CN114123175A - 考虑广义需求侧资源联盟特性的配电网分布式控制方法 - Google Patents
考虑广义需求侧资源联盟特性的配电网分布式控制方法 Download PDFInfo
- Publication number
- CN114123175A CN114123175A CN202111345274.0A CN202111345274A CN114123175A CN 114123175 A CN114123175 A CN 114123175A CN 202111345274 A CN202111345274 A CN 202111345274A CN 114123175 A CN114123175 A CN 114123175A
- Authority
- CN
- China
- Prior art keywords
- load
- agent
- demand side
- resource
- learning 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims description 89
- 230000006870 function Effects 0.000 claims description 37
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000003795 chemical substances by application Substances 0.000 description 105
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Abstract
本发明公开了一种考虑广义需求侧资源联盟特性的配电网分布式控制方法,涉及配电网分布式控制技术领域。该方法基于现有需求侧资源的分布式控制总体框架,从电网和用户两个角度出发,以最小化电网改变负荷成本、广义需求侧资源设备启停次数为综合目标,在最小化广义需求侧资源调度成本的同时保证用户舒适度,通过充分利用历史数据对初始改变负荷分配进行优化,使得初始改变负荷分配更加准确,同时还对传统一阶离散一致性算法进行优化,通过对初始改变负荷分配和传统一阶离散一致性算法两方面的优化来减少多智能体系统所运行的一阶离散一致性算法的迭代步数,加快收敛速度,实验结果表明了本发明方法的优越性,适用范围更加广泛。
Description
技术领域
本发明涉及配电网分布式控制技术领域,具体涉及一种考虑广义需求侧资源联盟特性的配电网分布式控制方法。
背景技术
随着居民用电占比的不断提升,智能电表和智能家电在居民用户中的普及,以及新能源大量接入的反调峰特性进一步拉大了峰谷差,使得局部供需矛盾更加深化,也给地区电网的稳定带来了风险,开发广义需求侧资源对提高电网灵活调节能力是非常必要的。若按照峰荷建设电厂,在负荷低谷时将发生电力供应过剩,导致部分机组处于闲置状态,造成资源的浪费。包括可控负载、储能、分布式发电在内的具有聚合特性的广义需求侧资源的发展为电网带来了各种技术、经济和环境效益,需求侧管理已被证明是处理高峰需求和负载波动等问题的有效方法。
目前,对于需求侧资源的控制主要有集中式和分布式两种。对需求侧资源进行集中式控制容易造成通信拥挤、控制中心计算量大、鲁棒性差等问题。当前对需求侧资源的分布式控制大多采用的是多智能体系统与电网分层架构相融合的分布式控制方式,例如图1示出的当前常用的对需求侧资源的配电网分布式控制的总体框架。如图1所示,该框架从上到下包括三级控制层。其中初级控制层为调度指令层,负责接收二级控制层转发的三级控制层的可改变负荷量以及下发改变负荷指令;二级控制层为多智能体协同控制层,其中每个智能体对应管辖三级控制层的一个集群,通过在多智能体系统中运行一致性算法,可以在接收到初级控制层发送的改变负荷指令后自动计算下辖三级控制层中每个广义需求侧资源需要执行的改变负荷任务量;三级控制层为广义需求侧资源层,由多个广义需求侧资源集群构成,负责将本层负荷可改变量上报给二级控制层并按照二级控制层下发的改变负荷任务量执行改变负荷任务。现有的对需求侧资源的配电网分布式控制通常存在以下几点问题:
1、只是从电网角度出发,缺乏考虑广义需求侧设备频繁启停对用户舒适度的影响;
2、在多智能体系统中运行一致性算法时并未利用历史任务数据,无法满足有限时间尺度的控制要求。
发明内容
针对上述现有技术存在的不足,本发明提供了一种考虑广义需求侧资源联盟特性的配电网分布式控制方法,旨在基于现有需求侧资源的分布式控制总体框架,从电网和用户两个角度出发,在最小化广义需求侧资源调度成本的同时保证用户舒适度,通过充分利用历史数据对初始改变负荷分配进行优化,使得初始改变负荷分配更加准确,同时还对传统一阶离散一致性算法进行优化,通过对初始改变负荷分配和传统一阶离散一致性算法两方面的优化来减少多智能体系统所运行的一阶离散一致性算法的迭代步数,加快收敛速度。
为实现上述目的,本发明提供以下的技术方案:
一种考虑广义需求侧资源联盟特性的配电网分布式控制方法,该方法包括如下步骤:
步骤1:以最小化电网改变负荷成本、广义需求侧资源设备启停次数为综合目标,构建每个智能体的目标函数,并确定相应的约束条件;
步骤2:对初级控制层一周内下发的改变负荷指令数据进行预学习,获得与改变负荷指令量对应的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据;
步骤3:采用基于密度峰值聚类的方法对预学习数据聚类,将预学习数据划分成K类,并对每一类的预学习数据首先做升序排序,然后按排序顺序划分为所需的若干个数据区间,获得每一类的预学习数据分类区间并储存到数据库中;
步骤4:开始进行实际改变负荷任务,接收初级控制层当前下发的改变负荷指令并判断当前的改变负荷指令量大小所属预学习数据类别以及对应的预学习数据分类区间,并计算当前改变负荷指令量与其所属预学习数据分类区间左右端点的相关性系数,依据当前改变负荷指令量与其所属预学习数据分类区间左右端点的相似度,进而计算出经过优化的初始改变负荷分配量;
步骤5:对于含有N个智能体的多智能体系统选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,根据每个智能体的目标函数对领导智能体与跟随智能体更新规则进行优化,从而实现对多智能体系统运行的现有一阶离散一致性算法的优化,获得优化的一阶离散一致性算法;
步骤6:在多智能体系统中运行优化的一阶离散一致性算法,根据优化的初始改变负荷分配量计算各智能体的综合目标微增率,直到各智能体综合目标微增率达到一致,获得各智能体管辖集群需要执行的最优改变负荷量。
进一步地,根据所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,所述每个智能体的目标函数为:
其中,f1 c(ΔPi)为根据将广义需求侧资源执行改变负荷任务所耗成本作为评价电网调度成本指标构建的广义需求侧资源成本函数,为根据将广义需求侧资源执行改变负荷任务引致的设备启停次数作为评价用户舒适度指标构建的广义需求侧资源设备启停次数函数;ΔPi为每个智能体i所管辖集群的改变负荷量;μ1为广义需求侧资源成本函数的权重系数、μ2为广义需求侧资源设备启停次数函数的权重系数。
进一步地,根据所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,所述广义需求侧资源设备启停次数函数为:
其中,ΔPi为每个智能体i所管辖集群的改变负荷量;pi,1代表广义需求侧资源层第i个集群中的设备采取温度控制的可调功率,pi,2代表广义需求侧资源层第i个集群中的设备采取开关控制的可调功率,max1ΔPi为所有广义需求侧资源设备采取温度控制时第i个智能体所管辖的广义需求侧资源层第i个集群的可改变负荷量上限。
进一步地,根据所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,所述约束条件为以各个智能体所管辖集群的改变负荷量总和等于改变负荷指令量;所述改变负荷指令量指的是初级控制层下发的改变负荷指令中要求的需改变负荷量。
进一步地,根据所述的基于考虑广义需求侧资源联盟特性的配电网分布式控制方法,所述步骤2中所述预学习数据的获得方法为:首先统计每个智能体所管辖集群的可改变负荷量,然后将改变负荷指令量按照每个智能体所管辖集群的可改变负荷量的最大值占所有智能体所管辖集群的可改变负荷量总和的比例进行初始改变负荷分配,将初始改变负荷分配结果输入传统一阶离散一致性算法进行预学习,得到所有智能体状态稳定即所有智能体一致性变量相等时的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据。
进一步地,根据所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,在所述步骤4中,分别按照式(6)和式(7)计算当前改变负荷指令量与该区间左、右端点所对应的改变负荷指令量的相关性系数rleft、rright,并按照式(8)计算当前改变负荷指令量下经过优化的初始改变负荷分配量ΔPi 0:
上式中,δP为当前改变负荷指令量,其属于第g类预学习数据的第L分类区间 代表第g类预学习数据的第L分类区间的左端点对应的最优改变负荷分配量;代表第g类预学习数据的第L分类区间的右端点对应的最优改变负荷分配量。
进一步地,根据所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,所述步骤5中所述的获得优化的一阶离散一致性算法的具体方法为:
使用拉格朗日松弛法构造拉格朗日函数f*,对所有ΔPi求偏导,并令之为0,λ为拉格朗日乘子,根据等微增率原则选取为一致性变量,则定义λi为第i个智能体的综合目标微增率,minfi为第i个智能体的目标函数,公式如下:
在含有N个智能体的多智能体系统运行现有一阶离散一致性算法时选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,并在传统一阶离散一致性算法中加入ωΔP(k)项,来加快领导智能体的收敛速度,其中ω为收敛系数,ΔP(k)为第k次迭代后的改变负荷量偏差,经过优化的一阶离散一致性算法的领导智能体的更新规则为:
跟随智能体的更新规则为:
其中,λi(k+1)为第i个智能体经过k+1次迭代后的综合目标微增率,λi(k)为第i个智能体经过k次迭代后的综合目标微增率,λj(k)为第j个智能体经过k次迭代后的综合目标微增率,pij为多智能体系统对应拓扑结构的行随机矩阵第i行j列个元素。
总体而言,通过本发明所构思的以上技术方案较现有技术具有以下有益效果:
1)对广义需求侧资源的分布式控制,解决了集中式控制方式容易造成通信拥挤、控制中心计算量大等问题。
2)以最小化电网改变负荷成本、广义需求侧资源设备启停次数为综合目标,在保证调控精度的同时,最大限度地保证了用户的舒适度,降低调度成本。
3)采用基于密度峰值聚类的方法对预学习数据进行聚类,并将聚类后的数据储存到预学习数据库中,在进行实际改变负荷任务时通过对改变负荷任务量所属预学习数据区间和该区间左右端点相关性系数的计算,优化初始改变负荷分配,使得初始改变负荷分配更加准确,进而减少一阶离散一致性算法的迭代步数,提高一阶离散一致性算法的收敛速度,通过实验统计证明一阶离散一致性算法迭代步数可以减少54.4%。
4)对二级控制层中多智能体系统中运行的传统一阶离散一致性算法进行优化,通过加入收敛系数与功率误差项来加快一阶离散一致性算法收敛速度,结果表明本发明方法的优越性,适用范围更加广泛。
附图说明
图1是现有需求侧资源的配电网分布式控制的总体框架示意图;
图2是本实施方式考虑广义需求侧资源联盟特性的配电网分布式控制的总体框架示意图;
图3是本实施方式考虑广义需求侧资源联盟特性的配电网分布式控制方法的流程示意图;
图4是本发明具体实施方式的五智能体系统连接形式;
图5是(a)和(b)为实施例中改变负荷指令量δP=650kW时的智能体系统中运行的一致性变量动态结果和各智能体管辖集群需要执行的改变负荷量动态结果图;
图6(a)和(b)为实施例中改变负荷指令量δP=780kW时通过优化的一阶离散一致性算法获得的综合目标微增率动态结果图和各智能体管辖集群需要执行的改变负荷量动态结果图;
图7(a)和(b)为实施例中改变负荷指令量δP=780kW时通过传统一阶离散一致性算法获得的综合目标微增率动态结果图和各智能体管辖集群需要执行的改变负荷量动态结果图;
图8为实施例中经过优化的一阶离散一致性算法与传统一阶离散一致性算法迭代步数对比图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。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。
本发明的核心思路是:基于图1示出的现有需求侧资源的配电网分布式控制的总体框架进行改进获得图2示出的本实施方式考虑广义需求侧资源联盟特性的配电网分布式控制的总体框架。如图2所示,在二级控制层中的多智能体系统运行一致性算法之前,先对初级控制层一周内下发的改变负荷指令数据进行预学习,得到预学习数据,对预学习数据进行聚类后储存到预学习数据库。在进行实际改变负荷任务时,一方面通过对初级控制层下发的改变负荷指令中要求的需改变负荷量(以下简称改变负荷指令量)进行其所属预学习数据区间的判断和对应预学习数据区间左右端点相关性系数的计算来优化初始改变负荷分配;同时,另一方面还对多智能体系统通常运行的传统一阶离散一致性算法进行优化。从而通过对初始改变负荷分配和传统一阶离散一致性算法两方面的优化来减少多智能体中所运行的一阶离散一致性算法的迭代步数,加快收敛速度。
图3是本实施方式考虑广义需求侧资源联盟特性的配电网分布式控制方法的流程示意图,如图3所示,所述考虑广义需求侧资源联盟特性的配电网分布式控制方法包括如下步骤:
步骤1:以最小化电网改变负荷成本、广义需求侧资源设备启停次数为综合目标,构建每个智能体的目标函数,并确定相应的约束条件。
步骤1.1:将广义需求侧资源执行改变负荷任务所耗成本作为评价电网调度成本指标,将广义需求侧资源执行改变负荷任务引致的设备启停次数作为评价用户舒适度指标,构建广义需求侧资源成本函数与广义需求侧资源设备启停次数函数。
步骤1.1.1:构建广义需求侧资源成本函数。
广义需求侧资源成本函数是以智能体所管辖集群的改变负荷量ΔPi为变量的二次函数,根据广义需求侧资源包含的设备数量和实时零售电价确定二次项系数ai,t和一次项系数bi,t,根据用户与电网公司签署合同后所获得的一次性收益确定常数项ci,t,从而构建广义需求侧资源成本函数如下:
f1 c(ΔPi)=ai,tΔPi 2+bi,tΔPi+ci,t (1)
上式中,t代表t时刻;i代表第i个智能体,因为每个智能体对应一个集群,所以i也用代表第i个集群;
步骤1.1.2:构建广义需求侧资源设备启停次数函数。
采用开关控制与调温控制相结合的方法最小化广义需求侧资源设备启停次数。当调温操作可以满足改变负荷量要求时,直接采用调温操作;当广义需求侧资源全部采用调温控制也无法满足改变负荷指令量要求时,则以广义需求侧资源设备启停次数最小为目标,也就是先尽量使用调温控制满足改变负荷要求,减少广义需求侧资源设备启停的次数。广义需求侧资源设备启停次数函数表达如下:
上式中,pi,1代表广义需求侧资源层第i个集群中的设备采取温度控制的可调功率,pi,2代表广义需求侧资源层第i个集群中的设备采取开关控制的可调功率,max1ΔPi为所有广义需求侧资源设备采取温度控制时第i个智能体所管辖的广义需求侧资源层第i个集群的可改变负荷量上限。
步骤1.2:根据目标偏好的不同确定不同的权重系数μ1、μ2,将广义需求侧资源成本函数和广义需求侧资源设备启停次数函数进行线性加权构建下式所示的每个智能体i的目标函数。
步骤1.3:以各个智能体所管辖集群的改变负荷量总和等于改变负荷指令量为约束条件,如下式所示:
上式中,N为智能体系统中包含的智能体总数;
步骤2:对初级控制层一周内下发的改变负荷指令数据进行预学习,获得与改变负荷指令量对应的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据;
首先统计每个智能体所管辖集群的可改变负荷量,然后将改变负荷指令量按照每个智能体所管辖集群的可改变负荷量的最大值占所有智能体所管辖集群的可改变负荷量总和的比例进行初始改变负荷分配,将初始改变负荷分配结果输入传统一阶离散一致性算法进行预学习,得到所有智能体状态稳定即所有智能体一致性变量相等时的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据。
步骤3:采用基于密度峰值聚类的方法对预学习数据聚类,将预学习数据划分成K类,并对每一类的预学习数据首先做升序排序,然后按排序顺序划分为所需的若干个数据区间,获得每一类的预学习数据分类区间并储存到数据库中。
采用基于密度峰值聚类的方法对预学习数据聚类,确定预学习数据的局部密度和相对距离,依据局部密度和相对距离首先将预学习数据划分成K类,然后对每一类的预学习数据按从小到大排列,最后按每类数据的排序顺序以及实际需求,将每类数据划分划分为所需的若干个数据区间,获得每一类的预学习数据分类区间并储存到数据库中,并将该数据库称作预学习数据库。
假设一周内初级控制层下发的改变负荷指令数据中,共有A段时间需要进行改变负荷控制,每段时间下发B次改变负荷指令,则首先获得预学习数据的数据集为PS={δPa,b|a=1,2,...,A,b=1,2,...,B},δPa,b为第a段时间的第b个改变负荷指令量。然后按照式(5)计算数据集PS的局部密度ρl:
上式中,dlm为数据点l与数据点m的欧氏距离,dr为数据点的邻域截断距离。
本实施例的智能体系统为五智能体系统,五个智能体采用星形连接方式,如图4所示,三级控制层共包括5个集群。每个集群均包括空调、冰箱等可削减负荷;电热锅炉、热水器等可转移负荷;蓄电池、电动汽车等储能设备。各集群内广义需求侧资源种类、可控量及个数如表1所示。
表1各集群内广义需求侧资源种类、可改变负荷量及个数
根据目标偏好的不同,本实例取μ1=0.8,μ2=0.2。每个智能体的目标函数的其他参数如表2所示。
表2每个智能体的目标函数参数
在本实施例中,采用基于密度峰值的聚类方法得到的第3类的预学习数据分类区间为{[650,700],[700,750],[750,800],[800,850]}kW,共4个分类区间,5个改变负荷指令量:650kW,700kW,750kW,800kW,850kW。本实施例以改变负荷指令量为650kW为例,仿真步长取0.02秒,获得图5(a)和(b)所示的预学习结果图。从图5中可以得出,δP=650kW时,所有智能体一致性变量稳定在8.58806,所有智能体状态达到一致,其中ΔPi=[213.848,125.52,124.668,121.85,64.1141]。
步骤4:开始进行实际改变负荷任务,接收初级控制层当前下发的改变负荷指令并判断当前的改变负荷指令量大小所属预学习数据类别以及对应的分类区间,并计算当前改变负荷指令量与其所属预学习数据分类区间左右端点的相关性系数,依据当前改变负荷指令量与其所属预学习数据分类区间左右端点的相似度,获取经过优化的初始改变负荷分配量ΔPi 0。
假设当前改变负荷指令量为δP,其属于第g类预学习数据的第L分类区间分别按照式(6)和式(7)计算当前改变负荷指令量与该区间左、右端点所对应的改变负荷指令量的相关性系数rleft、rright,并按照式(8)计算当前改变负荷指令量下经过优化的初始改变负荷分配量ΔPi 0。
步骤5:对于含有N个智能体的多智能体系统选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,根据每个智能体的目标函数对领导智能体与跟随智能体更新规则进行优化,从而实现对多智能体系统运行的现有一阶离散一致性算法的优化,获得优化的一阶离散一致性算法;
通过拉格朗日松弛法构造拉格朗日函数,依据等微增率原则,选取一阶离散一致性算法的一致性变量,对领导智能体与跟随智能体更新规则进行优化。
使用拉格朗日松弛法构造拉格朗日函数f*,对所有ΔPi求偏导,并令之为0,λ为拉格朗日乘子,根据等微增率原则选取为一致性变量,则定义λi为第i个智能体的综合目标微增率,minfi为第i个智能体的目标函数,公式如下:
在含有N个智能体的多智能体系统运行现有一阶离散一致性算法时选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,并在传统一阶离散一致性算法中加入ωΔP(k)项,来加快领导智能体的收敛速度,其中ω为收敛系数,ΔP(k)为第k次迭代后的改变负荷量偏差,经过优化的一阶离散一致性算法的领导智能体的更新规则为:
跟随智能体的更新规则为:
其中,λi(k+1)为第i个智能体经过k+1次迭代后的综合目标微增率,λi(k)为第i个智能体经过k次迭代后的综合目标微增率,λj(k)为第j个智能体经过k次迭代后的综合目标微增率,pij为多智能体系统对应拓扑结构的行随机矩阵第i行j列个元素。
步骤6:在含有N个智能体的多智能体系统中选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体运行优化的一阶离散一致性算法,根据优化的初始改变负荷分配量计算各自的综合目标微增率,直到各智能体综合目标微增率达到一致,获得各智能体管辖集群需要执行的最优改变负荷量;
其中领导智能体需计算改变负荷量偏差,经过一定的迭代步数,直到改变负荷量偏差达到预设值时结束迭代过程,各智能体综合目标微增率达到一致,获得各智能体管辖集群需要执行的最优改变负荷量。
图6(a)和(b)为改变负荷指令量δP=780kW时,通过优化的一阶离散一致性算法获得的综合目标微增率动态结果图和各智能体管辖集群需要执行的改变负荷量动态结果图。图7(a)和(b)为改变负荷指令量δP=780kW时,通过传统一阶离散一致性算法获得的综合目标微增率动态结果图和各智能体管辖集群需要执行的改变负荷量动态结果图。图8为优化的一阶离散一致性算法与传统一阶离散一致性算法迭代步数对比图。
从图6至图8可以看到,应用优化的一阶离散一致性算法由于初始改变负荷分配量经过了优化处理,初始改变负荷分配量更加精确,仿真结果图显示其波动很小,综合目标微增率只在精确度为0.01范围内波动并快速达到一致,仿真结果图上显示平均只经过10步迭代就达到一致。应用传统一阶离散一致性算法,综合目标微增率在精确度为0.1范围内波动并平均经过22步才到达一致,可以算出优化的一阶离散一致性算法相比传统一阶离散一致性算法迭代步数减少了54.5%,可以更好地满足有限时间尺度的控制要求。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;因而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种考虑广义需求侧资源联盟特性的配电网分布式控制方法,其特征在于,该方法包括如下步骤:
步骤1:以最小化电网改变负荷成本、广义需求侧资源设备启停次数为综合目标,构建每个智能体的目标函数,并确定相应的约束条件;
步骤2:对初级控制层一周内下发的改变负荷指令数据进行预学习,获得与改变负荷指令量对应的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据;
步骤3:采用基于密度峰值聚类的方法对预学习数据聚类,将预学习数据划分成K类,并对每一类的预学习数据首先做升序排序,然后按排序顺序划分为所需的若干个数据区间,获得每一类的预学习数据分类区间并储存到数据库中;
步骤4:开始进行实际改变负荷任务,接收初级控制层当前下发的改变负荷指令并判断当前的改变负荷指令量大小所属预学习数据类别以及对应的预学习数据分类区间,并计算当前改变负荷指令量与其所属预学习数据分类区间左右端点的相关性系数,依据当前改变负荷指令量与其所属预学习数据分类区间左右端点的相似度,进而计算出经过优化的初始改变负荷分配量;
步骤5:对于含有N个智能体的多智能体系统选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,根据每个智能体的目标函数对领导智能体与跟随智能体更新规则进行优化,从而实现对多智能体系统运行的现有一阶离散一致性算法的优化,获得优化的一阶离散一致性算法;
步骤6:在多智能体系统中运行优化的一阶离散一致性算法,根据优化的初始改变负荷分配量计算各智能体的综合目标微增率,直到各智能体综合目标微增率达到一致,获得各智能体管辖集群需要执行的最优改变负荷量。
4.根据权利要求1所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,其特征在于,所述约束条件为以各个智能体所管辖集群的改变负荷量总和等于改变负荷指令量;所述改变负荷指令量指的是初级控制层下发的改变负荷指令中要求的需改变负荷量。
5.根据权利要求4所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,其特征在于,所述步骤2中所述预学习数据的获得方法为:首先统计每个智能体所管辖集群的可改变负荷量,然后将改变负荷指令量按照每个智能体所管辖集群的可改变负荷量的最大值占所有智能体所管辖集群的可改变负荷量总和的比例进行初始改变负荷分配,将初始改变负荷分配结果输入传统一阶离散一致性算法进行预学习,得到所有智能体状态稳定即所有智能体一致性变量相等时的最优初始改变负荷分配量,所有最优初始改变负荷分配量构成预学习数据。
7.根据权利要求2所述的考虑广义需求侧资源联盟特性的配电网分布式控制方法,特征在于,所述步骤5中所述的获得优化的一阶离散一致性算法的具体方法为:
使用拉格朗日松弛法构造拉格朗日函数f*,对所有ΔPi求偏导,并令之为0,λ为拉格朗日乘子,根据等微增率原则选取为一致性变量,则定义λi为第i个智能体的综合目标微增率,minfi为第i个智能体的目标函数,公式如下:
在含有N个智能体的多智能体系统运行现有一阶离散一致性算法时选取一个智能体作为领导智能体,其余N-1个智能体作为跟随智能体,并在传统一阶离散一致性算法中加入ωΔP(k)项,来加快领导智能体的收敛速度,其中ω为收敛系数,ΔP(k)为第k次迭代后的改变负荷量偏差,经过优化的一阶离散一致性算法的领导智能体的更新规则为:
跟随智能体的更新规则为:
其中,λi(k+1)为第i个智能体经过k+1次迭代后的综合目标微增率,λi(k)为第i个智能体经过k次迭代后的综合目标微增率,λj(k)为第j个智能体经过k次迭代后的综合目标微增率,pij为多智能体系统对应拓扑结构的行随机矩阵第i行j列个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345274.0A CN114123175B (zh) | 2021-11-15 | 2021-11-15 | 考虑广义需求侧资源联盟特性的配电网分布式控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345274.0A CN114123175B (zh) | 2021-11-15 | 2021-11-15 | 考虑广义需求侧资源联盟特性的配电网分布式控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114123175A true CN114123175A (zh) | 2022-03-01 |
CN114123175B CN114123175B (zh) | 2023-11-07 |
Family
ID=80395521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345274.0A Active CN114123175B (zh) | 2021-11-15 | 2021-11-15 | 考虑广义需求侧资源联盟特性的配电网分布式控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114123175B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470998A (zh) * | 2022-09-23 | 2022-12-13 | 上海交通大学 | 港口冷箱负荷群用电一致性分层优化调度方法与系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103812131A (zh) * | 2013-10-29 | 2014-05-21 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于多智能体的城市电网孤岛黑启动系统及方法 |
US20150025696A1 (en) * | 2013-07-17 | 2015-01-22 | Carnegie Mellon University | Distributed Methods and Software For Balancing Supply and Demand In An Electric Power Network |
CN108388959A (zh) * | 2018-02-05 | 2018-08-10 | 广东电网有限责任公司东莞供电局 | 一种基于一致性算法的源网荷储协同优化方法 |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109522964A (zh) * | 2018-11-26 | 2019-03-26 | 广东电网有限责任公司电力调度控制中心 | 虚拟电厂的聚类方法、装置、调控设备及计算机存储介质 |
CN110365052A (zh) * | 2019-08-08 | 2019-10-22 | 东北大学 | 基于功率优化调度的微网储能系统状态一致性控制方法 |
EP3582365A1 (en) * | 2018-06-15 | 2019-12-18 | Universita Degli Studi Di Cagliari | Method and architecture for managing the energy demand of the multi-agent type for reducing the peaks of electrical consumption of a plurality of electrical appliances |
CN111030141A (zh) * | 2019-12-29 | 2020-04-17 | 上海电力大学 | 一种基于一致性算法的源-荷协同分布式优化调控方法 |
-
2021
- 2021-11-15 CN CN202111345274.0A patent/CN114123175B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025696A1 (en) * | 2013-07-17 | 2015-01-22 | Carnegie Mellon University | Distributed Methods and Software For Balancing Supply and Demand In An Electric Power Network |
CN103812131A (zh) * | 2013-10-29 | 2014-05-21 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于多智能体的城市电网孤岛黑启动系统及方法 |
CN108388959A (zh) * | 2018-02-05 | 2018-08-10 | 广东电网有限责任公司东莞供电局 | 一种基于一致性算法的源网荷储协同优化方法 |
EP3582365A1 (en) * | 2018-06-15 | 2019-12-18 | Universita Degli Studi Di Cagliari | Method and architecture for managing the energy demand of the multi-agent type for reducing the peaks of electrical consumption of a plurality of electrical appliances |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109522964A (zh) * | 2018-11-26 | 2019-03-26 | 广东电网有限责任公司电力调度控制中心 | 虚拟电厂的聚类方法、装置、调控设备及计算机存储介质 |
CN110365052A (zh) * | 2019-08-08 | 2019-10-22 | 东北大学 | 基于功率优化调度的微网储能系统状态一致性控制方法 |
CN111030141A (zh) * | 2019-12-29 | 2020-04-17 | 上海电力大学 | 一种基于一致性算法的源-荷协同分布式优化调控方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470998A (zh) * | 2022-09-23 | 2022-12-13 | 上海交通大学 | 港口冷箱负荷群用电一致性分层优化调度方法与系统 |
CN115470998B (zh) * | 2022-09-23 | 2024-02-02 | 上海交通大学 | 港口冷箱负荷群用电一致性分层优化调度方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114123175B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN110071502B (zh) | 一种短期电力负荷预测的计算方法 | |
CN112232980A (zh) | 一种区域能源供热系统热泵机组调控方法 | |
CN110401187B (zh) | 面向智能楼宇的温控负荷分层聚合控制方法 | |
CN110676849B (zh) | 一种孤岛微电网群能量调度模型的构建方法 | |
CN110783925A (zh) | 一种两级部署的电网调控模型中心控制系统及方法 | |
Wei et al. | Research on cloud design resources scheduling based on genetic algorithm | |
CN113054688B (zh) | 考虑不确定性的可再生能源集群出力分布式协调控制方法 | |
CN108808737A (zh) | 促进可再生分布式电源消纳的主动配电网优化调度方法 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
Liu et al. | Two-stage optimal economic scheduling for commercial building multi-energy system through internet of things | |
CN114123175B (zh) | 考虑广义需求侧资源联盟特性的配电网分布式控制方法 | |
CN117239725A (zh) | 一种分布式灵活资源聚合及分层协同调度方法及装置 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
Zhu et al. | Stochastic economic dispatching strategy of the active distribution network based on comprehensive typical scenario set | |
Sun et al. | Generalized demand-side resource hierarchical control strategy based on multi-agent consensus of historical data online transfer | |
CN112952847A (zh) | 考虑用电需求弹性的多区域主动配电系统调峰优化方法 | |
CN105207220B (zh) | 一种基于渐进学习的分级电压调控方法 | |
Zhou et al. | Smart bidding strategy of the demand-side loads based on the reinforcement learning | |
CN113629775B (zh) | 一种基于模糊逻辑的氢储能系统集群出力决策方法 | |
CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 | |
CN115860180A (zh) | 基于一致性强化学习算法的电网多时间尺度经济调度方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
CN112036681B (zh) | 基于合作博弈和综合赋权的梯级水电站聚合降维补偿效益分配方法 | |
CN115526504A (zh) | 泵站供水系统节能调度方法、系统、电子设备及存储介质 |
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 |