CN113283655A - 一种基于共识优化算法的分布式智能电网能源调度方法 - Google Patents

一种基于共识优化算法的分布式智能电网能源调度方法 Download PDF

Info

Publication number
CN113283655A
CN113283655A CN202110602691.2A CN202110602691A CN113283655A CN 113283655 A CN113283655 A CN 113283655A CN 202110602691 A CN202110602691 A CN 202110602691A CN 113283655 A CN113283655 A CN 113283655A
Authority
CN
China
Prior art keywords
user
energy
value
transaction
users
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
CN202110602691.2A
Other languages
English (en)
Other versions
CN113283655B (zh
Inventor
李冬元
杨晴
张胜利
王滔滔
吴晓晓
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110602691.2A priority Critical patent/CN113283655B/zh
Publication of CN113283655A publication Critical patent/CN113283655A/zh
Application granted granted Critical
Publication of CN113283655B publication Critical patent/CN113283655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H02J3/46—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于共识优化算法的分布式智能电网能源调度方法，所述方法包括：构建智能电网能源模型；根据所述智能电网能源模型，确定每个用户的总收益值集；根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。本发明实施例通过构建智能电网能源模型实现全局能量管理，根据智能电网能源模型确定每个用户的总收益值集，进而得到每个用户的经济调度配额值，近端交替方向乘子法共识算法对复杂的非严格凸能量管理问题具有很好的适用性，用户不需要向运营商或其他用户发送任何用电信息，就可以求出每个用户的最佳经济调度配额值，很好的保护了用户的用电隐私。

Description

一种基于共识优化算法的分布式智能电网能源调度方法
技术领域
本发明涉及智能电网技术领域，尤其涉及的是一种基于共识优化算法的分布式智能电网能源调度方法。
背景技术
随着人们对低碳节能要求的不断提高，传统的电力系统正在不断向智能化转变。智能家居等小功率终端是一个重要的应用场景。通过在智能住宅中安装分布式发电机(如太阳能电池板、小型风扇等)接入电网，可以最大限度地降低配电和输电损耗，最大限度地利用可再生能源。利用剩余可再生能源的途径之一是利用储能系统，但这需要昂贵的投资成本，并产生大量的充放电损耗。为了进一步提高电力系统的效率和灵活性，人们鼓励智能家居之间进行能量交换。用户通过现有电网将剩余的可再生能源出售给他人以获取利润。因此，智能家居之间的能源交易引起了广泛关注。但是传统的智能电网能源调度方法会出现可扩展性差、无法保护用户的用电隐私，不能解决用户在多变量消耗能量的同时向其他用户提供多余能量的能量调度。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于共识优化算法的分布式智能电网能源调度方法，旨在解决现有技术中智能电网能源调度方法会出现可扩展性差、无法保护用户的用电隐私的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于共识优化算法的分布式智能电网能源调度方法，其中，所述方法包括：
构建智能电网能源模型；
根据所述智能电网能源模型，确定每个用户的总收益值集；
根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。
在一种实现方式中，其中，所述构建智能电网能源模型包括：
获取供热通风与空气调节系统的每个用户的实时室内温度集，并根据每个用户的实时室内温度集确定每个用户的不适成本函数集；其中，每个用户的不适成本函数集是表征实时室内温度集中的温度偏离预设的室内温度值时导致用户产生不适感的函数；
获取每个用户的各个时隙的灵活负载值并根据每个用户的各个时隙的灵活负载值得到灵活负载总值；其中，所述灵活负载值是表征使用时间在预设的时间范围内调整的负载值；
获取每个用户与智能电网能源系统的第一能量交易标记集以及用户之间的第二能量交易标记集；其中，所述第一能量交易标记集用于表征用户从智能电网能源系统购买能量或者出售能量；所述第二能量交易标记集用于表征用户之间购买能量或者出售能量；
根据预设的能源供销平衡条件、所述每个用户的实时室内温度集、每个用户的不适成本函数集、每个用户的各个时隙的灵活负载值、所述灵活负载总值、第一能量交易标记集和第二能量交易标记集，得到智能电网能源模型。
在一种实现方式中，其中，所述构建智能电网能源模型还包括：
根据所述第一能量交易标记集中的各个时隙的第一能量交易标记，确定各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值；
将各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值进行累加，得到每个用户与智能电网能源系统的第一能量交易价格和值集。
在一种实现方式中，其中，所述构建智能电网能源模型还包括：
根据所述第二能量交易标记集中的各个时隙的第二能量交易标记，确定各个时隙的用户之间的第二能量交易价格函数值；
将各个时隙的用户之间的第二能量交易价格函数值进行累加，得到用户之间的第二能量交易价格和值集。
在一种实现方式中，其中，所述根据每个用户的实时室内温度集确定每个用户的不适成本函数集包括：
获取灵敏度系数，其中，所述灵敏度系数用于表征不适成本函数对室内温度的放大倍数；
将每个用户的实时室内温度集中的各个时隙的实时室内温度减去预设的室内温度值，得到每个用户的各个时隙的第一室内温度集；
将每个用户的各个时隙的第一室内温度集中的各个时隙的第一室内温度进行累加，得到每个用户的第二室内温度集；
将每个用户的第二室内温度集中的每一个第二室内温度乘以所述灵敏度系数，得到每个用户的不适成本函数集。
在一种实现方式中，其中，所述根据每个用户的各个时隙的灵活负载值得到灵活负载总值包括：
将每个用户的各个时隙的灵活负载值进行累加，得到灵活负载总值。
在一种实现方式中，其中，所述根据所述智能电网能源模型，确定每个用户的总收益值集包括：
将每个用户的不适成本函数集、所述第一能量交易价格和值集和所述第二能量交易价格和值集进行累加，得到每个用户的总收益值集。
在一种实现方式中，其中，所述根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值包括：
获取对偶变量集和用户间交易能量不匹配额度值集，并初始化所述对偶变量集和所述用户间交易能量不匹配额度值集；其中，所述对偶变量集用于表征用户之间点对点通信时的通信变量；用户间交易能量不匹配额度值集用于表征用户间进行能量交易时能量不匹配的数值大小；
根据初始的对偶变量集和所述用户间交易能量不匹配额度值集，得到更新后的对偶变量集；
根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集；
基于预设的近端交替方向乘子法共识算法，求解每个用户的经济调度分配集的最小值，得到更新后的用户之间的第二能量交易标记集；
根据初始的用户间交易能量不匹配额度值集和更新后的用户之间的第二能量交易标记集得到更新后的用户间交易能量不匹配额度值集；
当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集大于预设的收敛精度值时，继续执行根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集的步骤；
当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集小于等于预设的收敛精度值时，停止迭代，得到每个用户的经济调度配额值。
第二方面，本发明实施例还提供一种基于共识优化算法的分布式智能电网能源调度装置，其中，所述装置包括：
智能电网能源模型构建模块，用于构建智能电网能源模型；
每个用户的总收益值集确定模块，用于根据所述智能电网能源模型，确定每个用户的总收益值集；
每个用户的经济调度配额值确定模块，用于根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于共识优化算法的分布式智能电网能源调度方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于共识优化算法的分布式智能电网能源调度方法。
本发明的有益效果：本发明实施例首先构建智能电网能源模型；然后根据所述智能电网能源模型，确定每个用户的总收益值集；最后根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值；可见，本发明实施例通过构建智能电网能源模型实现全局能量管理，根据智能电网能源模型确定每个用户的总收益值集，进而得到每个用户的经济调度配额值，近端交替方向乘子法共识算法对复杂的非严格凸能量管理问题具有很好的适用性，用户不需要向运营商或其他用户发送任何用电信息，就可以求出每个用户的最佳经济调度配额值，很好的保护了用户的用电隐私。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于共识优化算法的分布式智能电网能源调度方法流程示意图。
图2为本发明实施例提供的系统模型图。
图3为本发明实施例提供的用户间通信拓扑图。
图4为本发明实施例提供的算法收敛图。
图5为本发明实施例提供的用户总的能量调度分配图。
图6为本发明实施例提供的所有用户每个时隙的能量调度分配图。
图7为本发明实施例提供的用户间有交易和无交易的成本/收益图。
图8为本发明实施例提供的基于共识优化算法的分布式智能电网能源调度装置的原理框图。
图9为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了基于共识优化算法的分布式智能电网能源调度方法、智能终端、存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中，关于能源集中管理系统的研究已经很多了。虽然可以实现单个用户的经济效益与整体经济效益的协调，但都需要一个中心化的运营商。用户需要向运营商提供功耗参数，运营商将更新后的参数发送给所有用户。这种集中式的能源交易系统存在许多问题：一是对通信提出了很高的要求，容易出现单点故障；其次，中心节点需要解决具有大量决策变量和约束的优化问题，这意味着计算的可扩展性较差；此外，用户用电记录的隐私性很难得到保护，可能被利用而受到攻击。为了解决用户的用电隐私，提出了替代的分布式协调方法。分布式的能量管理方法大概分为两类，基于非共识的分布式算法和基于共识的分布式算法。基于非共识的分布式算法主要针对需求侧管理。但是这个算法需要一个中心化的协调器，这种中心化的协调器一旦出现故障会导致整个能源管理系统的瘫痪，而且可能遭受恶意攻击，用户的用电隐私难以得到保障。
与这些基于非共识的分布式的能量管理算法相比，基于共识的算法可以通过本地通信实现全局能量管理目标。因此，基于共识的分布式方法具有更高的灵活性、可扩展性和分布性。它的目的是在参与者之间就一些协调量达成一致，这被称为共识变量，能源价格构成了一个共识变量。然而，以往的共识算法只能求解单一变量的严格凸子问题，因此每个节点只能作为发电节点或需求节点，不能解决存在多变量的这种消耗能量同时向其他用户提供多余能量的情况。随着可再生能源的日益发展并向普通用户的普及，在保护用户隐私的同时，如何高效地求解具有可再生能源交易的经济调度问题显得越来越重要。对于这种消耗能量又能出售多余能量的越来越普及的用电情形，目前还没有一个完全分布式的求解算法。
为了解决现有技术的问题，本实施例提供了一种基于共识优化算法的分布式智能电网能源调度方法，首先构建智能电网能源模型；然后根据所述智能电网能源模型，确定每个用户的总收益值集；最后根据每个用户的总收益值集，确定每个用户的经济调度配额值。本发明实施例通过构建智能电网能源模型实现全局能量管理，根据智能电网能源模型确定每个用户的总收益值集，进而得到每个用户的经济调度配额值，从而实现保护用户的用电隐私的情况下准确的确定每个用户的经济调度配额值，并能实现用户在多变量消耗能量的同时向其他用户提供多余能量的能量调度。
示例性方法
本实施例提供一种基于共识优化算法的分布式智能电网能源调度，该方法可以应用于(智能电网)智能终端。具体如图1所示，所述方法包括：
步骤S100、构建智能电网能源模型；
具体地，如图2所示，先模拟一个尽可能真实的智能住宅的用电情形，作为本发明算法的使用场景，但本发明的适用场景不限于此。在本发明的分布式智能电网能源系统中，将一天分为若干个时隙，每个时隙间隔相等(例如一小时)，所有用户都可以通过现有电网进行能量交易。系统包括若干用户和一个电力运营商。用户的智能住宅配备了可再生能源发电机和家电，可以产生可再生能源，从电网获取能源，并与其他智能住宅进行能量交易。本发明设置的模型是需求端的能量管理问题，可以将运营商的成本/收益也加进来，求整体的成本/收益。各参与者之间的费用函数也可以适当改变。可以加入储能模块，用户配备电池在需要的时候储能和释放能量。
为了得到智能电网能源模型，所述构建智能电网能源模型包括如下步骤：
S101、获取供热通风与空气调节系统的每个用户的实时室内温度集，并根据每个用户的实时室内温度集确定每个用户的不适成本函数集；其中，每个用户的不适成本函数集是表征实时室内温度集中的温度偏离预设的室内温度值时导致用户产生不适感的函数；
S102、获取每个用户的各个时隙的灵活负载值并根据每个用户的各个时隙的灵活负载值得到灵活负载总值；其中，所述灵活负载值是表征使用时间在预设的时间范围内调整的负载值；
S103、获取每个用户与智能电网能源系统的第一能量交易标记集以及用户之间的第二能量交易标记集；其中，所述第一能量交易标记集用于表征用户从智能电网能源系统购买能量或者出售能量；所述第二能量交易标记集用于表征用户之间购买能量或者出售能量；
S104、根据预设的能源供销平衡条件、所述每个用户的实时室内温度集、每个用户的不适成本函数集、每个用户的各个时隙的灵活负载值、所述灵活负载总值、第一能量交易标记集和第二能量交易标记集，得到智能电网能源模型。
具体地，在步骤S101中，供热通风与空气调节(HVAC)系统的能耗占家庭能耗的很大一部分，HVAC系统根据用户的喜好调节室内温度，得到每个用户的实时室内温度集
Figure BDA0003093134290000091
第n个用户在时隙t中，由HVAC系统引起的加热或冷却过程的能量消耗用yn表示，室外温度表示为
Figure BDA0003093134290000092
其中Cn和表Rn示暖通空调机组的工作参数，HVAC的工作模式用符号ηn(如取值为7)表示：如果系统处于冷却状态，则ηn为正；如果系统处于加热状态，则ηn为负。每个用户的实时室内温度集
Figure BDA0003093134290000093
可以用公式表达如下：
Figure BDA0003093134290000101
此外，根据每个用户的实时室内温度集确定每个用户的不适成本函数集En(yn)。相应的，所述根据每个用户的实时室内温度集确定每个用户的不适成本函数集包括如下步骤：获取灵敏度系数，其中，所述灵敏度系数用于表征不适成本函数对室内温度的放大倍数；将每个用户的实时室内温度集中的各个时隙的实时室内温度减去预设的室内温度值，得到每个用户的各个时隙的第一室内温度集；将每个用户的各个时隙的第一室内温度集中的各个时隙的第一室内温度进行累加，得到每个用户的第二室内温度集；将每个用户的第二室内温度集中的每一个第二室内温度乘以所述灵敏度系数，得到每个用户的不适成本函数集。实际中，用户会为暖通空调系统设置一个首选的室内温度
Figure BDA0003093134290000102
因此，任何偏离该值的情况都会使其感到不适。不适成本函数集表示如下：
Figure BDA0003093134290000103
Figure BDA0003093134290000104
每个用户的不适成本函数集是表征实时室内温度集中的温度偏离预设的室内温度值时导致用户产生不适感的函数；其中,d表示灵敏度系数。室内温度也应在人类可以容忍的范围内。参数
Figure BDA0003093134290000105
和
Figure BDA0003093134290000106
定义了用户容许温度的上限(如30度)和下限(如0度)。
在步骤S102中，电力应用分为两类：
不灵活负荷(也称为刚性负荷)和时移灵活负荷(也称为柔性负荷)。刚性负载不能因其特殊要求(如空调、照明、冰箱等)而改变其使用时间，表示为un＝[un1,...,unH]。所述灵活负载值是表征使用时间在预设的时间范围内调整的负载值；例如，灵活负载的使用时间可以调整，缓解可再生能源生产的随机性和间歇性所造成的不匹配，而不影响用户要求的适用性(如电动汽车蓄电池充电、洗衣机、清洁和清洁设备等)，通过对这些电器进行预置编程或远程及时控制，调整使用时间。每个用户的各个时隙的灵活负载值表示为vn＝[vn1,...,vnH]，其取值范围如下：
Figure BDA0003093134290000111
然后，根据每个用户的各个时隙的灵活负载值得到灵活负载总值，相应的，所述根据每个用户的各个时隙的灵活负载值得到灵活负载总值包括如下步骤：将每个用户的各个时隙的灵活负载值进行累加，得到灵活负载总值。例如，用户n在一天内总时移灵活负载总值表示为
Figure BDA0003093134290000112
用户生产的可再生能源标记为rn＝{rn1,...,rnH}。
在步骤S103中，用户与电网之间的第一能量交易标记集为φn＝[φn1,...,φnH]，φnh≥0表示用户n在第h个时隙从电网购买能量，φnh<0表示第n个用户向电网出售能量。φnh满足约束
Figure BDA0003093134290000113
同理，用户之间的第二能量交易标记集为γn＝[γn1,...,γnH]，γnh≥0表示用户n在第h个时隙从其他用户购买能量，γnh<0表示第n个用户向其他用户出售能量。γnh满足约束
Figure BDA0003093134290000114
此外，各成员在各个时隙的能源消费、可再生能源生产和能源购销应满足以下预设的能源供销平衡条件：
unh+vnh-rnh＝φnh+γnh n∈N,h∈H (7)
为了充分利用用户生产的可再生能源，我们将从用户处购买的能量价格设定为低于从电网处购买的价格，出售给用户的能量价格高于出售给电网的价格。
这样，根据预设的能源供销平衡条件、所述每个用户的实时室内温度集、每个用户的不适成本函数集、每个用户的各个时隙的灵活负载值、所述灵活负载总值、第一能量交易标记集和第二能量交易标记集，得到智能电网能源模型。
在本发明实施例的另一种实现方式中，所述构建智能电网能源模型还包括如下步骤：根据所述第一能量交易标记集中的各个时隙的第一能量交易标记，确定各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值；将各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值进行累加，得到每个用户与智能电网能源系统的第一能量交易价格和值集。
具体地，用户与电网之间的能量交换价格由能源运营商确定，并且是已知的。为了鼓励消费者节约能源，每个用户与智能电网能源系统的第一能量交易价格函数值，也即运营商和用户之间的能量交易价格函数被设置为二次函数，如下：
Figure BDA0003093134290000121
其中，a>0,b>0。a,b是适当的参数。每个用户与智能电网能源系统的第一能量交易价格和值集，用户在一天内与电网进行能量交换的费用是每个时隙的费用之和：
Figure BDA0003093134290000122
在本发明的另一种实现方式中，所述构建智能电网能源模型还包括如下步骤：根据所述第二能量交易标记集中的各个时隙的第二能量交易标记，确定各个时隙的用户之间的第二能量交易价格函数值；将各个时隙的用户之间的第二能量交易价格函数值进行累加，得到用户之间的第二能量交易价格和值集。
具体地，任何两个用户之间可以能量交易。购买能源的消费者将根据交易平台设定的单价向另一方付款。各个时隙的用户之间的第二能量交易价格函数值，也即用户在第h个时隙产生的成本/收益函数如下：
gnh(γ)＝cγnh,h∈H,n∈N
c是单位能源价格。用户之间的第二能量交易价格和值集，也即用户在一天内与其他用户交换能量的费用为：
Figure BDA0003093134290000131
得到智能电网能源模型后，就能执行如图1所示的如下步骤：S200、根据所述智能电网能源模型，确定每个用户的总收益值集。相应的，所述根据所述智能电网能源模型，确定每个用户的总收益值集包括如下步骤：将每个用户的不适成本函数集、所述第一能量交易价格和值集和所述第二能量交易价格和值集进行累加，得到每个用户的总收益值集。
具体地，用户将自己一天内的所有成本/收益加起来，用C表示一天内的总成本/收益。用户n通过求解如下问题获得自己的最佳经济调度分配：
Figure BDA0003093134290000132
总目标是使所有用户的利益最大化，如下：
Figure BDA0003093134290000133
s,t.(1),(2),(3),(4),(5),(6),(7).
设计算法用于解决上述问题，使所有用户保障自身用电隐私的同时都获得最佳经济调度分配，因为P-ADMM对非严格凸优化问题具有快速的收敛性，相对于AMDD,增加的近端项使其具有更好的稳定性。
在点对点通信网络中，每个用户收到邻居节点发送的对偶变量λ，与自身的对偶变量进行加权平均，得出一个新的对偶变量，用于求解自身的最佳经济调度分配。将计算得到的更新的对偶变量发送给邻居节点，往复迭代，直到所用用户前后两次计算出的交易不匹配额的绝对值都小于所设定的精度值，算法实现收敛。
得到每个用户的总收益值集后，就可以执行如图1所示的如下步骤：S300、根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。相应的，根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值包括：
S301、获取对偶变量集和用户间交易能量不匹配额度值集，并初始化所述对偶变量集和所述用户间交易能量不匹配额度值集；其中，所述对偶变量集用于表征用户之间点对点通信时的通信变量；用户间交易能量不匹配额度值集用于表征用户间进行能量交易时能量不匹配的数值大小；
S302、根据初始的对偶变量集和所述用户间交易能量不匹配额度值集，得到更新后的对偶变量集；
S303、根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集；
S304、基于预设的近端交替方向乘子法共识算法，求解每个用户的经济调度分配集的最小值，得到更新后的用户之间的第二能量交易标记集；
S305、根据初始的用户间交易能量不匹配额度值集和更新后的用户之间的第二能量交易标记集得到更新后的用户间交易能量不匹配额度值集；
S306、当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集大于预设的收敛精度值时，继续执行根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集的步骤；
S307、当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集小于等于预设的收敛精度值时，停止迭代，得到每个用户的经济调度配额值。
具体地，先进行获取并初始化以下变量：每个用户将自己的对偶变量集中的每一个对偶变量λ、每个用户与其他用户的能量交易量γ、每个用户与其他用户间交易的能量不匹配额ξ都设置为0向量，向量的维度是一天内的时隙数量；收敛精度ζ在本发明中设置为0.0005。所述对偶变量集用于表征用户之间点对点通信时的通信变量；用户间交易能量不匹配额度值集用于表征用户间进行能量交易时能量不匹配的数值大小。
然后根据初始的对偶变量集和所述用户间交易能量不匹配额度值集，得到更新后的对偶变量集；例如：
每个用户更新λ，其中ρ是拉格朗日步长，Ni是与用户i通信的邻居(包括用户i)的集合,V是所有用户的集合。
Figure BDA0003093134290000151
wij代表对应的权重，在p2p网络中与自己直接相连的用户是自己的邻居，这个不是固定的，这个是根据邻居数量(加上自己)而定，用户i所有邻居的wij之和为1，在本实施例中取相同的权重，相当于对
Figure BDA0003093134290000152
取平均值。在本发明的另一种实现方式中，不同用户迭代更新时信息权重不同：在p2p网络中比较边缘的节点收敛相对更慢，适当增大该节点的参数拉格朗日步长ρ，可以提高算法的收敛速度。
然后根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集；基于预设的近端交替方向乘子法共识算法，求解每个用户的经济调度分配集的最小值，得到更新后的用户之间的第二能量交易标记集；例如：每个用户通过求解如下问题，求解自己的最佳经济调度分配。
Figure BDA0003093134290000161
s.t(1),(2),(3),(4),(5),(6),(7)}
var:xn,yn,φn,γn.
上式中前两项是一个标准的交替方向乘子法(ADMM)求解形式，最后一项是增加的近端项，使目标函数更加平滑，增加算法的稳定性，三项组合起来就是近端交替方向乘子法共识算法。通过上式可以得到更新后的用户之间的第二能量交易标记集γn。再根据初始的用户间交易能量不匹配额度值集和更新后的用户之间的第二能量交易标记集得到更新后的用户间交易能量不匹配额度值集；如，
每个用户更新自己与其他用户间交易的能量不匹配额ξ，如下：
Figure BDA0003093134290000162
当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集大于预设的收敛精度值时，继续执行根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集的步骤；当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集小于等于预设的收敛精度值时，停止迭代，得到每个用户的经济调度配额值。例如，每个用户检查前后两次迭代的ξ(更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集)，如果所有用户都满足
Figure BDA0003093134290000163
迭代终止，输出求得的每个用户的经济调度配额值，否则迭代继续。
本发明针对上述算法的实验和结果如下：
设置时间跨度为一周，以一个小时作为一个时隙，能量的费用函数设置如下：
Figure BDA0003093134290000171
gnh(γ)＝γnh,n∈N,h∈H
以十个用户，用户间通信拓扑如图3所示的仿真情形。
每个用户一天内的灵活负载总量在[5-10](KWH)范围内均匀采样，每个时隙最大灵活负载在[3,4](KWH)为范围内均匀采样；每个用户一天内的不灵活负载总量在[10-20](KWH)范围内均匀采样，每个时隙最大不灵活负载在[2.5,3.5](KWH)为范围内均匀采样；，每个用户一天生产的可再生能源在[5,25](KWH)范围内均匀采样。用户与电网每时隙能量交易的上下限设置为3和-2；用户间每时隙能量交易的上下限设置为3和-3。算法参数设置：
ρ＝0.3,β＝2.5
以第1天为例，经过93次迭代，达到了收敛准则。证明了所发明算法的有效性。收敛情况如下，横坐标表示迭代次数，纵坐标表示λ的值，所有用户的λ。如图4显示等间隔的六个时隙的收敛，可以看到在任意一个时隙，随着迭代次数增加，所有用户的λ都收敛到某一个固定值，实现了收敛。
所有用户各项能源负荷之和和可再生能源分布如图5所示。中午时分的可再生能源生产较多，用户积极调整其灵活负载，充分利用可再生能源，优化自己的能源利用效率。
所有用户每个时隙购买和销售电力之和如图6所示，白天的大部分时间用户通过相互之间的电力交易可以满足自身需要，还有电力剩余出售给电网；夜间用户的可再生能源较少，不能满足需要，向电网购买。
比较有用户间能量交易和用户间不交易能量两种情况下每个消费者的成本/收益。如图7所示，与不协调合作的情形相比，用户间合作的情形下所有用户的效益都增加了，所有用户的总成本下降了28.42％，也说明了所发明的算法实现了用户间能量交易的协调。
示例性设备
如图8中所示，本发明实施例提供一种基于共识优化算法的分布式智能电网能源调度装置，该装置包括智能电网能源模型构建模块401，每个用户的总收益值集确定模块402，每个用户的经济调度配额值确定模块403，其中：
智能电网能源模型构建模块401，用于构建智能电网能源模型；
每个用户的总收益值集确定模块402，用于根据所述智能电网能源模型，确定每个用户的总收益值集；
每个用户的经济调度配额值确定模块403，用于根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图9所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于共识优化算法的分布式智能电网能源调度方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图9中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：构建智能电网能源模型；
根据所述智能电网能源模型，确定每个用户的总收益值集；
根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了基于共识优化算法的分布式智能电网能源调度方法、智能终端、存储介质，所述方法包括：构建智能电网能源模型；根据所述智能电网能源模型，确定每个用户的总收益值集；根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。本发明实施例通过构建智能电网能源模型实现全局能量管理，根据智能电网能源模型确定每个用户的总收益值集，进而得到每个用户的经济调度配额值，近端交替方向乘子法共识算法对复杂的非严格凸能量管理问题具有很好的适用性，用户不需要向运营商或其他用户发送任何用电信息，就可以求出每个用户的最佳经济调度配额值，很好的保护了用户的用电隐私。
基于上述实施例，本发明公开了一种基于共识优化算法的分布式智能电网能源调度方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述方法包括：
构建智能电网能源模型；
根据所述智能电网能源模型，确定每个用户的总收益值集；
根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值。
2.根据权利要求1所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述构建智能电网能源模型包括：
获取供热通风与空气调节系统的每个用户的实时室内温度集，并根据每个用户的实时室内温度集确定每个用户的不适成本函数集；其中，每个用户的不适成本函数集是表征实时室内温度集中的温度偏离预设的室内温度值时导致用户产生不适感的函数；
获取每个用户的各个时隙的灵活负载值并根据每个用户的各个时隙的灵活负载值得到灵活负载总值；其中，所述灵活负载值是表征使用时间在预设的时间范围内调整的负载值；
获取每个用户与智能电网能源系统的第一能量交易标记集以及用户之间的第二能量交易标记集；其中，所述第一能量交易标记集用于表征用户从智能电网能源系统购买能量或者出售能量；所述第二能量交易标记集用于表征用户之间购买能量或者出售能量；
根据预设的能源供销平衡条件、所述每个用户的实时室内温度集、每个用户的不适成本函数集、每个用户的各个时隙的灵活负载值、所述灵活负载总值、第一能量交易标记集和第二能量交易标记集，得到智能电网能源模型。
3.根据权利要求2所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述构建智能电网能源模型还包括：
根据所述第一能量交易标记集中的各个时隙的第一能量交易标记，确定各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值；
将各个时隙的每个用户与智能电网能源系统的第一能量交易价格函数值进行累加，得到每个用户与智能电网能源系统的第一能量交易价格和值集。
4.根据权利要求2所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述构建智能电网能源模型还包括：
根据所述第二能量交易标记集中的各个时隙的第二能量交易标记，确定各个时隙的用户之间的第二能量交易价格函数值；
将各个时隙的用户之间的第二能量交易价格函数值进行累加，得到用户之间的第二能量交易价格和值集。
5.根据权利要求2所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述根据每个用户的实时室内温度集确定每个用户的不适成本函数集包括：
获取灵敏度系数，其中，所述灵敏度系数用于表征不适成本函数对室内温度的放大倍数；
将每个用户的实时室内温度集中的各个时隙的实时室内温度减去预设的室内温度值，得到每个用户的各个时隙的第一室内温度集；
将每个用户的各个时隙的第一室内温度集中的各个时隙的第一室内温度进行累加，得到每个用户的第二室内温度集；
将每个用户的第二室内温度集中的每一个第二室内温度乘以所述灵敏度系数，得到每个用户的不适成本函数集。
6.根据权利要求2所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述根据每个用户的各个时隙的灵活负载值得到灵活负载总值包括：
将每个用户的各个时隙的灵活负载值进行累加，得到灵活负载总值。
7.根据权利要求1-6任一所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述根据所述智能电网能源模型，确定每个用户的总收益值集包括：
将每个用户的不适成本函数集、所述第一能量交易价格和值集和所述第二能量交易价格和值集进行累加，得到每个用户的总收益值集。
8.根据权利要求1所述的基于共识优化算法的分布式智能电网能源调度方法，其特征在于，所述根据预设的近端交替方向乘子法共识算法和每个用户的总收益值集，确定每个用户的经济调度配额值包括：
获取对偶变量集和用户间交易能量不匹配额度值集，并初始化所述对偶变量集和所述用户间交易能量不匹配额度值集；其中，所述对偶变量集用于表征用户之间点对点通信时的通信变量；用户间交易能量不匹配额度值集用于表征用户间进行能量交易时能量不匹配的数值大小；
根据初始的对偶变量集和所述用户间交易能量不匹配额度值集，得到更新后的对偶变量集；
根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集；
基于预设的近端交替方向乘子法共识算法，求解每个用户的经济调度分配集的最小值，得到更新后的用户之间的第二能量交易标记集；
根据初始的用户间交易能量不匹配额度值集和更新后的用户之间的第二能量交易标记集得到更新后的用户间交易能量不匹配额度值集；
当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集大于预设的收敛精度值时，继续执行根据每个用户的总收益值集、用户之间的第二能量交易标记集、更新后的用户间交易能量不匹配额度值集和更新后的对偶变量集，得到每个用户的经济调度分配集的步骤；
当更新后的用户间交易能量不匹配额度值集和更新前的用户间交易能量不匹配额度值集小于等于预设的收敛精度值时，停止迭代，得到每个用户的经济调度配额值。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-8中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-8中任意一项所述的方法。
CN202110602691.2A 2021-05-31 2021-05-31 一种基于共识优化算法的分布式智能电网能源调度方法 Active CN113283655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110602691.2A CN113283655B (zh) 2021-05-31 2021-05-31 一种基于共识优化算法的分布式智能电网能源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110602691.2A CN113283655B (zh) 2021-05-31 2021-05-31 一种基于共识优化算法的分布式智能电网能源调度方法

Publications (2)

Publication Number Publication Date
CN113283655A true CN113283655A (zh) 2021-08-20
CN113283655B CN113283655B (zh) 2023-06-20

Family

ID=77282823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110602691.2A Active CN113283655B (zh) 2021-05-31 2021-05-31 一种基于共识优化算法的分布式智能电网能源调度方法

Country Status (1)

Country Link
CN (1) CN113283655B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779493A (zh) * 2021-09-16 2021-12-10 重庆大学 一种多智能家庭的分布式智能能量管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194516A (zh) * 2017-06-07 2017-09-22 华北电力大学 含多主体的多能互补微电网分布式优化调度方法
CN109034480A (zh) * 2018-07-31 2018-12-18 湘潭大学 一种基于智能合约的互联微网分布式优化调度方法
US20200161858A1 (en) * 2018-11-19 2020-05-21 Board Of Regents, The University Of Texas System Systems And Methods For Energy Crowdsourcing And Peer-To-Peer Energy Trading
WO2020165631A1 (en) * 2019-02-14 2020-08-20 Enegan S.P.A. System for exchanging renewable source energy
CN111768054A (zh) * 2019-12-23 2020-10-13 国网四川省电力公司经济技术研究院 一种包含多利益主体的分区分布式协调优化方法
CN112365119A (zh) * 2020-09-23 2021-02-12 四川大学 一种基于分布式数据库支撑的配电网电能分布式交易模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194516A (zh) * 2017-06-07 2017-09-22 华北电力大学 含多主体的多能互补微电网分布式优化调度方法
CN109034480A (zh) * 2018-07-31 2018-12-18 湘潭大学 一种基于智能合约的互联微网分布式优化调度方法
US20200161858A1 (en) * 2018-11-19 2020-05-21 Board Of Regents, The University Of Texas System Systems And Methods For Energy Crowdsourcing And Peer-To-Peer Energy Trading
WO2020165631A1 (en) * 2019-02-14 2020-08-20 Enegan S.P.A. System for exchanging renewable source energy
CN111768054A (zh) * 2019-12-23 2020-10-13 国网四川省电力公司经济技术研究院 一种包含多利益主体的分区分布式协调优化方法
CN112365119A (zh) * 2020-09-23 2021-02-12 四川大学 一种基于分布式数据库支撑的配电网电能分布式交易模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAODONG HOU: ""Distributed Model Predictive Control via Proximal Jacobian ADMM for Building Control Applications"", 《2017 AMERICAN CONTROL CONFERENCE》 *
周自强;颜拥;文福拴;: "均值-LPM模型在发电商资产组合中的应用", 浙江电力 *
王杰;刘念;: "多主体综合能源系统分布式优化运行方法", 南方电网技术 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779493A (zh) * 2021-09-16 2021-12-10 重庆大学 一种多智能家庭的分布式智能能量管理方法
CN113779493B (zh) * 2021-09-16 2024-05-07 重庆大学 一种多智能家庭的分布式智能能量管理方法

Also Published As

Publication number Publication date
CN113283655B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Yang et al. Blockchain-based decentralized energy management platform for residential distributed energy resources in a virtual power plant
Nguyen Optimal solution analysis and decentralized mechanisms for peer-to-peer energy markets
Yang et al. Transactive energy supported economic operation for multi-energy complementary microgrids
Liu et al. Intraday residential demand response scheme based on peer-to-peer energy trading
Cui et al. Peer-to-peer energy sharing among smart energy buildings by distributed transaction
CN109727158B (zh) 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
Bahrami et al. A decentralized trading algorithm for an electricity market with generation uncertainty
Gu et al. Bi-level optimal low-carbon economic dispatch for an industrial park with consideration of multi-energy price incentives
Jia et al. Dynamic pricing and distributed energy management for demand response
Huang et al. Demand response for home energy management system
Nguyen et al. Optimal bidding strategy for microgrids considering renewable energy and building thermal dynamics
Chen et al. Optimal demand response: Problem formulation and deterministic case
Mohammadi et al. An Adaptive Modified Firefly Optimisation Algorithm based on Hong's Point Estimate Method to optimal operation management in a microgrid with consideration of uncertainties
Cui et al. Game-based peer-to-peer energy sharing management for a community of energy buildings
Jiang et al. Real-time demand response with uncertain renewable energy in smart grid
Erol et al. A Stackelberg game approach for energy sharing management of a microgrid providing flexibility to entities
Chiş et al. Demand response for renewable energy integration and load balancing in smart grid communities
Sun et al. Bidding strategy for a prosumer aggregator with stochastic renewable energy production in energy and reserve markets
Zhang et al. Parametric optimization-based peer-to-peer energy trading among commercial buildings considering multiple energy conversion
Mbuwir et al. Battery scheduling in a residential multi-carrier energy system using reinforcement learning
Chandra et al. Transactive energy market framework for decentralized coordination of demand side management within a cluster of buildings
WO2020075101A1 (en) Self-organizing demand-response system
Yang et al. Distributed energy trading management for renewable prosumers with HVAC and energy storage
Yang et al. Exploring blockchain for the coordination of distributed energy resources
Wei et al. Two-stage cooperative intelligent home energy management system for optimal scheduling

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