CN116307633B - 基于分布式牛顿后向分裂的智能电网调度方法及系统 - Google Patents

基于分布式牛顿后向分裂的智能电网调度方法及系统 Download PDF

Info

Publication number
CN116307633B
CN116307633B CN202310537565.2A CN202310537565A CN116307633B CN 116307633 B CN116307633 B CN 116307633B CN 202310537565 A CN202310537565 A CN 202310537565A CN 116307633 B CN116307633 B CN 116307633B
Authority
CN
China
Prior art keywords
power grid
unit
value
function
lagrangian
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
Application number
CN202310537565.2A
Other languages
English (en)
Other versions
CN116307633A (zh
Inventor
刘帅
周飞龙
王小文
梁利梅
刘龙成
吴颖颖
徐昊天
李恩杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202310537565.2A priority Critical patent/CN116307633B/zh
Publication of CN116307633A publication Critical patent/CN116307633A/zh
Application granted granted Critical
Publication of CN116307633B publication Critical patent/CN116307633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开的基于分布式牛顿后向分裂的智能电网调度方法及系统，属于电网调度技术领域，包括：获取电网能量总需求；根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。提高了智能电网调度的效率。

Description

基于分布式牛顿后向分裂的智能电网调度方法及系统
技术领域
本发明涉及电网调度技术领域，尤其涉及基于分布式牛顿后向分裂的智能电网调度方法及系统。
背景技术
智能电网作为目前最具有前景的电力建设方向，引起了广泛重视。构建智能电网的最终目标是为了能源利用的经济性、节约性和便利性。在经济调度领域，有很多研究人员开发了各种各样的优化调度方法并取得了一定成效，并在部分电网中得到应用。
现有的机组调度方法包括集中式算法、智能算法和分布式算法。集中式算法为包括梯度法、内点法在内的一阶优化调度方法。智能算法如粒子群算法、神经网络优化算法等。随着智能电网的规模越来越大，利用现有机组调度方法进行电网优化调度时，不能同时兼顾电网的稳定性和调度的效率，且各机组的数据安全性不能保证。
发明内容
本发明为了解决上述问题，提出了基于分布式牛顿后向分裂的智能电网调度方法及系统，采用牛顿后向分裂算法对电网调度问题进行求解，收敛速度逼近指数收敛速度，提高了电网调度的效率。
为实现上述目的，本发明采用如下技术方案：
第一方面，提出了基于分布式牛顿后向分裂的智能电网调度方法，包括：
获取电网能量总需求；
根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
第二方面，提出了基于分布式牛顿后向分裂的智能电网调度系统，包括：
电网能量总需求获取模块，用于获取电网能量总需求；
机组优化调度结果获取模块，用于根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于分布式牛顿后向分裂的智能电网调度方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于分布式牛顿后向分裂的智能电网调度方法所述的步骤。
与现有技术相比，本发明的有益效果为：
1、本发明在对智能电网进行调度时，首先将智能电网调度模型转化为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，之后，通过牛顿后向分裂算法对拉格朗日对偶问题进行求解，最终获取的对偶变量值即为机组优化调度结果，采用牛顿后向分裂算法对电网调度问题进行求解，收敛速度逼近指数收敛速度，提高了电网调度的效率。
2、本发明采用分布式平均一致性算法，根据各节点机组的能量需求确定了电网能量总需求，在此基础上进行智能电网调度，满足电网的稳定性和可靠性要求。
3、本发明在采用牛顿后向分裂算法对电网调度问题进行求解时，对海森矩阵进行压缩，之后利用分布式广播算法进行包含海森矩阵在内的节点机组全局信息的互相通讯，在一定程度上保证了各节点机组间数据传输的安全性。
4、本发明在进行智能电网调度时，考虑了机组的故障情况运行状态，使得获得的机组优化调度结果更准确。
本发明附加方面的优点将在下面的描述中部分给出，部分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
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为实施例1公开方法的流程图；
图2为实施例1公开的牛顿后向分裂算法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1
在该实施例中，公开了基于分布式牛顿后向分裂的智能电网调度方法，如图1所示，包括：
S1：获取电网能量总需求。
本实施例将智能电网中的每个节点机组作为一个分布式节点，且相邻节点之间能够通信，为了保证智能电网的安全可靠，还在每个节点机组处分别设置传感器，通过传感器对节点机组的运行状态进行监测。
当进行智能电网调度时，如果考虑各机组运行状态的影响，则本实施例在获取电网能量总需求时，还同时获取了各节点机组的运行状态。
获取电网能量总需求的过程为：
S21：通过节点能耗预测模型，预测获得电网中各节点机组的能量需求。
节点能耗预测模型采用神经网络模型构建获得，以历史用能数据为输入，以预测的能量需求为输出。
通过获取各节点机组的历史用能数据，将获取的历史用能数据，输入该节点对应的节点能耗预测模型中，获得该节点机组的能量需求。
S22：根据各节点机组的能量需求，采用分布式平均一致性算法，确定电网能量总需求。
考虑智能电网的供需平衡，即：
。
其中，表示机组出力大小，/>为当前时刻机组的运行状态，当机组的运行状态为故障状态时，/>值为0，当机组的运行状态为正常工作状态时，/>值为1，D t为电网能量总需求，D i , t为节点机组i的能量需求.
在智能电网中，每个机组节点只知道自己的能量需求和邻居的能量需求，根据电网结构，构建电网的分布式网络连通图G。根据各节点机组的能量需求，通过平均一致性算法得到获得电网能量总需求的平均值，电网能量总需求的平均值与智能电网中机组节点的总个数相乘，获得电网能量总需求。
其中，为电网能量总需求的平均值，/>为图G的双随机矩阵里的元素。
S2：根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
具体的，智能电网调度模型以运行总成本最小为目标，以安全运行约束、动态爬坡约束、旋转备用约束和供需平衡约束为约束条件，且在构建以运行总成本为最小的目标函数时，考虑机组运行状态。
其中，运行总成本最小问题模型为：
（1）
对于一个拥有个机组的智能电网，每个机组都有自己的成本代价函数/>，表示机组出力大小，/>为当前调度时段，/>表示电网中的机组。/>为当前时刻机组运行状态，当机组运行状态为故障状态时，/>值为0，当机组的运行状态为正常工作状态时，/>值为1。
在该实施例中，机组类型假设为风能和火电机组，每个机组的代价函数可分别表示为：
其中，为火电机组代价函数，/>为风能机组代价函数，/>为成本参数，/>为风电直接成本，/>分别为估计偏差成本中的过估计和低估计。/>分别为调度用能和实际发电的平均估计，其具体为：
（2）
其中，为风机额定功率。/>为概率分布中的功率，/>为概率密度函数。/>为风能机组出力。
在时间内，电网中的能量实现供需平衡，故供需平衡约束为：
（3）
机组安全约束爬坡约束和旋转备用约束为：
（4）
其中，和/>分别是备用能量的最小值和最大值。在智能电网调度时，考虑机组的运行状态，故在约束条件中，也应考虑机组的运行状态问题。定义一个凸集/>，凸集包含公式（3）和公式（4）的约束条件。定义代表机组运行状态的指示函数/>：
（5）
在构建以运行总成本为最小的目标函数时，考虑机组的运行状态，基于运行总成本最小问题模型和指示函数，确定最终的目标函数为：
。
在构建好智能电网调度模型后，对智能电网调度问题进行对偶处理，将智能电网调度模型转换为拉格朗日对偶问题。
拉格朗日对偶问题为：
（6）
（7）
其中，为拉格朗日乘子，机组i的出力/>作为拉格朗日对偶问题的对偶变量，拉格朗日对偶将智能电网调度优化问题转化为求解对偶变量问题，本实施例对拉格朗日对偶问题求解获得机组优化调度结果的过程为：基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
为便于后续展开，且不影响求解过程，在拉格朗日对偶问题式子中忽略对求解拉格朗日对偶问题没有影响的/>。
为了对拉格朗日对偶问题进行求解，获得使拉格朗日对偶值最小的对偶变量值，定义了每个节点机组的第一函数；第一函数等于第一项，第一项为对拉格朗日乘子与对偶变量相乘减去该机组的运行成本求最大值，第二项为拉格朗日乘子与电网能量总需求之积；定义第二函数等于第一函数的因变量减去第二项，以所有第二函数的和最小为目标，基于牛顿后向分裂的优化方法，对拉格朗日乘子进行求解，获得使所有第二函数的和最小的拉格朗日乘子，该拉格朗日乘子使拉格朗日对偶值最大；将确定的拉格朗日乘子代入第一函数中，对第一函数求解，确定使第一函数的第一项最大的对偶变量，该对偶变量使拉格朗日对偶值最小。
其中，第一函数为：
其中，为第一项，定义/>为第二项。
则：
（8）
定义第二函数为：/>， 以所有第二函数的和最小为目标的目标函数为：
（9）
满足一致性约束，且/>，其中，/>为拉格朗日乘子的约束集合，为凸集，由于拉格朗日函数的物理意义为微增率，该集合可以是微增率的限制集合，如。将第二函数加上拉格朗日乘子的指示函数，获得机组的目标函数，以所有机组的目标函数和最小为目标，对拉格朗日乘子进行求解，获得使所有机组的目标函数和最小的拉格朗日乘子，该拉格朗日乘子使拉格朗日对偶值最大。
其中，以所有机组的目标函数和最小为目标的目标函数为：
（9）
其中，为/>的指示函数，形式与（5）形式相同。
具体的，拉格朗日乘子的指示函数为，当/>时，指示函数值为正无穷，当/>，指示函数值为零。
本实施例基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子的过程为：以拉格朗日乘子为优化变量，进行向后分裂迭代，在迭代过程中，通过拉格朗日乘子和第二函数的梯度信息，利用秩近似的方法对海森矩阵进行压缩，通过分布式自选择广播算法，使每个节点机组均获得所有节点机组的全局信息，过滤传递过程中的重复信息，节约通信资源和时间。根据节点的全局信息计算全局误差，当全局误差小于等于误差阈值时，计算近端步长和迭代步长，通过近端步长和迭代步长对拉格朗日乘子进行更新，当更新后的拉格朗日乘子与未更新的拉格朗日乘子差值的绝对值小于设定阈值时，停止迭代，未更新的拉格朗日乘子为使拉格朗日对偶值最大的拉格朗日乘子。
在具体实施时，在得到目标函数（9）后，采用分布式牛顿后向分裂方法对目标函数（9）进行求解优化，过程如图2所示，包括：
S21：初始化，/>，/>。其中，/>为自变量，/>为第二函数的梯度信息，/>为海森矩阵。
S22：通过初始的拉格朗日乘子和第二函数的梯度信息，利用秩近似的方法对海森矩阵进行压缩。
在迭代过程中，各节点对进行奇异值分解，得到，/>，/>。其中，/>分别为的第一大特征值、第二大特征值，/>为相应的特征向量，/>为估计的误差。Sign是一个符号函数，/>是奇异值分解后的近似向量。计算。该步骤可以将海森矩阵/>压缩，只保留主要信息，节约传递资源。计算梯度/>。
S23：通过分布式广播算法（DSBA， distributed selective broadcast），将节点的全局信息传递给相邻的节点，使每个节点机组均获得所有节点机组的全局信息，，DSBA需要执行多次，确保每个节点都能接收到信息。在执行次数中，如果节点在某一广播次，自己的信息/>中含有预接收信息/>，那么该信息将不会被广播，可以有效节约通讯资源。
S24：经过一轮信息广播，每个节点均包含全局信息，计算全局信息，/>，/>，其中，/>为全局误差，/>为全局梯度信息，/>为全局近似海森矩阵信息。若/>，则跳过该轮迭代，进行下一轮迭代，其中，/>为设定误差阈值。否则，节点将利用全局信息执行牛顿后向分裂过程。
S25：根据海森矩阵和梯度信息得到：
近端算子的表达式：
。
其中，为/>关于/>的近端值，即为/>的值，/>为中间变量。
得到包含关系：
。上述步骤为/>的近端步骤。
在牛顿后向分裂中，为执行牛顿法步骤，，即用/>代替中的/>。
进而得到近端步长：
。
根据：，/>为中间变量，执行线性回溯步骤得到迭代步长/>：
。
其中，，/>为参数，/>为梯度/>的利普希茨常数。通过近端步长和迭代步长对拉格朗日乘子/>进行更新，获得更新后的拉格朗日乘子：
。
S25：计算更新后的拉格朗日乘子与未更新拉格朗日乘子/>之间差值的绝对值，若设定阈值为0，当/>时，停止迭代，拉格朗日乘子/>为最优值，使拉格朗日对偶值最大；否则，以更新后的拉格朗日乘子/>为初始的拉格朗日乘子，重复S22-S25。
本实施例公开方法，联合了智能优化算法的智能性与可控性，利用分布式手段保证了鲁棒性，同时具有二阶算法的优化速率，兼顾解决了机组中存在的各项不等式约束问题。首先将智能电网中的每个机组节点作为一个分布式节点，节点与邻居通信。同时为保证电网的可靠安全，另有额外的传感器节点对机组的运行进行监视，传感器网络也为分布式，发现故障可使得该机组停机，并在数学模型中用参数表示机组的运行状态。首先利用神经网络对机组的需求进行预测，采用分布式平均一致性算法得到总需求。之后再利用分布式广播算法进行邻居信息的互相通讯，通讯内容为节点值和压缩后的海森矩阵，海森矩阵利用秩近似的方法进行压缩，最后将各个节点进行平均，牛顿后向分裂迭代算法找到整个环境的最优分配，收敛速度逼近指数收敛速度。
实施例2
在该实施例中，公开了基于分布式牛顿后向分裂的智能电网调度系统，包括：
电网能量总需求获取模块，用于获取电网能量总需求；
机组优化调度结果获取模块，用于根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的基于分布式牛顿后向分裂的智能电网调度方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的基于分布式牛顿后向分裂的智能电网调度方法所述的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.基于分布式牛顿后向分裂的智能电网调度方法，其特征在于，包括：
获取电网能量总需求；
根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果；
智能电网调度模型以运行总成本最小为目标，以安全运行约束、动态爬坡约束、旋转备用约束和供需平衡约束为约束条件，且在构建以运行总成本为最小的目标函数时，考虑机组运行状态；
在时间内，电网中的能量实现供需平衡，供需平衡约束为：
（3）
其中，表示机组出力大小，/>为当前时刻机组的运行状态，D t为电网能量总需求，i表示节点机组；
机组安全约束爬坡约束和旋转备用约束为：
（4）
其中，和/>分别是备用能量的最小值和最大值，/>为当前时刻机组的运行状态，/>表示机组出力大小，D t为电网能量总需求，i表示节点机组；定义一个凸集，凸集包含公式（3）和公式（4）的约束条件；定义代表机组运行状态的指示函数：
（5）
在构建以运行总成本为最小的目标函数时，考虑机组的运行状态，基于运行总成本最小问题模型和指示函数，确定最终的目标函数为：
；
其中，对于一个拥有个机组的智能电网，每个机组都有自己的成本代价函数/>，表示机组出力大小，/>为当前调度时段，/>表示电网中的机组，/>为当前时刻机组运行状态，/>代表机组运行状态的指示函数；
在构建好智能电网调度模型后，对智能电网调度问题进行对偶处理，将智能电网调度模型转换为拉格朗日对偶问题；
拉格朗日对偶问题为：
（6）
（7）
其中，为拉格朗日乘子，机组i的出力/>作为拉格朗日对偶问题的对偶变量，D i , t为节点机组i的能量需求；
为了对拉格朗日对偶问题进行求解，获得使拉格朗日对偶值最小的对偶变量值，定义了每个节点机组的第一函数；第一函数等于第一项，第一项为对拉格朗日乘子与对偶变量相乘减去该机组的运行成本求最大值，第二项为拉格朗日乘子与电网能量总需求之积；定义第二函数等于第一函数的因变量减去第二项，以所有第二函数的和最小为目标，基于牛顿后向分裂的优化方法，对拉格朗日乘子进行求解，获得使所有第二函数的和最小的拉格朗日乘子，该拉格朗日乘子使拉格朗日对偶值最大；将确定的拉格朗日乘子代入第一函数中，对第一函数求解，确定使第一函数的第一项最大的对偶变量，该对偶变量使拉格朗日对偶值最小；
其中，第一函数为：
其中，为第一项，定义为第二项；
则：
（8）
定义第二函数为：/>， 以所有第二函数的和最小为目标的目标函数为：
（9）
满足一致性约束，且/>，其中，/>为拉格朗日乘子的约束集合，为凸集，由于拉格朗日函数的物理意义为微增率，该集合是微增率的限制集合；将第二函数加上拉格朗日乘子的指示函数，获得机组的目标函数，以所有机组的目标函数和最小为目标，对拉格朗日乘子进行求解，获得使所有机组的目标函数和最小的拉格朗日乘子，该拉格朗日乘子使拉格朗日对偶值最大；
当考虑机组运行状态时，将第二函数加上拉格朗日乘子的指示函数，获得机组的目标函数，以所有机组的目标函数和最小为目标，对拉格朗日乘子进行求解，获得使所有机组的目标函数和最小的拉格朗日乘子，该拉格朗日乘子使拉格朗日对偶值最大；
其中，以所有机组的目标函数和最小为目标的目标函数为：
（9）
其中，为/>的指示函数，形式与（5）形式相同；
其中，拉格朗日乘子的指示函数为，当/>时，指示函数值为正无穷，当，指示函数值为零；
基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子的过程为：以拉格朗日乘子为优化变量，进行向后分裂迭代，在迭代过程中，通过拉格朗日乘子和第二函数的梯度信息，利用秩近似的方法对海森矩阵进行压缩，通过分布式自选择广播算法，使每个节点机组均获得所有节点机组的全局信息，根据节点的全局信息计算全局误差，当全局误差小于等于误差阈值时，计算近端步长和迭代步长，通过近端步长和迭代步长对拉格朗日乘子进行更新，当更新后的拉格朗日乘子与未更新的拉格朗日乘子差值的绝对值小于设定阈值时，停止迭代，未更新的拉格朗日乘子为最优值，该值使拉格朗日对偶值最大；
在得到目标函数（9）后，采用分布式牛顿后向分裂方法对目标函数（9）进行求解优化，包括：
S21：初始化，/>，/>；其中，/>为自变量，/>为第二函数的梯度信息，/>为海森矩阵；
S22：通过初始的拉格朗日乘子和第二函数的梯度信息，利用秩近似的方法对海森矩阵进行压缩；
在迭代过程中，各节点对进行奇异值分解，得到/>，/>，/>；其中，/>分别为/>的第一大特征值、第二大特征值，/>为相应的特征向量，/>为估计的误差；Sign是一个符号函数，是奇异值分解后的近似向量；计算/>；该步骤将海森矩阵/>压缩，只保留主要信息，节约传递资源；计算梯度/>；
S23：通过分布式广播算法，将节点的全局信息传递给相邻的节点，使每个节点机组均获得所有节点机组的全局信息，/>，分布式广播算法需要执行多次，确保每个节点都能接收到信息；在执行次数中，如果节点在某一广播次，自己的信息中含有预接收信息/>，该信息将不会被广播，有效节约通讯资源；
S24：经过一轮信息广播，每个节点均包含全局信息，计算全局信息，，/>，其中，/>为全局误差，/>为全局梯度信息，/>为全局近似海森矩阵信息；若/>，则跳过该轮迭代，进行下一轮迭代，其中，/>为设定误差阈值；否则，节点将利用全局信息执行牛顿后向分裂过程；S25：根据海森矩阵和梯度信息得到：
近端算子的表达式：
；
其中，为/>关于/>的近端值，即为/>的值，/>为中间变量；
得到包含关系：
；上述步骤为/>的近端步骤；
在牛顿后向分裂中，为执行牛顿法步骤，，即用/>代替中的/>；
进而得到近端步长：
；
根据：，/>为中间变量，执行线性回溯步骤得到迭代步长/>：
；
其中，，/>为参数，/>为梯度/>的利普希茨常数；通过近端步长和迭代步长对拉格朗日乘子/>进行更新，获得更新后的拉格朗日乘子/>：
；
S25：计算更新后的拉格朗日乘子与未更新拉格朗日乘子/>之间差值的绝对值，若设定阈值为0，当/>时，停止迭代，拉格朗日乘子/>为最优值，使拉格朗日对偶值最大；否则，以更新后的拉格朗日乘子/>为初始的拉格朗日乘子，重复S22-S25。
2.如权利要求1所述的基于分布式牛顿后向分裂的智能电网调度方法，其特征在于，通过节点能耗预测模型，预测获得电网中各节点机组的能量需求；
节点能耗预测模型采用神经网络模型构建获得，以历史用能数据为输入，以预测的能量需求为输出；通过获取各节点机组的历史用能数据，将获取的历史用能数据，输入该节点对应的节点能耗预测模型中，获得该节点机组的能量需求；
根据各节点机组的能量需求，采用分布式平均一致性算法，确定电网能量总需求；根据电网结构，构建电网的分布式网络连通图G；根据各节点机组的能量需求，通过平均一致性算法得到获得电网能量总需求的平均值，电网能量总需求的平均值与智能电网中机组节点的总个数相乘，获得电网能量总需求。
3.基于分布式牛顿后向分裂的智能电网调度系统，采用如权利要求1-2任一项所述的基于分布式牛顿后向分裂的智能电网调度方法，其特征在于，包括：
电网能量总需求获取模块，用于获取电网能量总需求；
机组优化调度结果获取模块，用于根据电网能量总需求及智能电网调度模型，获得机组优化调度结果，其中，智能电网调度模型以考虑机组运行状态时的电网运行成本最小为目标，以供需平衡约束为约束条件，在通过智能电网调度模型，确定机组优化调度结果时，将智能电网调度模型转换为拉格朗日对偶问题，机组的出力作为拉格朗日对偶问题的对偶变量，基于牛顿后向分裂算法，确定使拉格朗日对偶值最大的拉格朗日乘子，根据确定的拉格朗日乘子，确定使拉格朗日对偶值最小的对偶变量值，该对偶变量值即为机组优化调度结果。
4.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-2任一项所述的基于分布式牛顿后向分裂的智能电网调度方法的步骤。
5.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-2任一项所述的基于分布式牛顿后向分裂的智能电网调度方法的步骤。
CN202310537565.2A 2023-05-15 2023-05-15 基于分布式牛顿后向分裂的智能电网调度方法及系统 Active CN116307633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310537565.2A CN116307633B (zh) 2023-05-15 2023-05-15 基于分布式牛顿后向分裂的智能电网调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310537565.2A CN116307633B (zh) 2023-05-15 2023-05-15 基于分布式牛顿后向分裂的智能电网调度方法及系统

Publications (2)

Publication Number Publication Date
CN116307633A CN116307633A (zh) 2023-06-23
CN116307633B true CN116307633B (zh) 2023-09-26

Family

ID=86796194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310537565.2A Active CN116307633B (zh) 2023-05-15 2023-05-15 基于分布式牛顿后向分裂的智能电网调度方法及系统

Country Status (1)

Country Link
CN (1) CN116307633B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118229038B (zh) * 2024-05-24 2024-07-23 山东电力建设第三工程有限公司 一种光热镜场中定日镜的能量调度方法、介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058673A (ko) * 1999-06-24 2000-10-05 타테오 카와무라 비선형 계획법에 의한 최적조류계산 시스템
JP2003134666A (ja) * 2001-10-16 2003-05-09 Takeo Kawamura 非線形計画法による最適潮流計算システム
KR20080047755A (ko) * 2006-11-27 2008-05-30 군산대학교산학협력단 비선형 내점법을 이용한 전력시스템 평형점 최적화 방법
WO2017145086A1 (en) * 2016-02-23 2017-08-31 1Qb Information Technologies Inc. Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a binary optimizer
CN115719113A (zh) * 2022-11-15 2023-02-28 重庆邮电大学 基于有向不平衡拓扑的智能电网经济调度分布式加速优化方法
CN115864532A (zh) * 2022-11-25 2023-03-28 华南理工大学 基于牛顿法近似动态规划的多区域电力系统分散调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8244554B2 (en) * 2009-12-02 2012-08-14 International Business Machines Corporation System, method, and apparatus for managing price information with locking mechanisms
US8606420B2 (en) * 2011-07-15 2013-12-10 International Business Machines Corporation Solving large-scale security-constrained economic dispatch problem in real-time

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058673A (ko) * 1999-06-24 2000-10-05 타테오 카와무라 비선형 계획법에 의한 최적조류계산 시스템
JP2003134666A (ja) * 2001-10-16 2003-05-09 Takeo Kawamura 非線形計画法による最適潮流計算システム
KR20080047755A (ko) * 2006-11-27 2008-05-30 군산대학교산학협력단 비선형 내점법을 이용한 전력시스템 평형점 최적화 방법
WO2017145086A1 (en) * 2016-02-23 2017-08-31 1Qb Information Technologies Inc. Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a binary optimizer
CN115719113A (zh) * 2022-11-15 2023-02-28 重庆邮电大学 基于有向不平衡拓扑的智能电网经济调度分布式加速优化方法
CN115864532A (zh) * 2022-11-25 2023-03-28 华南理工大学 基于牛顿法近似动态规划的多区域电力系统分散调度方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Real-time pricing method for smart grids based on complementarity problem;hongjie wang;Clean Energy;第1280-1293页 *
基于FACTS的现货市场阻塞解决方法研究;叶鹏, 宋家骅;电力自动化设备(第05期);全文 *
施德东.拉格朗日方程与牛顿运动方程.丽水师范专科学校学报.(第05期),第23-26页. *
李文娟.含风电的智能电网分布式能量管理与优化调度方法研究.博士论文.2022,第10、11、47、69-70页. *
杨毅刚等.《电力系统优化的理论基础》.北京：水利电力出版社,1990,第95-96页. *
肖鸣.基于非线性多智能体系统的分布式自适应一致性控制.硕士论文.2023,摘要、第1-68页. *
郑祖卿.网络化系统的分布式复杂优化问题研究及算法设计.硕士论文.2022,第31-57页. *

Also Published As

Publication number Publication date
CN116307633A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Pu et al. Optimal sizing for an integrated energy system considering degradation and seasonal hydrogen storage
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN110620402B (zh) 电-气混联系统分布式规划运行联合优化方法及系统
CN113890023B (zh) 一种综合能源微网分布式经济调度优化方法及系统
CN116307633B (zh) 基于分布式牛顿后向分裂的智能电网调度方法及系统
De Santis et al. Genetic optimization of a fuzzy control system for energy flow management in micro-grids
CN105279707B (zh) 一种综合考虑负荷与风电时序特性的随机生产模拟方法
US9419437B2 (en) Finite time power control for smart-grid distributed system
CN107171365A (zh) 基于场景解耦和异步迭代的多目标随机动态经济调度方法
CN115423207A (zh) 风储虚拟电厂在线调度方法和装置
CN114786215A (zh) 多基站移动边缘计算系统传输计算联合优化系统及方法
CN114757500A (zh) 一种基于mcmc算法的综合能源系统可靠性评估方法
CN116957362A (zh) 一种区域综合能源系统的多目标规划方法及系统
CN116706917A (zh) 基于快速交替方向乘子法的智慧园区协同调控方法及系统
CN117895613A (zh) 液流电池-锂电池混合储能系统的能量管理方法
Wang et al. Digital twin based multi-objective energy management strategy for energy internet
CN116073448B (zh) 一种基于低碳效益的配电系统源网荷储协同调峰方法
CN114862621B (zh) 一种基于时变有向拓扑下智能电网频率调节分布式经济调度控制方法
CN115719113A (zh) 基于有向不平衡拓扑的智能电网经济调度分布式加速优化方法
CN112531699A (zh) 一种微电网自治能管系统能量调度方法和系统
CN114912779B (zh) 一种分布式能源信息系统能源管理装置及方法
CN118399460B (zh) 分布式储能系统的管理方法、装置、设备及存储介质
CN114172840B (zh) 一种基于图论和深度强化学习的多微网系统能量路由方法
CN110854904B (zh) 配电系统储能装置运行策略规划方法
CN110969335A (zh) 适用于智能电网经济调度与需求响应的分布式协调方法

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