CN113221459B - 一种计及可靠性的多能耦合系统分布式协同优化方法 - Google Patents

一种计及可靠性的多能耦合系统分布式协同优化方法 Download PDF

Info

Publication number
CN113221459B
CN113221459B CN202110541054.9A CN202110541054A CN113221459B CN 113221459 B CN113221459 B CN 113221459B CN 202110541054 A CN202110541054 A CN 202110541054A CN 113221459 B CN113221459 B CN 113221459B
Authority
CN
China
Prior art keywords
node
index
indexes
reliability
subsystem
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.)
Active
Application number
CN202110541054.9A
Other languages
English (en)
Other versions
CN113221459A (zh
Inventor
张淑婷
林小杰
钟崴
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110541054.9A priority Critical patent/CN113221459B/zh
Publication of CN113221459A publication Critical patent/CN113221459A/zh
Application granted granted Critical
Publication of CN113221459B publication Critical patent/CN113221459B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种计及可靠性的多能耦合系统分布式协同优化方法。本发明方法步骤如下：步骤S1，可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中进行节点的聚类；步骤S2，生成子系统整体可靠性指标和其他指标；步骤S3，利用抽样方法获取扰动场景；步骤S4，建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解。本发明能够为多能耦合系统提供有效的子系统可靠性分析方法，实现计及生产生活差异的多层级、多主体协同优化，为其在生产生活过程扰动下满足不同主体的不同优化需求并实现系统效率和可靠性协同提供指导。

Description

一种计及可靠性的多能耦合系统分布式协同优化方法
技术领域
本发明属于综合能源系统领域，具体涉及一种计及可靠性的多能耦合系统分布式协同优化方法。
背景技术
在实现2060年前碳中和目标的背景下，工业园区综合能源系统作为一种能源“生产-运输-存储-消费”全过程管理的手段，能够提高能源利用效率、提升能源利用环保性，受到了越来越多的关注。工业园区综合能源系统具有多能耦合、生产生活过程统筹、多目标协同优化的特点，相比于其他区域综合能源系统，其对可靠性及可靠性与其他优化目标协同优化要求更高。目前，关于工业园区综合能源系统子系统可靠性的研究不足，运行调度难以考虑园区、子系统、节点各个层面对效率和可靠性诉求的不一致，造成各类系统形式统一而实质调度技术在各能流中普遍割裂独立的现状。
发明内容
针对现有技术中存在的问题，本发明提供一种计及可靠性的多能耦合系统分布式协同优化方法，本发明将可靠性计算方法纳入考量，实现工业园区多能耦合系统中多个子系统多目标协同优化。
本发明采用以下技术方案实现：
一种计及可靠性的多能耦合系统分布式协同优化方法，包括以下步骤：
步骤S1，可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中对系统中所有节点进行节点的聚类；形成子系统；
步骤S2，生成子系统级整体可靠性指标和子系统级其他指标；
步骤S3，利用抽样方法获取扰动场景；
步骤S4，建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解。
在步骤S1的可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中进行节点的聚类中：
步骤S11，根据实际工业园区特征，确定系统所有节点；
步骤S12，建立异质多能耦合节点可靠性量化模型；
根据园区历史数据构建节点典型供能功率曲线和用能曲线，包括电、热水、冷水、天然气、蒸汽和压缩空气；能量流在工业园区中以时间累积效应参与生产生活，在建立产能评估方程时，首先将节点上某种能流用能曲线转化为产能曲线，再生成产能能力评估曲线。不同能量流的产能效果评估能力计算方法不同。电的产能评估方程通过电功率计算；蒸汽、天然气、压缩空气通过参与工业园区生产生活过程的特性计算，即蒸汽以温度与压力参与末端生产，天然气和压缩空气本身参与生产；冷水、热水计算时，通过热流、冷流的累计效应效果计算。对每个节点的各个能量流产能评估量度都进行离散化处理，依照以上能流产能评估计算及分类方式，获得其最终分类状态。
节点含有不同分类的能流，为减少各分类状态联合概率计算的复杂性，将其转换到复数域求解。具体计算方为：对多能节点开展Z变换，构建各类状态数能流的通用生成函数。以分类状态数为C的能流为例，其通用生成函数为
Figure BDA0003071821750000021
其中，j为节点的产能离散状态序号，Xj为对应的热产能状态，pj为对应的热产能概率，Z为复数，通用生成函数计算方法适用于不同能流。
通过节点多能耦合过程中的多能产能能力及能流的权重、对节点可靠性的影响分析，得到能流状态归并向量，从而计算节点多能流整体通用生成函数
Figure BDA0003071821750000022
其中，
Figure BDA0003071821750000031
为考虑多能耦合过程的生成函数的运算法则，此处引入并联算符用来表征节点多能产能能力；下标e,h,c,s,a分别表示电，热/冷，蒸汽，压缩空气这几种常见能流；Wr为能流状态归并向量；N是表征能流的符号集合；C为节点的状态总数。通过r下标将在N集合中进行遍历和能流状态进行归并，归并向量Wr与产能状态Xr乘积相同项视作多能流耦合下状态相同。
步骤S13，计算节点的其他指标，分别建立可靠性指标和其他指标在系统中随节点的扩散模型，获得a种指标各自的节点扩散函数。同时引入空间扩散矩阵，利用扩散结构的协同角描述a种指标中两两指标的关联关系；其他指标可以包括
Figure BDA0003071821750000032
效率、环境效益指标、经济效益指标，根据子系统的特征确定；
步骤S14，在由可靠性指标和其他指标构成的a维指标空间中进行节点的聚类。给定子系统划分数目K，依据可靠性指标和其他指标的扩散结构关联对比，在源阱节点中随机选择K个聚类中心，使用K-means聚类方法进行各节点的聚类，采用欧氏距离作为度量指标空间内的距离公式，以各簇中的节点到各簇质心的距离和作为目标函数，通过不断迭代使目标函数最小化完成聚类，最终得到按照a个指标进行子系统划分的结果。源节点为指标从该节点扩散到其他节点，即该节点的指标值高于周围节点指标值；阱节点为指标从其他节点扩散到该节点，即周围其他节点的指标值高于该节点指标值；
最终，得到的各簇节点看成一个子系统内的各节点，形成各个子系统。
在步骤S2的生成子系统级整体可靠性指标和子系统级其他指标中：
子系统级其他指标可通过已有方法，如权重法或平均法对各节点相应指标值处理得到；
通过最低可靠性法从节点可靠性计算得到子系统级整体可靠性指标；
对包含m个节点的子系统S，针对节点j构建逼近节点状态分布的连续分布fSj(x)
Esj(x)-E(yk)≈0
Var(x)-Var(yk)≈0
∫fSj(x)dx＝1
其中，ESj(x)、E(yk)为期望；yk为节点综合产能状态；Var(x)为方差。
并在复频域内构建起对应特征函数
ΨSj(t)＝E(eitx)＝∫eitxfSj(x)dx
其中，ΨSj(t)为节点j的特征函数。
将子系统总体状态特征函数表达为各节点特征函数之积
Figure BDA0003071821750000041
其中，ΨS(t)为子系统S的总特征函数。
利用子系统在状态X与设定的目标状态
Figure BDA0003071821750000042
之间的概率差计算子系统可靠性
Figure BDA0003071821750000043
其中，
Figure BDA0003071821750000044
为子系统S的可靠性；Fs(X)为子系统S在状态X的概率；
Figure BDA0003071821750000045
为子系统S在目标状态
Figure BDA0003071821750000046
的概率。
在步骤S3的利用抽样方法获取扰动场景中，可以采用拉丁超立方抽取扰动场景：
步骤S31，将子系统级整体可靠性指标和子系统级其他指标共a个指标的每一维累积分布函数都分成c个互不重叠的区间，使得每个区间概率相同；
步骤S32，从每一维中的每个区间中随机抽取一个点，用逆变换法生成每一个随机点的采样值；
步骤S33，将所有随机数顺序打乱，获得独立的正态分布随机数，从而获得扰动场景集合。
在步骤S4的建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解中：
步骤S41，考虑到同一指标在不同子系统中具有约束和目标的双重属性，将含有n个子系统的园区P生产生活统筹运行过程表达为n+1个优化问题的求解
Figure BDA0003071821750000051
Figure BDA0003071821750000052
其中，
Figure BDA0003071821750000053
为子系统l的优化目标向量，一个子系统对应一个优化目标；
Figure BDA0003071821750000054
Figure BDA0003071821750000055
分别为不等式约束和等式约束组成的向量；
Figure BDA0003071821750000056
为优化变量向量，
Figure BDA0003071821750000057
Figure BDA0003071821750000058
为扰动事件。
基于此，建立工业园区多能耦合系统的运行模型及约束条件，首先可以根据设备的运行方式建立能流生产方程，根据网络拓扑结构利用节点法建立网络方程；其约束条件包括能量平衡约束、设备运行容量约束和爬坡约束，还包括扰动抽样场景的约束。扰动抽样场景约束具体为：由于工业园区源侧、荷侧存在较多不确定性因素，生成了较多的场景，对于能流系统求解及协同优化造成了困难。利用步骤3中的拉丁超立方法可以实现扰动场景的抽样生成扰动场景集，对所有场景数量进行削减，扰动场景约束在多能流耦合系统运行模型中体现为扰动事件
Figure BDA00030718217500000510
步骤S42，对上述模型利用交替乘子法进行求解。构造增广拉格朗日函数，并通过交替求解更新变量向量，更新拉格朗日乘子直至收敛，交替求解过程为：(1)求解与变量xi相关的优化问题，更新变量xi；(2)求解与xi+1相关的优化问题，更新变量xi+1；(3)更新拉格朗日乘子λ。
Figure BDA0003071821750000059
其中，λ为拉格朗日乘子；ρ为惩罚系数，ρ＞0；||·||2表示向量的2-范数。λG为
Figure BDA0003071821750000061
的拉格朗日乘子，λH为
Figure BDA0003071821750000062
的拉格朗日乘子；
步骤S43，求解完全后，获得多能耦合系统分布式协同优化方案。
本发明提出了一种计及可靠性的多能耦合系统分布式协同优化方法，将由可靠性指标和其他指标组成的共a个指标集在a维指标空间中进行节点的聚类，从而通过节点指标生成子系统整体可靠性指标和其他指标；采用抽样方法获取扰动场景；并建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解，获得计及可靠性的多个子系统多目标协同优化方案。本发明方法能够为多能耦合系统提供有效的子系统可靠性分析，实现计及生产生活差异的多层级、多主体协同优化，为其在生产生活过程扰动下满足不同主体的不同优化需求并实现系统效率和可靠性协同提供指导。
附图说明
图1为本发明的计及可靠性的多能耦合系统分布式协同优化方法；
图2为本发明的多子系统多目标协同优化方法。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细描述，其内容是对本发明的解释而不是限定：
本发明公开了一种计及可靠性的多能耦合系统分布式协同优化方法，如图1，包括以下步骤：
步骤S1，可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中进行节点的聚类；
步骤S2，生成子系统整体可靠性指标和其他指标；
步骤S3，利用抽样方法获取扰动场景；
步骤S4，建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解。
在步骤S1的可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中进行节点的聚类中：
步骤S11，根据实际工业园区特征，确定系统所有节点；
步骤S12，建立异质多能耦合节点可靠性量化模型；
根据园区历史数据构建典型供能功率曲线，包括电、热水、冷水、蒸汽和压缩空气；能量流在工业园区中以时间累积效应参与生产生活，基于此建立节点能量流的产能评估方程，并对节点能量流产能评估量度离散化处理；
利用通用生成函数法构建节点多能状态分布方程，从而计算节点在多能状态下的可靠性；
步骤S13，计算节点的其他指标，分别建立可靠性指标和其他指标在系统中随节点的扩散模型，获得a种指标各自的节点扩散函数。同时引入空间扩散矩阵，利用扩散结构的协同角描述a种指标中两两指标的关联关系；
节点间扩散模型为：
Figure BDA0003071821750000071
其中，
Figure BDA0003071821750000072
为扩散效益指标；
Figure BDA0003071821750000073
为核心节点i拥有指标k存量的收益；
Figure BDA0003071821750000074
表示核心节点i在指标k上进行扩散的单位成本；
Figure BDA0003071821750000075
和
Figure BDA0003071821750000076
分别表示节点i和节点j在指标k上因扩散而导致的存量变化，
Figure BDA0003071821750000077
为核心节点i在指标k上的效用函数。
指标的空间扩散行为可表达为如下空间扩散矩阵：
Figure BDA0003071821750000081
其中，
Figure BDA0003071821750000082
表示节点i从节点j获得的扩散量。
系统可靠性与系统其他指标之间的扩散结构的协同程度：
θij＝|cos＜Ei,Ej＞|
其中，θij为扩散指标i与扩散指标j之间的协同程度，其取值范围为[0,1]，θij越接近于1，扩散指标i与扩散指标j的扩散结构协同效应越强。
步骤S14，在由可靠性指标和其他指标构成的a维指标空间中进行节点的聚类。给定子系统划分数目K，依据可靠性指标和其他指标的扩散结构关联对比，在源阱节点中随机选择K个聚类中心，使用K-means聚类方法进行各节点的聚类，采用欧氏距离作为度量指标空间内的距离公式，以各簇中的节点到各簇质心的距离和作为目标函数，通过不断迭代使目标函数最小化完成聚类，最终得到按照a个指标进行子系统划分的结果。源节点为指标从该节点扩散到其他节点，即该节点的指标值高于周围节点指标值；阱节点为指标从其他节点扩散到该节点，即周围其他节点的指标值高于该节点指标值；
最终，得到的各簇节点看成一个子系统内的各节点，形成各个子系统。
在步骤S2的生成子系统整体可靠性指标和其他指标中：
步骤S21，子系统级其他指标可通过已有方法，如权重法或平均法对各节点指标值处理得到；
步骤S22，通过最低可靠性法从节点可靠性计算得到子系统级可靠性指标；
对包含m个节点的子系统S，针对节点j构建逼近节点状态分布的连续分布fsj(x)
ESj(x)-E(yk)≈0
Var(x)-Var(yk)≈0
∫fSj(x)dx＝1
其中，ESj(x)为期望；Var(x)为方差。
并在复频域内构建起对应特征函数
ΨSj(t)＝E(eitx)＝∫eitxfSj(x)dx
其中，ΨSj(t)为节点j的特征函数。
将子系统总体状态特征函数表达为各节点特征函数之积
Figure BDA0003071821750000091
其中，ΨS(t)为子系统S的总特征函数。
利用子系统在状态X与设定的目标状态
Figure BDA0003071821750000092
之间的概率差计算子系统可靠性
Figure BDA0003071821750000093
其中，
Figure BDA0003071821750000094
为子系统S的可靠性；Fs(X)为子系统S在状态X的概率；
Figure BDA0003071821750000095
为子系统S在目标状态
Figure BDA0003071821750000096
的概率。
在步骤S3的利用抽样方法获取扰动场景中，利用拉丁超立方抽取扰动场景：
步骤S31，将可靠性指标和其他指标共a个指标的每一维累积分布函数都分成c个互不重叠的区间，使得每个区间概率相同；
步骤S32，从每一维中的每个区间中随机抽取一个点，用逆变换法生成每一个随机点的采样值；
步骤S33，将所有随机数顺序打乱，获得独立的正态分布随机数，从而获得扰动场景集合。
在步骤S4的建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解中：
步骤S41，考虑到同一指标在不同子系统中具有约束和目标的双重属性，将含有n个子系统的园区P生产生活统筹运行过程表达为n+1个优化问题的求解
Figure BDA0003071821750000101
Figure BDA0003071821750000102
其中，
Figure BDA0003071821750000103
为各子系统的优化目标向量，一个子系统对应一个优化目标；
Figure BDA0003071821750000104
Figure BDA0003071821750000105
分别为不等式约束和等式约束组成的向量；
Figure BDA0003071821750000106
为优化变量向量，
Figure BDA0003071821750000107
Figure BDA0003071821750000108
基于此，建立工业园区多能耦合系统的运行模型及约束条件。
步骤S42，对上述模型利用交替乘子法进行求解，如图2。子系统和园区有各自的优化目标和优化变量，在求解过程中，子系统向其他子系统和园区传递本系统的新求解的优化变量，园区向所有子系统传递本系统的新求解的优化变量和各子系统对应的更新的拉格朗日乘子。在信息交替传递中，完成园区和子系统协同优化问题的求解。具体步骤为：构造增广拉格朗日函数，并通过交替求解更新变量向量，更新拉格朗日乘子直至收敛，交替求解过程为：(1)求解与变量xi相关的优化问题，更新变量xi；(2)求解与xi+1相关的优化问题，更新变量xi+1；3)更新拉格朗日乘子λ。
Figure BDA0003071821750000109
其中，λ为拉格朗日乘子，λ∈Rp；ρ为惩罚系数，ρ＞0；||·||2表示向量的2-范数。
步骤S43，求解完全后，获得多能耦合系统分布式协同优化方案。
需要说明的是，以上所述仅为本发明实施方式的一部分，根据本发明所描述的系统所做的等效变化，均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均属于本发明的保护范围。

Claims (3)

1.一种计及可靠性的多能耦合系统分布式协同优化方法，其特征在于，包括以下步骤：
步骤S1，利用可靠性指标和其他指标组成共a个指标集，在由a个指标构成的a维指标空间中对系统中所有节点进行节点的聚类；形成子系统；
步骤S2，生成子系统级整体可靠性指标和子系统级其他指标；
步骤S3，利用抽样方法获取扰动场景；
步骤S4，建立分布式协同优化模型，利用优化算法对多子系统不同优化目标的优化调度模型进行求解；
所述的步骤S1中：
步骤S11，根据实际工业园区特征，确定系统所有节点；
步骤S12，建立异质多能耦合节点可靠性量化模型；
根据园区历史数据构建节点典型供能功率曲线和用能曲线，包括电、热水、冷水、天然气、蒸汽和压缩空气；基于能量流在工业园区中以时间累积效应建立节点能量流的产能评估方程，并对节点能量流产能评估量度离散化处理；
利用通用生成函数法构建节点多能状态分布方程，从而计算节点在多能状态下的可靠性；
步骤S13，计算节点的其他指标，分别建立可靠性指标和其他指标在系统中随节点的扩散模型，获得a种指标各自的节点扩散函数；同时引入空间扩散矩阵，利用扩散结构的协同角描述a种指标中两两指标的关联关系；
步骤S14，在由可靠性指标和其他指标构成的a维指标空间中进行节点的聚类：给定子系统划分数目K，依据可靠性指标和其他指标的扩散结构关联对比，在源阱节点中随机选择K个聚类中心，使用K-means聚类方法进行各节点的聚类，采用欧氏距离作为度量指标空间内的距离公式，以各簇中的节点到各簇质心的距离和作为目标函数，通过不断迭代使目标函数最小化完成聚类，最终得到按照a个指标进行子系统划分的结果；其中，源节点为指标从该节点扩散到其他节点，即该节点的指标值高于周围节点指标值；阱节点为指标从其他节点扩散到该节点，即周围其他节点的指标值高于该节点指标值；
最终，得到的各簇节点看成一个子系统内的各节点，形成各个子系统；
所述的步骤S3中：
步骤S31，将子系统级整体可靠性指标和子系统级其他指标共a个指标的每一维累积分布函数都分成c个互不重叠的区间，使得每个区间概率相同；
步骤S32，从每一维中的每个区间中随机抽取一个点，用逆变换法生成每一个随机点的采样值；
步骤S33，将所有随机数顺序打乱，获得独立的正态分布随机数，从而获得扰动场景集合。
2.根据权利要求1所述的一种计及可靠性的多能耦合系统分布式协同优化方法，其特征在于，所述的步骤S2中，通过最低可靠性法从节点可靠性计算得到子系统级整体可靠性指标。
3.根据权利要求1所述的一种计及可靠性的多能耦合系统分布式协同优化方法，其特征在于，所述的步骤S4中：
步骤S41，考虑到同一指标在不同子系统中具有约束和目标的双重属性，将含有n个子系统的园区P生产生活统筹运行过程表达为n+1个优化问题的求解
Figure FDA0003549992160000021
Figure FDA0003549992160000022
其中，
Figure FDA0003549992160000023
为子系统l的优化目标向量，一个子系统对应一个优化目标；
Figure FDA0003549992160000024
Figure FDA0003549992160000025
分别为不等式约束和等式约束组成的向量；
Figure FDA0003549992160000026
为优化变量向量，
Figure FDA0003549992160000027
Figure FDA0003549992160000028
Figure FDA0003549992160000029
为扰动；
基于此，建立工业园区多能耦合系统的运行模型及约束条件；
步骤S42，对上述模型利用优化算法进行求解，求解完全后，获得多能耦合系统分布式协同优化方案。
CN202110541054.9A 2021-05-18 2021-05-18 一种计及可靠性的多能耦合系统分布式协同优化方法 Active CN113221459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110541054.9A CN113221459B (zh) 2021-05-18 2021-05-18 一种计及可靠性的多能耦合系统分布式协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110541054.9A CN113221459B (zh) 2021-05-18 2021-05-18 一种计及可靠性的多能耦合系统分布式协同优化方法

Publications (2)

Publication Number Publication Date
CN113221459A CN113221459A (zh) 2021-08-06
CN113221459B true CN113221459B (zh) 2022-05-03

Family

ID=77092781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110541054.9A Active CN113221459B (zh) 2021-05-18 2021-05-18 一种计及可靠性的多能耦合系统分布式协同优化方法

Country Status (1)

Country Link
CN (1) CN113221459B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347062A (zh) * 2018-01-12 2018-07-31 华南理工大学 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN108537409A (zh) * 2018-03-15 2018-09-14 广东电网有限责任公司电网规划研究中心 一种考虑多能源耦合特性的工业园区配电网协同规划方法
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法
CN110009262A (zh) * 2019-04-28 2019-07-12 国网福建省电力有限公司福州供电公司 一种主动配电网的日前-日内两阶段优化调度方法
CN110348606A (zh) * 2019-06-14 2019-10-18 浙江大学 一种考虑系统不确定性的微能源网随机区间协同调度方法
CN110378058A (zh) * 2019-07-26 2019-10-25 中民新能投资集团有限公司 一种综合考虑可靠性与经济性的电热耦合微网最优响应模型的建立方法
US10460169B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure analysis using joint image identification
CN112668188A (zh) * 2020-12-31 2021-04-16 福州大学 多园区综合能源系统的分布式鲁棒协同优化调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10339442B2 (en) * 2015-04-08 2019-07-02 Nec Corporation Corrected mean-covariance RBMs and general high-order semi-RBMs for large-scale collaborative filtering and prediction
EP3729766A1 (en) * 2017-12-24 2020-10-28 Arilou Information Security Technologies Ltd. System and method for tunnel-based malware detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347062A (zh) * 2018-01-12 2018-07-31 华南理工大学 基于势博弈的微电网能量管理分布式多目标协同优化算法
CN108537409A (zh) * 2018-03-15 2018-09-14 广东电网有限责任公司电网规划研究中心 一种考虑多能源耦合特性的工业园区配电网协同规划方法
US10460169B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure analysis using joint image identification
CN109919478A (zh) * 2019-02-28 2019-06-21 天津大学 一种考虑综合供能可靠性的综合能源微网规划方法
CN110009262A (zh) * 2019-04-28 2019-07-12 国网福建省电力有限公司福州供电公司 一种主动配电网的日前-日内两阶段优化调度方法
CN110348606A (zh) * 2019-06-14 2019-10-18 浙江大学 一种考虑系统不确定性的微能源网随机区间协同调度方法
CN110378058A (zh) * 2019-07-26 2019-10-25 中民新能投资集团有限公司 一种综合考虑可靠性与经济性的电热耦合微网最优响应模型的建立方法
CN112668188A (zh) * 2020-12-31 2021-04-16 福州大学 多园区综合能源系统的分布式鲁棒协同优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
分布式能源系统优化与设计综述;任洪波等;《中国电力》;20170705(第07期);全文 *
浅析区域综合能源多能耦合协同技术;毛志斌等;《上海节能》;20200531(第05期);全文 *

Also Published As

Publication number Publication date
CN113221459A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Wang et al. Ensemble learning for load forecasting
Chen et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things
CN108898265A (zh) 一种综合能源系统一体化规划方法
Chen et al. Short-term electric load forecasting of integrated energy system considering nonlinear synergy between different loads
CN111401664A (zh) 一种综合能源系统鲁棒优化调度方法及装置
Wang et al. Two-stage stochastic planning for integrated energy systems accounting for carbon trading price uncertainty
Khanfor et al. A trustworthy recruitment process for spatial mobile crowdsourcing in large-scale social IoT
Kong et al. Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants
Tang et al. Machine learning assisted energy optimization in smart grid for smart city applications
CN114219212A (zh) 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法
Liu et al. Two-layer multiple scenario optimization framework for integrated energy system based on optimal energy contribution ratio strategy
CN110287237B (zh) 一种基于社会网络结构分析社团数据挖掘方法
Wu et al. Bilevel load-agent-based distributed coordination decision strategy for aggregators
CN113221459B (zh) 一种计及可靠性的多能耦合系统分布式协同优化方法
Qin et al. Low-carbon economic multi-objective dispatch of integrated energy system considering the price fluctuation of natural gas and carbon emission accounting
Liu Research on decentralized operation scheduling strategy of integrated energy system based on energy blockchain
CN116362421B (zh) 一种基于能源综合统筹分析的供能分配预测系统及其方法
Yang et al. Household power consumption pattern modeling through a single power sensor
CN102904252A (zh) 求解含分布式电源的配电网不确定性潮流的方法
CN115392143B (zh) 一种基于深度强化学习的移动储能充放电时空规划方法
Omirgaliyev et al. Application of machine learning methods for the analysis of heat energy consumption by zones with a change in outdoor temperature: Case study for Nur-Sultan city
Shi et al. Research on monthly flow uncertain reasoning model based on cloud theory
Cayir Ervural A combined methodology for evaluation of electricity distribution companies in Turkey
Li et al. Sensor reliability evaluation index system for main equipment of power distribution IoT
Li et al. Learning to Optimize Distributed Optimization: ADMM-based DC-OPF Case Study

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