CN113673141B - 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
CN113673141B
CN113673141B CN202111224841.7A CN202111224841A CN113673141B CN 113673141 B CN113673141 B CN 113673141B CN 202111224841 A CN202111224841 A CN 202111224841A CN 113673141 B CN113673141 B CN 113673141B
Authority
CN
China
Prior art keywords
port
power
load
data
optimization
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
CN202111224841.7A
Other languages
English (en)
Other versions
CN113673141A (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件；
步骤4：确定优化指标，结合步骤3构建的数学约束条件，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{PACL1,PACL2,…,PACLNacl,PDCL1,PDCL2,…,PDCLNdcl}，其中，PACL1表示第1个交流负载端口功率；Nacl表示交流负载端口总数，PDCL1表示第1个直流负载端口功率；Ndcl表示直流负载端口总数；
调度集合为{PPV1,PPV2,…,PPVNpv,PES1,PES2,…,PESNes,PG1,PG2,…,PGNg}，其中，PPV1表示第1个光伏发电系统端口功率；Npv表示光伏发电系统端口总数；PES1表示第1个电储能端口功率；Nes表示电储能端口总数；PG1表示第1个电网并网端口功率；Ng表示电网并网端口总数；
负载需求集合的数组表达式为：y＝[PACL,PDCL]T；调度集合的数组表达式为：x＝[PPV,PES,PG]T；其中，PACL、PDCL、PPV、PES、PG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 GDA0003389651360000031
确定隐层个数L＝N0，确定激活函数
Figure GDA0003389651360000032
如下：
Figure GDA0003389651360000033
其中，xi表示由第i个时间点采集到的优化调度参数构成的数组，xi＝[PPVi,PESi,PGi]T；yi表示由第i个时间点采集到的需求负载构成的数组，yi＝[PACLi,PDCLi]T；N0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{ap＝[ap1,ap2,ap3]T|p＝1,2,…,L}和输入偏置系数数组{b1,b2,…,bL}，构建初始化的隐层输出随机矩阵H0如下：
Figure GDA0003389651360000034
ap1、ap2、ap3分别表示输入x＝[PPV,PES,PG]T中的PPV、PES、PG的权重系数，用于生成隐层中的第p个节点；b1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 GDA0003389651360000035
其中，
Figure GDA0003389651360000036
Figure GDA0003389651360000037
设置初始计数器k＝0，存储计数器j＝0；
步骤2.2：在线学习阶段；
步骤2.2.1：若j≥N0，则进入步骤2.2.2，否则在线获取时间间隔为Td的数据并存储，设置存储计数器j＝j+1，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k+1个更新数据样本集
Figure GDA0003389651360000041
计算该组样本集的隐层输出矩阵Hk+1如下：
Figure GDA0003389651360000042
步骤2.2.3：输出更新为第k+1个样本的输出
Figure GDA0003389651360000043
后，按下式计算第k+1个更新下的输出权重βk+1；
Figure GDA0003389651360000044
Figure GDA0003389651360000045
其中，
Figure GDA0003389651360000046
表示N0阶单位矩阵；
步骤2.2.4：设置输出权重β＝βk+1，k＝k+1，j＝0，将模型按下式更新：
Figure GDA0003389651360000047
Figure GDA0003389651360000048
进一步地，所述步骤3中，构建等效的数学约束条件的具体过程如下：
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 GDA0003389651360000049
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 GDA00033896513600000410
其中，
Figure GDA00033896513600000411
表示光伏发电端口的输入功率最小值；
Figure GDA00033896513600000412
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 GDA0003389651360000051
其中，
Figure GDA0003389651360000052
表示能量路由器向电网馈电功率最大值；
Figure GDA0003389651360000053
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 GDA0003389651360000054
其中，
Figure GDA0003389651360000055
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 GDA0003389651360000056
其中，
Figure GDA0003389651360000057
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 GDA0003389651360000058
其中，
Figure GDA0003389651360000059
表示电储能端口充电功率最大值；
Figure GDA00033896513600000510
表示电储能端口放电功率最大值；SOCES表示电储能系统荷电状态；
Figure GDA00033896513600000511
表示用于区分充放电状态的上限；
Figure GDA00033896513600000512
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：
minC＝CPVPPV+CESPES+CGPG
其中，C表示总费用，CPV表示光伏发电端口单位功率调度成本；CES表示电储能端口单位功率调度成本，CG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：
minP＝PPV+PES+PG
其中，P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 GDA0003389651360000061
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 GDA0003389651360000062
进一步地，所述步骤4中，随机生成需求交流负载
Figure GDA0003389651360000063
和需求直流负载
Figure GDA0003389651360000064
并构成需求负载矩阵
Figure GDA0003389651360000065
共计需生成NB个不同的需求负载，用于构成需求负载样本集
Figure GDA0003389651360000066
基于群体寻优算法，求解需求负载样本集中的第r个需求负载矩阵
Figure GDA0003389651360000067
对应的最优光伏端口功率
Figure GDA0003389651360000068
最优电储能端口功率
Figure GDA0003389651360000069
和最优电网并网端口功率
Figure GDA00033896513600000610
并构成第r个最优调度矩阵
Figure GDA00033896513600000611
获取共计NB个最优调度矩阵以构建最优的优化调度参数样本集
Figure GDA00033896513600000612
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m＝1，m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 GDA00033896513600000613
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 GDA0003389651360000071
步骤4.5：m>NB，则输出数据样本集
Figure GDA0003389651360000072
至步骤5，并设置m＝1，反之则设置m＝m+1，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 GDA0003389651360000073
确定隐层个数LB＝NB；
步骤5.1.2：随机初始化生成输入权重集
Figure GDA0003389651360000074
和输入偏置系数数组
Figure GDA0003389651360000075
构建初始化的隐层输出随机矩阵
Figure GDA0003389651360000076
如下：
Figure GDA0003389651360000077
其中，
Figure GDA0003389651360000078
分别表示输入
Figure GDA0003389651360000079
中的
Figure GDA00033896513600000710
的权重系数，用于生成该隐层中的第q个节点；
Figure GDA00033896513600000711
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 GDA00033896513600000712
其中，
Figure GDA00033896513600000713
Figure GDA00033896513600000714
设置初始计数器kB＝0；
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kB+1个更新数据样本集
Figure GDA00033896513600000715
计算该组样本集的隐层输出矩阵
Figure GDA00033896513600000716
如下：
Figure GDA0003389651360000081
步骤5.2.3：输出更新为第kB+1个样本的输出
Figure GDA0003389651360000082
后，按下式计算第kB+1个更新后的输出权重
Figure GDA0003389651360000083
Figure GDA0003389651360000084
Figure GDA0003389651360000085
步骤5.2.4：设置输出权重
Figure GDA0003389651360000086
计数器kB＝kB+1，将模型按下式更新：
Figure GDA0003389651360000087
Figure GDA0003389651360000088
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 GDA0003389651360000089
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 GDA00033896513600000810
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{PACL1,PACL2,…,PACLNacl,PDCL1,PDCL2,…,PDCLNdcl}、调度集合{PPV1,PPV2,…,PPVNpv,PES1,PES2,…,PESNes,PG1,PG2,…,PGNg}；
其中，PACL1表示第1个交流负载端口功率；Nacl表示交流负载端口总数；PDCL1表示第1个直流负载端口功率；Ndcl表示直流负载端口总数；PPV1表示第1个光伏发电系统端口功率；Npv表示光伏发电系统端口总数；PES1表示第1个电储能端口功率；Nes表示电储能端口总数；PG1表示第1个电网并网端口功率；Ng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：y＝[PACL,PDCL]T；优化调度参数集合的数组表达式为：x＝[PPV,PES,PG]T；
其中，T表示进行矩阵转置；PACL、PDCL、PPV、PES、PG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N0(N0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 GDA0003389651360000101
对该数据样本集进行基于数据驱动的建模，建立映射关系y＝f(x)，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 GDA0003389651360000102
确定隐层个数L＝N0，确定激活函数
Figure GDA0003389651360000103
如下：
Figure GDA0003389651360000104
其中，xi表示由第i个时间点采集到的优化调度参数构成的数组，xi＝[PPVi,PESi,PGi]T；yi表示由第i个时间点采集到的需求负载构成的数组，yi＝[PACLi,PDCLi]T；N0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{ap＝[ap1,ap2,ap3]T|p＝1,2,…,L}和输入偏置系数数组{b1,b2,…,bL}，构建初始化的隐层输出随机矩阵H0如下：
Figure GDA0003389651360000105
其中，ap1、ap2、ap3分别表示输入x＝[PPV,PES,PG]T中的PPV、PES、PG的权重系数，用于生成隐层中的第p个节点；b1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 GDA0003389651360000111
其中，
Figure GDA0003389651360000112
Figure GDA0003389651360000113
设置初始计数器k＝0，存储计数器j＝0；
步骤2.2：在线学习阶段；
步骤2.2.1：若j≥N0，则进入步骤2.2.2，否则在线获取时间间隔为Td的数据并存储，设置存储计数器j＝j+1，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k+1个更新数据样本集
Figure GDA0003389651360000114
计算该组样本集的隐层输出矩阵Hk+1如下：
Figure GDA0003389651360000115
步骤2.2.3：输出更新为第k+1个样本的输出
Figure GDA0003389651360000116
后，按下式计算第k+1个更新下的输出权重βk+1；
Figure GDA0003389651360000117
Figure GDA0003389651360000118
其中，
Figure GDA0003389651360000119
表示N0阶单位矩阵；
步骤2.2.4：设置输出权重β＝βk+1，k＝k+1，j＝0，将模型按下式更新：
Figure GDA00033896513600001110
Figure GDA00033896513600001111
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件：
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 GDA0003389651360000121
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 GDA0003389651360000122
其中，
Figure GDA0003389651360000123
表示光伏发电端口的输入功率最小值；
Figure GDA0003389651360000124
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 GDA0003389651360000125
其中，
Figure GDA0003389651360000126
表示能量路由器向电网馈电功率最大值；
Figure GDA0003389651360000127
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 GDA0003389651360000128
其中，
Figure GDA0003389651360000129
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 GDA00033896513600001210
其中，
Figure GDA00033896513600001211
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 GDA00033896513600001212
其中，
Figure GDA0003389651360000131
表示电储能端口充电功率最大值；
Figure GDA0003389651360000132
表示电储能端口放电功率最大值；SOCES表示电储能系统荷电状态；
Figure GDA0003389651360000133
表示用于区分充放电状态的上限；
Figure GDA0003389651360000134
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：
minC＝CPVPPV+CESPES+CGPG
其中，C表示总费用，CPV表示光伏发电端口单位功率调度成本；CES表示电储能端口单位功率调度成本，CG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：
minP＝PPV+PES+PG
其中，P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 GDA0003389651360000135
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 GDA0003389651360000136
步骤4：确定优化指标，结合步骤3构建的数学约束条件，随机生成需求交流负载
Figure GDA0003389651360000137
和需求直流负载
Figure GDA0003389651360000138
并构成需求负载矩阵
Figure GDA0003389651360000139
共计需生成NB个不同的需求负载，用于构成需求负载样本集
Figure GDA00033896513600001310
基于群体寻优算法，求解需求负载样本集
Figure GDA0003389651360000141
中的第r个需求负载矩阵
Figure GDA0003389651360000142
对应的最优光伏端口功率
Figure GDA0003389651360000143
最优电储能端口功率
Figure GDA0003389651360000144
和最优电网并网端口功率
Figure GDA0003389651360000145
并构成第r个最优调度矩阵
Figure GDA0003389651360000146
获取共计NB个最优调度矩阵以构建最优的优化调度参数样本集
Figure GDA0003389651360000147
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SOCES，设置m＝1，m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 GDA0003389651360000148
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 GDA0003389651360000149
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m>NB，则输出数据样本集
Figure GDA00033896513600001410
至步骤5，并设置m＝1，反之，则设置m＝m+1，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 GDA00033896513600001411
再次利用步骤2中所述的基于数据驱动的建模方法，建立xB与yR之间的映射关系xB＝g(yR)，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 GDA00033896513600001412
确定隐层个数LB＝NB；
步骤5.1.2：随机初始化生成输入权重集
Figure GDA00033896513600001413
和输入偏置系数数组
Figure GDA00033896513600001414
构建初始化的隐层输出随机矩阵
Figure GDA00033896513600001415
如下：
Figure GDA0003389651360000151
其中，
Figure GDA0003389651360000152
分别表示输入
Figure GDA0003389651360000153
中的
Figure GDA0003389651360000154
的权重系数，用于生成该隐层中的第q个节点；
Figure GDA0003389651360000155
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 GDA0003389651360000156
其中，
Figure GDA0003389651360000157
Figure GDA0003389651360000158
设置初始计数器kB＝0；
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kB+1个更新数据样本集
Figure GDA0003389651360000159
计算该组样本集的隐层输出矩阵
Figure GDA00033896513600001510
如下：
Figure GDA00033896513600001511
步骤5.2.3：输出更新为第kB+1个样本的输出
Figure GDA00033896513600001512
后，按下式计算第kB+1个更新后的输出权重
Figure GDA00033896513600001513
Figure GDA00033896513600001514
Figure GDA00033896513600001515
步骤5.2.4：设置输出权重
Figure GDA00033896513600001516
kB＝kB+1，将模型按下式更新：
Figure GDA00033896513600001517
Figure GDA0003389651360000161
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 GDA0003389651360000162
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 GDA0003389651360000163
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 GDA0003389651360000164
电储能端口分配的调度功率为
Figure GDA0003389651360000165
电网并网端口分配的调度功率为
Figure GDA0003389651360000166
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 (7)

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件；
步骤4：确定优化指标，结合步骤3构建的数学约束条件，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；
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；
所述负载需求集合为{PACL1,PACL2,…,PACLNacl,PDCL1,PDCL2,…,PDCLNdcl}，其中，PACL1表示第1个交流负载端口功率；Nacl表示交流负载端口总数，PDCL1表示第1个直流负载端口功率；Ndcl表示直流负载端口总数；
调度集合为{PPV1,PPV2,…,PPVNpv,PES1,PES2,…,PESNes,PG1,PG2,…,PGNg}，其中，PPV1表示第1个光伏发电系统端口功率；Npv表示光伏发电系统端口总数；PES1表示第1个电储能端口功率；Nes表示电储能端口总数；PG1表示第1个电网并网端口功率；Ng表示电网并网端口总数；
负载需求集合的数组表达式为：y＝[PACL,PDCL]T；调度集合的数组表达式为：x＝[PPV,PES,PG]T；其中，PACL、PDCL、PPV、PES、PG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 FDA0003389651350000021
确定隐层个数L＝N0，确定激活函数
Figure FDA0003389651350000022
如下：
Figure FDA0003389651350000023
其中，xi表示由第i个时间点采集到的优化调度参数构成的数组，xi＝[PPVi,PESi,PGi]T；yi表示由第i个时间点采集到的需求负载构成的数组，yi＝[PACLi,PDCLi]T；N0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{ap＝[ap1,ap2,ap3]T|p＝1,2,…,L}和输入偏置系数数组{b1,b2,…,bL}，构建初始化的隐层输出随机矩阵H0如下：
Figure FDA0003389651350000024
ap1、ap2、ap3分别表示输入x＝[PPV,PES,PG]T中的PPV、PES、PG的权重系数，用于生成隐层中的第p个节点；b1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 FDA0003389651350000025
其中，
Figure FDA0003389651350000026
Figure FDA0003389651350000027
设置初始计数器k＝0，存储计数器j＝0；
步骤2.2：在线学习阶段；
步骤2.2.1：若j≥N0，则进入步骤2.2.2，否则在线获取时间间隔为Td的数据并存储，设置存储计数器j＝j+1，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k+1个更新数据样本集
Figure FDA0003389651350000028
计算该组样本集的隐层输出矩阵Hk+1如下：
Figure FDA0003389651350000031
步骤2.2.3：输出更新为第k+1个样本的输出
Figure FDA0003389651350000032
后，按下式计算第k+1个更新下的输出权重βk+1；
Figure FDA0003389651350000033
Figure FDA0003389651350000034
其中，
Figure FDA00033896513500000311
表示N0阶单位矩阵；
步骤2.2.4：设置输出权重β＝βk+1，k＝k+1，j＝0，将模型按下式更新：
Figure FDA0003389651350000035
Figure FDA0003389651350000036
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，所述步骤3中，构建等效的数学约束条件的具体过程如下：
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 FDA0003389651350000037
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 FDA0003389651350000038
其中，
Figure FDA0003389651350000039
表示光伏发电端口的输入功率最小值；
Figure FDA00033896513500000310
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 FDA0003389651350000041
其中，
Figure FDA0003389651350000042
表示能量路由器向电网馈电功率最大值；
Figure FDA0003389651350000043
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 FDA0003389651350000044
其中，
Figure FDA0003389651350000045
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 FDA0003389651350000046
其中，
Figure FDA0003389651350000047
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 FDA0003389651350000048
其中，
Figure FDA0003389651350000049
表示电储能端口充电功率最大值；
Figure FDA00033896513500000410
表示电储能端口放电功率最大值；SOCES表示电储能系统荷电状态；
Figure FDA00033896513500000411
表示用于区分充放电状态的上限；
Figure FDA00033896513500000412
表示用于区分充放电状态的下限。
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：
minC＝CPVPPV+CESPES+CGPG
其中，C表示总费用，CPV表示光伏发电端口单位功率调度成本；CES表示电储能端口单位功率调度成本，CG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：
minP＝PPV+PES+PG
其中，P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 FDA0003389651350000051
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 FDA0003389651350000052
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4中，随机生成需求交流负载
Figure FDA0003389651350000053
和需求直流负载
Figure FDA0003389651350000054
并构成需求负载矩阵
Figure FDA0003389651350000055
共计需生成NB个不同的需求负载，用于构成需求负载样本集
Figure FDA0003389651350000056
基于群体寻优算法，求解需求负载样本集中的第r个需求负载矩阵
Figure FDA0003389651350000057
对应的最优光伏端口功率
Figure FDA0003389651350000058
最优电储能端口功率
Figure FDA0003389651350000059
和最优电网并网端口功率
Figure FDA00033896513500000510
并构成第r个最优调度矩阵
Figure FDA00033896513500000511
获取共计NB个最优调度矩阵以构建最优的优化调度参数样本集
Figure FDA00033896513500000512
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m＝1，m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 FDA0003389651350000061
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 FDA0003389651350000062
步骤4.5：m>NB，则输出数据样本集
Figure FDA0003389651350000063
至步骤5，并设置m＝1，反之则设置m＝m+1，并返回步骤4.3。
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 FDA0003389651350000064
确定隐层个数LB＝NB；
步骤5.1.2：随机初始化生成输入权重集
Figure FDA0003389651350000065
和输入偏置系数数组
Figure FDA0003389651350000066
构建初始化的隐层输出随机矩阵
Figure FDA0003389651350000067
如下：
Figure FDA0003389651350000068
其中，
Figure FDA0003389651350000069
分别表示输入
Figure FDA00033896513500000610
中的
Figure FDA00033896513500000611
的权重系数，用于生成该隐层中的第q个节点；
Figure FDA00033896513500000612
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 FDA00033896513500000613
其中，
Figure FDA00033896513500000614
Figure FDA00033896513500000615
设置初始计数器kB＝0；
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kB+1个更新数据样本集
Figure FDA00033896513500000616
计算该组样本集的隐层输出矩阵
Figure FDA0003389651350000071
如下：
Figure FDA0003389651350000072
步骤5.2.3：输出更新为第kB+1个样本的输出
Figure FDA0003389651350000073
后，按下式计算第kB+1个更新后的输出权重
Figure FDA0003389651350000074
Figure FDA0003389651350000075
Figure FDA0003389651350000076
步骤5.2.4：设置输出权重
Figure FDA0003389651350000077
计数器kB＝kB+1，将模型按下式更新：
Figure FDA0003389651350000078
Figure FDA0003389651350000079
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6的具体过程如下：
步骤6.1：确定实时需求负载功率
Figure FDA00033896513500000710
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 FDA00033896513500000711
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 CN113673141A (zh) 2021-11-19
CN113673141B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* 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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449973B (zh) * 2018-11-09 2022-02-15 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
CN109993419B (zh) * 2019-03-18 2021-11-26 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
CN110289622B (zh) * 2019-03-26 2021-11-26 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

Patent Citations (3)

* 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
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

Also Published As

Publication number Publication date
CN113673141A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
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
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
CN108448620A (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
Suo et al. New energy wide area complementary planning method for multi-energy power system
CN110912177A (zh) 一种多端柔性直流输电系统多目标优化设计方法
CN113629775B (zh) 一种基于模糊逻辑的氢储能系统集群出力决策方法
CN106570774A (zh) 一种基于学习理论的渐进学习电网调控方法
CN108306346A (zh) 一种配电网无功补偿节能方法
Yang et al. Deep learning-based distributed optimal control for wide area energy Internet
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
Ni et al. A review of line loss analysis of the low-voltage distribution system
Miah et al. Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives
CN106655266B (zh) 一种接入新能源的地区电网可灵活调节电源配置方法
CN117748444A (zh) 一种配电系统的运行模拟方法
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
CN116404642A (zh) 一种分布式电源集群划分方法、装置、电子设备及存储介质
Li et al. BiLSTM network-based approach for electric load forecasting in energy cell-tissue systems
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法
CN108233373B (zh) 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法
CN205212449U (zh) 一种串联结构光储型多微网硬件系统
Zhang et al. Capacity Optimization of Hybrid Energy Storage System Based on Improved Golden Eagle Optimization
CN112465214B (zh) 一种综合能源系统全生命周期的耦合度计算方法
Chao et al. Load forecasting of high-rise buildings based on BP neural network
Zhang Optimal Allocation of Power Grid Human Resources Based on Artificial Intelligence Technology and Fuzzy Neural Network

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