CN112311019A - 多智能体系统及其能源路由策略 - Google Patents

多智能体系统及其能源路由策略 Download PDF

Info

Publication number
CN112311019A
CN112311019A CN202011125346.6A CN202011125346A CN112311019A CN 112311019 A CN112311019 A CN 112311019A CN 202011125346 A CN202011125346 A CN 202011125346A CN 112311019 A CN112311019 A CN 112311019A
Authority
CN
China
Prior art keywords
energy
agent
demand
intelligent agent
load
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.)
Withdrawn
Application number
CN202011125346.6A
Other languages
English (en)
Inventor
张亮
吕栋
毕立颖
田林峰
宋庆迪
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.)
Shandong Sino Swiss Electrical Co ltd
Original Assignee
Shandong Sino Swiss Electrical 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 Shandong Sino Swiss Electrical Co ltd filed Critical Shandong Sino Swiss Electrical Co ltd
Priority to CN202011125346.6A priority Critical patent/CN112311019A/zh
Publication of CN112311019A publication Critical patent/CN112311019A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及能源互联网技术领域；具体涉及一种多智能体系统及其能源路由策略，多智能体系统包括能源路由器智能体，多能源智能体，储能智能体，主网智能体，负荷智能体，能源路由策略，包括：1、负荷智能体向能源路由器智能体提交负荷需求；2、能源路由器智能体确定负荷需求量；3、多能源智能体向调度中心的能源路由器智能体提交供能信息；4、能源路由器智能体通过能源路由优化算法得到各能源侧机组的出力；5、能源路由器智能体向各多能源智能体发布调度信息；6、多能源智能体接收能源路由器智能体的调度信息，根据指令信息进行出力。本发明实现多源微网中源荷协调运行和实时调度。

Description

多智能体系统及其能源路由策略
技术领域
本发明涉及能源互联网技术领域；具体涉及一种多智能体系统及其能源路由策略。
背景技术
能源路由器是能源互联网类比互联网中的路由器而设计产生，是实现能源路由技术、多种能源功率转换及分配的关键设备。能源路由器既作为一个能源装置，实现多种能量的转换及能量双向流动；又是一个信息节点，进行多种能源之间的信息交互和状态监测，是多能源系统中实现信息化和能量流一体化设计的智能调控单元。
多能源系统中能源种类的复杂性、能源传输方式的可调性以及用户种类的多样性使得能源路由器的能源优化调度模式复杂化，传统的电力系统设备无法满足供电形势多样性和能量多向流动以及功率流的主动调控等要求。因此，能源路由器和能源路由技术作为多能源系统优化运行的关键技术，保障多能源系统或多源微网的安全可靠经济运行。为了充分发挥可再生能源的利用潜能，实现对多种能源进行合理规划和利用，以能源路由器作为主要调控中心，以电、热、气等多种能量作为主要传输途径，通过分析和建立电、热、气多源微网能量的输入、传输、转换和分配模型，实现多源微网能源路由的调度优化策略就显得尤为重要。
在多能源系统或能源互联网的发展趋势下，只有单一能量流的能源系统正在向具有多种能源流祸合的多源微网方向发展，多能源建模及协调优化调度与控制将是当前的主要发展方向。目前的研究主要分别从能量信息流和电能路由的角度出发进行能源路由策略研究，而并没有考虑多能量流作用下的能源路由调度优化的情形。
发明内容
为解决上述技术问题，本发明提供一种多智能体系统及其能源路由策略，实现多源微网中源荷协调运行和实时调度。
本发明所述多智能体系统，包括能源路由器智能体、多能源智能体、储能智能体、主网智能体和负荷智能体，其中，
能源路由器智能体，对应于多源微网系统中的能源路由器，实现与配电网/供热网络的能源共享与信息交互，接收和监测系统中各模块的运行状态，进行能量管理和优化决策，并将决策指令分别下发给执行单元；
多能源智能体，对应于多源微网系统中的供能单元，实现当前时段的能源侧各机组的发电/供热的运行状态实时检测及未来时段的出力预测，并把当前机组状态信息及出力预测信息上报能源路由器智能体，并响应其调控指令；
储能智能体，对应于多源微网系统中的储能装置，包括储电和储热两种机组，监测各机组的运行状态并上报能源路由器智能体，并响应其调控指令，调整运行状态，单独或与需求相应配合平抑负荷波动；
主网智能体，对应于配电网/供热网络，与能源路由器智能体实现信息和能源需求交互；
负荷智能体，对应于多源微网系统中用户侧多种形式的需求负荷，其中包括需求响应负荷，实现对当前时段的负荷需求实时监测及未来时段的负荷需求预测，并上报能源路由器智能体，等待接收上级调度及控制指令，需求响应负荷可以根据能源路由器智能体的调度指令转移需求时段。
本发明还提供一种适用于上述多智能体系统的能源路由策略，包括以下步骤：
101、负荷智能体根据预测负荷数据向能源路由器智能体提交负荷需求，等待响应命令；
102、能源路由器智能体接收负荷智能体提交的信息，确定负荷智能体的负荷需求量；
103、多能源智能体向调度中心的能源路由器智能体提交供能信息；
104、能源路由器智能体通过确定负荷智能体的负荷需求量和能源侧预测的供能信息，计算剩余需求，并且根据多源微网系统制定目标函数，通过能源路由优化算法得到各能源侧机组的出力；
105、能源路由器智能体向各多能源智能体发布调度信息，等待响应；
106、多能源智能体接收能源路由器智能体的调度信息，根据指令信息进行出力。
优选地，所述能源路由优化算法具体如下：
201、路径选择，定义两个蚁群，其中每个蚁群表示一个目标函数，定义蚁群有N只蚂蚁，每只蚂蚁的行走路径代表一种可行方案；首先，产生初始智能体Qi及适应值，定义初始迭代次数为0；选定起始节点后，蚂蚁在信息素的指引下向下一个节点移动，哪个节点的信息素越强被选择的几率越大，初始智能体Qi在第j1个方案完成后继续选择Qi+1的第j2种实施方案的概率为：
Figure BDA0002733434320000021
其中，
Figure BDA0002733434320000022
表示路径(i,i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的信息素；
Figure BDA0002733434320000023
表示路径(i,i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的启发因子；
Figure BDA0002733434320000024
和
Figure BDA0002733434320000025
共同决定路径对蚂蚁的吸引程度；Ri表示完成智能体Qi后可以选择的搜索的点的集合；β、
Figure BDA0002733434320000031
分别表示信息素、启发因子的权重，其中
Figure BDA0002733434320000032
202、信息素更新，N只蚂蚁完成一次循环后，各边的信息素强度按照下式更新：
Figure BDA0002733434320000033
式中，
Figure BDA0002733434320000034
和
Figure BDA0002733434320000035
分别表示第N次和第N-1次循环后各边的信息素强度；ρ∈[0,1]表示信息素残留参数，
Figure BDA0002733434320000036
表示在蚂蚁k循环一次后，在边(i,j1,j2)上留下的信息素，求解运行成本和碳排放最小的路径中，系统运行成本、碳排放成本越低信息素越高；
203、种群间信息素协调比较分析，包括以下三种情况：
A、若j1和j2共2个种群搜索的解对应的函数值都优于目标值，就把该解加入到解集中，再按照步骤202进行更新；若搜索出的解和非支配解集中的某个解相同，就对这条路径上的信息素进行1％～50％比例减少，防止陷入局部最优；
B、若有一个目标函数值比设定目标值要更优，则将这个目标种群在其对应的路径上选取其中某段路径，对此路径上的信息素进行变异处理；
C、当两个目标函数值均劣于目标值时，根据步骤202更新信息素，并进行下一次的迭代搜索；
204、路径对蚂蚁的吸引程度计算，
Figure BDA0002733434320000037
表示蚂蚁k从节点i选择移动到节点j的期望程度，表示为：
Figure BDA0002733434320000038
205、构造非支配解集，定义一个外部集合A把当前搜索到的非支配解存放到该集合中，以指导蚂蚁在可行区域内更好地进行搜索，把搜索到的解与目标值进行对比，从而决定是否在A中存放该解，如果搜索到的解满足存放条件但是该解等于A中的解时，该值不在A中存放；
206、利用灰色关联度计算折中解，根据实际需要，决策者选择满足要求的一个多目标最优解并以该解进行调度。
3、根据权利要求2所述的能源路由策略，其特征在于，步骤206计算步骤如下：
6.1、构造成本决策矩阵ri,j，并进行归一化出力计算：
Figure BDA0002733434320000039
其中，N为母向量维度(解集元素数)，M为子向量维度(非支配解集元素数)，f表示最优成本；
6.2、计算会关联度，定义理想方案(ro1,ro1,…roM,)表示母向量，待评价方案为子向量，则方案i(fi的运行方案)与理想方案在j维目标上的关联度系数为：
Figure BDA0002733434320000041
式中，ρ为分辨率系数，通常取0.5；
6.3、确定目标权重，灰色关联度法综合评价准则用各方案到理想方案的关联度之和表示，为确定各目标权重，构造如下线性规划模型：
Figure BDA0002733434320000042
6.4、计算灰关联度，
Figure BDA0002733434320000043
Wi越大，则方案与理想方案越接近，方案越好。
优选地，利用线性加权法定义目标函数确定一组权值
Figure BDA0002733434320000049
来反映系统中各目标函数在总体目标中的重要程度，并对目标函数进行加权求和运算，具体定义如下：
Figure BDA0002733434320000048
其中，
Figure BDA0002733434320000045
Figure BDA0002733434320000046
的取值根据多源微网系统的总体要求来确定。
Figure BDA0002733434320000047
的取值主要取决于是追求系统运行成本为主还是环境效益为主，在经济效益中，考虑最大限度降低系统运行成本为目标函数；在环境效益中，考虑碳排放成本最小为目标函数；，主要是追求系统运行成本为主还是环境效益为主。
优选地，运行成本最小化为：
Figure BDA0002733434320000044
上式中，e(H)为电价，
Figure BDA0002733434320000051
为系统从电网中购/销电量，
Figure BDA0002733434320000052
为电联产需求量，
Figure BDA0002733434320000053
为气锅炉需求量，g(H)为燃气价，Pg(H)为购买燃气总量，
Figure BDA0002733434320000054
为微网产生的多余热量，HB为电网热量出售给热网的价格，PSH(H)为需求响应，DRCT(H)为运行成本。
优选地，碳排放成本最小化为：
Figure BDA0002733434320000055
其中，
Figure BDA0002733434320000056
表示购/销电量，Pg(H)表示购气量，δe，δg分别表示购电和购气的等效排放系数，θ表示单位CO2的处理费用(元/kg)，碳排放量的碳排放量由电网购电等效排放量和气网购气等效排放量两部分组成。
能源路由器智能体根据最低运行成本进行经济调度，热能、电能及冷能皆以功率形式表示，可再生能源以零运行成本接入。
目标函数优化的约束条件不仅需要包括功率平衡、各类发电设备特性限制等传统条件，还考虑到可再生能源的不确定性和间歇性，以及储能设备的荷电和容量限制等。而且，由于能量消费终端中热能的存在，还需考虑网络中热能供求平衡、供热机组出力约束及电热转换的约束。同时，为实现弃风弃光的消纳，考虑弃风弃光约束条件，以及在并网条件下，需要考虑多源微网与主网之间的功率交互约束等。
优选地，目标函数优化需考虑的约束条件包括电平衡约束、热平衡约束、储电平衡约束、储热平衡约束、需求响应不平衡约束、储能不平衡约束、储热不平衡约束。
供需电平衡关系为：
Figure BDA0002733434320000057
其中，Le(H)表示用电需求；
Figure BDA0002733434320000058
分别表示风电和光伏发电的供电量；
Figure BDA0002733434320000059
表示电能经变压器输入微网的转换效率；
Figure BDA00027334343200000510
表示热电联产转换为电量的转换效率；
Figure BDA00027334343200000511
表示点需求响应转移量；
Figure BDA00027334343200000512
表示电储能放电、充电量。
热平衡约束为：
Figure BDA00027334343200000513
式中，Lh(H)表示负荷热需求；
Figure BDA00027334343200000514
表示额外卖热量；
Figure BDA00027334343200000515
表示热交换功率；
Figure BDA00027334343200000516
表示热需求响应该变量；
Figure BDA00027334343200000517
表示热交换效率。
储电平衡约束为：
Figure BDA0002733434320000061
上式表示电存储Se(H)受其剩余功率Se(H-1)、充电功率
Figure BDA0002733434320000062
和放电功率
Figure BDA0002733434320000063
和损耗
Figure BDA0002733434320000064
的约束。
储热平衡约束为：
Figure BDA0002733434320000065
上式表示蓄热功率受其剩余功率Sh(H-1)、充电功率
Figure BDA0002733434320000066
和放电功率
Figure BDA0002733434320000067
和损耗
Figure BDA0002733434320000068
的限制。
需求响应不平衡约束，电力需求增加量
Figure BDA0002733434320000069
等于降低量
Figure BDA00027334343200000610
具体为：
Figure BDA00027334343200000611
储能不平衡约束，电能存储量Se(H)限制在0和最大电功率
Figure BDA00027334343200000612
之间，具体为：
Figure BDA00027334343200000613
储热不平衡约束，蓄热功率Sh(H)限制在0和最大热功率
Figure BDA00027334343200000614
之间，具体为：
Figure BDA00027334343200000615
与现有技术相比，本发明具有以下有益效果：
本发明为实现多源微网中源荷协调运行和实时调度本发明引入多智能体系统给出了一种多源微网多智能体能源路由策略，对微网内部各种能源出力和负荷需求之间的能源路由进行管理和优化调度，并在多智能体系统基础上，设计了多源微网多目标能源优化调度算法，运用多智能体与蚁群算法相结合的改进蚁群算法求解多目标最优解，实现系统的经济和环境效益最大化。
附图说明
图1多智能体系统结构框图。
图2能源路由优化算法。
图3光伏风电一天的预测出力图。
图4一天中的电价和燃气价格图。
图5一天中的电、热、冷能负荷需求图。
图6实施例2与传统蚁群算法结果对比图。
图7实施例2场景1下能源路由器调度情况。
图8实施例2场景2下能源路由器调度情况。
图9实施例2场景3下能源路由器调度情况
具体实施方式
实施例1：
如图1所示，本发明所述多智能体系统，包括能源路由器智能体、多能源智能体、储能智能体、主网智能体和负荷智能体，其中，
能源路由器智能体，对应于多源微网系统中的能源路由器，实现与配电网/供热网络的能源共享与信息交互，接收和监测系统中各模块的运行状态，进行能量管理和优化决策，并将决策指令分别下发给执行单元；
多能源智能体，对应于多源微网系统中的发电、供热机组等供能单元，实现当前时段的能源侧各机组的发电/供热的运行状态实时检测及未来时段的出力预测，并把当前机组状态信息及出力预测信息上报能源路由器智能体，并响应其调控指令，通过多种能源智能体之间交互和协同运行，以调整各供能机组的发电/供热状态，满足用户侧的负荷需求；
储能智能体，对应于多源微网系统中的储能装置，包括储电和储热两种机组，监测各机组的运行状态并上报能源路由器智能体，并响应其调控指令，调整运行状态，单独或与需求相应配合平抑负荷波动；
主网智能体，对应于配电网/供热网络，与能源路由器智能体实现信息和能源需求交互；
负荷智能体，对应于多源微网系统中用户侧多种形式的需求负荷，其中包括需求响应负荷，实现对当前时段的负荷需求实时监测及未来时段的负荷需求预测，并上报能源路由器智能体，等待接收上级调度及控制指令，需求响应负荷可以根据能源路由器智能体的调度指令转移需求时段。
实施例2：
如图2所示，本实施例在实施例1的基础上提供一种适用于上述多智能体系统的能源路由策略，包括以下步骤：
101、负荷智能体根据预测负荷数据向能源路由器智能体提交电、热、冷等各种形式负荷需求，等待响应命令；
102、能源路由器智能体接收负荷智能体提交的信息，确定负荷智能体的负荷需求量；
103、多能源智能体向调度中心的能源路由器智能体提交供能(发电、发热及制冷)信息；
104、能源路由器智能体通过确定负荷智能体的负荷需求量和能源侧预测的供能信息，计算剩余需求，并且根据多源微网系统制定目标函数，通过能源路由优化算法得到各能源侧机组的出力；
105、能源路由器智能体向各多能源智能体发布调度信息，等待响应；
106、多能源智能体接收能源路由器智能体的调度信息，根据指令信息进行出力。
优选地，所述能源路由优化算法具体如下：
201、路径选择，定义两个蚁群，其中每个蚁群表示一个目标函数，定义蚁群有N只蚂蚁，每只蚂蚁的行走路径代表一种可行方案；首先，产生初始智能体Qi及适应值，定义初始迭代次数为0；选定起始节点后，蚂蚁在信息素的指引下向下一个节点移动，哪个节点的信息素越强被选择的几率越大，初始智能体Qi在第j1个方案完成后继续选择Qi+1的第j2种实施方案的概率为：
Figure BDA0002733434320000081
其中，
Figure BDA0002733434320000082
表示路径(i,i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的信息素；
Figure BDA0002733434320000083
表示路径(i,i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的启发因子；
Figure BDA0002733434320000084
和
Figure BDA0002733434320000085
共同决定路径对蚂蚁的吸引程度；Ri表示完成智能体Qi后可以选择的搜索的点的集合；β、
Figure BDA0002733434320000086
分别表示信息素、启发因子的权重，其中
Figure BDA0002733434320000087
202、信息素更新，N只蚂蚁完成一次循环后，各边的信息素强度按照下式更新：
Figure BDA0002733434320000088
式中，
Figure BDA0002733434320000089
和
Figure BDA00027334343200000810
分别表示第N次和第N-1次循环后各边的信息素强度；ρ∈[0,1]表示信息素残留参数，
Figure BDA00027334343200000811
表示在蚂蚁k循环一次后，在边(i,j1,j2)上留下的信息素，求解运行成本和碳排放最小的路径中，系统运行成本、碳排放成本越低信息素越高；
203、种群间信息素协调比较分析，包括以下三种情况：
A、若j1和j2共2个种群搜索的解对应的函数值都优于目标值，就把该解加入到解集中，再按照步骤202进行更新；若搜索出的解和非支配解集中的某个解相同，就对这条路径上的信息素进行1％～50％比例减少，防止陷入局部最优；
B、若有一个目标函数值比设定目标值要更优，则将这个目标种群在其对应的路径上选取其中某段路径，对此路径上的信息素进行变异处理(赋值0)；
C、当两个目标函数值均劣于目标值时，根据步骤202更新信息素，并进行下一次的迭代搜索；
204、路径对蚂蚁的吸引程度计算，
Figure BDA00027334343200000812
表示蚂蚁k从节点i选择移动到节点j的期望程度，表示为：
Figure BDA0002733434320000091
系统运行成本和碳排放成本应该与期望程度成反比，即系统运行成本越低或碳排放成本越小，期望程度就越高；
205、构造非支配解集，定义一个外部集合A把当前搜索到的非支配解存放到该集合中，以指导蚂蚁在可行区域内更好地进行搜索，把搜索到的解与目标值进行对比，从而决定是否在A中存放该解，如果搜索到的解满足存放条件但是该解等于A中的解时，该值不在A中存放，进行多目标优化算法寻找最优解的过程中形成的最优个体集合构成了非支配解集，构造非支配解集的过程是求解最优解的过程。同时，为了避免在进行最优解求解过程中出现与非支配解集中相同的数值；
206、利用灰色关联度计算折中解，根据实际需要，决策者选择满足要求的一个多目标最优解并以该解进行调度。
步骤206计算步骤如下：
6.1、构造成本决策矩阵ri,j，并进行归一化出力计算：
Figure BDA0002733434320000092
其中，N为母向量维度(解集元素数)，M为子向量维度(非支配解集元素数)，f表示最优成本；
6.2、计算会关联度，定义理想方案(ro1,ro1,…roM,)表示母向量，待评价方案为子向量，则方案i(fi的运行方案)与理想方案在j维目标上的关联度系数为：
Figure BDA0002733434320000093
式中，ρ为分辨率系数，通常取0.5；
6.3、确定目标权重，灰色关联度法综合评价准则用各方案到理想方案的关联度之和表示，为确定各目标权重，构造如下线性规划模型：
Figure BDA0002733434320000094
Figure BDA0002733434320000101
6.4、计算灰关联度，
Figure BDA0002733434320000102
Wi越大，则方案与理想方案越接近，方案越好。
利用线性加权法定义目标函数确定一组权值
Figure BDA00027334343200001010
来反映系统中各目标函数在总体目标中的重要程度，并对目标函数进行加权求和运算，具体定义如下：
Figure BDA00027334343200001011
其中，
Figure BDA00027334343200001012
的取值根据多源微网系统的总体要求来确定。
Figure BDA00027334343200001013
的取值主要取决于是追求系统运行成本为主还是环境效益为主，在经济效益中，考虑最大限度降低系统运行成本为目标函数；在环境效益中，考虑碳排放成本最小为目标函数；，主要是追求系统运行成本为主还是环境效益为主。
运行成本最小化为：
Figure BDA0002733434320000103
上式中，e(H)为电价，
Figure BDA0002733434320000104
为系统从电网中购/销电量，
Figure BDA0002733434320000105
为电联产需求量，
Figure BDA0002733434320000106
为气锅炉需求量，g(H)为燃气价，Pg(H)为购买燃气总量，
Figure BDA0002733434320000107
为微网产生的多余热量，HB为电网热量出售给热网的价格，PSH(H)为需求响应，DRCT(H)为运行成本。
碳排放成本最小化为：
Figure BDA0002733434320000108
其中，
Figure BDA0002733434320000109
表示购/销电量，Pg(H)表示购气量，δe，δg分别表示购电和购气的等效排放系数，θ表示单位CO2的处理费用(元/kg)，碳排放量的碳排放量由电网购电等效排放量和气网购气等效排放量两部分组成。
能源路由器智能体根据最低运行成本进行经济调度，热能、电能及冷能皆以功率形式表示，可再生能源以零运行成本接入。
目标函数优化的约束条件不仅需要包括功率平衡、各类发电设备特性限制等传统条件，还考虑到可再生能源的不确定性和间歇性，以及储能设备的荷电和容量限制等。而且，由于能量消费终端中热能的存在，还需考虑网络中热能供求平衡、供热机组出力约束及电热转换的约束。同时，为实现弃风弃光的消纳，考虑弃风弃光约束条件，以及在并网条件下，需要考虑多源微网与主网之间的功率交互约束等。
目标函数优化需考虑的约束条件包括电平衡约束、热平衡约束、储电平衡约束、储热平衡约束、需求响应不平衡约束、储能不平衡约束、储热不平衡约束。
供需电平衡关系为：
Figure BDA0002733434320000111
其中，Le(H)表示用电需求；
Figure BDA0002733434320000112
分别表示风电和光伏发电的供电量；
Figure BDA0002733434320000113
表示电能经变压器输入微网的转换效率；
Figure BDA0002733434320000114
表示热电联产转换为电量的转换效率；
Figure BDA0002733434320000115
表示点需求响应转移量；
Figure BDA0002733434320000116
表示电储能放电、充电量。
热平衡约束为：
Figure BDA0002733434320000117
式中，Lh(H)表示负荷热需求；
Figure BDA0002733434320000118
表示额外卖热量；
Figure BDA0002733434320000119
表示热交换功率；
Figure BDA00027334343200001110
表示热需求响应该变量；
Figure BDA00027334343200001111
表示热交换效率。
储电平衡约束为：
Figure BDA00027334343200001112
上式表示电存储Se(H)受其剩余功率Se(H-1)、充电功率
Figure BDA00027334343200001113
和放电功率
Figure BDA00027334343200001114
和损耗
Figure BDA00027334343200001115
的约束。
储热平衡约束为：
Figure BDA00027334343200001116
上式表示蓄热功率受其剩余功率Sh(H-1)、充电功率
Figure BDA00027334343200001117
和放电功率
Figure BDA00027334343200001118
和损耗
Figure BDA00027334343200001119
的限制。
需求响应不平衡约束，电力需求增加量
Figure BDA00027334343200001120
等于降低量
Figure BDA00027334343200001121
具体为：
Figure BDA00027334343200001122
储能不平衡约束，电能存储量Se(H)限制在0和最大电功率
Figure BDA00027334343200001123
之间，具体为：
Figure BDA0002733434320000121
储热不平衡约束，蓄热功率Sh(H)限制在0和最大热功率
Figure BDA0002733434320000122
之间，具体为：
Figure BDA0002733434320000123
不失一般性，验证本实施例的算法，给出一组调度参数如下：
Figure BDA0002733434320000124
HB＝13.2，θ＝0.031，δe＝0.972，δg＝0.23，
Figure BDA0002733434320000126
光伏风电一天的预测出力如图3所示，一天中的电价和燃气价格如图4所示，一天中的电、热、冷能负荷需求如图5所示。
本实施例与传统蚁群算法相比进行验证，在初始参数设置相同的前提下，对比结果如图6所示。由图6可知，本实施例和传统蚁群算法相比，得到全局最优解的迭代次数明显减少，在迭代11次左右得到，在进行全局最优解搜索过程中，实现较为平稳地波形收敛，而传统蚁群算法，收敛性较差，且在第26次迭代中才达到收敛而且容易陷入局部最优解中。
为进一步验证本实施例的有效性，选择以下三种场景进行分析，即当多源微网中存在所有能源、可再生能源(风能、太阳能)、储能(储电和储热)、需求响应及无能源状态下的能源路由调度情况，简述如下表：
Figure BDA0002733434320000125
假设风电、光伏的功率预测及负荷的需求预测准确。对多目标函数分别设置优化权重，以降低经济运行成本作为主目标，兼顾碳排放成本的减小。为优先考虑清洁能源的使用，定义可再生能源以零成本运行和零污染物排放。电力需求主要有风、光等可再生能源、主电网购售电、天然气微燃机产生电能、储电装置供能和需求响应调节用电需求。热能需求主要有热电联产热能、燃气锅炉、储热装置、需求响应调节热能；其中，冷能需求主要通过热交换器使用吸收式制冷机由热能转换来满足，故可以看作是热能的一部分，算例分析中不再单独表述。具体调度结果如下。
场景1：验证所有能源存在情形下的能源路由器调度情况，结果如图7所示。根据图7可以看出：
1)优先使用可再生能源供电，需求转移计划(需求响应为负时表示需求响应在该时段向上转移即增加，为正时表示需求响应向下转移即降低)在负荷需求量较低时段向上转移电力需求响应(23时—次日6时)，在需求量较高时向下转移电力需求(19时—22时)；当电能产生更多及电价较低时段(1时—10时)，储电装置充电，当电价高的时段(16时—23时)，减少购电，增加储电装置放电。需求响应结合储能装置实现主动能量调控，以进行平抑负荷波动，实现削峰填谷。
2)在可再生能源的利用达到约束条件的上下限或风光完全消纳后，由于天然气比电网电价相对较低，故天然气燃气轮机机组运行相对较多。供能单元产生的多余电量(6时，9时—10时)，出售给电网以获得收入(主网曲线中为负时，表示向电网售电，当为正时，表示从电网购电)。
3)由于燃气轮机一直工作产生电能，所以热负荷需求可以由燃气轮机提供；同电能相似，在低气价和低热负荷需求时段(8时—11时，13时—17时)利用储热装置进行储热，反之，在燃气价格较高及热需求的高峰时段(11时—13时)，由于燃气锅炉比微燃机效率更高可产生更多的热能，并通过储热装置放热，并结合热负荷需求响应平抑负荷波动及减小峰谷差。
4)为降低运行成本及碳排放成本，当储热装置足以满足热负荷需求时，减少燃气锅炉出力；同时，在高电负荷需求时段(18时—24时)，热电联产的利用率高于其他时段。因此，该时段燃气锅炉的使用次数比其他时段少，并且系统更倾向于由储热装置提供热能，供热管道的供热量减少了。
场景2：验证只存在储能装置满足负荷需求时的能源路由调度情况，如图8所示。根据图8可以看出：
1)大部分电力需求通过电网供电。在负荷需求较低和电价较低的时段，为兼顾碳排放成本的环境效益，系统的大部分电力需求是通过电网提供，储电也需要从主网购电，在高负荷需求和高电价时储电装置放电，在用电需求量和电价较高时，储电释放。
2)蓄热在当前时段应用较多，在该时段，向电网出售的热量更少；在其他时段，由于燃气锅炉相对燃气轮机工作效率更高，主要依靠燃气锅炉来提供需求热量，多余的热能售卖给主网，以实现相应收入降低运行成本。
3)在该场景下，与场景1相比，电负荷的需求主要向电网购电量增加，且没有向电网售电，使得系统运行成本增加。并且与场景1对比可见，在没有需求响应的情况下能量曲线波动较大。
场景3：验证没有能源存在的情况下的能源路由调度情况，如图9所示。根据图9可以看出：
1)该场景下主要以燃气锅炉来提供多时段的热量需求；
3)在高电价和高负荷需求时段，提高燃气轮机的供能次数及发电量减少主网购买电量；反之，若在低负荷和低电价时段，电负荷的需求主要依靠从电网购电实现，对比场景1可以看出，场景3在没有储能存在的情况下能量波动相对较大，经济性上也有所降低。
综上3个场景看出本实施例的能源路由调度策略能够及时响应并通过主动能量分配起到了平抑能量波动的作用。

Claims (8)

1.一种多智能体系统，其特征在于，包括能源路由器智能体、多能源智能体、储能智能体、主网智能体和负荷智能体，其中，
能源路由器智能体，对应于多源微网系统中的能源路由器，实现与配电网/供热网络的能源共享与信息交互，接收和监测系统中各模块的运行状态，进行能量管理和优化决策，并将决策指令分别下发给执行单元；
多能源智能体，对应于多源微网系统中的供能单元，实现当前时段的能源侧各机组的发电/供热的运行状态实时检测及未来时段的出力预测，并把当前机组状态信息及出力预测信息上报能源路由器智能体，并响应其调控指令；
储能智能体，对应于多源微网系统中的储能装置，包括储电和储热两种机组，监测各机组的运行状态并上报能源路由器智能体，并响应其调控指令，调整运行状态，单独或与需求相应配合平抑负荷波动；
主网智能体，对应于配电网/供热网络，与能源路由器智能体实现信息和能源需求交互；
负荷智能体，对应于多源微网系统中用户侧多种形式的需求负荷，其中包括需求响应负荷，实现对当前时段的负荷需求实时监测及未来时段的负荷需求预测，并上报能源路由器智能体，等待接收上级调度及控制指令，需求响应负荷可以根据能源路由器智能体的调度指令转移需求时段。
2.一种适用于权利要求1所述多智能体系统的能源路由策略，其特征在于，包括以下步骤：
101、负荷智能体根据预测负荷数据向能源路由器智能体提交负荷需求，等待响应命令；
102、能源路由器智能体接收负荷智能体提交的信息，确定负荷智能体的负荷需求量；
103、多能源智能体向调度中心的能源路由器智能体提交供能信息；
104、能源路由器智能体通过确定负荷智能体的负荷需求量和能源侧预测的供能信息，计算剩余需求，并且根据多源微网系统制定目标函数，通过能源路由优化算法得到各能源侧机组的出力；
105、能源路由器智能体向各多能源智能体发布调度信息，等待响应；
106、多能源智能体接收能源路由器智能体的调度信息，根据指令信息进行出力。
3.根据权利要求2所述的能源路由策略，其特征在于，所述能源路由优化算法具体如下：
201、路径选择，定义两个蚁群，其中每个蚁群表示一个目标函数，定义蚁群有N只蚂蚁，每只蚂蚁的行走路径代表一种可行方案；首先，产生初始智能体Qi及适应值，定义初始迭代次数为0；选定起始节点后，蚂蚁在信息素的指引下向下一个节点移动，哪个节点的信息素越强被选择的几率越大，初始智能体Qi在第j1个方案完成后继续选择Qi+1的第j2种实施方案的概率为：
Figure FDA0002733434310000021
其中，
Figure FDA0002733434310000022
表示路径(i，i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的信息素；
Figure FDA0002733434310000023
表示路径(i，i+1)上智能体Qi的实施方案j1到Qi+1的实施方案j2的启发因子；
Figure FDA0002733434310000024
和
Figure FDA0002733434310000025
共同决定路径对蚂蚁的吸引程度；Ri表示完成智能体Qi后可以选择的搜索的点的集合；β、
Figure FDA0002733434310000026
分别表示信息素、启发因子的权重，其中
Figure FDA0002733434310000027
202、信息素更新，N只蚂蚁完成一次循环后，各边的信息素强度按照下式更新：
Figure FDA0002733434310000028
式中，
Figure FDA0002733434310000029
和
Figure FDA00027334343100000210
分别表示第N次和第N-1次循环后各边的信息素强度；ρ∈[0，1]表示信息素残留参数，
Figure FDA00027334343100000211
表示在蚂蚁k循环一次后，在边(i，j1，j２)上留下的信息素，求解运行成本和碳排放最小的路径中，系统运行成本、碳排放成本越低信息素越高；
203、种群间信息素协调比较分析，包括以下三种情况：
A、若j1和j2共2个种群搜索的解对应的函数值都优于目标值，就把该解加入到解集中，再按照步骤202进行更新；若搜索出的解和非支配解集中的某个解相同，就对这条路径上的信息素进行1％～50％比例减少，防止陷入局部最优；
B、若有一个目标函数值比设定目标值要更优，则将这个目标种群在其对应的路径上选取其中某段路径，对此路径上的信息素进行变异处理；
C、当两个目标函数值均劣于目标值时，根据步骤202更新信息素，并进行下一次的迭代搜索；
204、路径对蚂蚁的吸引程度计算，
Figure FDA00027334343100000212
表示蚂蚁k从节点i选择移动到节点j的期望程度，表示为：
Figure FDA00027334343100000213
205、构造非支配解集，定义一个外部集合A把当前搜索到的非支配解存放到该集合中，以指导蚂蚁在可行区域内更好地进行搜索，把搜索到的解与目标值进行对比，从而决定是否在A中存放该解，如果搜索到的解满足存放条件但是该解等于A中的解时，该值不在A中存放；
206、利用灰色关联度计算折中解，根据实际需要，决策者选择满足要求的一个多目标最优解并以该解进行调度。
4.根据权利要求2所述的能源路由策略，其特征在于，步骤206计算步骤如下：
6.1、构造成本决策矩阵ri，j，并进行归一化出力计算：
Figure FDA0002733434310000031
其中，N为母向量维度(解集元素数)，M为子向量维度(非支配解集元素数)，f表示最优成本；
6.2、计算会关联度，定义理想方案(ro1，ro1，…roM，)表示母向量，待评价方案为子向量，则方案i与理想方案在j维目标上的关联度系数为：
Figure FDA0002733434310000032
式中，ρ为分辨率系数；
6.3、确定目标权重，灰色关联度法综合评价准则用各方案到理想方案的关联度之和表示，为确定各目标权重，构造如下线性规划模型：
Figure FDA0002733434310000033
Figure FDA0002733434310000034
6.4、计算灰关联度，
Figure FDA0002733434310000035
5.根据权利要求2所述的能源路由策略，其特征在于，利用线性加权法定义目标函数确定一组权值
Figure FDA0002733434310000036
来反映系统中各目标函数在总体目标中的重要程度，并对目标函数进行加权求和运算，具体定义如下：
Figure FDA0002733434310000037
其中，
Figure FDA0002733434310000038
Figure FDA0002733434310000039
的取值根据多源微网系统的总体要求来确定。
6.根据权利要求5所述的能源路由策略，其特征在于，运行成本最小化为：
Figure FDA0002733434310000041
上式中，e(H)为电价，
Figure FDA0002733434310000043
为系统从电网中购/销电量，
Figure FDA0002733434310000044
为电联产需求量，
Figure FDA0002733434310000045
为气锅炉需求量，g(H)为燃气价，Pg(H)为购买燃气总量，
Figure FDA0002733434310000046
为微网产生的多余热量，HB为电网热量出售给热网的价格，PSH(H)为需求响应，DRCT(H)为运行成本。
7.根据权利要求5所述的能源路由策略，其特征在于，碳排放成本最小化为：
Figure FDA0002733434310000047
其中，
Figure FDA0002733434310000048
表示购/销电量，Pg(H)表示购气量，δe，δg分别表示购电和购气的等效排放系数，θ表示单位CO2的处理费用(元/kg)。
8.根据权利要求2所述的能源路由策略，其特征在于，目标函数优化需考虑的约束条件包括电平衡约束、热平衡约束、储电平衡约束、储热平衡约束、需求响应不平衡约束、储能不平衡约束和储热不平衡约束。
CN202011125346.6A 2020-10-20 2020-10-20 多智能体系统及其能源路由策略 Withdrawn CN112311019A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011125346.6A CN112311019A (zh) 2020-10-20 2020-10-20 多智能体系统及其能源路由策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011125346.6A CN112311019A (zh) 2020-10-20 2020-10-20 多智能体系统及其能源路由策略

Publications (1)

Publication Number Publication Date
CN112311019A true CN112311019A (zh) 2021-02-02

Family

ID=74328106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011125346.6A Withdrawn CN112311019A (zh) 2020-10-20 2020-10-20 多智能体系统及其能源路由策略

Country Status (1)

Country Link
CN (1) CN112311019A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095566A (zh) * 2021-04-08 2021-07-09 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN114221901A (zh) * 2021-11-19 2022-03-22 国网江苏省电力有限公司经济技术研究院 一种能源互联网cps韧性调度方法、系统及其存储介质
CN114285086A (zh) * 2021-11-25 2022-04-05 国网河南省电力公司电力科学研究院 基于改进蚁群算法的电化学储能电站能量调度方法及系统
CN116227757A (zh) * 2023-05-10 2023-06-06 南京瑞麟能源技术有限公司 一种基于智慧云网关的综合能源管控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104638645A (zh) * 2015-02-12 2015-05-20 东北大学 一种能源互联网及其分级控制系统与控制方法
CN105790273A (zh) * 2015-07-01 2016-07-20 湘潭大学 一种新能源微网互联功率路由方法及其装置
CN107609675A (zh) * 2017-08-17 2018-01-19 上海大学 一种基于多智能体系统趋同控制的经济调度运行方法
CN109245152A (zh) * 2018-08-31 2019-01-18 昆明理工大学 一种基于多目标蚁群算法的微电网负荷分配方法
KR20190067476A (ko) * 2017-12-07 2019-06-17 한국에너지기술연구원 열전기 에너지 라우팅 시스템 및 방법, 그리고, 에너지라우터

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104638645A (zh) * 2015-02-12 2015-05-20 东北大学 一种能源互联网及其分级控制系统与控制方法
CN105790273A (zh) * 2015-07-01 2016-07-20 湘潭大学 一种新能源微网互联功率路由方法及其装置
CN107609675A (zh) * 2017-08-17 2018-01-19 上海大学 一种基于多智能体系统趋同控制的经济调度运行方法
KR20190067476A (ko) * 2017-12-07 2019-06-17 한국에너지기술연구원 열전기 에너지 라우팅 시스템 및 방법, 그리고, 에너지라우터
CN109245152A (zh) * 2018-08-31 2019-01-18 昆明理工大学 一种基于多目标蚁群算法的微电网负荷分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹东: "基于多源微网的能源路由优化调度策略研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095566A (zh) * 2021-04-08 2021-07-09 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN113095566B (zh) * 2021-04-08 2023-02-07 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN114221901A (zh) * 2021-11-19 2022-03-22 国网江苏省电力有限公司经济技术研究院 一种能源互联网cps韧性调度方法、系统及其存储介质
CN114221901B (zh) * 2021-11-19 2024-02-20 国网江苏省电力有限公司经济技术研究院 一种能源互联网cps韧性调度方法、系统及其存储介质
CN114285086A (zh) * 2021-11-25 2022-04-05 国网河南省电力公司电力科学研究院 基于改进蚁群算法的电化学储能电站能量调度方法及系统
CN114285086B (zh) * 2021-11-25 2023-08-01 国网河南省电力公司电力科学研究院 基于改进蚁群算法的电化学储能电站能量调度方法及系统
CN116227757A (zh) * 2023-05-10 2023-06-06 南京瑞麟能源技术有限公司 一种基于智慧云网关的综合能源管控方法及系统

Similar Documents

Publication Publication Date Title
CN107482638B (zh) 冷热电联供型微电网多目标动态优化调度方法
CN112311019A (zh) 多智能体系统及其能源路由策略
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN109523065B (zh) 一种基于改进量子粒子群算法的微能源网优化调度方法
CN111815025A (zh) 考虑风光与负荷不确定性综合能源系统柔性优化调度方法
CN113112087A (zh) 考虑电热负荷需求响应的综合能源系统运行成本优化方法
CN106527135B (zh) 一种建筑能量管理系统优化控制方法和装置
CN109634119B (zh) 一种基于日内滚动优化的能源互联网优化控制方法
CN108985524B (zh) 一种多能互补系统的协调控制方法
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN103745268A (zh) 含分布式电源的微电网多目标优化调度方法
CN111681130A (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN112564102B (zh) 多微网负荷优化调度方法和系统
CN113762650B (zh) 一种分散式预测电网的优化方法及系统
CN115498668A (zh) 一种综合能源系统的优化方法
CN112329260A (zh) 一种多能互补微网多元多目标优化配置与优化运行方法
Yu et al. Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction
CN111832217A (zh) 一种考虑风电消纳的虚拟电厂优化运行方法
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
Tang et al. Multi-objective optimal dispatch for integrated energy systems based on a device value tag
CN117559526A (zh) 一种基于光储充一体化充电站的拟路由器能量调控方法
CN110992206B (zh) 一种多源电场的优化调度方法及系统
CN113864854B (zh) 一种蓄热式电采暖参与风电消纳的多目标优化方法及系统
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
CN115796492A (zh) 一种混合储能系统的微电网调度方法及终端

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210202