK，经过上述训练过程，基于神经网络模型Q的能量单元匹配指数估计结果将被用于实际的能量单元匹配应用中。
6.根据权利要求1所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤5具体是：在每一个能量单元匹配周期内，根据实际能源互联网系统中各个能量单元的能源供应和需求的实时监测数据，步骤4中得到的神经网络模型参数θK将被用于计算所有可能的能量单元组合的能量匹配指数
Figure FDA0002566910590000041
基于各个能量单元组合的能量匹配指数，通过先进的非线性整数规划技术[13，14]求解问题(4)得到用于下一周期能量单元匹配的策略π。
7.根据权利要求6所述的一种能源互联网能量单元动态优化匹配方法，其特征在于，所述步骤6具体是：将步骤5所得下一周期的能量单元匹配策略π输入能源互联网系统，并通过能量路由网络建立各个能源消纳集群内部的能量连接以及能源消纳集群之间的能量连接，循环应用步骤5和上述过程，即完成能源互联网能量单元在一个匹配周期内的动态匹配优化目标。
CN202010627057.XA 2020-07-02 2020-07-02 一种能源互联网能量单元动态优化匹配方法 Active CN111967179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010627057.XA CN111967179B (zh) 2020-07-02 2020-07-02 一种能源互联网能量单元动态优化匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010627057.XA CN111967179B (zh) 2020-07-02 2020-07-02 一种能源互联网能量单元动态优化匹配方法

Publications (2)

Publication Number Publication Date
CN111967179A true CN111967179A (zh) 2020-11-20
CN111967179B CN111967179B (zh) 2024-02-09

Family

ID=73361264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010627057.XA Active CN111967179B (zh) 2020-07-02 2020-07-02 一种能源互联网能量单元动态优化匹配方法

Country Status (1)

Country Link
CN (1) CN111967179B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113132232A (zh) * 2021-03-10 2021-07-16 清华大学 一种能量路由优化方法
CN113919641A (zh) * 2021-09-09 2022-01-11 国网河北省电力有限公司辛集市供电分公司 一种局域能源互联网中能量路由器的能量管理系统
CN116316641A (zh) * 2023-05-22 2023-06-23 青岛理工大学 一种实现用户间电能共享系统及控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
CN104659780A (zh) * 2015-03-10 2015-05-27 国家电网公司 适用于消纳大规模分布式电源的能源互联网的实现方法
US20150365889A1 (en) * 2014-06-16 2015-12-17 Telefonaktiebolaget L M Ericsson (Publ) System and Method Employing Resource Sharing to Reduce Power Consumption by a Network Node
CN106059918A (zh) * 2016-06-27 2016-10-26 北京邮电大学 一种基于sdn的能源互联网控制分层架构及调度方法
CN107492887A (zh) * 2017-09-04 2017-12-19 清华大学 一种广域能源互联网的区域划分方法和系统
CN108565898A (zh) * 2018-03-02 2018-09-21 国电南京自动化股份有限公司 一种基于神经网络的集散式微电网群能量调度方法
CN109472401A (zh) * 2018-10-30 2019-03-15 广州供电局有限公司 分布式供能运行策略的确定方法、装置、设备和存储介质
CN109901389A (zh) * 2019-03-01 2019-06-18 国网甘肃省电力公司电力科学研究院 一种基于深度学习的新能源消纳方法
CN110852531A (zh) * 2019-11-26 2020-02-28 国网江苏省电力有限公司南通供电分公司 一种能源互联网多目标优化方法
CN110941675A (zh) * 2019-11-26 2020-03-31 西安交通大学 一种基于深度学习的无线供能边缘计算延迟优化方法
CN111259526A (zh) * 2020-01-09 2020-06-09 鹏城实验室 集群回收路径规划方法、装置、设备及可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
US20150365889A1 (en) * 2014-06-16 2015-12-17 Telefonaktiebolaget L M Ericsson (Publ) System and Method Employing Resource Sharing to Reduce Power Consumption by a Network Node
CN104659780A (zh) * 2015-03-10 2015-05-27 国家电网公司 适用于消纳大规模分布式电源的能源互联网的实现方法
CN106059918A (zh) * 2016-06-27 2016-10-26 北京邮电大学 一种基于sdn的能源互联网控制分层架构及调度方法
CN107492887A (zh) * 2017-09-04 2017-12-19 清华大学 一种广域能源互联网的区域划分方法和系统
CN108565898A (zh) * 2018-03-02 2018-09-21 国电南京自动化股份有限公司 一种基于神经网络的集散式微电网群能量调度方法
CN109472401A (zh) * 2018-10-30 2019-03-15 广州供电局有限公司 分布式供能运行策略的确定方法、装置、设备和存储介质
CN109901389A (zh) * 2019-03-01 2019-06-18 国网甘肃省电力公司电力科学研究院 一种基于深度学习的新能源消纳方法
CN110852531A (zh) * 2019-11-26 2020-02-28 国网江苏省电力有限公司南通供电分公司 一种能源互联网多目标优化方法
CN110941675A (zh) * 2019-11-26 2020-03-31 西安交通大学 一种基于深度学习的无线供能边缘计算延迟优化方法
CN111259526A (zh) * 2020-01-09 2020-06-09 鹏城实验室 集群回收路径规划方法、装置、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈娟等: "区域能源互联网"站－网"布局优化研究", 《中国电机工程学报》, vol. 38, no. 3, pages 675 - 684 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113132232A (zh) * 2021-03-10 2021-07-16 清华大学 一种能量路由优化方法
CN113132232B (zh) * 2021-03-10 2022-05-20 清华大学 一种能量路由优化方法
CN113919641A (zh) * 2021-09-09 2022-01-11 国网河北省电力有限公司辛集市供电分公司 一种局域能源互联网中能量路由器的能量管理系统
CN116316641A (zh) * 2023-05-22 2023-06-23 青岛理工大学 一种实现用户间电能共享系统及控制方法
CN116316641B (zh) * 2023-05-22 2023-09-19 青岛理工大学 一种实现用户间电能共享系统及控制方法

Also Published As

Publication number Publication date
CN111967179B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Li et al. Event-triggered-based distributed cooperative energy management for multienergy systems
CN111967179A (zh) 一种能源互联网能量单元动态优化匹配方法
Yang et al. Transactive energy supported economic operation for multi-energy complementary microgrids
Cao et al. Optimal energy management for multi-microgrid under a transactive energy framework with distributionally robust optimization
Carli et al. Decentralized control for residential energy management of a smart users ʼ microgrid with renewable energy exchange
CN112186799B (zh) 基于深度强化学习的分布式能源系统自治控制方法及系统
Zhang et al. Distributed online optimal energy management for smart grids
CN105391090B (zh) 一种智能电网多智能体多目标一致性优化方法
CN114217524A (zh) 一种基于深度强化学习的电网实时自适应决策方法
CN110232475A (zh) 一种分布式输电网配电网协同经济调度方法
Ruelens et al. Demand side management of electric vehicles with uncertainty on arrival and departure times
Yang et al. Optimal energy operation strategy for we-energy of energy internet based on hybrid reinforcement learning with human-in-the-loop
CN112202206A (zh) 一种基于势博弈的多能源微网分布式调度方法
Veerasamy et al. Blockchain-based decentralized frequency control of microgrids using federated learning fractional-order recurrent neural network
CN115411728A (zh) 一种融合q学习与势博弈的多微电网系统协调控制方法
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
Chen et al. Physical-assisted multi-agent graph reinforcement learning enabled fast voltage regulation for PV-rich active distribution network
Ahmed et al. A novel consensus-driven technique for optimal power allocation in smart energy networks considering multiple fueling feature of thermal plants
Hamidi et al. A new modular nanogrid energy management system based on multi-agent architecture
Si et al. Cloud-edge-based we-market: Autonomous bidding and peer-to-peer energy sharing among prosumers
CN106156872A (zh) 一种基于斯坦纳树的配电网规划方法
Doostmohammadian et al. Distributed finite-sum constrained optimization subject to nonlinearity on the node dynamics
Larsen et al. Distributed control in a network of households with μCHP
Flórez et al. Explicit coordination for MPC-based distributed control with application to Hydro-Power Valleys
Li et al. Set-points based optimal multi-agent coordination for controlling distributed energy loads

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