CN114336585B - 基于多智能体协同的多微网能量管理方法、系统和电子设备 - Google Patents
基于多智能体协同的多微网能量管理方法、系统和电子设备 Download PDFInfo
- Publication number
- CN114336585B CN114336585B CN202111123168.8A CN202111123168A CN114336585B CN 114336585 B CN114336585 B CN 114336585B CN 202111123168 A CN202111123168 A CN 202111123168A CN 114336585 B CN114336585 B CN 114336585B
- Authority
- CN
- China
- Prior art keywords
- micro
- energy
- grid
- model
- scheduling
- 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
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供的一种基于多智能体协同的多微网能量管理方法、系统和电子设备,基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源、电动汽车、用电负荷的不确定性;利用集成学习方法预测电动汽车调度期内出力曲线;利用可调鲁棒优化技术将含有新能源及用电负荷等不确定量的优化问题转换为确定型问题;利用分布式优化算法求解优化问题从而保护各智能体隐私,并提出一种适用于混合整数规划的分布式计算框架,克服传统算法对于整数变量的处理性能较差的缺点。上述计算流程在能量管理系统中实施,该装置可与各微网智能体本地控制器进行双向通信。
Description
技术领域
本发明涉及智慧能源与智能装备技术领域,尤其涉及一种基于多智能体协同的多微网能量管理方法、系统和电子设备。
背景技术
作为交叉学科方向的多智能体方法能为目前面临的能源危机、环境污染等问题提供有效的解决手段。在多智能体框架下,每个微网系统都可以看作一个智能体,分布式能量管理设备可以实现微网与微网、微网与主网之间的最优能量交换。以多智能体协同理论为基础的多微网能量管理方法的实现准则是:自我平衡为先,社会利益第一。也即,每个微电网无论电力充足或是电力短缺,都会通过对应方式满足自我平衡,在每个微网平衡的基础上,所有微网以最大化社会福利为目标,合作地完成最优调度,并按照调度信号进行工作。目前基于多智能体协同的多微网能量管理方法不确定性处理能力弱,电动汽车接入时应对措施不足且隐私保护机制尚需完善,因此急需一种克服以上问题的能量管理方法。
发明内容
本发明的实施例提供了一种基于多智能体协同的多微网能量管理方法、系统和电子设备,用于解决现有技术中存在的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于多智能体协同的多微网能量管理方法,包括:
S1基于异质微网特征,建立多微网的优化方程;
S2基于电动汽车集群的到达/离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
S3基于多微网新能源能量输出和负荷的不确定性,建立盒式约束;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型;
S4设置输入参数,通过分布式计算框架,求解易解模型,获得多微网能量优化结果;输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
优选地,步骤S1包括:
S101基于异质微网特征,通过式
建立多微网运行总成本最小化的方程;
S102通过式
和
建立针对式(1)的成本描述方程;
式中,NMG表示多微网系统中包含的微网个数,t为调度时刻,T为调度时刻总数,NGi表示微网i中包含的分布式发电机总数,表示微网i的第j个分布式发电机t时刻出力情况,NBi表示微网i中包含的储能设备总数,/>表示微网i中第j个储能设备在t时刻的释能/储能总量,/>表示微网i中第j个电动汽车在t时刻的释能/ 储能总量,表示微网i和j传输能量的成本系数,/>表示微网i和j之间传输的能量 (以正负号表示传输方向),/>表示t时刻主电网的卖/买电价,/>示微网i在t时刻同主电网交易时的卖/买电量;/>和/>为分布式发电机的成本系数,/>为储能设备的折旧成本系数,/>为微网i中第j辆电动汽车的置换成本,/>为微网i中第j辆电动汽车在其能量周期中的能量吞吐量;
S103基于异质微网特征,建立多微网的约束条件;该约束条件包括:
平衡约束,通过式
获得;为微网i第n台可再生能源发电机组t时刻的发电量,/>微网i在t时刻的总负荷;
微网i与主网或微网j的能量交互约束,通过式
获得;为两网进行不同流向交互时的能量上限,uj为状态变量,有0、1两个取值;
分布式发电机约束,通过式
获得;为分布式发电机t时刻出力上下限,/>为分布式发电机爬坡上下限;
储能设备约束,通过式
和
获得;为储能设备充/放电效率,/>为储能设备容量上下限,uBj为电池状态变量,有0、1两个取值;
电动汽车约束,通过式
和
获得;式中,tarr,j/tdep,j为电动汽车j的到达/离开时间,为储能设备容量上下限,uEVj为电池状态变量,有0、1两个取值。
优选地,
步骤S2中获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出包括:
S201通过支持向量机、长短期记忆神经网络和随机森林,对输入的特征贡献度进行分析,获得辅助特征选择结果;
S202分析支持向量机、长短期记忆神经网络和随机森林的误差分布,选择误差分布最大的作为第一层预测模型;
S203划分原始数据集,并使用交叉验证方式,分别获得支持向量机、长短期记忆神经网络和随机森林的最优超参数;
S204通过划分后的原始数据集,训练第一层预测模型,输出训练结果,生成训练后数据集;
S205通过训练后数据集,训练通过随机森林建立的第二层预测模型,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
优选地,步骤S3包括:
S301通过式
和
获得新能源不确定集和负荷不确定集,基于该新能源不确定集和负荷不确定集建立盒式约束;式中,为预测量,/>为鲁棒可调参数,/>为盒式约束限值,Γt为可调鲁棒参数约束值;
S302通过极限转化方法对盒式约束进行不确定量转化,获得鲁棒对等模型;
S303通过式
和
对鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型。
优选地,步骤S4中的输入参数还包括:微网个数、调度时刻数、新能源出力数据、电网买/卖电价和微网内设备参数;
步骤S4具体包括:
S401基于多微网模型,获得多微网智能体的耦合变量信息;
S402将各个微网智能体的混合整数规划问题中的整数松弛为[0,1]的连续变量;
S403通过ADMM算法求解执行了子步骤S402后的混合整数规划问题,获得松弛后的调度模型;
S404若ADMM算法不收敛,则更新拉格朗日乘子后继续迭代,若算法已经收敛,则执行子步骤S405;
S405固定该松弛后的调度模型的共享信息,还原该松弛后的调度模型的整数的控制变量属性;
S406通过分支界定方法获得松弛后的调度模型的整数的变量取值;
S407固定松弛后的调度模型的整数的变量取值,获得无整数变量的调度模型;
S408通过ADMM算法求解该无整数变量的调度模型;
S409若ADMM算法不收敛,则更新拉格朗日乘子后继续迭代,若算法已经收敛,则执行子步骤S410;
S410判断无整数变量的调度模型的整数变量是否发生了变化,若变化,则返回执行子步骤S405,否则,执行子步骤S411;
S411输出获得的多微网能量优化结果;该多微网能量优化结果用于各能量设备调度。
第二方面,本发明提供一种应用上述方法的基于多智能体协同的多微网能量管理系统,其特征在于,包括:
模型建立模块,用于基于异质微网特征,建立多微网的优化方程;
电动汽车出力预测模块,用于基于该多微网的优化方程,结合电动汽车集群的到达/ 离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
模型转化模块,用于基于多微网新能源能量输出和负荷的不确定性,建立盒式约束;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型;
综合管理模块,用于设置输入参数,通过分布式计算框架,求解易解模型,获得多微网能量优化结果;并将多微网能量优化结果转换为控制信号,发送到各智能体;输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
第三方面,本发明提供一种基于多智能体协同的多微网能量管理电子设备,其特征在于,包括:
一个或多个处理器,以及与处理器通信连接的一个或多个存储器;
存储器存储有用于处理器执行的程序指令,处理器通过调用该程序指令能够执行如权利要求1至5任一方法。
优选地,存储介质为非暂态可读存储介质。
由上述本发明的实施例提供的技术方案可以看出,本发明提供的一种基于多智能体协同的多微网能量管理方法、系统和电子设备,基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源(本专利以风电、光伏为例)、电动汽车、用电负荷的不确定性;利用集成学习方法预测电动汽车调度期内出力曲线;利用可调鲁棒优化技术将含有新能源及用电负荷等不确定量的优化问题转换为确定型问题;利用分布式优化算法求解优化问题从而保护各智能体隐私,并提出一种适用于混合整数规划的分布式计算框架,克服传统算法对于整数变量的处理性能较差的缺点。上述计算流程在能量管理系统中实施,该装置可与各微网智能体本地控制器进行双向通信。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明提供的基于多智能体协同的多微网能量管理方法的处理流程图;
图2为本发明提供的基于多智能体协同的多微网能量管理方法的一种优选实施例的流程图;
图3为本发明提供的基于多智能体协同的多微网能量管理方法中可调鲁棒优化转化流程图;
图4为本发明提供的基于多智能体协同的多微网能量管理方法中电动汽车出力曲线预测框架;
图5为本发明提供的基于多智能体协同的多微网能量管理方法中分布式计算框架处理流程图;
图6为本发明提供的基于多智能体协同的多微网能量管理系统的通信方式示意图;
图7为本发明提供的基于多智能体协同的多微网能量管理系统的逻辑框图;
图8为本发明提供的基于多智能体协同的多微网能量管理电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
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定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
参见图1,本发明提供一种基于多智能体协同的多微网能量管理方法,包括如下过程:
基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源(本专利以风电、光伏为例)、电动汽车、用电负荷的不确定性;
考虑到电动汽车集群的到达/离开及充电量不确定性,采用一种集成学习方法预测电动汽车集群的到达/离开时间及充当储能设备期间的出力情况。该集成学习方法的第一层采用支持向量机(SVM)、长短期记忆神经网络(LSTM)和随机森林(RF)作为基学习器,第二层采用随机森林(RF)作为元学习器。本集成学习方法可以发挥多预测模型的优势并有效防止过拟合现象的发生。
针对各微网新能源出力和负荷的不确定性,将新能源出力和负荷的不确定性范围约束建模为盒式约束,并通过设置鲁棒参数以使鲁棒不确定性可以根据经验自由调节,盒式集和对应的附加约束确定后,通过使用极限转化方法对目标函数或约束条件上的不确定量进行转化,可得到鲁棒对等模型,最后通过对偶理论可将鲁棒对等模型中的非线性模型线性化得出易解模型,从而可以利用优化理论进行求解。
对模型进行求解,采用交替方向乘子法(ADMM)求解来保护各智能体隐私,同时考虑到现有算法对于整数变量的处理性能较差,提出一种适用于混合整数规划的新型分布式计算框架。
如图2所示,在一些优选实施例中,其具体可以是执行如下步骤:
S1基于异质微网特征,建立多微网的优化方程;
S2基于电动汽车集群的到达/离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
S3基于多微网新能源能量输出和负荷的不确定性,建立盒式约束,并通过设置鲁棒参数使该盒式约束的鲁棒不确定性可调节;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型;
S4将S2所得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出结果以及微网运行中涉及的分布式发电机、储能设备、新能源和负荷预测出力等参数与约束值作为输入,通过分布式计算框架,求解易解方程,获得多微网能量优化结果。
进一步的,如图3所示,步骤S1具体包括如下过程:
S101基于异质微网特征,通过式
建立多微网运行总成本最小化的方程;
S102通过式
和
建立针对式(1)的成本描述方程;
式(1)为每个微网运行总成本的最小化方程,式(2)(3)(4)为式(1)中各成本的详细描述。式中,NMG表示多微网系统中包含的微网个数,t为调度时刻,T为调度时刻总数, NGi表示微网i中包含的分布式发电机总数,表示微网i的第j个分布式发电机t时刻出力情况,NBi表示微网i中包含的储能设备总数,/>表示微网i中第j个储能设备在t时刻的释能/储能总量,/>表示微网i中第j个电动汽车在t时刻的释能/ 储能总量,表示微网i和j传输能量的成本系数,/>表示微网i和j之间传输的能量 (以正负号表示传输方向),/>表示t时刻主电网的卖/买电价,/>表示微网i在t时刻同主电网交易时的卖/买电量;/>和/>为分布式发电机的成本系数,/>为储能设备的折旧成本系数,/>为微网i中第j辆电动汽车的置换成本,/>为微网i中第j辆电动汽车在其能量周期中的能量吞吐量;
S103基于异质微网特征,建立多微网的约束条件;该约束条件包括:
平衡约束,通过式
获得;为微网i第n台可再生能源发电机组t时刻的发电量,/>为微网i在t时刻的总负荷;
微网i与主网或微网j的能量交互约束,通过式
获得;为两网进行不同流向交互时的能量上限,uj为状态变量,有0、1两个取值;
分布式发电机约束,通过式
获得;式(8)为分布式发电机上下限约束,为分布式发电机t时刻出力上下限,式(9)为分布式发电机爬坡约束,/>为分布式发电机爬坡上下限;
储能设备约束,通过式
和
获得;式(10)为储能设备的平衡约束,为储能设备充/放电效率,式(11)为储能设备容量约束,/>为储能设备容量上下限,式(12)和(13)为储能设备t时刻充放电功率约束,uBj为电池状态变量,有0、1两个取值,式(14)表示调度初始时刻和结束时刻储能设备容量相等(不影响下一周期调度);
电动汽车约束,通过式
和
获得;式(15)是电动汽车的平衡约束,tarr,j/tdep,j为电动汽车j的到达/离开时间,式(16)为电动汽车容量约束,为储能设备容量上下限,式(17)和(18)为电动汽车t时刻充放电功率约束,uEVj为电池状态变量,有0、1两个取值,式(19)表示调度初始时刻和结束时刻储能差值为电动汽车所需充电量,即/>
进一步的,步骤S2是考虑到电动汽车集群的到达/离开及充电量不确定性,采用一种集成学习方法预测电动汽车集群的到达/离开时间及充当储能设备期间的出力情况。该集成学习方法的第一层预测模型采用支持向量机(SVM)、长短期记忆神经网络(LSTM)和随机森林(RF)作为基学习器,第二层预测模型采用随机森林(RF)作为元学习器。在S2 中,具体预测训练流程如下:
S201通过支持向量机、长短期记忆神经网络和随机森林,对输入的特征贡献度进行分析,获得辅助特征选择结果;
S202分析支持向量机、长短期记忆神经网络和随机森林的误差分布,选择误差分布最大的作为基学习器;
S203划分原始数据集,并使用交叉验证方式,分别获得支持向量机、长短期记忆神经网络和随机森林的最优超参数;
S204通过划分后的原始数据集,训练第一层预测模型,输出训练结果,生成训练后数据集;
S205通过训练后数据集,训练元学习器,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
本集成学习方法可以发挥多预测模型的优势并有效防止过拟合现象的发生,最终可预测得出优于单一预测方法的电动汽车出力曲线。此曲线对应的各时刻结果可直接应用于调度模型中,减少了直接在调度模型中计算带来的资源消耗。
进一步的,步骤S3是针对各微网新能源出力和负荷的不确定性,将新能源出力和负荷的不确定性范围约束建模为盒式约束,并通过设置鲁棒参数以使鲁棒不确定性可以根据经验自由调节,盒式集和对应的附加约束确定后,通过使用极限转化方法对目标函数或约束条件上的不确定量进行转化,可得到鲁棒对等模型,最后通过对偶理论可将鲁棒对等模型中的非线性模型线性化得出易解模型,从而可以利用优化理论进行求解。其执行流程如图 3所示:
S301通过式
和
获得新能源不确定集和负荷不确定集,基于该新能源不确定集和负荷不确定集建立盒式约束;式中,为预测量,/>为鲁棒可调参数,/>为盒式约束限值,Γt为可调鲁棒参数约束值;
S302通过极限转化方法对所述盒式约束进行不确定量转化,获得鲁棒对等模型;
S303通过式
和
对鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型。
更进一步的,步骤S4是对式(1)-(19)所述的问题进行求解。采用交替方向乘子法(ADMM)求解来保护各智能体隐私,同时考虑到现有算法对于整数变量的处理性能较差,提出一种适用于混合整数规划的新型分布式计算框架,其具体分布式计算框架如图4所示。
将上述步骤S2中获得的电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出作为输入参数,其具体包括:
微网个数NMG、调度时刻总数T、微网i中分布式发电机总数NGi、微网i中储能设备总数NBi、微网i和j传输能量的成本系数t时刻主电网的卖/买电价/>微网i中分布式发电机的成本系数/>和/>微网i中储能设备的折旧成本系数/>微网i中电动汽车的置换成本/>微网i中电动汽车在其能量周期中的能量吞吐量/>以及集成学习框架所得预测结果等;输出量为:微网i中分布式发电机t时刻出力情况/>微网i储能设备在t时刻的释能/储能总量/>微网i和j之间传输的能量/>以及微网i在t时刻同主电网交易时的卖/买电量/>等。
其具体执行流程包括:
S401基于多微网模型,获得多微网智能体的耦合变量信息;
S402将各个微网智能体的混合整数规划问题中的整数松弛为[0,1]的连续变量;该
[0,1]变量属于开关变量,获得后即为机组不同时刻开关状态调度结果;应当理解的是,该各个微网智能体的混合整数规划问题即上述式(1)-(19)以及鲁棒转化后的优化问题;
S403通过ADMM算法求解执行了子步骤S402后的混合整数规划问题,获得松弛后的调度模型(将整数规划转化为线性规划或凸规划);
S404若上述S403的ADMM算法不收敛,则更新拉格朗日乘子后继续迭代,若算法已经收敛,则执行子步骤S405;
S405固定该第一调度模型的共享信息,还原松弛后的调度模型的整数的控制变量属性;
S406通过分支界定方法获得松弛后的调度模型的整数的变量取值;
S407固定该松弛后的调度模型的整数的变量取值,再次获得无整数变量的调度模型;
S408通过ADMM算法求解获得第而调度模型;
S409若上述S408的ADMM算法不收敛,则更新拉格朗日乘子后继续通过ADMM算法迭代,若算法已经收敛,则执行子步骤S410;
S410判断无整数变量的调度模型的整数变量是否发生了变化,若变化,则返回执行子步骤S405,否则,执行子步骤S411;
S411输出获得的多微网能量优化结果。该多微网能量优化结果发送到各系统用于各能量设备调度。
第二方面,本发明提供一种基于多智能体协同的多微网能量管理系统,用于执行上述描述中的基于多智能体协同的多微网能量管理方法,其可参见图5,具体包括:
模型建立模块,用于基于异质微网特征,建立多微网的优化方程;
电动汽车出力预测模块,用于基于电动汽车集群的到达/离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
模型转化模块,用于基于多微网新能源能量输出和负荷的不确定性,建立盒式约束,并通过设置鲁棒参数使该盒式约束的鲁棒不确定性可调节;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将多微网的优化方程转化为易解模型;
综合管理模块,根据所有智能体传递来的信息,考虑到保护各智能体隐私性,设置输入参数,通过分布式计算框架,求解所述多微网的优化方程,获得多微网能量优化结果;并将多微网能量优化结果转换为控制信号,发送到各智能体。输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
第三方面,本发明还提供一种基于多智能体协同的多微网能量管理办法的电子设备,其实体结构示意图如图7所示,该电子设备可以包括:至少一个的处理器(processor)、通信接口(communication interface)、至少一个的存储器(memory)和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信。处理器可以调度存储器中的逻辑指令,以执行上述的方法:1)基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源(文内以风、光能源为例)、电动汽车、用电负荷的不确定性;2)利用集成学习方法预测电动汽车调度期内出力曲线;3)基于可调鲁棒优化技术将含有新能源及用电负荷等不确定量的优化问题转换为确定型问题;4)为保护各智能体隐私,利用分布式优化算法求解最终优化问题,考虑到现有算法对于整数变量的处理性能较差,使用适用于混合整数规划的新型分布式计算框架运算求解对应问题。
在一个优选实施例中,上述的存储器优选非暂态计算机可读存储介质。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM, Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还提供一种非暂态计算机可读存储介质,其上存储由计算机程序,该计算机程序被处理器执行时实现已执行上述各实施例提供的方法,例如包括:1)基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源(本专利以风电、光伏为例)、电动汽车、用电负荷的不确定性;2)利用集成学习方法预测电动汽车调度期内出力曲线;3)基于可调鲁棒优化技术将含有新能源及用电负荷等不确定量的优化问题转换为确定型问题;4)利用分布式优化算法求解优化问题从而保护各智能体隐私,考虑到现有算法对于整数变量的处理性能较差,使用适用于混合整数规划的新型分布式计算框架运算求解对应问题。
综上所述,本发明提供的一种基于多智能体协同的多微网能量管理方法、系统和电子设备,基于异质微网特征建立包含新能源发电设备、分布式电源、储能设备、电动汽车、用电负荷在内的各微网优化方程,其中每个微网可以看作一个智能体且优化模型中计及新能源(本专利以风电、光伏为例)、电动汽车、用电负荷的不确定性;利用集成学习方法预测电动汽车调度期内出力曲线;利用可调鲁棒优化技术将含有新能源及用电负荷等不确定量的优化问题转换为确定型问题;利用分布式优化算法求解优化问题从而保护各智能体隐私,并提出一种适用于混合整数规划的分布式计算框架,克服传统算法对于整数变量的处理性能较差的缺点。上述计算流程在能量管理系统中实施,该装置可与各微网智能体本地控制器进行双向通信。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于多智能体协同的多微网能量管理方法,其特征在于,包括以下步骤:
步骤S1:基于异质微网特征,建立多微网的优化方程;
步骤S2:基于电动汽车集群的到达/离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
步骤S3:基于多微网新能源能量输出和负荷的不确定性,建立盒式约束;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将所述多微网的优化方程转化为易解模型;
步骤S4:设置输入参数,通过分布式计算框架,求解所述易解模型,获得多微网能量优化结果;所述输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
其中,步骤S1包括:
步骤S101:基于异质微网特征,通过式
建立多微网运行总成本最小化的方程;
步骤S102:通过式
和
建立针对式(1)的成本描述方程;
式中,NMG表示多微网系统中包含的微网个数,t为调度时刻,T为调度时刻总数,NGi表示微网i中包含的分布式发电机总数,表示微网i的第j个分布式发电机t调度时刻出力情况,NBi表示微网i中包含的储能设备总数,/>表示微网i中第j个储能设备在t调度时刻的释能总量,/>表示微网i中第j个储能设备在t调度时刻的储能总量,/>表示微网i中第j个电动汽车在t调度时刻的释能总量,/>表示微网i中第j个电动汽车在t调度时刻的储能总量,/>表示微网i和j传输能量的成本系数,/>表示微网i和j之间传输的能量,并以正负号表示传输方向,/>表示t调度时刻主电网的卖电价,/>表示t调度时刻主电网的买电价,/>表示微网i在t调度时刻同主电网交易时的卖电量,/>表示微网i在t调度时刻同主电网交易时的买电量;/>和/>为分布式发电机的成本系数,/>为储能设备的折旧成本系数,/>为微网i中第j辆电动汽车的置换成本,/>为微网i中第j辆电动汽车在其能量周期中的能量吞吐量;
步骤S103:基于异质微网特征,建立多微网的约束条件;该约束条件包括:
平衡约束,通过式
获得;为微网i第n台可再生能源发电机组t调度时刻的发电量,/>为微网i在t调度时刻的总负荷;
微网i与微网j的能量交互约束,通过式
和
获得;和/>为微网i和微网j进行不同流向交互时的能量上限,uj为状态变量,有0和1两个取值;
分布式发电机约束,通过式
和
获得;和/>为分布式发电机t调度时刻出力上下限,/>和/>为分布式发电机爬坡上下限;
储能设备约束,通过式
和
获得;和/>分别为储能设备充电效率和放电效率,/>和/>为储能设备容量上下限,uBj为电池状态变量,有0和1两个取值;
电动汽车约束,通过式
和
获得;式中,tarr,j为电动汽车j的到达时间,tdep,j为电动汽车j的为电动汽车j的离开时间,和/>为储能设备容量上下限,uEVj为电池状态变量,有0和1两个取值;
步骤S2中所述的获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出包括:
步骤S201:通过支持向量机、长短期记忆神经网络和随机森林,对输入的特征贡献度进行分析,获得辅助特征选择结果;
步骤S202:分析支持向量机、长短期记忆神经网络和随机森林的误差分布,选择误差分布最大的作为第一层预测模型;
步骤S203:划分原始数据集,并使用交叉验证方式,分别获得支持向量机、长短期记忆神经网络和随机森林的最优超参数;
步骤S204:通过划分后的原始数据集,训练所述第一层预测模型,输出训练结果,生成训练后数据集;
步骤S205:通过训练后数据集,训练通过随机森林建立的第二层预测模型,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
其中,步骤S3包括:
步骤S301:通过式
/>和
获得新能源不确定集和负荷不确定集,基于该新能源不确定集和负荷不确定集建立盒式约束;式中,为预测量,/>为鲁棒可调参数,/>为盒式约束限值,Γt为可调鲁棒参数约束值;
步骤S302:通过极限转化方法对所述盒式约束进行不确定量转化,获得鲁棒对等模型;
步骤S303:通过式
/>和
对所述鲁棒对等模型进行线性化操作,将所述多微网的优化方程转化为易解模型;步骤S4中的输入参数还包括:微网个数、调度时刻数、新能源出力数据、电网买/卖电价和微网内设备参数。
2.根据权利要求1所述的多微网能量管理方法,步骤S4具体包括:
步骤S401:基于多微网模型,获得多微网智能体的耦合变量信息;
步骤S402:将各个微网智能体的混合整数规划问题中的整数松弛为[0,1]的连续变量;
步骤S403:通过ADMM算法求解执行了子步骤S402后的混合整数规划问题,获得松弛后的调度模型;
步骤S404:若ADMM算法不收敛,则更新拉格朗日乘子后继续迭代,若算法已经收敛,则执行子步骤S405;
步骤S405:固定该松弛后的调度模型的共享信息,还原该松弛后的调度模型的整数的控制变量属性;
步骤S406:通过分支界定方法获得所述松弛后的调度模型的整数的变量取值;
步骤S407:固定所述松弛后的调度模型的整数的变量取值,获得无整数变量的调度模型;
步骤S408:通过ADMM算法求解该无整数变量的调度模型;
步骤S409:若ADMM算法不收敛,则更新拉格朗日乘子后继续迭代,若算法已经收敛,则执行子步骤S410;
步骤S410:判断所述无整数变量的调度模型的整数变量是否发生了变化,若变化,则返回执行子步骤S405,否则,执行子步骤S411;
步骤S411:输出获得的多微网能量优化结果;该多微网能量优化结果用于各能量设备调度。
3.一种基于权利要求1所述的多智能体协同的多微网能量管理方法的多微网能量管理系统,其特征在于,包括:
模型建立模块,用于基于异质微网特征,建立多微网的优化方程;
电动汽车出力预测模块,用于基于该多微网的优化方程,结合电动汽车集群的到达/离开和充电量不确定性,通过集成学习方法,获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出;
模型转化模块,用于基于多微网新能源能量输出和负荷的不确定性,建立盒式约束;通过极限转化方法对该盒式约束进行不确定量转化,获得鲁棒对等模型,通过对偶理论将该鲁棒对等模型进行线性化操作,将所述多微网的优化方程转化为易解模型;
综合管理模块,用于设置输入参数,通过分布式计算框架,求解所述易解模型,获得多微网能量优化结果;并将多微网能量优化结果转换为控制信号,发送到各智能体;所述输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出。
4.一种基于多智能体协同的多微网能量管理电子设备,其特征在于,包括:
一个或多个处理器,以及与所述处理器通信连接的一个或多个存储器;
所述存储器存储有用于所述处理器执行的程序指令,所述处理器通过调用该程序指令能够执行如权利要求1至2任一所述的多微网能量管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123168.8A CN114336585B (zh) | 2021-09-24 | 2021-09-24 | 基于多智能体协同的多微网能量管理方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123168.8A CN114336585B (zh) | 2021-09-24 | 2021-09-24 | 基于多智能体协同的多微网能量管理方法、系统和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114336585A CN114336585A (zh) | 2022-04-12 |
CN114336585B true CN114336585B (zh) | 2023-08-01 |
Family
ID=81044943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123168.8A Active CN114336585B (zh) | 2021-09-24 | 2021-09-24 | 基于多智能体协同的多微网能量管理方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114336585B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
CN106992556A (zh) * | 2017-05-24 | 2017-07-28 | 南方电网科学研究院有限责任公司 | 一种基于混合电源多时间尺度互补的优化调度方法 |
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 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 |
CN111181198A (zh) * | 2020-01-13 | 2020-05-19 | 四川大学 | 一种基于网源互馈的异质能源互补发电调度方法 |
CN111293682A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种基于协同模型预测控制的多微网能量管理方法 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
CN112651112A (zh) * | 2020-12-17 | 2021-04-13 | 湖南大学 | 互联微网电能交易和系统运行协同决策方法、系统及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152B (zh) * | 2016-05-19 | 2017-06-06 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN110571789B (zh) * | 2018-06-06 | 2020-10-20 | 南京工程学院 | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 |
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
-
2021
- 2021-09-24 CN CN202111123168.8A patent/CN114336585B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
CN106992556A (zh) * | 2017-05-24 | 2017-07-28 | 南方电网科学研究院有限责任公司 | 一种基于混合电源多时间尺度互补的优化调度方法 |
WO2019165701A1 (zh) * | 2018-02-28 | 2019-09-06 | 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 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
CN111181198A (zh) * | 2020-01-13 | 2020-05-19 | 四川大学 | 一种基于网源互馈的异质能源互补发电调度方法 |
CN111293682A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种基于协同模型预测控制的多微网能量管理方法 |
CN112651112A (zh) * | 2020-12-17 | 2021-04-13 | 湖南大学 | 互联微网电能交易和系统运行协同决策方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
年兰雨.《基于随机生产模拟的多微网储能容量优化配置与运行控制》.2021,1-38. * |
考虑风电消纳的区域多微网分层协调优化模型;王瀚琳;刘洋;许立雄;陈贤邦;谭思维;;电力建设(08);91-102 * |
计及时间相关性的微能源网鲁棒规划方法;赵学花;何常根;罗清雷;刘锦明;何琳;顾海飞;;可再生能源(03);108-115 * |
Also Published As
Publication number | Publication date |
---|---|
CN114336585A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Multi-agent deep reinforcement learning based demand response for discrete manufacturing systems energy management | |
O’Dwyer et al. | Integration of an energy management tool and digital twin for coordination and control of multi-vector smart energy systems | |
Younes et al. | A memory-based gravitational search algorithm for solving economic dispatch problem in micro-grid | |
Du et al. | A cooperative game approach for coordinating multi-microgrid operation within distribution systems | |
Zhou et al. | Game-theoretical energy management for energy Internet with big data-based renewable power forecasting | |
Reddy et al. | Review of stochastic optimization methods for smart grid | |
Cao et al. | Hydrogen-based networked microgrids planning through two-stage stochastic programming with mixed-integer conic recourse | |
Feng et al. | Solution sensitivity-based scenario reduction for stochastic unit commitment | |
Andervazh et al. | Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants | |
Xie et al. | Supplementary automatic generation control using controllable energy storage in electric vehicle battery swapping stations | |
Titus et al. | Charge scheduling optimization of plug-in electric vehicle in a PV powered grid-connected charging station based on day-ahead solar energy forecasting in Australia | |
Sachs et al. | Framing microgrid design from a business and information systems engineering perspective | |
Javad Kasaei et al. | Optimal operational scheduling of renewable energy sources using teaching–learning based optimization algorithm by virtual power plant | |
Zhang et al. | Multi-agent deep reinforcement learning based distributed control architecture for interconnected multi-energy microgrid energy management and optimization | |
Yan et al. | Development of a tool for urban microgrid optimal energy planning and management | |
Vera et al. | Two-stage stochastic optimization model for multi-microgrid planning | |
Liu et al. | Optimal location planning of electric bus charging stations with integrated photovoltaic and energy storage system | |
Nweye et al. | MERLIN: Multi-agent offline and transfer learning for occupant-centric operation of grid-interactive communities | |
Abdelghany et al. | Optimal multi-layer economical schedule for coordinated multiple mode operation of wind–solar microgrids with hybrid energy storage systems | |
Dey et al. | Demand-side-management-based bi-level intelligent optimal approach for cost-centric energy management of a microgrid system | |
Trigkas et al. | Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence | |
Liu et al. | Merging Optimization and Control in Power Systems: Physical and Cyber Restrictions in Distributed Frequency Control and Beyond | |
Hua et al. | Digital twin based reinforcement learning for extracting network structures and load patterns in planning and operation of distribution systems | |
Hutterer et al. | Evolutionary optimization of multi-agent controlstrategies for electric vehicle charging | |
Ibrahim et al. | Sizing of Microgrid System Including Multi-Functional Battery Storage and Considering Uncertainties |
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 |