CN115034431A - 一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 - Google Patents
一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 Download PDFInfo
- Publication number
- CN115034431A CN115034431A CN202210430024.5A CN202210430024A CN115034431A CN 115034431 A CN115034431 A CN 115034431A CN 202210430024 A CN202210430024 A CN 202210430024A CN 115034431 A CN115034431 A CN 115034431A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- agent
- power
- micro
- island
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 133
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000012938 design process Methods 0.000 claims description 4
- 238000010977 unit operation Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，包括：建立含区域微电网的多微电网结构和基于多智能体系统的孤岛多微电网结构；改进多智能体一致性算法克服逆求解过程设计，先通过利用误差调整步长和权值矩阵更新每个单元的功率指令，然后利用更新后每个单元的功率输出计算每个微电网的运行成本；建立基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型。然后设计基于改进多智能体一致性算法的孤岛多微电网能源调度优化流程图。本发明寻优速度快，能收敛至全局最优解，而且不存在逆求解的问题，可有效提高多智能体一致性算法在孤岛多微电网能源调度优化中的普遍适用性。
Description
技术领域
本发明属于智能电网和智能优化算法技术领域，涉及一种基于改进多智能体(Multi-agent，MA)一致性算法(Improved MA consensus algorithm，IMACA)的孤岛多微电网(Multi-microgrids，MMG)能源调度优化方法。
背景技术
传统的MA一致性算法应用于孤岛MMG能源调度优化具有协调规则简单、寻优速度快和能收敛至全局最优解等优点。该算法首先通过更新每个微电网(Microgrid,MG)的运行成本，然后通过利用MG的运行成本和每个单元的运行成本函数(如蓄电池充放电成本函数、柴油机发电成本函数、卸荷成本、放弃可再生能源成本等)逆求解得到每个单元的输出功率指令。然而，逆求解成功的关键在于MG中每种单元的运行成本函数必须是一个分段函数，并且MG中每种单元之间需要服从一个明确大小的关系，从而确保逆求解后必须是唯一的解。比如当MG需要增加发电时，蓄电池放电成本<柴油机发电成本<卸荷成本；当MG需要减少发电时，蓄电池充电成本<放弃可在生能源成本；若MG需要增加发电时，则利用更新后MG的运行成本逐一选择成本最低的蓄电池放电，其次选择柴油机发电，最后选择卸荷，直至MG的运行成本等价于蓄电池、柴油机和卸荷成本三者之和。因此，当该算法应用于孤岛MMG的能源调度优化时必须要明确MG中每种单元的运行成本函数关系。
然而，MG中每个单元的运行成本函数关系会随着单位成本和计算公式的改变而发生变化。因此，当MG中每个单元的运行成本函数发生变化时，它们之间的大小关系需要重新进行梳理。但是重新梳理后的函数关系可能不再是一个分段函数或者出现两种单元的运行成本出现重叠部分。因此，逆求解后可能不再是一个唯一解。这将会限制MA一致性算法在孤岛MMG能源调度优化中的普遍适用性。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于IMACA的孤岛MMG能源调度优化方法，可以有效解决传统MA一致性算法应用于孤岛MMG能源调度优化时需要明确各单元的运行成本关系和逆求解的问题，提高该算法在孤岛MMG能源调度优化中的普遍适用性。
为解决上述技术问题，本发明采用以下技术方案。
本发明的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，包括以下步骤：
步骤1、建立含区域微电网的孤岛多微电网结构设计：该结构包括3个微电网和额外增加的1个区域微电网；其3个微电网为互联；所额外增加的一个区域微电网，其作用相当于一个备用的储能系统和电源，以提高孤岛多微电网运行的稳定性和可靠性；每个所述的微电网包含不同类型的蓄电池、柴油机、可再生能源和负荷；区域微电网包含区域柴油机和区域蓄电池，并与微电网3相连；相互连接的微电网之间、微电网和区域微电网之间能够进行电力传输。
步骤2、基于多智能体系统的孤岛多微电网结构设计：该结构包括3个微电网、1个区域微电网、可再生能源、蓄电池、柴油机、负荷与智能体之间的连接关系；
步骤3、改进多智能体一致性算法克服逆求解过程设计：在求解时先通过利用误差调整步长和权值矩阵更新每个单元的功率指令，然后利用更新后每个单元的功率输出计算每个微电网的运行成本；
步骤4、基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型建立：处于领导者地位的微电网智能体的运行成本，包括：孤岛多微电网的能源调度优化目标函数、相邻微电网智能体成本加权和、处于领导者地位的微电网智能体的运行成本、净负荷与每个微电网功率指令总和的偏差值；改进多智能体一致性算法的偏差值收敛和微电网运行成本收敛、微电网需求的功率不足和功率过剩时的两种类型变量、优化变量更新和权值矩阵；
步骤5、基于改进多智能体一致性算法的孤岛多微电网能源调度优化流程图设计：预测的可再生能源和负荷数据输入、改进多智能体一致性算法的参数初始化、行随机矩阵计算、优化变量初始化、净负荷计算、迭代次数设置、运行成本计算、偏差值计算、微电网领导者运行成本计算、收敛条件判断、优化变量更新、输出最优解。
进一步的，所述步骤2的基于多智能体系统的孤岛多微电网结构设计，包括：
设计孤岛多微电网中微电网1、微电网2、微电网3、区域微电网、可再生能源、蓄电池、柴油机、负荷和智能体之间的连接关系；与可再生能源相连的智能体，用于收集可再生能源的功率输出信息以及向可再生能源发送是否需要放弃可再生能源的指令；与蓄电池相连的智能体，用于收集蓄电池的荷电状态、充放电功率上限、存储容量信息，以及向蓄电池发送充放电功率指令；与柴油机相连的智能体，用于收集柴油机的输出功率上下限、爬升约束、工作状态信息，以及向蓄电池发送输出功率指令；与负荷相连的智能体，用于收集负荷在每个时刻的数值以及向负荷发送是否需要卸荷的指令；分别与微电网1、微电网2、微电网3和区域微电网相连的智能体，用于本地能源调度优化，同时收集相邻微电网的优化结果，并向对应的微电网发送是否需要与相邻微电网交互功率的指令；此外，与可再生能源、蓄电池、柴油机和负荷相连的智能体收集到的所有数据信息需要发送至与微电网1、微电网2、微电网3和区域微电网相连的智能体；同样的，与微电网1、微电网2、微电网3和区域微电网相连的智能体优化得到的能源调度指令需要发送至与可再生能源、蓄电池、柴油机和负荷相连的智能体。
进一步的，所述步骤3的改进多智能体一致性算法克服逆求解过程设计过程为：改进多智能体一致性算法首先通过计算孤岛多微电网系统的净负荷、净负荷与每个微电网功率指令总和的偏差值；然后利用误差调整步长和权值矩阵更新每个单元的功率输出，再使用更新后的每个单元的功率输出代入相应的成本计算公式，从而得到更新后每个微电网的运行成本，即改进多智能体一致性算法不存在逆求解的问题。
进一步的，所述步骤4的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，包括：邻接矩阵、权值矩阵、每个智能体的运行成本更新公式、收敛公式、目标函数、优化变量、更新公式等；所建立的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，将改进多智能体一致性算法与孤岛多微电网能源调度优化问题进行结合，其具体内容包括：
孤岛多微电网的能源调度优化目标是，寻找每个单元的最优功率指令使得孤岛多微电网获得最大的经济收益或运行成本最小；因此，孤岛多微电网的能源调度优化目标函数为
式中，CMMG是孤岛多微电网的运行成本；
是第i个微电网的运行成本；
和
分别是柴油机的运行成本、蓄电池的运行成本、卸荷成本和放弃可再生能源成本；
选择每个微电网的运行成本作为一致性变量，用C表示；则每个智能体的一致性变量更新公式为：
式中，
和
分别为第i个微电网在第k+1次迭代和第j个微电网在第k次迭代的运行成本，N表示总的微电网个数，
是行随机矩阵D在第k次迭代的第i行第j列元素；行随机矩阵与通信拓扑结构有关，它可以由通信拓扑结构的拉普拉斯矩阵L计算得到；因此，dij可由以下公式计算得到：
式中，lij是拉普拉斯矩阵L的第i行第j列元素；aij是邻接矩阵A的第i行第j列元素；邻接矩阵与孤岛多微电网系统的连接方式有关；
由式(3)可知，每个微电网通过行随机矩阵获得相邻智能体的前一次迭代的状态信息来更新自己状态信息；为确保孤岛多微电网系统的功率平衡，处于领导地位的微电网需要引导优化方向和优化成本；通常的，选择微电网中发电单元容量较大的作为微电网智能体领导者；微电网智能体领导者的运行成本更新公式为
式中，θ是误差调整步长，一般取值为10-1～10-3，T是总的调度时间，
是孤岛多微电网系统的净负荷，ΔPe,t是净负荷与每个微电网功率指令总和的偏差值，
和
分别是蓄电池的充电和放电功率，
和
分别是柴油机的发电功率，卸荷数量和放弃可再生能源的数量，
和
分别是用户负荷和可再生能源；
改进多智能体一致性算法求解过程中需要满足如下收敛条件：
式中，ε1和ε2是预设的收敛精度。
进一步的，在步骤4中的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，其孤岛多微电网能源调度优化的优化变量可以分为两种类型：第一种是当微电网需求的功率不足时，需要增加蓄电池的放电功率、柴油机的发电功率或卸荷数量；第二种是当微电网需求的功率过剩时，需要增加蓄电池的充电功率或放弃可再生能源的数量；因此，优化变量可分别定义为
并且，当改进多智能体一致性算法在优化过程中不满足公式(9)中的收敛条件时，则需要更新优化变量，其更新公式如下
I＝(t,T+t,2T+t,…),II＝(T+t,2T+t,…) (13)
τun,τabRES≥1 (16)
式中，x1(:,I)和x2(:,II)表示矩阵的索引，这里“:”是指索引矩阵的所有行，I和II是指索引矩阵对应列的集合；Γ1和Γ2定义为比例矩阵，也称为权值矩阵；
和
均是蓄电池、柴油机、卸荷和放弃可再生能源的比例因子，表示两种类型优化变量下每种单元的单位成本占总单位成本的比例；
和
分别为蓄电池的单位运行成本、柴油机的单位运行成本、单位卸荷成本和单位放弃可再生能源成本；τun和τabRES分别定义为卸荷和放弃可再生能源的人为操控算子；当τun＝τabRES＝1表示人们对能源调度优化不做任何操控；当τun,τabRES＞1表示人们对能源调度优化进行操控，一般取值为103～104；人为操纵算子的值越大，表示人们希望卸荷数量和放弃可再生能源的数量越低；
式(12)表示优化变量是通过误差调整步长、权值矩阵和偏差值逐步更新直至获得全局最优解；以
为例，当ΔPe，t＞0时，表示t时刻可再生能源不满足负荷需求，则蓄电池的放电功率、柴油机的发电功率或者卸荷数量在权值矩阵和误差调整步长下执行不同程度的增加；当ΔPe,t＜0时，蓄电池的放电功率、柴油机的发电功率或者卸荷数量执行不同程度的减少。
进一步的，所述步骤5的基于改进多智能体一致性算法的孤岛能源调度优化流程图设计过程如下：
步骤5.1.数据输入，输入微电网1、微电网2和微电网3在t＝1,2,…T时刻的预测可再生能源和负荷数据；
步骤5.2.改进多智能体一致性算法参数初始化，包括邻接矩阵A、误差调整步长θ、预测收敛精度ε1和ε2、人为操控算子τun和εabRES、比例矩阵Γ1和Γ2、能源调度总调度时间T；
步骤5.3.根据邻接矩阵A和公式(4)可计算得到行随机矩阵D；
步骤5.4.初始化优化变量x1和x2并令其值均为0，即每个单元的功率指令均初始化为0；
步骤5.5.根据公式(8)可计算孤岛多微电网系统的净负荷；
步骤5.6.令迭代次数k＝1；
步骤5.7.根据式(3)计算得到每个微电网和区域微电网的运行成本；
步骤5.8.根据式(7)计算每个微电网功率指令总和的偏差值；
步骤5.9.根据式(6)计算微电网智能体领导者的运行成本；
步骤5.10.根据式(9)判断净负荷与每个微电网功率指令总和的偏差值是否收敛，以及每个微电网的运行成本是否收敛；如果存在一个收敛条件不成立，则执行步骤5.11；否则，执行步骤5.13；
步骤5.11.根据式(12)更新优化变量；
步骤5.12.令迭代次数k＝k+1，跳转至步骤5.7；
步骤5.13.输出最优变量值x1和x2，算法结束。
与现有技术相比，本发明具有以下优点和有益效果：
1.本发明采用含CMG的孤岛MMG结构有利于充分消纳RES或减少卸荷数量，其作用相当于一个备用储能系统和电源。当MG1、MG2和MG3在能源调度中存在多余的RES时，若CMG中CBESS留有存储容量，则可以进一步充分消纳多余的RES。当MG1、MG2和MG3在能源调度中不能满足负荷需求时，则CMG中的CCDG和CCBES能够增加发电量以减少卸荷的数量。相比于无CMG的孤岛MMG系统，具有CMG的孤岛MMG结构中进一步增强了该系统运行的稳定性和可靠性。
2.本发明采用IMACA求解孤岛MMG能源调度优化的问题。相比于传统MA一致性算法，IMACA不仅具有迭代速度快，能获取全局最优解的优点，而且不存在逆求解和需要明确各个发电单元之间发电成本关系的问题。因此，IMACA不会因发电成本计算公式发生改变时而受到影响，也不会因各发电单元之间发电成本关系发生变化时受到影响。IMACA不仅提高了其在孤岛MMG能源调度优化中的普遍适用性，并且大大削减了先验知识的输入。
3.本发明采用的IMACA可通过改变卸荷和放弃RES的人为操控算子调整优化结果。人为操控算子的值越大，表示人们希望卸荷和放弃RES的数量越低。当人为操控算子的设置值达到103～104时，卸荷和放弃RES的数量能降至最低值。相比于传统MA一致性算法，IMACA还具有灵活的人机结合特点。
4.本发明建立了基于IMACA的孤岛MMG能源调度优化模型。相比于基于传统MA一致性算法的孤岛MMG能源调度优化模型，本发明结合了孤岛MMG能源调度中的具体优化变量、各发电单元的单位发电成本等进行建模，更有利于研究人员解读该技术的内容以及进行实际操作。
附图说明
图1为本发明的一种实施例的基于MAS的孤岛MMG结构图。
图2为本发明的一种实施例的IMACA克服逆求解过程设计图。
图3为本发明的一种实施例的基于IMACA的孤岛MMG能源调度优化流程图。
图4为本发明的一种实施例的基于IMACA的孤岛MMG能源调度优化案例仿真结果图。
具体实施方式
本发明的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，首先建立含区域微电网的多微电网结构以提高多微电网运行的可靠性；然后设计改进多智能体一致性算法先利用误差调整步长和权值矩阵更新每个单元的功率指令后更新每个微电网的运行成本来克服逆求解问题；最后将该算法与孤岛多微电网能源调度进行结合建立相应模型以提高实际应用价值。本发明不仅保留了传统多智能体一致性算法寻优速度快和能收敛至全局最优解的优点，而且不存在逆求解的问题，可有效提高该算法在孤岛多微电网能源调度优化中的普遍适用性。
本发明技术方案的说明涉及以下英文缩写：
IMACA：改进多智能体一致性算法。MA：多智能体。MAS：多智能体系统。Agent：智能体。Load：负荷。MMG：多微电网。MG：微电网。CMG：区域微电网。RES：可再生能源。BESS：蓄电池。CDG：柴油机。CBESS：区域蓄电池。CCDG：区域柴油机。MGA：微电网智能体。CMGA：区域微电网智能体。BA：蓄电池智能体。CBA：区域蓄电池智能体。DA：柴油机智能体。CDA：区域柴油机智能体。RA：可再生能源智能体。LA：负荷智能体。
下面结合附图对本发明做进一步详细说明。
图3为本发明的一种实施例的基于IMACA的孤岛MMG能源调度优化流程图。如图3所示，本发明的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，包括以下步骤：
步骤1、含CMG(区域微电网)的孤岛MMG(多微电网)结构设计：该结构包括3个MG(微电网)和额外增加的1个CMG(区域微电网)。CMG(区域微电网)用于充分消纳可再生能源和减少卸荷数量，其作用相当于一个后备储能系统和电源。
步骤2、基于MAS(多智能体系统)的孤岛MMG(多微电网)结构设计：包括孤岛MMG(多微电网)中MG1(微电网1)、MG2(微电网2)、MG3(微电网3)、CMG(区域微电网)、RES(可再生能源)、BESS(蓄电池)、CDG(柴油机)、Load(负荷)和Agent(智能体)之间的连接关系，并详细阐述了Agent(智能体)之间的工作原理。
步骤3、IMACA(改进多智能体一致性算法)克服逆求解过程设计：在求解时先通过利用误差调整步长(如式6所示)和权值矩阵(如式14所示)更新每个单元的功率指令，然后利用更新后每个单元的功率输出计算每个MG(微电网)的运行成本，与传统多智能体一致性算法的求解步骤相反。
步骤4、基于IMACA(改进多智能体一致性算法)的孤岛MMG(多微电网)能源调度优化数学模型建立：包括孤岛MMG(多微电网)的能源调度优化目标函数、相邻MGA(微电网智能体)成本加权和、处于领导者地位的MGA(微电网智能体)的运行成本、净负荷与每个MG功率指令总和的偏差值、IMACA(改进多智能体一致性算法)的偏差值收敛和MG(微电网)运行成本收敛、MG(微电网)需求的功率不足和功率过剩时的两种类型优化变量、优化变量更新、权值矩阵等模型的建立。
步骤5、基于IMACA(改进多智能体一致性算法)的孤岛MMG(多微电网)能源调度优化流程图设计：包括预测的RES(可再生能源)和Load(负荷)数据输入、IMACA(改进多智能体一致性算法)的参数初始化、行随机矩阵计算、优化变量初始化、净负荷计算、迭代次数设置、运行成本计算、偏差值计算、MG(微电网)领导者运行成本计算、收敛条件判断、优化变量更新、输出最优解等优化步骤。
所述步骤1的具体过程为：在含有3个互联MG的孤岛MMG系统基础上，额外增加一个CMG(区域微电网)到孤岛MMG系统中，其作用相当于一个备用的储能系统和电源，以提高孤岛MMG运行的稳定性和可靠性。每个MG包含不同类型的BESS、CDG、RES和Load。CMG包含CCDG和CBESS，并与MG3相连。相互连接的MG之间、MG和CMG之间能够进行电力传输。
所述步骤2的具体过程为：基于MAS的孤岛MMG结构设计，包括孤岛MMG中MG1、MG2、MG3、CMG、RES、BESS、CDG、Load和Agent之间的连接关系。与RES相连的Agent主要负责收集RES的功率输出信息以及向RES发送是否需要放弃RES的指令；与BESS相连的Agent主要负责收集BESS的荷电状态、充放电功率上限、存储容量等信息，以及向BESS发送充放电功率指令；与CDG相连的Agent主要负责收集CDG的输出功率上下限、爬升约束、工作状态等信息，以及向CDG发送输出功率指令；与Load相连的Agent主要负责收集Load在每个时刻的数值以及向Load发送是否需要卸荷的指令；分别与MG1、MG2、MG3和CMG相连的Agent主要负责本地能源调度优化，同时收集相邻MG的优化结果，并向对应的MG发送是否需要与相邻MG交互功率的指令。此外，与RES、BESS、CDG和Load相连的Agent收集到的所有数据信息需要发送至与MG1、MG2、MG3和CMG相连的Agent。同样的，与MG1、MG2、MG3和CMG相连的Agent优化得到的能源调度指令需要发送至与RES、BESS、CDG和Load相连的Agent。
图1为含CMG和基于MAS的孤岛MMG结构图。孤岛MMG系统包括MG1、MG2、MG3和CMG。MG1、MG2和MG3相互连接，CMG与MG3相连。BESS/CBESS、CDG/CDG、RES、Load分别与当地智能体BA/CBA、DA/CDA、RA、LA相连；MG1、MG2、MG3和CMG中的当地智能体分别与MGA1、MGA2、MGA3和CMGA相连；MGA1、MGA2、MGA3相互连接，CMGA与MGA3相连。当地Agent包括Load Agent(LA)、BESS Agent(BA)、CBESS Agent(CBA)、CDG Agent(DA)、CCDG Agent(CDA)和RES Agent(RA).当地Agent负责收集和分类来自Load、BESS/CBESS、CDG/CCDG和RES的数据信息并将数据信息发送至相应的MG Agent(MGA)和CMG Agent(CMGA)。MGA和CMGA接收到当地Agent的数据信息后负责执行MG层优化并将优化结果发送回当地Agent。当地Agent将会根据优化结果对每个单元制定能源调度计划和发送功率指令。MGA之间、MGA与CMGA之间可以通过信息传输线进行数据信息传输；MG之间、MG与CMG之间可以通过电力传输线交互功。根据图1基于MAS的孤岛MMG结构图，可以得到邻接矩阵A为
所述步骤3的具体过程为：IMACA克服逆求解过程设计是对传统MA一致性算法的逆求解过程进行重新设计使得IMACA不存在逆求解的问题。与传统MA一致性算法不同的是，IMACA首先利用所定义的误差调整步长和权值矩阵更新每个单元的功率输出，然后利用更新后的每个单元的功率输出代入相应的成本计算公式，从而得到更新后每个MG的运行成本。因此，IMACA的求解过程与传统MA一致性算法先通过更新MG运行成本后通过逆求解获得每个单元的功率输出的求解过程相反，即IMACA不存在逆求解的问题。
图2为IMACA克服逆求解过程设计图。传统的MA一致性算法首先计算孤岛MMG的总功率指令，然后更新每个MG的运行成本，最后利用更新后MG的运行成本、每个单元的运行成本函数及其大小关系逆求解得到每个单元的功率指令。为了使传统的MA一致性算法克服逆求解问题，设计IMACA首先通过计算孤岛MMG系统的净负荷、净负荷与每个MG功率指令总和的偏差值。然后通过利用误差调整步长和权值矩阵更新每个单元的功率指令，如式(12)所示。最后利用更新的功率指令计算每个MG的运行成本。因此，IMACA与传统的MA一致性算法的求解过程刚好相反，即IMACA是先更新每个单元的功率指令后更新每个MG的运行成本，而传统的MA一致性算法是先更新每个MG的运行成本后更新每个单元的功率指令。
所述步骤4的具体过程为：基于IMACA的孤岛MMG能源调度优化数学模型建立，包括邻接矩阵、权值矩阵、每个Agent的运行成本更新公式、收敛公式、目标函数、优化变量及其更新公式等，所建立的数学模型将IMACA与孤岛MMG能源调度优化问题进行了结合。基于IMACA的孤岛MMG能源调度优化数学模型建立如下：
孤岛MMG的能源调度优化目标就是寻找每个单元的最优功率指令使得孤岛MMG获得最大的经济收益或运行成本最小。因此，孤岛MMG的能源调度优化目标函数为
式中，CMMG是孤岛MMG的运行成本。
是第i个MG的运行成本。
和
分别是CDG的运行成本、BESS的运行成本、卸荷成本和放弃RES成本。
选择每个MG的运行成本作为一致性变量，用C表示。则每个Agent的一致性变量更新公式为：
式中，
和
分别为第i个MG在第k+1次迭代和第j个MG在第k次迭代的运行成本。N表示总的MG个数。
是行随机矩阵D在第k次迭代的第i行第j列元素。行随机矩阵与通信拓扑结构有关，它可以由通信拓扑结构的拉普拉斯矩阵L计算得到。因此，dij可由以下公式计算得到：
式中，lij是拉普拉斯矩阵L的第i行第j列元素。aij是邻接矩阵A的第i行第j列元素。邻接矩阵与孤岛MMG系统的连接方式有关。
由式(3)可知，每个Agent通过行随机矩阵获得相邻Agent的前一次迭代的状态信息来更新自己状态信息。为了确保孤岛MMG系统的功率平衡，处于领导地位的微电网Agent(Microgrid agent,MGA)需要引导优化方向和优化成本。通常的，选择MG中发电单元容量较大的作为MGA领导者。MGA领导者的运行成本更新公式为
式中，θ是误差调整步长，一般取值为10-1～10-3。T是总的调度时间。
是孤岛MMG系统的净负荷。ΔPe，t是净负荷与每个MG功率指令总和的偏差值。
和
分别是BESS的充电和放电功率。
和
分别是CDG的发电功率，卸荷数量和放弃RES的数量。
和
分别是用户Load和RES。
为了使确保IMACA收敛，算法求解过程中需要满足如下收敛条件：
式中，ε1和ε2是预设的收敛精度。
孤岛MMG能源调度优化的优化变量可以分为两种类型：第一种是当MG需求的功率不足时，需要增加BESS的放电功率、CDG的发电功率或卸荷数量；第二种是当MG需求的功率过剩时，需要增加BESS的充电功率或放弃RES的数量。因此，优化变量可分别定义为
当IMACA在优化过程中不满足公式(9)中的收敛条件时，则需要更新优化变量。更新公式如下
I＝(t,T+t,2T+t,…),II＝(T+t,2T+t,…) (13)
τun,τabRES≥1 (16)
式中，x1(:,I)和x2(:,II)表示矩阵的索引，这里“:”是指索引矩阵的所有行，I和II是指索引矩阵对应列的集合。Γ1和Γ2定义为比例矩阵，也称为权值矩阵。
和
均是BESS、CDG、卸荷和放弃RES的比例因子，表示两种类型优化变量下每种单元的单位成本占总单位成本的比例。
和
分别为BESS的单位运行成本、CDG的单位运行成本、单位卸荷成本和单位放弃RES成本。τun和τabRES分别定义为卸荷和放弃RES的人为操控算子。当τun＝τabRES＝1表示人们对能源调度优化不做任何操控；当τun,τabRES＞1表示人们对能源调度优化进行操控，一般取值为103～104。人为操纵算子的值越大，表示人们希望卸荷数量和放弃RES的数量越低。
式(12)表示优化变量是通过误差调整步长、权值矩阵和偏差值逐步更新直至获得全局最优解。以
为例，当ΔPe,t＞0时，表示t时刻RES不满足Load需求，则BESS的放电功率、CDG的发电功率或者卸荷数量在权值矩阵和误差调整步长下执行不同程度的增加；当ΔPe,t＜0时，BESS的放电功率、CDG的发电功率或者卸荷数量执行不同程度的减少。
所述步骤5的具体过程为：基于IMACA的孤岛能源调度优化流程图设计，描述了IMACA在孤岛MMG能源调度中执行优化时的求解步骤，具体如下：
步骤5.1：数据输入，输入MG1、MG2和MG3在t＝1,2,…T时刻的预测RES和Load数据；
步骤5.2：IMACA算法参数初始化，包括邻接矩阵A、误差调整步长θ、预测收敛精度ε1和ε2、人为操控算子τun和εabRES、比例矩阵Γ1和Γ2、能源调度总调度时间T；
步骤5.3：根据邻接矩阵A和公式(4)可计算得到行随机矩阵D；
步骤5.4：初始化优化变量x1和x2并令其值均为0，即每个单元的功率指令均初始化为0；
步骤5.5：根据公式(8)可计算孤岛MMG系统的净负荷；
步骤5.6：令迭代次数k＝1；
步骤5.7：根据式(3)计算得到每个MG和CMG的运行成本；
步骤5.8：根据式(7)计算每个MG功率指令总和的偏差值；
步骤5.9：根据式(6)计算MGA领导者的运行成本；
步骤5.10：根据式(9)判断净负荷与每个MG功率指令总和的偏差值是否收敛，以及每个MG的运行成本是否收敛。如果存在一个收敛条件不成立，则执行步骤5.11。否则，执行步骤5.13；
步骤5.11：根据式(12)更新优化变量；
步骤5.12：令迭代次数k＝k+1，跳转至步骤5.7；
步骤5.13：输出最优变量值x1和x2，算法结束。
图4为本发明的基于IMACA的孤岛MMG能源调度优化案例仿真结果图。其中图4a为基于IMACA的孤岛MMG能源调度优化迭代图；图4b为孤岛MMG的BESS、CDG总运行成本随卸荷和放弃RES人为操控算子变化而变化的结果图；图4c为孤岛MMG的卸荷、放弃RES总成本随卸荷和放弃RES人为操控算子变化而变化的结果图；图4d为孤岛MMG总运行成本随卸荷和放弃RES人为操控算子变化而变化的结果图。从图4a可知，IMACA在150次迭代后基本得到收敛，在大约300次迭代后完全收敛。由于IMACA整个优化过程均为简单的数值运算，所以优化迭代速度非常快。从图4b、图4c和图4d可知，当卸荷和放弃RES人为操控算子增大之初，BESS和CDG总运行成本呈上升趋势，放弃RES、卸荷总成本和孤岛MMG总运行成本均呈下降趋势。当操控算子增大到一定的数值时，BESS和CDG总运行成本、放弃RES和卸荷总成本、孤岛MMG总运行成本不在发生变化。因此，卸荷和放弃RES人为操控算子的数值越大，BESS和CDG的发电量会增加，同时放弃RES和卸荷数量会下降。通过仿真实验分析可知，当卸荷和放弃RES人为操控算子的数值为τun＝τabRES∈[103,104]时，基于IMACA的孤岛MMG能源调度优化结果基本不再发生变化。一般的，人们更希望充分利用RES和降低卸荷数量，因此，当τun＝τabRES∈[103,104]时，认为基于IMACA的孤岛MMG能源调度优化的结果为全局最优解。
Claims (7)
1.一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，包括以下步骤：
步骤1、建立含区域微电网的孤岛多微电网结构设计：该结构包括3个微电网和额外增加的1个区域微电网；
步骤2、基于多智能体系统的孤岛多微电网结构设计：该结构包括3个微电网、1个区域微电网、可再生能源、蓄电池、柴油机、负荷与智能体之间的连接关系；
步骤3、改进多智能体一致性算法克服逆求解过程设计：在求解时先通过利用误差调整步长和权值矩阵更新每个单元的功率指令，然后利用更新后每个单元的功率输出计算每个微电网的运行成本；
步骤4、基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型建立：处于领导者地位的微电网智能体的运行成本，包括：孤岛多微电网的能源调度优化目标函数、相邻微电网智能体成本加权和、处于领导者地位的微电网智能体的运行成本、净负荷与每个微电网功率指令总和的偏差值；改进多智能体一致性算法的偏差值收敛和微电网运行成本收敛、微电网需求的功率不足和功率过剩时的两种类型变量、优化变量更新和权值矩阵；
步骤5、基于改进多智能体一致性算法的孤岛多微电网能源调度优化流程图设计：预测的可再生能源和负荷数据输入、改进多智能体一致性算法的参数初始化、行随机矩阵计算、优化变量初始化、净负荷计算、迭代次数设置、运行成本计算、偏差值计算、微电网领导者运行成本计算、收敛条件判断、优化变量更新、输出最优解。
2.根据权利要求1所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，所述步骤1的含区域微电网的孤岛多微电网结构，其3个微电网为互联；所额外增加的一个区域微电网，其作用相当于一个备用的储能系统和电源，以提高孤岛多微电网运行的稳定性和可靠性；每个所述的微电网包含不同类型的蓄电池、柴油机、可再生能源和负荷；区域微电网包含区域柴油机和区域蓄电池，并与微电网3相连；相互连接的微电网之间、微电网和区域微电网之间能够进行电力传输。
3.根据权利要求1所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，所述步骤2的基于多智能体系统的孤岛多微电网结构设计，包括：
设计孤岛多微电网中微电网1、微电网2、微电网3、区域微电网、可再生能源、蓄电池、柴油机、负荷和智能体之间的连接关系；与可再生能源相连的智能体，用于收集可再生能源的功率输出信息以及向可再生能源发送是否需要放弃可再生能源的指令；与蓄电池相连的智能体，用于收集蓄电池的荷电状态、充放电功率上限、存储容量信息，以及向蓄电池发送充放电功率指令；与柴油机相连的智能体，用于收集柴油机的输出功率上下限、爬升约束、工作状态信息，以及向柴油机发送输出功率指令；与负荷相连的智能体，用于收集负荷在每个时刻的数值以及向负荷发送是否需要卸荷的指令；分别与微电网1、微电网2、微电网3和区域微电网相连的智能体，用于本地能源调度优化，同时收集相邻微电网的优化结果，并向对应的微电网发送是否需要与相邻微电网交互功率的指令；此外，与可再生能源、蓄电池、柴油机和负荷相连的智能体收集到的所有数据信息需要发送至与微电网1、微电网2、微电网3和区域微电网相连的智能体；同样的，与微电网1、微电网2、微电网3和区域微电网相连的智能体优化得到的能源调度指令需要发送至与可再生能源、蓄电池、柴油机和负荷相连的智能体。
4.根据权利要求1所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，所述步骤3的改进多智能体一致性算法克服逆求解过程设计过程为：改进多智能体一致性算法首先通过计算孤岛多微电网系统的净负荷、净负荷与每个微电网功率指令总和的偏差值；然后利用误差调整步长和权值矩阵更新每个单元的功率输出，再使用更新后的每个单元的功率输出代入相应的成本计算公式，从而得到更新后每个微电网的运行成本，即改进多智能体一致性算法不存在逆求解的问题。
5.根据权利要求1所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，所述步骤4的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，包括：邻接矩阵、权值矩阵、每个智能体的运行成本更新公式、收敛公式、目标函数、优化变量、更新公式等；所建立的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，将改进多智能体一致性算法与孤岛多微电网能源调度优化问题进行结合，其具体内容包括：
孤岛多微电网的能源调度优化目标是，寻找每个单元的最优功率指令使得孤岛多微电网获得最大的经济收益或运行成本最小；因此，孤岛多微电网的能源调度优化目标函数为
式中，CMMG是孤岛多微电网的运行成本；
是第i个微电网的运行成本；
和
分别是柴油机的运行成本、蓄电池的运行成本、卸荷成本和放弃可再生能源成本；
选择每个微电网的运行成本作为一致性变量，用C表示；则每个智能体的一致性变量更新公式为：
式中，
和
分别为第i个微电网在第k+1次迭代和第j个微电网在第k次迭代的运行成本，N表示总的微电网个数，
是行随机矩阵D在第k次迭代的第i行第j列元素；行随机矩阵与通信拓扑结构有关，它可以由通信拓扑结构的拉普拉斯矩阵L计算得到；因此，dij可由以下公式计算得到：
式中，lij是拉普拉斯矩阵L的第i行第j列元素；aij是邻接矩阵A的第i行第j列元素；邻接矩阵与孤岛多微电网系统的连接方式有关；
由式(3)可知，每个微电网通过行随机矩阵获得相邻智能体的前一次迭代的状态信息来更新自己状态信息；为确保孤岛多微电网系统的功率平衡，处于领导地位的微电网需要引导优化方向和优化成本；通常的，选择微电网中发电单元容量较大的作为微电网智能体领导者；微电网智能体领导者的运行成本更新公式为
式中，θ是误差调整步长，一般取值为10-1～10-3，T是总的调度时间，
是孤岛多微电网系统的净负荷，ΔPe,t是净负荷与每个微电网功率指令总和的偏差值，
和
分别是蓄电池的充电和放电功率，
和
分别是柴油机的发电功率，卸荷数量和放弃可再生能源的数量，
和
分别是用户负荷和可再生能源；
改进多智能体一致性算法求解过程中需要满足如下收敛条件：
式中，ε1和ε2是预设的收敛精度。
6.根据权利要求5所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，在步骤4中的基于改进多智能体一致性算法的孤岛多微电网能源调度优化数学模型，其孤岛多微电网能源调度优化的优化变量可以分为两种类型：第一种是当微电网需求的功率不足时，需要增加蓄电池的放电功率、柴油机的发电功率或卸荷数量；第二种是当微电网需求的功率过剩时，需要增加蓄电池的充电功率或放弃可再生能源的数量；因此，优化变量可分别定义为
并且，当改进多智能体一致性算法在优化过程中不满足公式(9)中的收敛条件时，则需要更新优化变量，其更新公式如下
I＝(t,T+t,2T+t,…),II＝(T+t,2T+t,…) (13)
τun,τabRES≥1 (16)
式中，x1(:,I)和x2(:,II)表示矩阵的索引，这里“:”是指索引矩阵的所有行，I和II是指索引矩阵对应列的集合；Γ1和Γ2定义为比例矩阵，也称为权值矩阵；
和
均是蓄电池、柴油机、卸荷和放弃可再生能源的比例因子，表示两种类型优化变量下每种单元的单位成本占总单位成本的比例；
和
分别为蓄电池的单位运行成本、柴油机的单位运行成本、单位卸荷成本和单位放弃可再生能源成本；τun和τabRES分别定义为卸荷和放弃可再生能源的人为操控算子；当τun＝τabRES＝1表示人们对能源调度优化不做任何操控；当τun,τabRES＞1表示人们对能源调度优化进行操控，一般取值为103～104；人为操纵算子的值越大，表示人们希望卸荷数量和放弃可再生能源的数量越低；
式(12)表示优化变量是通过误差调整步长、权值矩阵和偏差值逐步更新直至获得全局最优解；以
为例，当ΔPe,t＞0时，表示t时刻可再生能源不满足负荷需求，则蓄电池的放电功率、柴油机的发电功率或者卸荷数量在权值矩阵和误差调整步长下执行不同程度的增加；当ΔPe,t＜0时，蓄电池的放电功率、柴油机的发电功率或者卸荷数量执行不同程度的减少。
7.根据权利要求1所述的一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法，其特征在于，所述步骤5的基于改进多智能体一致性算法的孤岛能源调度优化流程图设计过程如下：
步骤5.1.数据输入，输入微电网1、微电网2和微电网3在t＝1,2,…T时刻的预测可再生能源和负荷数据；
步骤5.2.改进多智能体一致性算法参数初始化，包括邻接矩阵A、误差调整步长θ、预测收敛精度ε1和ε2、人为操控算子τun和εabRES、比例矩阵Γ1和Γ2、能源调度总调度时间T；
步骤5.3.根据邻接矩阵A和公式(4)可计算得到行随机矩阵D；
步骤5.4.初始化优化变量x1和x2并令其值均为0，即每个单元的功率指令均初始化为0；
步骤5.5.根据公式(8)可计算孤岛多微电网系统的净负荷；
步骤5.6.令迭代次数k＝1；
步骤5.7.根据式(3)计算得到每个微电网和区域微电网的运行成本；
步骤5.8.根据式(7)计算每个微电网功率指令总和的偏差值；
步骤5.9.根据式(6)计算微电网智能体领导者的运行成本；
步骤5.10.根据式(9)判断净负荷与每个微电网功率指令总和的偏差值是否收敛，以及每个微电网的运行成本是否收敛；如果存在一个收敛条件不成立，则执行步骤5.11；否则，执行步骤5.13；
步骤5.11.根据式(12)更新优化变量；
步骤5.12.令迭代次数k＝k+1，跳转至步骤5.7；
步骤5.13.输出最优变量值x1和x2，算法结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210430024.5A CN115034431A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210430024.5A CN115034431A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034431A true CN115034431A (zh) | 2022-09-09 |
Family
ID=83119326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210430024.5A Pending CN115034431A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034431A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110854927A (zh) * | 2019-10-28 | 2020-02-28 | 国网福建省电力有限公司 | 一种孤岛型微电网分布式协同控制方法 |
-
2022
- 2022-04-22 CN CN202210430024.5A patent/CN115034431A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110854927A (zh) * | 2019-10-28 | 2020-02-28 | 国网福建省电力有限公司 | 一种孤岛型微电网分布式协同控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| KANG YANG等: "Energy dispatch optimization of islanded multi-microgrids based on symbiotic organisms search and improved multi-agent consensus algorithm", 《ENERGY》, 15 January 2022 (2022-01-15), pages 2 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111884213B (zh) | 一种基于深度强化学习算法的配电网电压调节方法 | |
| CN109713732B (zh) | 一种多微电网和配电网协调优化调度的方法 | |
| CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
| CN113098007B (zh) | 基于分层强化学习的微电网分布式在线调度方法及系统 | |
| CN110165714B (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
| CN110858718B (zh) | 考虑经济性的交流微电网分布式事件驱动的频率控制方法 | |
| CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
| CN109878369A (zh) | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 | |
| CN107991902A (zh) | 一种航天器的供电系统的建模及仿真方法 | |
| CN113162090A (zh) | 一种计及电池模块容量的储能系统容量配置优化方法 | |
| CN115395647A (zh) | 基于一致性算法的配电台区群云边协同调控方法和系统 | |
| CN109449994B (zh) | 一种含柔性互联装置的主动配电网的功率调控方法 | |
| CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
| CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
| CN110490492A (zh) | 一种划分分布式能源集群的方法和装置 | |
| CN115034431A (zh) | 一种基于改进多智能体一致性算法的孤岛多微电网能源调度优化方法 | |
| CN115001002B (zh) | 一种求解储能参与削峰填谷的优化调度方法和系统 | |
| CN114971250B (zh) | 基于深度q学习的综合能源经济调度系统 | |
| CN113285474B (zh) | 一种参数优化的交流微电网储能soc均衡分布式控制方法 | |
| Hu et al. | Energy management for microgrids using a reinforcement learning algorithm | |
| CN114400704A (zh) | 基于双q学习考虑经济调节的孤岛微电网多模式切换策略 | |
| CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
| CN113078633A (zh) | 一种含可再生能源的输配电耦合系统恢复力提升方法 | |
| Kang et al. | Power flow coordination optimization control method for power system with DG based on DRL | |
| Romero et al. | Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints |
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 |