CN113673141A - 一种基于数据驱动的能量路由器建模及优化控制方法 - Google Patents

一种基于数据驱动的能量路由器建模及优化控制方法 Download PDF

Info

Publication number
CN113673141A
CN113673141A CN202111224841.7A CN202111224841A CN113673141A CN 113673141 A CN113673141 A CN 113673141A CN 202111224841 A CN202111224841 A CN 202111224841A CN 113673141 A CN113673141 A CN 113673141A
Authority
CN
China
Prior art keywords
port
power
load
representing
data
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
CN202111224841.7A
Other languages
English (en)
Other versions
CN113673141B (zh
Inventor
顾海飞
刘福建
孙晓蕾
张潇
黄庆
缑广会
徐守明
李伟
石馨
朱东亮
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.)
China Construction Industrial and Energy Engineering Group Co Ltd
Original Assignee
China Construction Industrial and Energy Engineering Group 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 China Construction Industrial and Energy Engineering Group Co Ltd filed Critical China Construction Industrial and Energy Engineering Group Co Ltd
Priority to CN202111224841.7A priority Critical patent/CN113673141B/zh
Publication of CN113673141A publication Critical patent/CN113673141A/zh
Application granted granted Critical
Publication of CN113673141B publication Critical patent/CN113673141B/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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06F2111/08—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
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于数据驱动的能量路由器建模及优化控制方法，将能量路由器的端口对应的功率数据分为负载需求集合和调度集合两类，通过采集能量路由器运行时的各端口电气数据获取足够的数据样本后，在线利用数据挖掘技术建立两类端口之间的数学映射模型作为端口间功率关系约束。同时建立不同优化模态对应的数学约束形式，将能量路由器的优化调度方式转化为带约束下的指标寻优问题，并调用群体寻优算法获取优化调度参数。进而建立最优的优化调度参数与需求负载间的基于数据驱动的模型，从而实现能量路由器在不同运行负载下的实时优化控制，具有高可移植性和高实时优化能力，能够用于提高各类能量路由器的运行性能指标。

Description

一种基于数据驱动的能量路由器建模及优化控制方法
技术领域
本发明属于微电网技术领域，尤其涉及一种基于数据驱动的能量路由器建模及优化控制方法。
背景技术
由于传统不可再生能源储量日益减少，且不可再生能源使用时会对全球环境造成负面影响，近年来，低碳环保可持续的新能源发电（如风力发电、光伏发电）逐渐成为重要的发电形式之一。但与传统发电方式相比，新能源发电方式具有间歇性、波动性、不确定性和分布性等特点，其大量的接入对配电网的运行和控制提出了新的挑战，需要将传统的集中式发电方式向分布式和集中式并存的发电方式转变。为解决该问题，基于电力电子技术和信息通信技术的“物理-信息一体化”的能量路由器逐渐进入人们的视野，其主要是通过电力电子技术实现不同能源之间的互相转换，并通过采集各端口的电气等信息与控制器实现通讯后进行所需的优化调度。
目前对能量路由器的研究主要集中于电力电子拓扑、机理建模和优化调度方法等方面。其中，优化调度方法主要分为两大类：第一类是通过对能量路由器内部电力电子拓扑结构的分析，获得机理清晰的各节点之间的物理模型，结合物理模型可进行细化到内部各模块的优化方法的研究，但是这种方法依赖于对能量路由器内部结构的完全了解，可移植性较差，且受系统参数的变化影响较大；第二类是直接采集各端口数据，根据一定的优化指标或模态对各端口进行调度，无需能量路由器内部参数及机理模型，具有较高的可移植性，但其依赖于在线优化，对优化参数的预测能力较弱，在负载波动时的调节速度较慢。因此，有必要研究一种同时具有高可移植性和高实时优化能力的能量路由器优化调度方法。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于数据驱动的能量路由器建模及优化控制方法，基于能量路由器各端口电气数据构建能量路由器黑箱模型，并基于黑箱模型构建优化控制方法，本发明不依赖于对能量路由器内部参数的获知，具有高可移植性和可随运行状态进行更新的高实时优化能力。
本发明是通过以下技术手段实现上述技术目的的。
一种基于数据驱动的能量路由器建模及优化控制方法，包括如下步骤：
步骤1：将能量路由器的五类端口对应的功率数据分为负载需求集合和调度集合两类，基于同类型功率按集总功率等效处理原则构建集合降维后的等效数组表达形式；
步骤2：获取多个不同时间点下的各端口功率数据，构建数据样本集，并对该数据样本集进行基于数据驱动的建模，建立映射关系，建模分为初始化和在线学习两个阶段；
步骤3：对能量路由器的多优化控制模态进行分类，构建等效的数学约束条；
步骤4：确定优化指标，结合步骤3构建的数学约束条，随机生成多个不同需求负载，构成需求负载样本集，基于群体寻优算法求解需求负载样本集中的对应端口功率，构建最优的优化调度参数样本集，最终输出包含最优的优化调度参数和需求负载的数据样本集；
步骤5：基于步骤4获取的数据样本集构成初始优化数据样本集合，再次利用步骤2中所述的基于数据驱动的建模方法，建立优化调度参数与需求负载之间的映射关系；
步骤6：基于步骤5建立的映射关系，根据实时采集的需求负载计算优化调度参数，确定能量路由器中相应端口的优化调度参数。
进一步地，所述能量路由器的五类端口包括光伏发电端口、电储能端口、电网并网端口、交流负载端口、直流负载端口；光伏发电端口为输入端口，电储能端口、电网并网端口均为双向输入输出端口，交流负载端口、直流负载端口均为单向输出端口。
进一步地，所述负载需求集合为
Figure DEST_PATH_IMAGE001
Figure 100002_DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE003
示第1个交流负载端口功率；
Figure 100002_DEST_PATH_IMAGE004
表示交流负载端口总数，
Figure DEST_PATH_IMAGE005
表示第1个直流负载端口功率；
Figure 100002_DEST_PATH_IMAGE006
表示直流负载端口总数；
调度集合为
Figure DEST_PATH_IMAGE007
Figure 100002_DEST_PATH_IMAGE008
，其中，
Figure DEST_PATH_IMAGE009
表示第1个光伏发电系统端口功率；
Figure 100002_DEST_PATH_IMAGE010
表示光伏发电系统端口总数；
Figure DEST_PATH_IMAGE011
表示第1个电储能端口功率；
Figure 100002_DEST_PATH_IMAGE012
表示电储能端口总数；
Figure DEST_PATH_IMAGE013
表示第1个电网并网端口功率；
Figure 100002_DEST_PATH_IMAGE014
表示电网并网端口总数；
负载需求集合的数组表达式为：
Figure DEST_PATH_IMAGE015
；调度集合的数组表达式为：
Figure 100002_DEST_PATH_IMAGE016
；其中，
Figure DEST_PATH_IMAGE017
、
Figure 100002_DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure 100002_DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
分别表示交流负载端口、直流负载端口、光伏发电端口、电储能端口、电网并网端口的集总功率。
进一步地，所述步骤2中的映射关系建立过程如下：
步骤2.1：初始化阶段；
步骤2.1.1：确定初始数据样本集为
Figure 100002_DEST_PATH_IMAGE022
，确定隐层个数
Figure DEST_PATH_IMAGE023
，确定激活函数
Figure 100002_DEST_PATH_IMAGE024
如下：
Figure DEST_PATH_IMAGE025
其中，
Figure 100002_DEST_PATH_IMAGE026
表示由第
Figure DEST_PATH_IMAGE027
个时间点采集到的优化调度参数构成的数组，
Figure 100002_DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
表示由第
Figure 965435DEST_PATH_IMAGE027
个时间点采集到的需求负载构成的数组，
Figure 100002_DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
表示不同时间点下的各端口功率数据总量；
步骤2.1.2：随机生成输入权重集
Figure 100002_DEST_PATH_IMAGE032
和输入偏置系数数组
Figure DEST_PATH_IMAGE033
，构建初始化的隐层输出随机矩阵
Figure 100002_DEST_PATH_IMAGE034
如下：
Figure DEST_PATH_IMAGE035
Figure 100002_DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
、
Figure 100002_DEST_PATH_IMAGE038
别表示输入
Figure DEST_PATH_IMAGE039
中的
Figure 100002_DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
、
Figure 100002_DEST_PATH_IMAGE042
的权重系数，用于生成隐层中的第
Figure DEST_PATH_IMAGE043
个节点；
Figure 100002_DEST_PATH_IMAGE044
表示隐层中第1个节点对应的输入偏置系数；
步骤2.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE045
，其中，
Figure 100002_DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
；设置初始计数器
Figure 100002_DEST_PATH_IMAGE048
，存储计数器
Figure DEST_PATH_IMAGE049
；
步骤2.2：在线学习阶段；
步骤2.2.1：若
Figure 100002_DEST_PATH_IMAGE050
，则进入步骤2.2.2，否则在线获取时间间隔为
Figure DEST_PATH_IMAGE051
的数据并存储，设置存储计数器
Figure 100002_DEST_PATH_IMAGE052
，返回步骤2.2继续判断；
步骤2.2.2：基于上述获取数据构建第
Figure DEST_PATH_IMAGE053
个更新数据样本集
Figure 100002_DEST_PATH_IMAGE054
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE055
如下：
Figure 100002_DEST_PATH_IMAGE056
步骤2.2.3：输出更新为第
Figure 467262DEST_PATH_IMAGE053
个样本的输出
Figure DEST_PATH_IMAGE057
后，按下式计算第
Figure 184682DEST_PATH_IMAGE053
个更新下的输出权重
Figure 100002_DEST_PATH_IMAGE058
；
Figure DEST_PATH_IMAGE059
其中，
Figure 100002_DEST_PATH_IMAGE060
表示
Figure DEST_PATH_IMAGE061
阶单位矩阵；
步骤2.2.4：设置输出权重
Figure 100002_DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
，
Figure 100002_DEST_PATH_IMAGE064
，将模型按下式更新：
Figure DEST_PATH_IMAGE065
Figure 100002_DEST_PATH_IMAGE066
。
进一步地，所述步骤3中，构建等效的数学约束条的具体过程如下：
将能量路由器作为黑箱系统处理，各端口之间的功率约束关系对应的数学形式为步骤2所建立的基于数据驱动的模型：
Figure DEST_PATH_IMAGE067
则各端口的功率基本约束如下：
光伏发电端口功率上下限约束为：
Figure 100002_DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE069
表示光伏发电端口的输入功率最小值；
Figure 100002_DEST_PATH_IMAGE070
表示光伏发电端口的输入功率最大值；
电网并网端口功率约束为：
Figure DEST_PATH_IMAGE071
其中，
Figure 100002_DEST_PATH_IMAGE072
表示能量路由器向电网馈电功率最大值；
Figure DEST_PATH_IMAGE073
表示电网向能量路由器供电最大值；
交流负载端口上下限值约束为：
Figure 100002_DEST_PATH_IMAGE074
其中，
Figure DEST_PATH_IMAGE075
表示交流负载端口功率最大值；
直流负载端口上下限约束为：
Figure 100002_DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE077
为直流负载端口功率最大值；
电储能端口的功率约束与其荷电状态相关，具体如下：
Figure 100002_DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE079
表示电储能端口充电功率最大值；
Figure 100002_DEST_PATH_IMAGE080
表示电储能端口放电功率最大值；
Figure DEST_PATH_IMAGE081
表示电储能系统荷电状态；
Figure 100002_DEST_PATH_IMAGE082
表示用于区分充放电状态的上限；
Figure DEST_PATH_IMAGE083
表示用于区分充放电状态的下限。
进一步地，所述步骤3中，多优化控制模态分为四种模态，具体如下：
模态一：经济最优模态，该模态考虑光伏发电端口、电储能端口和电网并网端口整体调度成本最低，优化指标如下：
Figure 100002_DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
表示总费用，
Figure 100002_DEST_PATH_IMAGE086
表示光伏发电端口单位功率调度成本；
Figure DEST_PATH_IMAGE087
表示电储能端口单位功率调度成本，
Figure 100002_DEST_PATH_IMAGE088
表示电网并网端口单位功率调度成本；
模态二：损耗最低模态，该模态考虑能量路由器整体损耗最低，不考虑运行经济成本，优化指标如下：
Figure DEST_PATH_IMAGE089
其中，
Figure 100002_DEST_PATH_IMAGE090
表示总输入功率；
模态三：光伏发电最大利用率下的经济最优模态，该模态在模态一的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure DEST_PATH_IMAGE091
模态四：光伏发电最大利用率下的损耗最低模态，该模态在模态二的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure 100002_DEST_PATH_IMAGE092
。
进一步地，所述步骤4中，随机生成需求交流负载
Figure DEST_PATH_IMAGE093
和需求直流负载
Figure 100002_DEST_PATH_IMAGE094
，并构成需求负载矩阵
Figure DEST_PATH_IMAGE095
，共计需生成
Figure 100002_DEST_PATH_IMAGE096
个不同的需求负载，用于构成需求负载样本集
Figure DEST_PATH_IMAGE097
；基于群体寻优算法，求解需求负载样本集中的第
Figure 100002_DEST_PATH_IMAGE098
个需求负载矩阵
Figure DEST_PATH_IMAGE099
对应的最优光伏端口功率
Figure 100002_DEST_PATH_IMAGE100
、最优电储能端口功率
Figure DEST_PATH_IMAGE101
和最优电网并网端口功率
Figure 100002_DEST_PATH_IMAGE102
，并构成第
Figure 21969DEST_PATH_IMAGE098
个最优调度矩阵
Figure DEST_PATH_IMAGE103
，获取共计
Figure 39604DEST_PATH_IMAGE096
个最优调度矩阵以构建最优的优化调度参数样本集
Figure 100002_DEST_PATH_IMAGE104
。
进一步地，所述步骤4的具体过程如下：
步骤4.1：获取电储能系统电荷状态，设置
Figure DEST_PATH_IMAGE105
，
Figure 100002_DEST_PATH_IMAGE106
表示当前循环将生成的需求负载排序数；
步骤4.2：选择所需优化指标，确定约束条件；
步骤4.3：随机生成需求负载
Figure DEST_PATH_IMAGE107
；
步骤4.4：调用群体寻优算法求解满足上述约束条件的最优调度优化参数
Figure 100002_DEST_PATH_IMAGE108
；
步骤4.5：
Figure DEST_PATH_IMAGE109
，则输出数据样本集
Figure 100002_DEST_PATH_IMAGE110
至步骤5，并设置
Figure 314596DEST_PATH_IMAGE105
，反之则设置
Figure DEST_PATH_IMAGE111
，并返回步骤4.3。
进一步地，所述步骤5中优化调度参数与需求负载之间的映射关系建立过程如下：
步骤5.1：初始化阶段；
步骤5.1.1：获取初始数据样本集为
Figure 100002_DEST_PATH_IMAGE112
，确定隐层个数
Figure DEST_PATH_IMAGE113
；
步骤5.1.2：随机初始化生成输入权重集
Figure 100002_DEST_PATH_IMAGE114
和输入偏置系数数组
Figure DEST_PATH_IMAGE115
，构建初始化的隐层输出随机矩阵
Figure 100002_DEST_PATH_IMAGE116
如下：
Figure DEST_PATH_IMAGE117
其中，
Figure 100002_DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE119
分别表示输入
Figure 100002_DEST_PATH_IMAGE120
中的
Figure DEST_PATH_IMAGE121
、
Figure 100002_DEST_PATH_IMAGE122
的权重系数，用于生成该隐层中的第
Figure DEST_PATH_IMAGE123
个节点；
Figure 100002_DEST_PATH_IMAGE124
表示该隐层中第1个节点对应的输入偏置系数；
步骤5.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE125
，其中，
Figure 100002_DEST_PATH_IMAGE126
，
Figure DEST_PATH_IMAGE127
；设置初始计数器
Figure 100002_DEST_PATH_IMAGE128
；
步骤5.2：在线学习阶段；
步骤5.2.1：检测步骤4中的数据样本有无更新，若有则进入步骤5.2.2，否则进入步骤6；
步骤5.2.2：构建第
Figure DEST_PATH_IMAGE129
个更新数据样本集
Figure 100002_DEST_PATH_IMAGE130
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE131
如下：
Figure 100002_DEST_PATH_IMAGE132
步骤5.2.3：输出更新为第
Figure 612589DEST_PATH_IMAGE129
个样本的输出
Figure DEST_PATH_IMAGE133
后，按下式计算第
Figure 247708DEST_PATH_IMAGE129
个更新后的输出权重
Figure 100002_DEST_PATH_IMAGE134
：
Figure DEST_PATH_IMAGE135
步骤5.2.4：设置输出权重
Figure 100002_DEST_PATH_IMAGE136
，计数器
Figure DEST_PATH_IMAGE137
，将模型按下式更新：
Figure 100002_DEST_PATH_IMAGE138
Figure DEST_PATH_IMAGE139
。
进一步地，所述步骤6的具体过程如下：
步骤6.1：确定实时需求负载功率
Figure 100002_DEST_PATH_IMAGE140
，确定所需优化模态；
步骤6.2：结合步骤5确定的模型，计算所需分配光伏发电端口、电储能端口和电网并网端口调度功率
Figure DEST_PATH_IMAGE141
；
步骤6.3：按均分原则将调度功率分配至光伏发电端口、电储能端口和电网并网端口这三类端口每一模块。
本发明具有如下有益效果：
本发明为通过基于数据驱动的建模方法建立的能量路由器模型，无需获知能量路由器内部具体结构与参数，不受能量路由器类型限制，可适用于各种不同类型的能量路由器；同时，本发明所述建模方法中的在线学习方法可以实现模型随工作条件变化的自更新，可以避免参数变化对能量路由器在使用过程中的影响。
本发明通过建立优化调度功率和需求负载的模型，可实时有效预测对应于最优指标的最优调度方法，实时性强，且不受参数变化影响；此外该优化方法具有强可移植性和强参数鲁棒性，可以广泛应用于各类能量路由器系统，有助于推进能量路由器的应用。
附图说明
图1为本发明所述能量路由器示意图；
图2为本发明所述建模及优化控制方法流程图；
图3为本发明所述步骤2中的基于数据驱动的能量路由器建模流程图；
图4为本发明所述能量路由器优化参数获取流程图；
图5为本发明所述步骤5中的基于数据驱动的能量路由器建模流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
本发明所述的基于数据驱动的能量路由器建模及优化控制方法中的能量路由器如图1所示，为多端口能量路由器，包括与中央控制器信号连接的光伏发电变换器、电储能变换器、电网并网变换器、直流负载变换器、交流负载变换器；光伏发电变换器与光伏发电阵列连接，电储能变换器与电储能装置连接，电网并网变换器与电网母线连接，直流负载变换器与直流负载连接，交流负载变换器与交流负载连接。
根据端口连接对象类型，本发明所述多端口能量路由器的端口分为五类，具体为：光伏发电单向输入端口、电储能双向输入输出端口、电网并网双向输入输出端口、交流负载单向输出端口、直流负载单向输出端口。
本发明所述的基于数据驱动的能量路由器建模及优化控制方法的具体过程如图2所示，包括如下步骤：
步骤1：将五类端口对应的功率数据分为两类集合：负载需求集合
Figure DEST_PATH_IMAGE143
、调度集合
Figure DEST_PATH_IMAGE145
；
其中，
Figure DEST_PATH_IMAGE147
表示第1个交流负载端口功率；
Figure DEST_PATH_IMAGE149
表示交流负载端口总数；
Figure DEST_PATH_IMAGE151
表示第1个直流负载端口功率；
Figure DEST_PATH_IMAGE153
表示直流负载端口总数；
Figure DEST_PATH_IMAGE155
表示第1个光伏发电系统端口功率；
Figure DEST_PATH_IMAGE157
表示光伏发电系统端口总数；
Figure DEST_PATH_IMAGE159
表示第1个电储能端口功率；
Figure DEST_PATH_IMAGE161
表示电储能端口总数；
Figure DEST_PATH_IMAGE163
表示第1个电网并网端口功率；
Figure DEST_PATH_IMAGE165
表示电网并网端口总数。
基于同类型功率按集总功率等效处理原则构建集合的降维后的等效数组表达形式，其中需求负载集合的数组表达式为：
Figure DEST_PATH_IMAGE167
；优化调度参数集合的数组表达式为：
Figure DEST_PATH_IMAGE169
；
其中，
Figure DEST_PATH_IMAGE171
表示进行矩阵转置；
Figure DEST_PATH_IMAGE173
、
Figure DEST_PATH_IMAGE175
、
Figure DEST_PATH_IMAGE177
、
Figure DEST_PATH_IMAGE179
、
Figure DEST_PATH_IMAGE181
分别表示交流负载端口、直流负载端口、光伏发电端口、电储能端口、电网并网端口的集总功率，所述集总功率即为同一类相应端口的功率之和，例如交流负载端口集总功率即为所有交流负载端口的功率之和。
步骤2：获取
Figure DEST_PATH_IMAGE183
（
Figure 919516DEST_PATH_IMAGE183
为正整数）个不同时间点下的各端口功率数据，构建数据样本集
Figure DEST_PATH_IMAGE185
，对该数据样本集进行基于数据驱动的建模，建立映射关系
Figure DEST_PATH_IMAGE187
，建模方法如图3所示，分为初始化和在线学习两个阶段，具体包括如下步骤：
步骤2.1：初始化阶段；
步骤2.1.1：确定初始数据样本集为
Figure 522667DEST_PATH_IMAGE185
，确定隐层个数
Figure DEST_PATH_IMAGE189
，确定激活函数
Figure DEST_PATH_IMAGE191
如下：
Figure DEST_PATH_IMAGE193
其中，
Figure DEST_PATH_IMAGE195
表示由第
Figure DEST_PATH_IMAGE197
个时间点采集到的优化调度参数构成的数组，
Figure DEST_PATH_IMAGE199
；
Figure DEST_PATH_IMAGE201
表示由第
Figure 517475DEST_PATH_IMAGE197
个时间点采集到的需求负载构成的数组，
Figure DEST_PATH_IMAGE203
；
Figure DEST_PATH_IMAGE205
表示不同时间点下的各端口功率数据总量；
步骤2.1.2：随机生成输入权重集
Figure DEST_PATH_IMAGE207
和输入偏置系数数组
Figure DEST_PATH_IMAGE209
，构建初始化的隐层输出随机矩阵
Figure DEST_PATH_IMAGE211
如下：
Figure DEST_PATH_IMAGE213
其中，
Figure DEST_PATH_IMAGE215
、
Figure DEST_PATH_IMAGE217
、
Figure DEST_PATH_IMAGE219
分别表示输入
Figure DEST_PATH_IMAGE221
中的
Figure DEST_PATH_IMAGE223
、
Figure DEST_PATH_IMAGE225
、
Figure DEST_PATH_IMAGE227
的权重系数，用于生成隐层中的第
Figure DEST_PATH_IMAGE229
个节点；
Figure DEST_PATH_IMAGE231
表示隐层中第1个节点对应的输入偏置系数；
步骤2.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE233
，其中，
Figure DEST_PATH_IMAGE235
，
Figure DEST_PATH_IMAGE237
；设置初始计数器
Figure DEST_PATH_IMAGE239
，存储计数器
Figure DEST_PATH_IMAGE241
；
步骤2.2：在线学习阶段；
步骤2.2.1：若
Figure DEST_PATH_IMAGE243
，则进入步骤2.2.2，否则在线获取时间间隔为
Figure DEST_PATH_IMAGE245
的数据并存储，设置存储计数器
Figure DEST_PATH_IMAGE247
，返回步骤2.2继续判断；
步骤2.2.2：基于上述获取数据构建第
Figure DEST_PATH_IMAGE249
个更新数据样本集
Figure DEST_PATH_IMAGE251
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE253
如下：
Figure DEST_PATH_IMAGE255
步骤2.2.3：输出更新为第
Figure 913209DEST_PATH_IMAGE249
个样本的输出
Figure DEST_PATH_IMAGE257
后，按下式计算第
Figure 374277DEST_PATH_IMAGE249
个更新下的输出权重
Figure DEST_PATH_IMAGE259
；
Figure DEST_PATH_IMAGE261
其中，
Figure DEST_PATH_IMAGE263
表示
Figure DEST_PATH_IMAGE265
阶单位矩阵；
步骤2.2.4：设置输出权重
Figure DEST_PATH_IMAGE267
，
Figure DEST_PATH_IMAGE269
，
Figure DEST_PATH_IMAGE271
，将模型按下式更新：
Figure DEST_PATH_IMAGE273
Figure DEST_PATH_IMAGE275
步骤3：对能量路由器的多优化控制模态进行分类，并构建等效的数学约束条：
步骤3.1：将能量路由器作为黑箱系统处理，各端口之间的功率约束关系对应的数学形式为步骤2所建立的基于数据驱动的模型：
Figure DEST_PATH_IMAGE277
定义光伏发电端口、电网并网端口、电储能端口的正向功率流向为向能量路由器输入功率，交直流负载端口的正向功率流向为从能量路由器吸收功率，则各
端口的功率基本约束如下：
光伏发电端口功率上下限约束为：
Figure DEST_PATH_IMAGE279
其中，
Figure DEST_PATH_IMAGE281
表示光伏发电端口的输入功率最小值；
Figure DEST_PATH_IMAGE283
表示光伏发电端口的输入功率最大值；
电网并网端口功率约束为：
Figure DEST_PATH_IMAGE285
其中，
Figure DEST_PATH_IMAGE287
表示能量路由器向电网馈电功率最大值；
Figure DEST_PATH_IMAGE289
表示电网向能量路由器供电最大值；
交流负载端口上下限值约束为：
Figure DEST_PATH_IMAGE291
其中，
Figure DEST_PATH_IMAGE293
表示交流负载端口功率最大值；
直流负载端口上下限约束为：
Figure DEST_PATH_IMAGE295
其中，
Figure DEST_PATH_IMAGE297
为直流负载端口功率最大值；
电储能端口的功率约束与其荷电状态相关，具体如下：
Figure DEST_PATH_IMAGE299
其中，
Figure DEST_PATH_IMAGE301
表示电储能端口充电功率最大值；
Figure DEST_PATH_IMAGE303
表示电储能端口放电功率最大值；
Figure DEST_PATH_IMAGE305
表示电储能系统荷电状态；
Figure DEST_PATH_IMAGE307
表示用于区分充放电状态的上限；
Figure DEST_PATH_IMAGE309
表示用于区分充放电状态的下限；
步骤3.2：将能量路由器优化控制模态分为如下四种模态：
模态一：经济最优模态，该模态考虑光伏发电端口、电储能端口和电网并网端口整体调度成本最低，所需约束条件即步骤3.1中的基本约束条件，其优化指标如下：
Figure DEST_PATH_IMAGE311
其中，
Figure DEST_PATH_IMAGE313
表示总费用，
Figure DEST_PATH_IMAGE315
表示光伏发电端口单位功率调度成本；
Figure DEST_PATH_IMAGE317
表示电储能端口单位功率调度成本，
Figure DEST_PATH_IMAGE319
表示电网并网端口单位功率调度成本；
模态二：损耗最低模态，该模态考虑能量路由器整体损耗最低，不考虑运行经济成本，所需约束条件即步骤3.1中的基本约束条件，其优化指标如下：
Figure DEST_PATH_IMAGE321
其中，
Figure DEST_PATH_IMAGE323
表示总输入功率；
模态三：光伏发电最大利用率下的经济最优模态，该模态在模态一的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure DEST_PATH_IMAGE325
模态四：光伏发电最大利用率下的损耗最低模态，该模态在模态二的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure DEST_PATH_IMAGE327
步骤4：确定优化指标，结合步骤3构建的数学约束条，随机生成需求交流负载
Figure DEST_PATH_IMAGE329
和需求直流负载
Figure DEST_PATH_IMAGE331
，并构成需求负载矩阵
Figure DEST_PATH_IMAGE333
，共计需生成
Figure DEST_PATH_IMAGE335
个不同的需求负载，用于构成需求负载样本集
Figure DEST_PATH_IMAGE337
；基于群体寻优算法，求解需求负载样本集
Figure 395934DEST_PATH_IMAGE337
中的第
Figure DEST_PATH_IMAGE339
个需求负载矩阵
Figure DEST_PATH_IMAGE341
对应的最优光伏端口功率
Figure DEST_PATH_IMAGE343
、最优电储能端口功率
Figure DEST_PATH_IMAGE345
和最优电网并网端口功率
Figure DEST_PATH_IMAGE347
，并构成第
Figure 185029DEST_PATH_IMAGE339
个最优调度矩阵
Figure DEST_PATH_IMAGE349
，获取共计
Figure 899301DEST_PATH_IMAGE335
个最优调度矩阵以构建最优的优化调度参数样本集
Figure DEST_PATH_IMAGE351
，该步骤实现流程图如图4所示，具体如下：
步骤4.1：获取电储能系统电荷状态
Figure 480455DEST_PATH_IMAGE305
，设置
Figure DEST_PATH_IMAGE353
，
Figure DEST_PATH_IMAGE355
表示当前循环将生成的需求负载排序数；
步骤4.2：选择所需优化指标，确定约束条件；
步骤4.3：随机生成需求负载
Figure DEST_PATH_IMAGE357
；
步骤4.4：调用群体寻优算法求解满足上述约束条件的最优的优化调度参数
Figure DEST_PATH_IMAGE359
，所述群体寻优算法为粒子群寻优算法、蚁群寻优算法、萤火虫寻优算法、人工鱼群寻优算法等算法中的一种；
步骤4.5：若
Figure DEST_PATH_IMAGE361
，则输出数据样本集
Figure DEST_PATH_IMAGE363
至步骤5，并设置
Figure DEST_PATH_IMAGE365
，反之，则设置
Figure DEST_PATH_IMAGE367
，并返回步骤4.3。
步骤5：基于步骤4获取的优化调度参数最优解集和需求负载集可构成初始优化数据样本集合
Figure DEST_PATH_IMAGE369
，再次利用步骤2中所述的基于数据驱动的建模方法，建立映射关系
Figure DEST_PATH_IMAGE371
，建模流程图如图5所示，具体过程如下：
步骤5.1：初始化阶段；
步骤5.1.1：获取初始数据样本集为
Figure 268151DEST_PATH_IMAGE369
，确定隐层个数
Figure DEST_PATH_IMAGE373
；
步骤5.1.2：随机初始化生成输入权重集
Figure DEST_PATH_IMAGE375
和输入偏置系数数组
Figure DEST_PATH_IMAGE377
，构建初始化的隐层输出随机矩阵
Figure DEST_PATH_IMAGE379
如下：
Figure DEST_PATH_IMAGE381
其中，
Figure DEST_PATH_IMAGE383
、
Figure DEST_PATH_IMAGE385
分别表示输入
Figure DEST_PATH_IMAGE387
中的
Figure DEST_PATH_IMAGE389
、
Figure DEST_PATH_IMAGE391
的权重系数，用于生成该隐层中的第
Figure DEST_PATH_IMAGE393
个节点；
Figure DEST_PATH_IMAGE395
表示该隐层中第1个节点对应的输入偏置系数；
步骤5.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE397
，其中，
Figure DEST_PATH_IMAGE399
，
Figure DEST_PATH_IMAGE401
；设置初始计数器
Figure DEST_PATH_IMAGE403
；
步骤5.2：在线学习阶段；
步骤5.2.1：检测步骤4中的数据样本有无更新，若有则进入步骤5.2.2，否则进入步骤6；
步骤5.2.2：构建第
Figure DEST_PATH_IMAGE405
个更新数据样本集
Figure DEST_PATH_IMAGE407
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE409
如下：
Figure DEST_PATH_IMAGE411
步骤5.2.3：输出更新为第
Figure 609789DEST_PATH_IMAGE405
个样本的输出
Figure DEST_PATH_IMAGE413
后，按下式计算第
Figure 626287DEST_PATH_IMAGE405
个更新后的输出权重
Figure DEST_PATH_IMAGE415
：
Figure DEST_PATH_IMAGE417
步骤5.2.4：设置输出权重
Figure DEST_PATH_IMAGE419
，
Figure DEST_PATH_IMAGE421
，将模型按下式更新：
Figure DEST_PATH_IMAGE423
Figure DEST_PATH_IMAGE425
步骤6：基于步骤5建立的映射关系，根据实时采集的需求负载计算优化调度参数，以确定光伏发电、电储能和电网并网三类端口的优化调度参数，具体过程如下：
步骤6.1：确定实时需求负载功率
Figure DEST_PATH_IMAGE427
，确定所需优化模态；
步骤6.2：结合步骤5确定的模型，计算所需分配光伏发电端口、电储能端口和电网并网端口调度功率
Figure DEST_PATH_IMAGE429
；
步骤6.3：按均分原则将调度功率分配至三类端口每一模块，其中，光伏发电端口分配的调度功率为
Figure DEST_PATH_IMAGE431
，电储能端口分配的调度功率为
Figure DEST_PATH_IMAGE433
，电网并网端口分配的调度功率为
Figure DEST_PATH_IMAGE435
。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种基于数据驱动的能量路由器建模及优化控制方法，其特征在于，包括如下步骤：
步骤1：将能量路由器的五类端口对应的功率数据分为负载需求集合和调度集合两类，基于同类型功率按集总功率等效处理原则构建集合降维后的等效数组表达形式；
步骤2：获取多个不同时间点下的各端口功率数据，构建数据样本集，并对该数据样本集进行基于数据驱动的建模，建立映射关系，建模分为初始化和在线学习两个阶段；
步骤3：对能量路由器的多优化控制模态进行分类，构建等效的数学约束条；
步骤4：确定优化指标，结合步骤3构建的数学约束条，随机生成多个不同需求负载，构成需求负载样本集，基于群体寻优算法求解需求负载样本集中的对应端口功率，构建最优的优化调度参数样本集，最终输出包含最优的优化调度参数和需求负载的数据样本集；
步骤5：基于步骤4获取的数据样本集构成初始优化数据样本集合，再次利用步骤2中所述的基于数据驱动的建模方法，建立优化调度参数与需求负载之间的映射关系；
步骤6：基于步骤5建立的映射关系，根据实时采集的需求负载计算优化调度参数，确定能量路由器中相应端口的优化调度参数。
2.根据权利要求1所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述能量路由器的五类端口包括光伏发电端口、电储能端口、电网并网端口、交流负载端口、直流负载端口；光伏发电端口为输入端口，电储能端口、电网并网端口均为双向输入输出端口，交流负载端口、直流负载端口均为单向输出端口。
3.根据权利要求2所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述负载需求集合为
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE004
表示第1个交流负载端口功率；
Figure DEST_PATH_IMAGE006
表示交流负载端口总数，
Figure DEST_PATH_IMAGE008
表示第1个直流负载端口功率；
Figure DEST_PATH_IMAGE010
表示直流负载端口总数；
调度集合为
Figure DEST_PATH_IMAGE012
，其中，
Figure DEST_PATH_IMAGE014
表示第1个光伏发电系统端口功率；
Figure DEST_PATH_IMAGE016
表示光伏发电系统端口总数；
Figure DEST_PATH_IMAGE018
表示第1个电储能端口功率；
Figure DEST_PATH_IMAGE020
表示电储能端口总数；
Figure DEST_PATH_IMAGE022
表示第1个电网并网端口功率；
Figure DEST_PATH_IMAGE024
表示电网并网端口总数；
负载需求集合的数组表达式为：
Figure DEST_PATH_IMAGE026
；调度集合的数组表达式为：
Figure DEST_PATH_IMAGE028
；其中，
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
分别表示交流负载端口、直流负载端口、光伏发电端口、电储能端口、电网并网端口的集总功率。
4.根据权利要求3所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤2中的映射关系建立过程如下：
步骤2.1：初始化阶段；
步骤2.1.1：确定初始数据样本集为
Figure DEST_PATH_IMAGE040
，确定隐层个数
Figure DEST_PATH_IMAGE042
，确定激活函数
Figure DEST_PATH_IMAGE044
下：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
表示由第
Figure DEST_PATH_IMAGE050
个时间点采集到的优化调度参数构成的数组，
Figure DEST_PATH_IMAGE052
；
Figure DEST_PATH_IMAGE054
表示由第
Figure 653515DEST_PATH_IMAGE050
个时间点采集到的需求负载构成的数组，
Figure DEST_PATH_IMAGE056
；
Figure DEST_PATH_IMAGE058
表示不同时间点下的各端口功率数据总量；
步骤2.1.2：随机生成输入权重集
Figure DEST_PATH_IMAGE060
和输入偏置系数数组
Figure DEST_PATH_IMAGE062
，构建初始化的隐层输出随机矩阵
Figure DEST_PATH_IMAGE064
如下：
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE072
分别表示输入
Figure DEST_PATH_IMAGE074
中的
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE080
的权重系数，用于生成隐层中的第
Figure DEST_PATH_IMAGE082
个节点；
Figure DEST_PATH_IMAGE084
表示隐层中第1个节点对应的输入偏置系数；
步骤2.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE086
，其中，
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
；设置初始计数器
Figure DEST_PATH_IMAGE092
，存储计数器
Figure DEST_PATH_IMAGE094
；
步骤2.2：在线学习阶段；
步骤2.2.1：若
Figure DEST_PATH_IMAGE096
，则进入步骤2.2.2，否则在线获取时间间隔为
Figure DEST_PATH_IMAGE098
的数据并存储，设置存储计数器
Figure DEST_PATH_IMAGE100
，返回步骤2.2继续判断；
步骤2.2.2：基于上述获取数据构建第
Figure DEST_PATH_IMAGE102
个更新数据样本集
Figure DEST_PATH_IMAGE104
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE106
如下：
Figure DEST_PATH_IMAGE108
步骤2.2.3：输出更新为第
Figure 681907DEST_PATH_IMAGE102
个样本的输出
Figure DEST_PATH_IMAGE110
后，按下式计算第
Figure 399328DEST_PATH_IMAGE102
个更新下的输出权重
Figure DEST_PATH_IMAGE112
；
Figure DEST_PATH_IMAGE114
其中，
Figure DEST_PATH_IMAGE116
表示
Figure DEST_PATH_IMAGE118
阶单位矩阵；
步骤2.2.4：设置输出权重
Figure DEST_PATH_IMAGE120
，
Figure DEST_PATH_IMAGE122
，
Figure DEST_PATH_IMAGE124
，将模型按下式更新：
Figure DEST_PATH_IMAGE126
Figure DEST_PATH_IMAGE128
。
5.根据权利要求4所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤3中，构建等效的数学约束条的具体过程如下：
将能量路由器作为黑箱系统处理，各端口之间的功率约束关系对应的数学形式为步骤2所建立的基于数据驱动的模型：
Figure DEST_PATH_IMAGE130
则各端口的功率基本约束如下：
光伏发电端口功率上下限约束为：
Figure DEST_PATH_IMAGE132
其中，
Figure DEST_PATH_IMAGE134
表示光伏发电端口的输入功率最小值；
Figure DEST_PATH_IMAGE136
表示光伏发电端口的输入功率最大值；
电网并网端口功率约束为：
Figure DEST_PATH_IMAGE138
其中，
Figure DEST_PATH_IMAGE140
表示能量路由器向电网馈电功率最大值；
Figure DEST_PATH_IMAGE142
表示电网向能量路由器供电最大值；
交流负载端口上下限值约束为：
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
表示交流负载端口功率最大值；
直流负载端口上下限约束为：
Figure DEST_PATH_IMAGE148
其中，
Figure DEST_PATH_IMAGE150
为直流负载端口功率最大值；
电储能端口的功率约束与其荷电状态相关，具体如下：
Figure DEST_PATH_IMAGE152
其中，
Figure DEST_PATH_IMAGE154
表示电储能端口充电功率最大值；
Figure 651928DEST_PATH_IMAGE154
表示电储能端口放电功率最大值；
Figure DEST_PATH_IMAGE156
表示电储能系统荷电状态；
Figure DEST_PATH_IMAGE158
表示用于区分充放电状态的上限；
Figure DEST_PATH_IMAGE160
表示用于区分充放电状态的下限。
6.根据权利要求5所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤3中，多优化控制模态分为四种模态，具体如下：
模态一：经济最优模态，该模态考虑光伏发电端口、电储能端口和电网并网端口整体调度成本最低，优化指标如下：
Figure DEST_PATH_IMAGE162
其中，
Figure DEST_PATH_IMAGE164
表示总费用，
Figure DEST_PATH_IMAGE166
表示光伏发电端口单位功率调度成本；
Figure DEST_PATH_IMAGE168
表示电储能端口单位功率调度成本，
Figure DEST_PATH_IMAGE170
表示电网并网端口单位功率调度成本；
模态二：损耗最低模态，该模态考虑能量路由器整体损耗最低，不考虑运行经济成本，优化指标如下：
Figure DEST_PATH_IMAGE172
其中，
Figure DEST_PATH_IMAGE174
表示总输入功率；
模态三：光伏发电最大利用率下的经济最优模态，该模态在模态一的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure DEST_PATH_IMAGE176
模态四：光伏发电最大利用率下的损耗最低模态，该模态在模态二的基础上，添加最大化光伏发电端口功率的约束，优化指标如下：
Figure DEST_PATH_IMAGE178
。
7.根据权利要求6所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤4中，随机生成需求交流负载
Figure DEST_PATH_IMAGE180
和需求直流负载
Figure DEST_PATH_IMAGE182
，并构成需求负载矩阵
Figure DEST_PATH_IMAGE184
，共计需生成
Figure DEST_PATH_IMAGE186
个不同的需求负载，用于构成需求负载样本集
Figure DEST_PATH_IMAGE188
；基于群体寻优算法，求解需求负载样本集中的第
Figure DEST_PATH_IMAGE190
个需求负载矩阵
Figure DEST_PATH_IMAGE192
对应的最优光伏端口功率
Figure DEST_PATH_IMAGE194
、最优电储能端口功率
Figure DEST_PATH_IMAGE196
和最优电网并网端口功率
Figure DEST_PATH_IMAGE198
，并构成第
Figure 531547DEST_PATH_IMAGE190
个最优调度矩阵
Figure DEST_PATH_IMAGE200
，获取共计
Figure 540960DEST_PATH_IMAGE186
个最优调度矩阵以构建最优的优化调度参数样本集
Figure DEST_PATH_IMAGE202
。
8.根据权利要求7所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤4的具体过程如下：
步骤4.1：获取电储能系统电荷状态，设置
Figure DEST_PATH_IMAGE204
，
Figure DEST_PATH_IMAGE206
表示当前循环将生成的需求负载排序数；
步骤4.2：选择所需优化指标，确定约束条件；
步骤4.3：随机生成需求负载
Figure DEST_PATH_IMAGE208
；
步骤4.4：调用群体寻优算法求解满足上述约束条件的最优调度优化参数
Figure DEST_PATH_IMAGE210
；
步骤4.5：
Figure DEST_PATH_IMAGE212
，则输出数据样本集
Figure DEST_PATH_IMAGE214
至步骤5，并设置
Figure DEST_PATH_IMAGE216
，反之则设置
Figure DEST_PATH_IMAGE218
，并返回步骤4.3。
9.根据权利要求8所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤5中优化调度参数与需求负载之间的映射关系建立过程如下：
步骤5.1：初始化阶段；
步骤5.1.1：获取初始数据样本集为
Figure DEST_PATH_IMAGE220
，确定隐层个数
Figure DEST_PATH_IMAGE222
；
步骤5.1.2：随机初始化生成输入权重集
Figure DEST_PATH_IMAGE224
和输入偏置系数数组
Figure DEST_PATH_IMAGE226
，构建初始化的隐层输出随机矩阵
Figure DEST_PATH_IMAGE228
如下：
Figure DEST_PATH_IMAGE230
其中，
Figure DEST_PATH_IMAGE232
、
Figure DEST_PATH_IMAGE234
分别表示输入
Figure DEST_PATH_IMAGE236
中的
Figure DEST_PATH_IMAGE238
、
Figure DEST_PATH_IMAGE240
的权重系数，用于生成该隐层中的第
Figure DEST_PATH_IMAGE242
个节点；
Figure DEST_PATH_IMAGE244
表示该隐层中第1个节点对应的输入偏置系数；
步骤5.1.3：计算初始化输出权重
Figure DEST_PATH_IMAGE246
，其中，
Figure DEST_PATH_IMAGE248
，
Figure DEST_PATH_IMAGE250
；设置初始计数器
Figure DEST_PATH_IMAGE252
；
步骤5.2：在线学习阶段；
步骤5.2.1：检测步骤4中的数据样本有无更新，若有则进入步骤5.2.2，否则进入步骤6；
步骤5.2.2：构建第
Figure DEST_PATH_IMAGE254
个更新数据样本集
Figure DEST_PATH_IMAGE256
，计算该组样本集的隐层输出矩阵
Figure DEST_PATH_IMAGE258
如下：
Figure DEST_PATH_IMAGE260
步骤5.2.3：输出更新为第
Figure 612254DEST_PATH_IMAGE254
个样本的输出
Figure DEST_PATH_IMAGE262
后，按下式计算第
Figure 998105DEST_PATH_IMAGE254
个更新后的输出权重
Figure DEST_PATH_IMAGE264
：
Figure DEST_PATH_IMAGE266
步骤5.2.4：设置输出权重
Figure DEST_PATH_IMAGE268
，计数器
Figure DEST_PATH_IMAGE270
，将模型按下式更新：
Figure DEST_PATH_IMAGE272
Figure DEST_PATH_IMAGE274
。
10.根据权利要求9所述的基于数据驱动的能量路由器建模及优化控制方法，其特征在于，所述步骤6的具体过程如下：
步骤6.1：确定实时需求负载功率
Figure DEST_PATH_IMAGE276
，确定所需优化模态；
步骤6.2：结合步骤5确定的模型，计算所需分配光伏发电端口、电储能端口和电网并网端口调度功率
Figure DEST_PATH_IMAGE278
；
步骤6.3：按均分原则将调度功率分配至光伏发电端口、电储能端口和电网并网端口这三类端口每一模块。
CN202111224841.7A 2021-10-21 2021-10-21 一种基于数据驱动的能量路由器建模及优化控制方法 Active CN113673141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111224841.7A CN113673141B (zh) 2021-10-21 2021-10-21 一种基于数据驱动的能量路由器建模及优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111224841.7A CN113673141B (zh) 2021-10-21 2021-10-21 一种基于数据驱动的能量路由器建模及优化控制方法

Publications (2)

Publication Number Publication Date
CN113673141A true CN113673141A (zh) 2021-11-19
CN113673141B CN113673141B (zh) 2022-01-07

Family

ID=78550733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111224841.7A Active CN113673141B (zh) 2021-10-21 2021-10-21 一种基于数据驱动的能量路由器建模及优化控制方法

Country Status (1)

Country Link
CN (1) CN113673141B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115566679A (zh) * 2022-11-15 2023-01-03 浙江大学 一种基于能量路由器的微电网能量控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108258695A (zh) * 2018-02-28 2018-07-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电系统能量优化方法
CN109993419A (zh) * 2019-03-18 2019-07-09 东南大学 一种综合能源服务商云协同-边缘协同优化调度方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN110417015A (zh) * 2019-06-18 2019-11-05 湖北追日电气股份有限公司 基于模型预测控制的微电网多目标优化调度方法及系统
CN111884214A (zh) * 2020-07-28 2020-11-03 国网浙江省电力有限公司 适用于园区能量路由器集群的分层优化调度方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108258695A (zh) * 2018-02-28 2018-07-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电系统能量优化方法
CN109993419A (zh) * 2019-03-18 2019-07-09 东南大学 一种综合能源服务商云协同-边缘协同优化调度方法
CN110289622A (zh) * 2019-03-26 2019-09-27 国网浙江省电力有限公司嘉兴供电公司 一种光储充能量路由器的日前经济优化调度方法
CN110417015A (zh) * 2019-06-18 2019-11-05 湖北追日电气股份有限公司 基于模型预测控制的微电网多目标优化调度方法及系统
CN111884214A (zh) * 2020-07-28 2020-11-03 国网浙江省电力有限公司 适用于园区能量路由器集群的分层优化调度方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAIFEI GU 等: "Bi-level Combinatorial Optimal Dispatch for New-town with Multi-Energy Industrial Parks under Carbon Emission Constraints", 《 2020 4TH INTERNATIONAL CONFERENCE ON SMART GRID AND SMART CITIES (ICSGSC)》 *
慈文斌 等: "多时间尺度电热综合能源系统状态估计研究", 《热力发电》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115566679A (zh) * 2022-11-15 2023-01-03 浙江大学 一种基于能量路由器的微电网能量控制方法及系统
CN115566679B (zh) * 2022-11-15 2023-03-28 浙江大学 一种基于能量路由器的微电网能量控制方法及系统

Also Published As

Publication number Publication date
CN113673141B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Xu et al. Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS
Hua et al. Optimal energy management strategies for energy Internet via deep reinforcement learning approach
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
CN105071389B (zh) 计及源网荷互动的交直流混合微电网优化运行方法及装置
Guo et al. Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN113595133B (zh) 基于能源路由器的配电网-多微网系统及其调度方法
CN107453396A (zh) 一种分布式光伏电源出力的多目标优化调度方法
CN112100564A (zh) 一种用于社区多微网系统的主从博弈鲁棒能量管理方法
Yang et al. Deep learning-based distributed optimal control for wide area energy Internet
CN106570774A (zh) 一种基于学习理论的渐进学习电网调控方法
Huang et al. Smart energy management system based on reconfigurable AI chip and electrical vehicles
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN113673141B (zh) 一种基于数据驱动的能量路由器建模及优化控制方法
Wang et al. Optimal network planning of AC/DC hybrid microgrid based on clustering and multi-agent reinforcement learning
CN114662922B (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN116885840A (zh) 一种基于实时数据的分布式新能源在线监测方法及系统
CN116050576A (zh) 一种有源配电网灵活性资源协调优化方法及系统
CN109345030A (zh) 多微网的综合能源系统热电能流分布式优化方法和装置
Yan et al. Matching theory aided federated learning method for load forecasting of virtual power plant
Ye et al. Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials
CN113872183A (zh) 一种综合能源优化协调系统
He et al. Towards smarter cities: A self-healing resilient Microgrid Social Network
CN114172840B (zh) 一种基于图论和深度强化学习的多微网系统能量路由方法
CN112465214B (zh) 一种综合能源系统全生命周期的耦合度计算方法

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