CN111967179B - 一种能源互联网能量单元动态优化匹配方法 - Google Patents

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v_i∈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a_i进行表达，其第j个分量a_i,j表示了能量路由器v_i和v_j之间的连接状态，a_i,j＝1表示存在一条直接由能量路由器v_i到v_j的物理能量传输链路，a_i,j＝0表示直接从能量路由器v_i到v_j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

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v_i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d_i,j表示能量从能量单元v_i经由能量路由网络到达v_j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(v_i,v_j)，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v_i和v_j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(v_i,v_j)对应的匹配指数记为h_i,j，h_i,j越大，表示能量单元v_i和v_j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v_i和v_j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v_i和v_j的能源供需态势感知数据作为输入，并给出一个在0到1范围内的标量作为对其匹配指数h_i,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F_k,k＝1,2,…,m表示属于第k个能源消纳集群的能量单元，F_k各个分量的取值为0或1，其中第i个分量F_k,i＝1表示能量单元v_i属于第k个能源消纳集群，F_k,i＝0表示能量单元v_i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(v_i,v_j)对应的匹配指数从而第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

其中矩阵另一方面，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

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，

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,…,F_m，使得目标函数取得最小值，同时保证等式约束条件F_k,iF_k,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v_i可以通过能量路由网络和能量单元v_j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v_i和v_j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θ_k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θ_k计算各个能量单元组合的能量匹配指数基于得到的能量路由网络模型G和能量匹配指数/>求解问题(4)，得到对应的能量单元匹配策略π_k，根据历史数据计算给定能量单元匹配策略π_k下各个能源消纳集群可维持正常运行的总时长t_k作为反馈值，根据反馈值t_k，采用强化学习算法更新模型Q的参数θ_k；输出：模型参数θ_K，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θ_K将被用于计算所有可能的能量单元组合的能量匹配指数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v_i∈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a_i进行表达，其第j个分量a_i,j表示了能量路由器v_i和v_j之间的连接状态。a_i,j＝1表示存在一条直接由能量路由器v_i到v_j的物理能量传输链路，a_i,j＝0表示直接从能量路由器v_i到v_j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

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v_i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d_i,j表示能量从能量单元v_i经由能量路由网络到达v_j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v_i)。特别地，当i＝j时，d_i,j＝0，当能量无法通过能量路由网络从能量单元v_i传输至v_j时，d_i,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(v_i,v_j)，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v_i和v_j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(v_i,v_j)对应的匹配指数记为越大，表示能量单元v_i和v_j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v_i和v_j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v_i和v_j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/>作为对其匹配指数h_i,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F_k,k＝1,2,…,m表示属于第k个能源消纳集群的能量单元。F_k各个分量的取值为0或1，其中第i个分量F_k,i＝1表示能量单元v_i属于第k个能源消纳集群，F_k,i＝0表示能量单元v_i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(v_i,v_j)对应的匹配指数从而第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。

其中矩阵

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。

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]。

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,…,F_m，使得目标函数取得最小值，同时保证等式约束条件F_k,iF_k,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v_i可以通过能量路由网络和能量单元v_j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v_i和v_j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θ_k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θ_k计算各个能量单元组合的能量匹配指数

基于得到的能量路由网络模型G和能量匹配指数求解问题(4)，得到对应的能量单元匹配策略π_k

根据历史数据计算给定能量单元匹配策略π_k下各个能源消纳集群可维持正常运行的总时长t_k作为反馈值

根据反馈值t_k，采用强化学习算法更新模型Q的参数θ_k

输出：模型参数θ_K

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θ_K将被用于计算所有可能的能量单元组合的能量匹配指数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 (1)

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：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v_i∈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a_i进行表达，其第j个分量a_i,j表示了能量路由器v_i和v_j之间的连接状态，a_i,j＝1表示存在一条直接由能量路由器v_i到v_j的物理能量传输链路，a_i,j＝0表示直接从能量路由器v_i到v_j的物理能量传输链路不存在；对于由5个能量路由器组成的能量路由网络，a₁＝[01011]＇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[01011]＇表示矩阵转置，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

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v_i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d_i,j表示能量从能量单元v_i经由能量路由网络到达v_j的最短物理能量链路包含的能量路由器的数量；

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；

所述步骤2具体是：给定任意一对能量单元(v_i，v_j)，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v_i和v_j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(v_i，v_j)对应的匹配指数记为h_i,j，h_i,j越大，表示能量单元v_i和v_j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v_i和v_j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v_i和v_j的能源供需态势感知数据作为输入，并给出一个在0到1范围内的标量作为对其匹配指数h_i,j的估计值；

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；

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F_k,k＝1,2,...,m表示属于第k个能源消纳集群的能量单元，F_k各个分量的取值为0或1，其中第i个分量F_k,i＝1表示能量单元v_i属于第k个能源消纳集群，F_k,i＝0表示能量单元v_i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(v_i，v_j)对应的匹配指数从而第k个能源消纳集群总的能量不匹配程度可由公式(2)进行计算

其中矩阵另一方面，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

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，

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,...,F_m，使得目标函数取得最小值，同时保证等式约束条件/>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v_i可以通过能量路由网络和能量单元v_j建立能量连接时，/>反之，/>该约束条件保证了当能量单元v_i和v_j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；

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θ_k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θ_k计算各个能量单元组合的能量匹配指数基于得到的能量路由网络模型G和能量匹配指数/>求解问题(4)，得到对应的能量单元匹配策略π_k，根据历史数据计算给定能量单元匹配策略π_k下各个能源消纳集群可维持正常运行的总时长t_k作为反馈值，根据反馈值t_k，采用强化学习算法更新模型Q的参数θ_k；输出：模型参数θ_k，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；

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θ_K将被用于计算所有可能的能量单元组合的能量匹配指数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；

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，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。