CN116029506A - 一种基于需求侧响应的能源系统优化调度方法 - Google Patents

Abstract

本公开揭示了一种基于需求侧响应的能源系统优化调度方法，包括如下步骤：S100：获取需求侧用户的用能行为信息，基于用能行为信息生成需求侧用户的用能行为竞标；S200：构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；S300：根据步骤S200所构建的基于代理的需求侧模型，构建需求侧能耗峰值管理优化调度模型P1；S400：求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。本公开能够实现需求侧响应能源效益最大化配置，降低需求侧用能能耗峰值，从而实现需求侧用能最优模式配置。

Description

一种基于需求侧响应的能源系统优化调度方法

技术领域

本公开属于能源系统运行与调度自动化技术领域，具体涉及一种基于需求侧响应的能源系统优化调度方法。

背景技术

随着分布式能源管理技术的发展，用户逐渐拥有了通过智能电网参与市场活动的能力，即需求侧响应。用能需求侧响应是我国实现碳达峰、碳中和最重要的手段之一，有着巨大的提升能源利用效率的潜力。有别于传统的单向信息和能量流，智能传感器、仪表、通信、控制与决策新方法等技术使双向信息和能量流成为可能。需求侧响应正是基于双向的信息、能量流让能源消费者、生产者、管理者能够进行“交互”，这种“能源交互”方法可以基于经济或市场的结构，同时应用于管理能源系统中的发电、消费与传输环节。

在能源系统需求侧响应中，其中一大挑战就是用能峰值管理。近年来，我国投入了大量的资源建设能源系统，然而在用能高峰期，依然存在严重的缺电现象。峰值管理对任何能源系统都至关重要。首先，为满足峰值负荷，需要投入大量建设资源和运行成本；其次，负荷处于峰值的时段，系统内可调用资源最少，也是系统运行最脆弱的时段。

目前，需求侧响应存在两大挑战，其一，规模化推广存在优化问题计算量大的问题；其二，为找到最优用能方式，系统往往需要收集用户的详细用能信息。第一个挑战来自于需求侧响应的优化问题本身，需求侧响应通常建模为一个混合整数优化问题，随着规模的增大，计算量成指数增长。第二个挑战涉及到用户隐私泄露，第三方通过对用能数据的推演与分析，可得到居民的日常活动或生活习惯。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于需求侧响应的能源系统优化调度方法，该方法基于原始的混合整数线性规划模型、利用对偶投影次梯度法完成模型的快速求解，实现了需求侧响应能源效益最大化配置，降低了需求侧用能峰值，实现了需求侧用能最优模式配置，从而能够解决我国用能高峰时期因峰值过高导致的缺电现象。

为实现上述目的，本公开提供以下技术方案：

一种基于需求侧响应的能源系统优化调度方法，包括以下步骤：

S100：获取需求侧用户的用能行为信息，基于用能行为信息生成需求侧用户的用能行为竞标；

S200：构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

S300：根据步骤S200所构建的基于代理的需求侧模型，构建需求侧能耗峰值管理优化调度模型P1；

S400：求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

优选的，步骤S100中，所述用能行为竞标包括用能时间、用能功耗和用能效益。

优选的，步骤S300中，构建需求侧能耗峰值管理优化调度模型P1包括如下步骤：

S301：确定模型目标函数；

S302：引入需求侧峰值功耗约束条件；

S303：引入竞标选取约束条件；

S304：引入竞标整数约束条件；

S305：基于目标函数、需求侧峰值功耗约束条件、竞标选取约束条件和竞标整数约束条件构建需求侧能耗峰值管理优化调度模型P1。

优选的，所述需求侧能耗峰值管理优化调度模型P1表示为：

x_ij∈{0,1},i∈L,j∈J_i

其中，min为最小化目标函数，i为活动索引，L为需求侧用能活动集合，j为活动竞标索引，J_i为活动i对应的竞标集合，x_ij为表示活动i竞标j是否被选择的决策变量，x为x_ij的全体取值集合，u_ij为活动选择执行竞标j所带来的经济效益，φ为需求侧峰值能耗，c为目标函数中考虑需求侧能耗峰值的权重，通过改变c来综合需求侧用能总效益与需求侧峰值能耗的多重目标。

优选的，步骤S400中，基于对偶投影次梯度法求解需求侧能耗峰值管理优化调度模型P1。

优选的，步骤S400中，所述求解需求侧能耗峰值管理优化调度模型P1包括如下步骤：

S401：松弛整数约束条件，以将混合整数线性规划问题转化为线性规划问题；

S402：引入拉格朗日函数，以将线性规划问题转化为子问题和对偶问题；

S403：改写对偶问题；

S404：子问题最小化，以获取需求侧总能耗信息；

S405：投影计算。

优选的，所述方法还包括如下步骤：

S500：搭建硬件原型，仿真对偶投影次梯度法的硬件执行过程。

优选的，所述硬件模型的搭建过程包括以下步骤：

S501：硬件资源选型；

S502：需求侧模型计算实现；

S503：通信规则设计。

本公开还提供一种基于需求侧响应的能源系统优化调度装置，包括：

获取模块，获取需求侧用户的用能行为信息，并基于用能行为信息生成需求侧用户的用能行为竞标；

第一构建模块，用于构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

第二构建模块，用于基于代理的需求侧模型构建需求侧能耗峰值管理优化调度模型P1；

选择模块，用于求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

本公开还提供一种存储介质，包括：

存储器，用于存储多条计算机指令；

处理器，用于执行计算机指令以实现如前任一所述的方法。

与现有技术相比，本公开带来的有益效果为：

1、本公开提供了一种基于代理的需求侧峰值管理模型，并提出了基于需求侧峰值管理优化调度模型，可提升需求侧建筑能源管理水平，缩减需求侧能源使用费用，对于电网规划建设等相关部门具有一定的实用价值。

2、本公开提供了一种基于对偶投影次梯度法分布式快速求解算法。该方法的原理基于混合整数线性规划理论中的拉格朗日松弛及次梯度方法。与直接求解需求侧能耗峰值管理优化调度模型的混合整数线性规划问题相比，具有时间计算复杂度的求解速度优势，同时完全自主不依赖于任何商业求解器。该算法可以保证送需求侧用能效益最大化，峰值功耗最小化，也可满足需求侧用户的用能需求。此外，该方法具有分布式的特性，可以通过分布式的计算完成算法求解，保护需求侧用户的用能信息不被泄露。

3、本公开提供了一种需求侧峰值管理优化调度求解算法实现的硬件原型。该原型通过一种特有的通信规则设计，同时考虑应用场景中的无线通信需求，为算法最终转化成相应的产品打下了基础。

附图说明

图1是本公开提供的一种基于需求侧响应的能源系统优化调度方法的流程图；

图2是本公开中单个用能行为对应的数个用能竞标示例图；

图3是本公开提供的一种基于代理的需求侧模型示意图；

图4是本公开中对偶投影次梯度法中特殊点的求解过程的示意图；

图5是本公开中硬件资源的功能与连接示意图；

图6是本公开中需求侧代理与建筑代理的通信硬件数据流示意图；

图7是本公开中单片机开发环境提供的串口监视器展示的从串口发出的通信数据示例；

图8是本公开中需求侧用能峰值优化结果实例；

图9是本公开所提出算法在不同参数下的优化结果对比展示；

图10是本公开中一个建筑代理具体硬件实现图；

图11是本公开实施例中六个楼宇的需求侧硬件实现的结果展示。

具体实施方式

下面将参照附图1至图11详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。

一个实施例中，如图1所示，本公开提供一种基于需求侧响应的能源系统优化调度方法，包括以下步骤：

S100：获取能源系统需求侧用户的用能行为信息(即需求侧用户的各种用能行为，例如照明用能、冰箱制冷用能、燃气灶用气等等与生活息息相关的用能行为)，基于用能行为信息生成需求侧用户的用能行为竞标；其中，用能行为竞标包括用能时间、用能功耗和对应的用能效益。示例性的，图2展示了某一用能行为对应的三个不同竞标，即竞标1，竞标2和竞标3，每个竞标表示为一条时间-能耗曲线，三条曲线表示在五个时间段内的不同能耗大小。由图2可知，执行相同的用能活动可以有不同的执行方式，对应于不同的用能竞标，不同的用能竞标在不同的时刻对应不同的能耗，为需求侧用能行为选取合适的竞标并执行，以降低需求侧的总能耗峰值，就是基于需求侧响应的能源系统优化调度方法的核心思想。另外，不同的用能竞标对应产生不同的用能效益值，本实施例中以执行用能行为带来的直接经济效益为准，单位为元。为需求侧用能行为选取合适的竞标以最大化能源系统的用能总效益是基于需求侧响应的能源系统优化调度的另一个关键目标。

S200：构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

该步骤中，本实施例通过引入智能体模型(智能体模型是一种用来模拟具有自主意识的智能体的行动和相互作用的计算模型，是一种微观模型，通过模拟多个智能体的同时行动和相互作用以再现和预测复杂现象)以辅助需求侧模型的构建，具体，以需求侧中的社区为例，即通过在社区中建立多个具有自主意识的智能体，通过智能体的行动和相互作用实现后续计算。模型构建的过程具体为：将社区内的每栋建筑物作为一个建筑代理，用于生成并汇总该建筑物内所有用户的用能行为竞标，并在建筑物内进行相应的算法计算工作。同时，设立总代理，用于汇总社区内每栋建筑物内的所有用户的用能行为竞标，以从社区整体的角度上进行相应的算法计算工作，基于代理的需求侧模型如图3所示。

S300：根据步骤S200所构建的基于代理的需求侧模型，以最小化需求侧用能峰值，最大化需求侧用能效益为优化目标，构建需求侧能耗峰值管理优化调度模型P1；

S400：基于对偶投影次梯度法求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

该步骤中，所述的用能行为竞标选择是指在步骤S100中所生成的多个用能行为竞标中进行选择，即通过对需求侧能耗峰值管理优化调度模型P1求解，从图2所示的三个用能行为竞标中选择一个实际执行。

另一个实施例中，步骤S300中，构建需求侧能耗峰值管理优化调度模型P1包括如下步骤：

S301：确定模型目标函数，目标函数表示为：

其中，min为最小化目标函数，i为活动索引，L为需求侧用能活动集合，j为活动竞标索引，J_i为活动i对应的竞标集合，x_ij为表示活动i竞标j是否被选择的决策变量，x为x_ij的全体取值集合，u_ij为活动选择执行竞标j所带来的经济效益，φ为需求侧峰值能耗，c为目标函数中考虑社区用能峰值的权重，通过改变c来综合需求侧用能总效益与需求侧峰值能耗的多重目标。

该目标函数实际对应多目标优化问题，本实施例使用加权方法将多目标优化问题的两种目标转化为单一目标函数，目标函数的第一项

表示最大化需求侧用能总效益，第二项cφ表示最小化需求侧用能峰值。

S302：引入需求侧峰值功耗约束条件，需求侧峰值功耗约束表示为：

其中，t为当前优化时段，L为所有用能行为的集合，

为全部优化时段的集合，φ为需求侧峰值能耗，P_ij,t为活动i竞标j在t时刻的用能能耗数据。该约束条件表明在任意t时刻需求侧的所选取的竞标功耗和不能超过需求侧的峰值能耗。

S303：引入竞标选取约束条件，竞标选取约束条件表示为：

该约束条件是一个二元变量，只能在0,1之间取值，表示每个用能行为只能选取一个用能竞标最终执行。

S304：引入竞标整数约束条件，竞标整数约束条件表示为：

x_ij∈{0,1},i∈L,j∈J_i(4)

该约束条件表明x_ij为只能在{0,1}中取值的二元变量，表示活动i竞标j是否被选择，其中，1表示被选择，0表示不被选择。

综上，基于以上所引入的约束条件后，所构建的需求侧能耗峰值管理优化调度模型P1表示如下：

另一个实施例中，上述实施例给出了峰值管理问题的数学模型，最终归纳为一个混合整数线性规划问题P1。这类问题一般没有多项式复杂度的算法，算法复杂度随着变量的增加呈指数增长趋势。目前常用的解决方法有分支定界法,割平面法等。但是，考虑到问题潜在的规模与计算量，本公开不适合采用上述方法，而是采用松弛处理的方法解决混合整数线性规划问题。

对于混合整数线性规划问题，若线性规划问题的最优解刚好是整数，那么它对应的混合整数线性规划问题的解也就是这个最优解。因此，本实施例利用对偶投影次梯度法求解上述需求侧能耗峰值管理优化调度模型P1，具体求解过程如下：

S401：松弛整数约束条件；

松弛整数约束条件，即暂时忽略式(4)所给出的整数约束条件，将问题松弛至线性规划问题求解，若得到的解为整数解，那么就解决了对应的混合整数规划问题(P1)。

S402：引入拉格朗日函数；

对于松弛后的线性规划问题，本实施例采用拉格朗日乘子法。拉格朗日乘子法的基本思想是将约束放到目标函数上去考虑。如果把所有的约束都放到目标函数上去，约束优化问题就转化成无约束优化问题，如此就简化了混合整数线性规划问题。

因此，引入拉格朗日乘子

考虑引入式(2)所给出的需求侧峰值能耗约束对应的拉格朗日函数，即

然而，传统的拉格朗日乘子法由于在迭代过程中很难收敛，难以解决上述问题。另外，传统的拉格朗日乘子法需要社区其它楼宇的全部详细信息。一种限制信息披露的有效方法是在优化中使用分布式方法，为此，本实施例引入了对偶投影次梯度法，重新考虑拉格朗日乘子法的子问题与对偶问题，其优势在于高效求解混合整数线性规划问题的同时，保证用户的个人隐私不被泄露。

S403：将混合整数规划问题改写为对偶问题；

该步骤中，令

作为问题取得最优值时的最优拉格朗日乘子，根据卡罗需-库恩-塔克条件中的稳定性条件

有

可以推出：

因此，通过引入式(7)可以去掉拉格朗日函数，即式(6)中的cφ-∑_tλ_tφ项，得到解耦后的分布式的拉格朗日函数，活动i的分布式拉格朗日函数可以写为：

其中，

此时，问题(P1)可以被改写为对偶问题，即

其中，有

将混合整数规划问题改写为对偶问题，表明了原始问题可以被转化为多个任意活动i对应的独立的子问题，子问题可以由建筑代理独立计算求解。拉格朗日乘子的更新方法如下式所示：

其中，k为当前迭代轮数，α^k为当前迭代步长，∏(·)表示集合Λ上的投影。

S404：子问题最小化；

原始问题已经转化为子问题最小化与拉格朗日乘子更新两个部分，本实施例提出一种简单直接的方法获得子问题最小化的解析解，即给定当前步骤乘子λ^k，活动i子问题最小化问题可以表示为：

如果

则活动i的下一迭代步骤最优竞标决策变量选择规则为：

只需寻找效能与功耗因素的相反数最小值对应的标号j^*就可以机票的需要的整数解，达到了混合整数线性规划问题的要求。

S405：投影计算。

拉格朗日对偶问题需要在给定子问题最优决策变量的条件下完成拉格朗日乘子的更新，即通过给定投影方向与投影集合Λ，更新拉格朗日乘子，对偶问题是一个凸优化问题，针对不可微的凸优化问题，本实施例采用对偶投影次梯度法求取次梯度来求解，下面给出投影的具体计算方法：

给定集合Λ与投影方向

集合Λ上的投影

即乘子更新为：

其中，y*为一特殊点，对应于下面式子的唯一解

特殊点y*的求取实际并不复杂，可以看出，

实际是坐标系第一象限内关于y的分段函数，分段点即为

对应函数值为c的自变量值即为y*，通过简单的计算即可获得投影值。图4展示了特殊点的求解过程，在这个示例中有三个时间区间对应三个拉格朗日乘子，且有

至此，对偶投影次梯度法各个计算步骤建模完成，下面对方法计算流程作进一步说明。首先，设定算法的执行参数，包括社区用能峰值的权重c，迭代步长α，以及终止条件参数δ。初始化拉格朗日乘子λ，注意需要满足∑_tλ_t＝c的要求，可以简单地将c均分给各个时间段乘子即可，初始化每个活动的竞标选取集合x_i，简单的将其中的任意一个元素赋值为1，其余为0即可，即初始时为每个活动任意选取一个竞标，下面开始算法执行流程。

在算法没有达到迭代停止条件时，即当前后两次迭代的乘子相减的二范数的平方不小于δ时，循环执行以下流程：首先，执行步骤S404：子问题最小化，更新每个活动的竞标选取集合，其次，执行步骤S405：投影计算，更新拉格朗日乘子。

当算法达到迭代停止条件时，即当前后两次迭代的乘子相减的二范数的平方小于δ时，此时各活动的竞标选取集合就决定了活动的竞标选取，x_i中赋值为1的元素及对应活动i被选取的竞标。活动竞标的选取结果即算法最关键的输出结果，据此为需求侧的用能行为选取竞标并最终执行，指导需求侧用能行为的规划。

基于对偶投影次梯度法可以完成需求侧能耗峰值管理优化调度模型P1的求解，根据求解的结果指导需求侧用能行为的规划与执行，可以在满足模型限制条件的情况下，即满足需求侧用户的用能需求的前提下，最小化模型目标函数，即最小化需求侧用能峰值功耗，最大化需求侧用能效益。根据算法求解结果优化需求侧用能行为的执行策略，可以提升社区建筑能源管理水平，缩减社区能源使用费用。

另一个实施例中，本公开根据上述实施例构建的需求侧模型以及对偶投影次梯度法搭建对应的硬件原型，以模拟需求侧智能体的计算及通信过程和仿真对偶投影次梯度法的硬件执行过程，硬件原型的搭建包括以下步骤：

S501：硬件资源选型。

该步骤中，本实施例使用单片机仿真实现智能体，模拟建筑代理以及社区总代理建筑。本实施例利用单片机的存储与计算功能完成相应算法的计算实现，并利用单片机的串口通信功能模拟智能体之间的相互作用，在整个社区内实现用能峰值管理的协调优化。

考虑到可能实现的应用场景，即建筑物之间可能存在较大的物理距离，本实施例引入了无线通信紫蜂技术，通过在单片机串口相应引脚上连接紫蜂无线串口模块，将原有的单片机串口有线通信扩展为无线通信形式，两个无线模块之间的通信遵循紫蜂协议，模块配置连接完成后效果就与两单片机串口有线相连一样，通信距离可达百米。

图5展示了硬件资源的功能与连接示意图，其中，单片机完成信息的存储与算法计算的功能，无线模块用于间单片机的有线通信扩展为无线通信，另外，单片机与无线模块的VCC(电源端)，GND(地端)对应相连，单片机串口发送端(Tx)与无线模块的串口接收端(Rx)相连，单片机串口接受端(Rx)与无线模块的串口发送端(Tx)相连，即无线模块有单片机供电，并将单片机原有的有限串口通信扩展为无线紫蜂通信。

S502：模型计算实现。

本实施例使用单片机仿真实现智能体，以模拟多个建筑代理以及社区总代理建筑的模型计算及通信过程。单片机及相连的通信模拟每栋建筑物的建筑代理独立求解各个活动的子问题最小化并上传建筑总负荷，并使用单片机及相连的通信模块作为社区总代理，收集社区总负荷信息完成乘子更新并发回给各个建筑物。整个过程中，每个建筑物每个活动均根据自己的拉格朗日函数求解各自的子问题，实现了完全的分布式计算。社区代理与建筑代理的通信硬件数据流如图6所示。

本实施例设定了算法中的参数存储在相应的单片机中，如迭代步长，停止条件，初始乘子等，在建筑代理硬件程序中通过计算为每个活动选取竞标，计算总负荷并通过无线通信模块发出给社区总代理，等待接受社区代理更新后的乘子信息，判断是否达到了迭代停止条件以决定继续执行算法还是输出最终结果。社区代理则将听取每一个建筑发来的总负荷信息并累加计算整个社区总负荷，并使用社区总负荷更新乘子信息并发回给所有建筑代理，整个过程中社区总代理完全无法获得每个活动的具体竞标信息。

S503：通信规则设计。

考虑到社区代理需要将乘子信息发送给每一个建筑代理，本实施例将紫蜂串口模块的通信模式设置为了广播模式，即配置在同一个频道的串口模块之间发送的信息所有模块均会接收到。当建筑代理接受到其它建筑代理发送的用能功耗信息时，建筑代理其实不需要获得其他建筑的总功耗信息，此时硬件程序将不会进行处理。为了实现这样的通信规则，本实施例为整个通信设定了相应的时序与协议。本实施例为系统中的每一个模块都设计了编码标号，为每个模块发出的负荷信息或乘子信息打上编号。为了方便调试，在发送的数据编码中加入了当前迭代步骤信息。

在广播模式通信下，建筑代理此时发送的数据将传输给系统中每一个参与者，但是有了编码标号的加入，通信的时序问题变得比较容易解决了。所有单片机都会解析收到的信息，它们将会判断信息的首字符识别编码，当前建筑代理的下一个建筑代理将会知道下面该轮到它发送信息了，此时建筑代理b会启动信息发送的程序，社区代理则会知道这是楼宇发来的负荷信息，自己需要记录这份信息。而其他建筑代理，经过解析则会保持程序原来状态，直到下一次收到信息再判断自己是否需要进行动作。如果信息中心发出了相应识别编码的乘子数据，则所有建筑均将记录乘子信息以判断算法下一步的走向。这样通信的时序及协议就设定完成，整个算法也可以稳步推进实现。具体而言，如果建筑代理a在第一步迭代时要发送负荷数据[67.19,67.10,70.40,64.69,67.00,67.19]，从串口发出的数据将如图7发出，此界面为单片机开发环境提供的串口监视器界面。

为使本领域技术人员更好地理解本发明，下面使用社区实际能耗与部分模拟数据对以上方法的有效性进行验证，并将验证结果与商业求解器Gurobi的结果对比，以说明本方法的正确性与计算时间优势。

在一个具体的实施例中，三栋建筑物参与了一个完整的24小时交互控制过程，每栋建筑有500种不同的活动，活动持续时间为15分钟到1小时不等。每个活动生成三个不同竞标。图8展示了参数c＝0.1时的优化结果，优化后用能峰值可降低高达48.92％。同时，总效用增加了20.73％。这说明在用能高峰期间，校园能源利用效益增加，电力得到了有效管理。

图9展示了对于不同的系数c不同的优化结果。当c增加时，负荷曲线在峰值处变得更加平坦。在优化目标函数中对峰值负荷项施加更高的权重，本公开所述方法尽可能地将用能活动错开用能高峰时段，以避免产生较大的用能峰值。

为了验证本公开所述方法的可扩展性，下面通过扩大楼宇数量以扩大问题规模，将Gurobi求解MILP方法和DPS方法在一个优化时段的优化性能进行了比较，比较结果如表1所示：

表1不同问题规模下的优化表现比较

由表1可以看出，Gurobi解MILP问题方法在有100个以上的建筑时，逐渐显得捉襟见肘，并且求解时间随着问题规模继续加大而快速上升，预计很快求解时间会达到无法接受的地步，另外在用这种方法求解时，计算机有很大的存储和计算压力。反观DPS方法，在此处不同问题规模下，均能够在4秒之内完成优化，而且求解时间随着问题规模扩大并无明显增加，实现了低于线性复杂度的规模扩展。

另外，本实施例还搭建了相应的硬件原型，模拟社区智能体计算及通信过程，仿真对偶投影次梯度法的硬件执行过程。实施例中选择Arduino单片机以及深联创新DL-20无线串口模块完成了相应硬件原型的搭建。图10展示了其中一个建筑代理具体硬件实现。

在这部分，实施例模拟了一个包含6个建筑物的社区的一个完整优化过程。其中使用了6个单片机及相连的通信模块模拟每栋建筑物的建筑代理独立求解子问题最小化并上传建筑总负荷，并使用1个单片机及相连的通信模块作为社区代理，收集社区总负荷信息完成乘子更新并发回给各个建筑物。

实施例中，每个建筑代理生成了60个活动，180个竞标数据，每个竞标数据包括6个时段的用能负荷信息及执行该竞标所带来的经济学效益。我们设定了算法中的参数，如迭代步长，停止条件，初始乘子等。

图11展示了六个楼宇的社区硬件实现的结果，其中右侧com3窗口是单片机集成开发环境提供的的串口监视器，为了方便调试，实施例使用串口来输出程序执行的最终结果，左侧为软件使用Gurobi求解器所得出的结果作为参照。从中可以看出程序终止时，最终的竞标选取结果与软件优化求解器结果完全一致，硬件原型成功地实现了算法功能。

另一个实施例中，本公开还提供一种基于需求侧响应的能源系统优化调度装置，包括：

获取模块，获取需求侧用户的用能行为信息，并基于用能行为信息生成需求侧用户的用能行为竞标；

第一构建模块，用于构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

第二构建模块，用于基于代理的需求侧模型构建需求侧能耗峰值管理优化调度模型P1；

选择模块，用于求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

另一个实施例中，本公开还提供一种存储介质，包括：

存储器，用于存储多条计算机指令；

处理器，用于执行计算机指令以实现如前任一所述的方法。

上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开，可以在不违背所涉及的发明构成要素的前提下，对上述一般性描述或/和具体实施方式(包括实施例)中的公开技术特征进行增加、减少或组合，形成属于本申请保护范围之内的其它的技术方案。

Claims (10)

1.一种基于需求侧响应的能源系统优化调度方法，包括以下步骤：

S100：获取需求侧用户的用能行为信息，基于用能行为信息生成需求侧用户的用能行为竞标；

S200：构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

S300：根据步骤S200所构建的基于代理的需求侧模型，构建需求侧能耗峰值管理优化调度模型P1；

S400：求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

2.根据权利要求1所述的方法，其中，优选的，步骤S100中，所述用能行为竞标包括用能时间、用能功耗和用能效益。

3.根据权利要求1所述的方法，其中，步骤S300中，构建需求侧能耗峰值管理优化调度模型P1包括如下步骤：

S301：确定模型目标函数；

S302：引入需求侧峰值功耗约束条件；

S303：引入竞标选取约束条件；

S304：引入竞标整数约束条件；

S305：基于目标函数、需求侧峰值功耗约束条件、竞标选取约束条件和竞标整数约束条件构建需求侧能耗峰值管理优化调度模型P1。

4.根据权利要求3所述的方法，其中，所述需求侧能耗峰值管理优化调度模型P1表示为：

i∈L j∈J_i

x_ij∈{0,1},i∈L,j∈J_i

其中，min为最小化目标函数，i为活动索引，L为需求侧用能活动集合，j为活动竞标索引，J_i为活动i对应的竞标集合，x_ij为表示活动i竞标j是否被选择的决策变量，x为x_ij的全体取值集合，u_ij为活动选择执行竞标j所带来的经济效益，φ为需求侧峰值能耗，c为目标函数中考虑需求侧能耗峰值的权重，通过改变c来综合需求侧用能总效益与需求侧峰值能耗的多重目标。

5.根据权利要求1所述的方法，其中，步骤S400中，基于对偶投影次梯度法求解需求侧能耗峰值管理优化调度模型P1。

6.根据权利要求1所述的方法，其中，步骤S400中，所述求解需求侧能耗峰值管理优化调度模型P1包括如下步骤：

S401：松弛整数约束条件，以将混合整数线性规划问题转化为线性规划问题；

S402：引入拉格朗日函数，以将线性规划问题转化为子问题和对偶问题；

S403：改写对偶问题；

S404：子问题最小化，以获取需求侧总能耗信息；

S405：投影计算。

7.根据权利要求1所述的方法，其中，所述方法还包括如下步骤：

S500：搭建硬件原型，仿真对偶投影次梯度法的硬件执行过程。

8.根据权利要求7所述的方法，其中，所述硬件模型的搭建过程包括以下步骤：

S501：硬件资源选型；

S502：需求侧模型计算实现；

S503：通信规则设计。

9.一种基于需求侧响应的能源系统优化调度装置，包括：

获取模块，获取需求侧用户的用能行为信息，并基于用能行为信息生成需求侧用户的用能行为竞标；

第一构建模块，用于构建基于代理的需求侧模型，以收集和管理需求侧用户的用能行为竞标；

第二构建模块，用于基于代理的需求侧模型构建需求侧能耗峰值管理优化调度模型P1；

选择模块，用于求解需求侧能耗峰值管理优化调度模型P1，以对需求侧用户的用能行为竞标进行选择。

10.一种存储介质，包括：

存储器，用于存储多条计算机指令；

处理器，用于执行计算机指令以实现权利要求1-8任一所述的方法。

Images