CN115149586A - 一种分布式能源聚合调控与自主调控协同优化方法及系统 - Google Patents
一种分布式能源聚合调控与自主调控协同优化方法及系统 Download PDFInfo
- Publication number
- CN115149586A CN115149586A CN202210916474.5A CN202210916474A CN115149586A CN 115149586 A CN115149586 A CN 115149586A CN 202210916474 A CN202210916474 A CN 202210916474A CN 115149586 A CN115149586 A CN 115149586A
- Authority
- CN
- China
- Prior art keywords
- regulation
- load
- distributed
- control
- autonomous
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 210
- 238000005457 optimization Methods 0.000 title claims abstract description 81
- 230000002776 aggregation Effects 0.000 title claims abstract description 75
- 238000004220 aggregation Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000002787 reinforcement Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 4
- 238000012887 quadratic function Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/62—The condition being non-electrical, e.g. temperature
- H02J2310/64—The condition being economic, e.g. tariff based load management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布式能源聚合调控与自主调控协同优化方法及系统,包含设备层,边缘层和云层;设备层将负荷与电源信息上传至边缘层,边缘层训练局部模型上传至云层并接收云层下发的全局模型,同时根据全局模型与局部模型向设备层下发聚合调控与自主调控指令。包括以下步骤:(1)提出区域电网分布式能源调控系统模型;(2)构建分布式光伏总出力成本和供电可靠性联合优化问题;(3)基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化。本发明提高局部模型的训练和调控优化性能,实现了信息不确定性下的全局决策优化,实现了电网运行的经济性和可靠性的联合优化。
Description
技术领域
本发明属于新型电力系统技术领域,具体涉及一种分布式能源聚合调控与自主调控协同优化方法及系统。
背景技术
随着新型电力系统的建设,大量风力发电机、屋顶光伏、智能家电、电动汽车和充电桩等分布式源荷储能源接入电网,对分布式能源调控提出了更高的要求。分布式能源具有关联复杂、容量小、位置分散等特点,可通过第三方聚合器或电网对其进行聚合调控,也可以通过内部和外部信息的交换实现自主调控。例如,分布式负荷可以聚合成一个大容量的可调控单元,来提供负荷转移和调峰等辅助服务。相应地,分布式光伏可充当智能体,根据可调控负荷量、出力成本以及出力约束自主调控实时功率输出。然而,在对分布式能源进行聚合调控和自主调控时,仍然面临着以下关键挑战。
第一,聚合调控与自主调控相互耦合。一方面,负荷聚合调控直接决定了分布式光伏自主调控的总出力值;另一方面,分布式光伏自主调控的出力值和出力成本也会影响负荷聚合调控优化所需的状态信息、奖励值与局部模型训练。因此,如何解决两者之间的耦合问题,实现聚合调控和自主调控的协同优化仍然是一个亟待解决的问题。
第二,供电可靠性与调控经济性之间的矛盾。一方面,电网调控目标已经从传统的发电成本最小化转向调控经济性最大化;另一方面,供电可靠性是保障民生的重要指标。然而,调控经济性与供电可靠性是一对矛盾的衡量指标。如果过分强调供电可靠性,势必在分布式光伏出力不足的情况下,增加分布式能源的出力以满足负荷需求,造成经济损失;否则,供电可靠性将受到威胁。因此,调控经济性与供电可靠性之间的矛盾是亟需考虑的另一个关键问题。
综上所述,电网发展现阶段迫切需要设计一种分布式能源聚合调控与自主调控协同优化方法及系统,提升电网运行的经济性和可靠性。
发明内容
本发明所要解决的技术问题:
1.分布式能源聚合与自主调控相互耦合问题
本发明构建了新型电力系统分布式能源的聚合调控与自主调控系统,将分布式能源调控优化问题解耦为两阶段协同优化问题,在第一阶段进行负荷聚合调控优化,第二阶段进行分布式能源自主调控优化,从而实现了分布式能源聚合调控和自主调控的协同优化。
2.供电可靠性与调控经济性之间的矛盾问题
本发明构建了综合考虑负荷需求与光伏出力的分布式能源调控模型,在供需平衡、电网运行可靠性、分布式光伏出力上下限的约束下,联合优化供电可靠性与调度经济性,最大限度地考虑了电网运营对二者需求的折衷。
具体的技术方案:
一种分布式能源聚合调控与自主调控协同优化系统,包含设备层,边缘层和云层;设备层将负荷与电源信息上传至边缘层;
边缘层根据设备层上传的负荷和电源信息训练局部模型,边缘层将训练后的局部模型上传至云层并接收云层下发的全局模型;局部模型用于边缘层进行区域电网内部负荷调度决策;全局模型用于汇集各个局部模型,并会及时的下发至各个边缘,实现边缘之间信息的共享;
边缘层根据全局模型与局部模型向设备层下发聚合调控与自主调控指令,聚合调控与自主调控指令用于控制分布式能源聚合调控和自主调控。
具体的,所述的设备层由分布式发电机、分布式负荷以及分布式储能器组成;所述的边缘层由区域电网调控控制器和现场边缘服务器组成,作为设备层和云层之间的桥梁;所述的云层包含中央云服务器支持的电网调控控制器,负责分布式的跨区域优化能源调控。
一种分布式能源聚合调控与自主调控协同优化方法,采用所述的系统,包括以下步骤:
(1)根据区域电网负荷和电源等信息,提出区域电网分布式能源调控系统模型;
(2)基于步骤(1)提出的分布式能源聚合调控模型,构建分布式光伏总出力成本和供电可靠性联合优化问题;
(3)设计基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法,求解步骤(2)中的联合优化问题,实现分布式能源聚合调控与自主调控。
具体的,步骤(1)中,负荷和分布式光伏调控的场景由中央控制器、区域控制器、负荷和分布式光伏组成;配电网分为N个区域,集合定义为G;第n个区域电网Gn包含Mn个分布式光伏,集合定义为εn;总的调控时间包含T个时隙,集合为T;在每个时隙中,区域控制器收集本地信息,以实现汇总的负荷调控;然后,分布式光伏设备根据调控的负荷自主地调控输出功率;中央控制器从每个区域控制器收集本地模型,并实现全局汇总和分析。
步骤(1)中模型包括:
步骤(1)中模型包括:
电网负荷模型:每个区域电网的负荷是基本负荷和可调控负荷之和;基本负荷代表不可调控的能源需求,而可调控负荷是为了保证供电可靠性而进行的汇总和动态调控;
供电的可靠性模型:负荷需求调控不当不仅会造成能源供需的不平衡,影响分布式能源消耗,而且还会对电力供应可靠性造成潜在的威胁和压力;如果能源供应过剩,则可以避免不必要的负荷调控比例削减;供电可靠性,即Rn,根据计划负荷与最大可调控负荷的比率来衡量;
Gn
分布式光伏自主调控的经济性模型:每个区域电网的总负荷由分布式光伏支持;将区域电网Gn中的第m个分布式光伏定义为其输出功率为 的出力成本被建模为的二次函数;Gn中自主分布式光伏调控的总成本是Mn分布式光伏的输出成本之和。
光伏出力成本函数可以近似描述为二次函数形式,如下所示:
根据各个光伏单元的出力成本函数可以得到区域电网总发电成本:
步骤(2)中,分布式能源调控的目标其公式为:
其中Vr是一个非负的权重;C1是预定负荷比例约束;ρn(t)被离散为K级;C2是瞬时供需平衡约束;C3是分布式光伏的输出功率约束,其中和分别是的输出功率下限和上限;C4是区域电网运行的可靠性约束,其中Rn,min(t)代表Gn的最小可靠性要求。
步骤(3),包括:
第一阶段负荷聚合调控优化;
每个区域电网的第一阶段优化问题可由状态空间、行动空间和奖励组成;状态空间定义为由供电可靠性、可调控负荷和分布式光伏输出成本参数的历史信息组成;行动空间定义为可选择的计划负荷比例的集合;奖励定义为供电可靠性和光伏输出成本之间的加权差;
每个区域控制器自身构建一个本地的负荷聚合调控模型,包括一个评估网络、一个目标网络和一个经验回放池;本地模型的训练是基于本地信息的;中央控制器从区域电网收集本地模型,基于联合聚合训练一个聚合负荷调控的全局模型,并及时将全局模型分发到每个区域电网;
第二阶段分布式光伏自主调控优化;
每个区域电网中的分布式光伏的通信拓扑结构被描述为一个无向图GFn=(Vn,òn,An),其中Vn代表节点的集合,即分布式光伏,騙n∈Vn×Vn代表边的集合,即分布式光伏之间的通信连接;代表邻接矩阵,当能与通信时,否则所有能与通信的分布式光伏被称为的邻居节点,该集合被表示为
基于第一阶段获得的综合负荷调控决策,分布式光伏自主调控决策在构建的通信拓扑图的基础上被优化;分布式光伏与它的邻居交换增量成本,并迭代更新以达到共识收敛;每个分布式光伏的输出是根据共识收敛的增量成本确定的。
步骤(3),具体过程包括:
步骤1:初始化
同时输入最小和最大可调控负荷作为分布式光伏的输出成本系数;初始化聚合的局部模型和全局模型的参数以及经验回放池;初始化每个分布式光伏机组的增量成本和产量以及自治的一致收敛条件分布式光伏调控;
步骤2:第一阶段负荷聚合调控决策
1)基于本地评估网络,Gn区域控制器采用贪婪策略来选择一个动作,获得聚合负荷调控决策,即ρn(t)并且计算调控负荷;
2)区域控制器计算总负荷Pn(t)基于基本负荷和计划负荷,以及将其传输到分布式光伏s;
步骤3:第二阶段分布式光伏自主调控决策
否则,返回1);
8)重复3)-7),直到所有分布式光伏机组输出功率均满足上下限约束;
步骤4:两阶段协同优化方法中调控模型更新
1):每个区域控制器根据聚合的自主调控决策计算奖励,转移到下一个状态,并将转移存储到经验回放池中;转换包含当前状态、操作、奖励和下一个状态;
2):区域控制器从经验回放池中随机选择几个过渡,并计算损失函数,损失函数定义为评估网络提供的估计Q值与目标网络提供的目标Q值之间的平方差的平均值;采用梯度下降法,基于损失函数对评价网络进行更新;评估网络的参数定期分配给目标网络;
3):区域控制器将经过训练的本地模型上载到中央控制器,中央控制器通过联合聚合训练全局模型,并将其分发给区域控制器;
4):进入下一个时隙,迭代执行所有四个阶段,直到整个优化周期结束。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
还提供一种分布式能源聚合调控与自主调控协同优化平台,所述平台包括所述计算机可读存储介质。
本发明具体的技术效果:
本发明所提系统由设备层、边缘层、云层组成。设备层各区域电网间的分布式能源通过本地通信网交换信息进行自主调控。边缘层部署区域电网控制器在多目标引导和多约束下,基于历史负荷数据训练局部调控优化模型,做出聚合调控决策,同时将本地模型上传至云层并接受云层下发的全局模型,从而提高局部模型的训练和调控优化性能。所提系统以分层结构无缝集成聚合调控和自主调控,实现二者协同优化。
本发明提出的两阶段协同优化方法,第一阶段负荷聚合调控,构建局部模型,局部模型通过目标网络和经验回放池来辅助估值网络的更新,并采用贪婪策略执行负荷聚合调控动作;第二阶段分布式光伏自主调控,根据第一阶段产生的负荷需求,分布式光伏彼此交换增量成本,通过迭代更新实现增量成本的一致性收敛,根据收敛的增量成本确定分布式光伏输出功率,实现自主调度优化。所提方法仅依靠本地信息优化聚合自主调控决策,实现了信息不确定性下的全局决策优化。同时所提方法以分布式光伏总出力成本和供电可靠性之间的加权差值最小为优化目标,实现了电网运行的经济性和可靠性的联合优化。
附图说明
图1为本发明分布式能源聚合调控与自主调控协同优化系统;
图2为本发明两阶段协同优化方法流程图;
图3为实施例供电可靠性;
图4为实施例分布式光伏的时间平均输出成本;
图5为实施例分布式光伏输出功率;
图6为实施例分布式光伏增量成本。
具体实施方式
本发明所提技术方案设计了一种分布式能源聚合调控与自主调控协同优化系统:设备层将负荷与电源信息上传至边缘层,边缘层训练局部模型上传至云层并接收云层下发的全局模型,同时根据全局模型与局部模型向设备层下发聚合调控与自主调控指令。基于上述分布式能源调控系统,本发明设计了基于一致性联邦学习的协同优化方法,汇聚可调度负荷参与新能源消纳的同时实现调整分布式光伏出力以适配负荷需求。
分布式能源聚合调控与自主调控协同优化系统如图1所示。该分层架构主要包含设备层,边缘层和云层。
设备层由光伏板和风力涡轮机等分布式发电机、道路灯和空调等分布式负荷以及电动汽车和能源蓄电池等分布式储能器组成。电气设备与海量具有通信和计算能力的智能终端相连接。智能终端负责运行、状态、故障、环境数据的实时收集和聚合。然后,设备层通过交流/直流(AC/DC)电力线载波、无线局域网(WLAN)、微功率无线、5G、4G、工业以太网等各种通信媒体与边缘层进行交互,用于任务卸载和调控指令接收。另一方面,这些设备也可以通过本地通信网络相互交换数据,做出自主调控决策。
边缘层由区域电网调控控制器和现场边缘服务器组成,作为设备层和云层之间的桥梁。每个区域控制器负责其区域内的分布式发电机、负荷和储能能源的调控。为了促进聚合调控,每个区域控制器在多目标引导和多约束下,基于历史负荷数据训练一个局部调控优化模型,做出聚合调控决策,并将决策分配到设备层。此外,区域控制器还通过4G/5G、卫星、光纤等远程通信网络与云层进行交互,用于本地模型上传和全局模型接收。
云层包含中央云服务器支持的电网调控控制器,负责分布式的跨区域优化能源调控。云层支持多种分布式能源调控功能,如光储充电一体化、跨区域能源交易、中期和长期的、日前的、日内的、实时的多时间尺度调控。具体来说,中央控制器基于区域控制器通过联邦聚合上传的本地模型,训练分布式能源调控的全局模型。然后,将训练后的全局模型分配给每个区域控制器,以提高局部模型的训练和调控优化性能。
本发明提出的分布式能源聚合调控与自主调控协同优化方法,主要由三个步骤构成。首先,提出区域电网分布式能源调控系统模型;其次,构建分布式光伏总出力成本和供电可靠性联合优化问题;最后,介绍基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法。具体的:
(1)系统模型
负荷和分布式光伏调控的场景由中央控制器、区域控制器、负荷和分布式光伏组成。配电网分为N个区域,集合定义为G。第n个区域电网Gn包含Mn个分布式光伏,集合定义为εn。总的调控时间包含T个时隙,集合为T。在每个时隙中,区域控制器收集本地信息,以实现汇总的负荷调控。然后,分布式光伏设备根据调控的负荷自主地调控输出功率。中央控制器从每个区域控制器收集本地模型,并实现全局汇总和分析。
电网负荷模型:每个区域电网的负荷是基本负荷和可调控负荷之和。基本负荷代表不可调控的能源需求,而可调控负荷是为了保证供电可靠性而进行的汇总和动态调控。
供电的可靠性模型:负荷需求调控不当不仅会造成能源供需的不平衡,影响分布式能源消耗,而且还会对电力供应可靠性造成潜在的威胁和压力。如果能源供应过剩,则可以避免不必要的负荷调控比例削减。供电可靠性,即Rn,根据计划负荷与最大可调控负荷的比率来衡量。
分布式光伏自主调控的经济性模型:每个区域电网的总负荷由分布式光伏支持。将区域电网Gn中的第m个分布式光伏定义为其输出功率为 的输出成本被建模为的二次函数。Gn中自主分布式光伏调控的总成本是Mn分布式光伏的输出成本之和。
(2)问题提出
新型电力系统中的分布式能源调控的目标是通过集合负荷调控和自主分布式光伏调控的协同优化,使分布式光伏总出力成本和供电可靠性之间的加权差值最小,其公式为:
其中Vr是一个非负的权重。C1是预定负荷比例约束。ρn(t)被离散为K级。C2是瞬时供需平衡约束。C3是分布式光伏的输出功率约束,其中和分别是的输出功率下限和上限。C4是区域电网运行的可靠性约束,其中Rn,min(t)代表Gn的最小可靠性要求。
(3)基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法
本发明提出基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法解决上述优化问题,即第一阶段的负荷聚合调控优化和第二阶段的分布式光伏自主调控优化。基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法流程如图2所示。
第一阶段负荷聚合调控优化。每个区域电网的第一阶段优化问题可由状态空间、行动空间和奖励组成。状态空间定义为由供电可靠性、可调控负荷和分布式光伏输出成本参数的历史信息组成;行动空间定义为可选择的计划负荷比例的集合;奖励定义为供电可靠性和光伏输出成本之间的加权差。
在本发明所提的两阶段协同优化方法中,每个区域控制器自身构建一个本地的负荷聚合调控模型,包括一个评估网络、一个目标网络和一个经验回放池。本地模型的训练是基于本地信息的。特别是利用目标网络和经验回放池来协助评估网络更新,提高本地模型训练的效率和稳定性。中央控制器从区域电网收集本地模型,基于联合聚合训练一个聚合负荷调控的全局模型,并及时将全局模型分发到每个区域电网。
第二阶段分布式光伏自主调控优化。每个区域电网中的分布式光伏的通信拓扑结构被描述为一个无向图GFn=(Vn,òn,An),其中Vn代表节点的集合,即分布式光伏,騙n∈Vn×Vn代表边的集合,即分布式光伏之间的通信连接。代表邻接矩阵,当能与通信时,否则所有能与通信的分布式光伏被称为的邻居节点,该集合被表示为
基于第一阶段获得的综合负荷调控决策,分布式光伏自主调控决策在构建的通信拓扑图的基础上被优化。分布式光伏与它的邻居交换增量成本,并迭代更新以达到共识收敛。每个分布式光伏的输出是根据共识收敛的增量成本确定的。
步骤具体实施过程如下:
步骤1:初始化
同时输入最小和最大可调控负荷作为分布式光伏的输出成本系数。初始化聚合的局部模型和全局模型的参数以及经验回放池。初始化每个分布式光伏机组的增量成本和产量以及自治的一致收敛条件分布式光伏调控。
步骤2:第一阶段负荷聚合调控决策
1)基于本地评估网络,Gn区域控制器采用贪婪策略来选择一个动作,获得聚合负荷调控决策,即ρn(t)并且计算调控负荷。
2)区域控制器计算总负荷Pn(t)基于基本负荷和计划负荷,以及将其传输到分布式光伏s。
步骤3:第二阶段分布式光伏自主调控决策
否则,返回1)。
8)重复3)-7),直到所有分布式光伏机组输出功率均满足上下限约束。
步骤4:两阶段协同优化方法中调控模型更新
1):每个区域控制器根据聚合的自主调控决策计算奖励,转移到下一个状态,并将转移存储到经验回放池中。转换包含当前状态、操作、奖励和下一个状态。
2):区域控制器从经验回放池中随机选择几个过渡,并计算损失函数,损失函数定义为评估网络提供的估计Q值与目标网络提供的目标Q值之间的平方差的平均值。采用梯度下降法,基于损失函数对评价网络进行更新。评估网络的参数定期分配给目标网络。
3):区域控制器将经过训练的本地模型上载到中央控制器,中央控制器通过联合聚合训练全局模型,并将其分发给区域控制器。
4):进入下一个时隙,迭代执行所有四个阶段,直到整个优化周期结束。
本发明对上述提出的基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法进行仿真实验,其中实验设置包括五个区域电网,每个电网包含6个分布式光伏机组。其中分布式光伏机组的输出下限和上限分别为:[2,2,1.5,1.5,1,0.8]kW和[3.6,3.6,3,1.8,1.4]kW。区域电网的最小和最大可调控负荷为[3,2,3,4,2]kW和[7,9,8,7,7]kW,基本的负荷功率为[7,5,8,6,5]kW。
本发明在实验中设置了两个算法进行对比验证,基于DQN的分布式能源调控算法(DQN-DRS)允许每个区域控制器在其区域内调控负荷,但是缺少中央控制器的协调控制,无法实现区域控制器之间的聚合调控。基于联邦DQN的分布式能源调控算法(FDQN-DRS)采用与本发明方法相同的聚合调控模型,但是未考虑分布式光伏之间的信息交互,无法实现分布式能源的自主调控。仿真结果表明,本发明提出两阶段协同优化算法优越性能优越,能够实现分布式能源聚合和自主调控的协同优化。
图3显示了供电可靠性,图4显示了分布式光伏的时间平均输出成本。当t=100时,相比于DQN-DRS和FDQN-DRS,本发明所提两阶段协同优化算法的供电可靠性分别提高了29.88%和16.89%,同时降低了23.09%和17.03%的输出成本。原因是本发明所提两阶段协同优化算法采用了基于一致性迭代算法的分布式光伏自主调控和负荷聚合调控以平衡电网运行的可靠性和经济性。DQN-DRS和FDQN-DRS由于无法优化自主调控,无法解决负荷调控与分布式光伏输出之间的匹配问题,因此性能较差,其中DQN-DRS未考虑中央控制器的协调控制,缺少全局视角,因此性能最差。
Claims (10)
1.一种分布式能源聚合调控与自主调控协同优化系统,其特征在于:包含设备层,边缘层和云层;
设备层将负荷与电源信息上传至边缘层;
边缘层根据设备层上传的负荷和电源信息训练局部模型,边缘层将训练后的局部模型上传至云层并接收云层下发的全局模型;局部模型用于边缘层进行区域电网内部负荷调度决策;全局模型用于汇集各个局部模型,并会及时的下发至各个边缘,实现边缘之间信息的共享;
边缘层根据全局模型与局部模型向设备层下发聚合调控与自主调控指令,聚合调控与自主调控指令用于控制分布式能源聚合调控和自主调控。
2.根据权利要求1所述的一种分布式能源聚合调控与自主调控协同优化系统,其特征在于:所述的设备层由分布式发电机、分布式负荷以及分布式储能器组成;所述的边缘层由区域电网调控控制器和现场边缘服务器组成;所述的云层包含中央云服务器支持的电网调控控制器,负责分布式的跨区域优化能源调控。
3.一种分布式能源聚合调控与自主调控协同优化方法,其特征在于,采用权利要求1或2所述的系统,包括以下步骤:
(1)根据区域电网负荷和电源等信息,构建区域电网分布式能源调控系统模型;
(2)基于步骤(1)提出的分布式能源聚合调控模型,构建分布式光伏总出力成本和供电可靠性联合优化问题;
(3)设计基于一致性算法增强联邦深度强化学习的负荷聚合调控与分布式光伏自主调控两阶段协同优化方法,求解步骤(2)中的联合优化问题,实现分布式能源聚合调控与自主调控。
4.根据权利要求3所述的一种分布式能源聚合调控与自主调控协同优化方法,其特征在于,步骤(1)中,负荷和分布式光伏调控的场景由中央控制器、区域控制器、负荷和分布式光伏组成;配电网分为N个区域,集合定义为G;第n个区域电网Gn包含Mn个分布式光伏,集合定义为εn;总的调控时间包含T个时隙,集合为T;在每个时隙中,区域控制器收集本地信息,以实现汇总的负荷调控;分布式光伏设备根据调控的负荷自主地调控输出功率;中央控制器从每个区域控制器收集本地模型,并实现全局汇总和分析。
5.根据权利要求4所述的一种分布式能源聚合调控与自主调控协同优化方法,其特征在于,步骤(1)中模型包括:
光伏出力成本函数为:
根据各个光伏单元的出力成本函数得到区域电网总发电成本:
7.根据权利要求3所述的一种分布式能源聚合调控与自主调控协同优化方法,其特征在于,步骤(3),包括:
第一阶段负荷聚合调控优化;
每个区域电网的第一阶段优化问题可由状态空间、行动空间和奖励组成;状态空间定义为由供电可靠性、可调控负荷和分布式光伏输出成本参数的历史信息组成;行动空间定义为可选择的计划负荷比例的集合;奖励定义为供电可靠性和光伏输出成本之间的加权差;
每个区域控制器自身构建一个本地的负荷聚合调控模型,包括一个评估网络、一个目标网络和一个经验回放池;本地模型的训练是基于本地信息的;中央控制器从区域电网收集本地模型,基于联合聚合训练一个聚合负荷调控的全局模型,并及时将全局模型分发到每个区域电网;
第二阶段分布式光伏自主调控优化;
每个区域电网中的分布式光伏的通信拓扑结构被描述为一个无向图GFn=(Vn,òn,An),其中Vn代表节点的集合,即分布式光伏,代表边的集合,即分布式光伏之间的通信连接;代表邻接矩阵,当能与通信时,否则所有能与通信的分布式光伏被称为的邻居节点,该集合被表示为
基于第一阶段获得的综合负荷调控决策,分布式光伏自主调控决策在构建的通信拓扑图的基础上被优化;分布式光伏与它的邻居交换增量成本,并迭代更新以达到共识收敛;每个分布式光伏的输出是根据共识收敛的增量成本确定的。
8.根据权利要求3所述的一种分布式能源聚合调控与自主调控协同优化方法,其特征在于,步骤(3),具体过程包括:
步骤1:初始化
同时输入最小和最大可调控负荷作为分布式光伏的输出成本系数;初始化聚合的局部模型和全局模型的参数以及经验回放池;初始化每个分布式光伏机组的增量成本和产量以及自治的一致收敛条件分布式光伏调控;
步骤2:第一阶段负荷聚合调控决策
1)基于本地评估网络,Gn区域控制器采用贪婪策略来选择一个动作,获得聚合负荷调控决策,即ρn(t)并且计算调控负荷;
2)区域控制器计算总负荷Pn(t)基于基本负荷和计划负荷,以及将其传输到分布式光伏s;
步骤3:第二阶段分布式光伏自主调控决策
否则,返回1);
8)重复3)-7),直到所有分布式光伏机组输出功率均满足上下限约束;
步骤4:两阶段协同优化方法中调控模型更新
1):每个区域控制器根据聚合的自主调控决策计算奖励,转移到下一个状态,并将转移存储到经验回放池中;转换包含当前状态、操作、奖励和下一个状态;
2):区域控制器从经验回放池中随机选择几个过渡,并计算损失函数,损失函数定义为评估网络提供的估计Q值与目标网络提供的目标Q值之间的平方差的平均值;采用梯度下降法,基于损失函数对评价网络进行更新;评估网络的参数定期分配给目标网络;
3):区域控制器将经过训练的本地模型上载到中央控制器,中央控制器通过联合聚合训练全局模型,并将其分发给区域控制器;
4):进入下一个时隙,迭代执行所有四个阶段,直到整个优化周期结束。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现权利要求3至8任意一项方法的步骤。
10.一种分布式能源聚合调控与自主调控协同优化平台,其特征在于,所述平台包括权利要求9所述计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916474.5A CN115149586B (zh) | 2022-08-01 | 2022-08-01 | 一种分布式能源聚合调控与自主调控协同优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916474.5A CN115149586B (zh) | 2022-08-01 | 2022-08-01 | 一种分布式能源聚合调控与自主调控协同优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115149586A true CN115149586A (zh) | 2022-10-04 |
CN115149586B CN115149586B (zh) | 2024-07-19 |
Family
ID=83414703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916474.5A Active CN115149586B (zh) | 2022-08-01 | 2022-08-01 | 一种分布式能源聚合调控与自主调控协同优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115149586B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116264403A (zh) * | 2022-12-28 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 一种大规模分布式光伏接入的低压配电网综合治理方法 |
CN116845974A (zh) * | 2023-08-31 | 2023-10-03 | 广东电网有限责任公司中山供电局 | 一种分布式电源快速控制方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565331A (zh) * | 2020-11-02 | 2021-03-26 | 中山大学 | 一种基于边缘计算的端-边协同联邦学习优化方法 |
CN113055488A (zh) * | 2021-03-23 | 2021-06-29 | 重庆邮电大学 | 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 |
CN114219212A (zh) * | 2021-11-12 | 2022-03-22 | 国网河北省电力有限公司 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
CN114626306A (zh) * | 2022-03-22 | 2022-06-14 | 华北电力大学 | 一种园区分布式能源调控信息新鲜度保障方法及系统 |
CN114744687A (zh) * | 2022-06-13 | 2022-07-12 | 深圳市科中云技术有限公司 | 一种虚拟电厂的能源调控方法及系统 |
-
2022
- 2022-08-01 CN CN202210916474.5A patent/CN115149586B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565331A (zh) * | 2020-11-02 | 2021-03-26 | 中山大学 | 一种基于边缘计算的端-边协同联邦学习优化方法 |
CN113055488A (zh) * | 2021-03-23 | 2021-06-29 | 重庆邮电大学 | 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 |
CN114219212A (zh) * | 2021-11-12 | 2022-03-22 | 国网河北省电力有限公司 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
CN114626306A (zh) * | 2022-03-22 | 2022-06-14 | 华北电力大学 | 一种园区分布式能源调控信息新鲜度保障方法及系统 |
CN114744687A (zh) * | 2022-06-13 | 2022-07-12 | 深圳市科中云技术有限公司 | 一种虚拟电厂的能源调控方法及系统 |
Non-Patent Citations (1)
Title |
---|
周振宇等: "电力物联网5G 云–边–端协同框架与资源调度方法", 《电网技术》, vol. 46, no. 5, 31 May 2022 (2022-05-31), pages 1641 - 1651 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116264403A (zh) * | 2022-12-28 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 一种大规模分布式光伏接入的低压配电网综合治理方法 |
CN116264403B (zh) * | 2022-12-28 | 2024-03-26 | 国网浙江省电力有限公司桐乡市供电公司 | 一种大规模分布式光伏接入的低压配电网综合治理方法 |
CN116845974A (zh) * | 2023-08-31 | 2023-10-03 | 广东电网有限责任公司中山供电局 | 一种分布式电源快速控制方法、装置、设备和介质 |
CN116845974B (zh) * | 2023-08-31 | 2024-01-23 | 广东电网有限责任公司中山供电局 | 一种分布式电源快速控制方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115149586B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yamashita et al. | A review of hierarchical control for building microgrids | |
Tan et al. | Adaptive robust energy and reserve co-optimization of integrated electricity and heating system considering wind uncertainty | |
Hemmati | Technical and economic analysis of home energy management system incorporating small-scale wind turbine and battery energy storage system | |
CN112072641B (zh) | 一种源网荷储柔性协调控制和运行优化方法 | |
Wang et al. | Coordinated dispatch of virtual energy storage systems in LV grids for voltage regulation | |
JP7261507B2 (ja) | 電気ヒートポンプ-熱電併給システムを最適化する調整方法及びシステム | |
Zong et al. | Application of model predictive control for active load management in a distributed power system with high wind penetration | |
Cui et al. | Economic storage sharing framework: Asymmetric bargaining-based energy cooperation | |
Meng et al. | Coordinated dispatch of virtual energy storage systems in smart distribution networks for loading management | |
CN115149586B (zh) | 一种分布式能源聚合调控与自主调控协同优化方法及系统 | |
Xia et al. | An autonomous real-time charging strategy for plug-in electric vehicles to regulate frequency of distribution system with fluctuating wind generation | |
CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
Wang et al. | Load curve smoothing strategy based on unified state model of different demand side resources | |
CN110826880A (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
CN107706932A (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
CN111553544B (zh) | 基于一致性算法的工业园区分布式综合需求响应方法 | |
CN108830479A (zh) | 一种计及电网全成本链的主配协同规划方法 | |
Kou et al. | A distributed energy management approach for residential demand response | |
CN115545541A (zh) | 多区域综合能源系统调度方法、设备和存储介质 | |
Dagdougui et al. | Towards a concept of cooperating power network for energy management and control of microgrids | |
Lv et al. | Data-based optimal microgrid management for energy trading with integral Q-learning scheme | |
Bolurian et al. | Bi-level energy management model for the smart grid considering customer behavior in the wireless sensor network platform | |
Ferrarini et al. | A distributed model predictive control approach for the integration of flexible loads, storage and renewables |
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 |