CN116706917A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116706917A CN116706917A CN202310594769.XA CN202310594769A CN116706917A CN 116706917 A CN116706917 A CN 116706917A CN 202310594769 A CN202310594769 A CN 202310594769A CN 116706917 A CN116706917 A CN 116706917A
- Authority
- CN
- China
- Prior art keywords
- regulation
- agents
- agent
- intelligent
- direction multiplier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000000638 solvent extraction Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000005192 partition Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000001105 regulatory effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 238000010248 power generation Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 description 126
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
-
- 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
- H02J3/381—Dispersed generators
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种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,涉及智慧园区分布式协同调控技术领域。该方法包括以下步骤:根据智能体间关联关系的强弱进行分区;根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;根据最优解对待调控智慧园区的每个分区进行协同调控。本发明通过合理将多智能体系统进行分区,且分区后优化多智能体系统并行分布式协同调控,解决了现有分布式电源单元结构复杂导致协同调控效率低的问题。
Description
技术领域
本发明涉及智慧园区分布式协同调控技术领域,尤其涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着社会的不断发展和环境保护理念的逐渐重视,以光伏、风电为代表的分布式可再生能源并网在电力系统中受到广泛关注。然而,由于分布式可再生能源随时空分布出力的不确定性,导致高比例可再生能源电力系统的调控要求不断提高。
传统的电力系统集中式调控方法包含有二次规划、拉格朗日松弛等凸优化方法,随着计算机通信技术的发展,人工智能也为电力系统调控提供了一种先进的趋优解搜索方法。然而,此类算法需经集中调控中心协调,在应用于含多智能体的智慧园区系统时,调控中心的集中控制器需收集所有分布式电源、储能装置和柔性负荷等信息,通过对信息的整合与处理得到最优分配方案。由于多智能体系统中分布式信息规模巨大,倘若采用集中处理方式则要求调控中心的计算机处理性能异常强大,这在实际系统中较难实现。采用集中式调控处理多智能体系统时还会出现敏捷性、系统可靠性和信息隐私等诸多问题。
为了应对上述问题,通常采取分布式协同调控实现含多智能体系统的最优化处理。对分布式协同调控方面,不同学者提出了不同的优化算法:有基于一致性算法的源-荷协同完全分布式优化调控策略,基于分布式经济调度方法的协调功率控制器框架算法,基于乘数交替方向法的分布式能量管理方法,基于初始聚类中心选取的FCM(fuzzy C-means,FCM)聚类算法等等。、这些分布式算法无需收集全局数据,仅需得到本地信息并通过与邻居间的弱通信就可实现集中式调控的控制效果。
但是,分布式电源单元之间复杂多样的组合方式给实时控制的实施带来了很大困难,也显著增加了系统运行的复杂性。因此,如何合理将多智能体系统进行分区,且分区后如何优化多智能体系统并行分布式协同调控成为亟待解决的技术问题。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种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,先根据智能体间的关联关系进行系统分区,再采用快速交替方向乘子法进行分布式优化调度,最终实现智慧园区快速的协同调控。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于快速交替方向乘子法的智慧园区协同调控方法,将待调控智慧园区看作含有多个智能体的多智能体系统,多智能体系统的协同调控中需所有智能体满足一致性,即所有的多智能体最终收敛至一个相同的状态;具体包括以下步骤:
根据智能体间关联关系的强弱进行分区;
根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;
采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;
根据最优解对待调控智慧园区的每个分区进行协同调控。
进一步的,根据智能体间关联关系的强弱进行分区,当单个智能体与其余智能体间关联较弱时采用单智能体分区方式,当存在多个智能体联系紧密时,采用多智能体分区方式。
更进一步的,所述单智能体分区方式为,将单个与其余智能体间关联较弱的智能体划分为一个区域;所述多智能体分区方式为,将多个联系紧密的智能体划分为一个区域,两个区域间存在的相同智能体称为区域耦合。
更进一步的,采用多智能体分区方式时,根据最优解对待调控智慧园区的每个分区进行协同调控过程中,若区域之间的区域耦合部分状态一致,则满足一致性条件。
更进一步的,单智能体分区方式中,当智能体发电量与负荷量相等时,则满足一致性条件。
进一步的,分布式优化调控模型以全局功率平衡为约束条件。
进一步的,采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解的具体步骤为:
采集节点数据,得到初始化参数,全局初始发电量,全局初始负荷量以及初始惩罚参数;
根据节点数据,采用快速交替方向乘子法反解最优节点发电量;
根据最优节点发电量进行自适应惩罚参数判定,并根据判定结果更新惩罚参数;
根据更新后的惩罚参数计算对偶残差;
采用加速梯度法更新初始化参数、全局初始发电量和全局初始负荷量,直到对偶残差满足预设精度要求,得到最优解。
本发明第二方面提供了一种基于快速交替方向乘子法的智慧园区协同调控系统,包括:
分区模块,被配置为将待调控智慧园区看作含有多个智能体的多智能体系统;根据智能体间关联关系的强弱进行分区;
模型构建模块,被配置为根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;
模型求解模块,被配置为采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;
协同调控模块,被配置为根据最优解对待调控智慧园区的每个分区进行协同调控。
本发明第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于快速交替方向乘子法的智慧园区协同调控方法中的步骤。
本发明第四方面提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于快速交替方向乘子法的智慧园区协同调控方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种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,基于智能体数目不同提出了两种分区方式,可根据需要选择不同方式对多智能体系统进行分区。还基于上述分区方式构建的分布式优化调控模型提出了一种基于A2DM2的分布式优化调度方法,与标准的ADMM相比可实现并行分布式优化计算。
本发明A2DM2算法求解分布式优化调控模型过程中利用加速梯度方法,大大加快了算法的收敛速度,更加迅速得到最优解。还利用自适应惩罚参数,将原始残差与对偶残差进行比较,判断是否需要更新惩罚参数,依据自适应规则迭代时同步更新惩罚参数,加快收敛速度。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中采用多智能体分区方式时,未解耦的多智能体系统分区结构图;
图2为本发明实施例一中采用多智能体分区方式时,解耦后的多智能体系统分区结构图;
图3为A2D2M算法求解分布式优化调控模型流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
应当说明的是,本发明实施例中,涉及到智慧园区中发电机组等相关的数据,当本发明以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种基于快速交替方向乘子法的智慧园区协同调控方法,将待调控智慧园区看作含有多个智能体的多智能体系统。多智能体系统是指在一个环境中,由多个具有独立自主能力的智能体通过一定的关系交互而成的计算系统。如果将多智能体系统中的每一个智能体均看成一个节点,任意两个智能体间信息传递利用有向边进行连接,那么多智能体系统的拓扑结构就可借助对应的有向图进行表示。
令G表示系统的网络拓扑结构图。G代表一个集合,具体为G=(V,E,A)。其中,V={V1,V2,···,Vn}代表图G中的n个节点的集合,是一个非空节点集合,也称作节点集;为边的集合,表示V中顶点元素构成的无序二元组的集合,称为边集;A为对称的n×n阶非负加权邻接矩阵,矩阵中的邻接元素aij为非负值。
G的边可用eij=(Vi,Vj)进行表示,与图的边对应的邻接元素为正,即:
令Ni表示顶点i的邻居顶点的集合,其定义为:
Ni={Vj∈V/(Vi,Vj)∈E} (2)
定义与顶点i关联的边的数目之和为di,di可表示为顶点i的度,di=|Ni|。令图G的边满足双向并且等权重,可进一步定义邻接矩阵A中的邻接元素aij为:
在图G中,如果任意两个节点间都能通过边集中的有向路径连接起来,则称G为强连通图;如果图G为无向图,且任意两个节点间存在路径连接,则称G为连通图。图G为强连通图的数学描述如下:
Vi→Vj:(Vi,Vk1)→(Vk1,Vk2)→···→(Vkl,Vj) (4)
其中,(Vm,Vn)表示节点m到n的有向路径。
根据上述图论可直观判断智能体间的联系,在本实施例中可以通过有向路径指电能仅能沿此方向传输,无向即代表电能可双向传输。
多智能体系统的协同调控中需所有智能体满足一致性,即所有的多智能体最终收敛至一个相同的状态。一致性是指各个智能体在相互交互和协作的过程中达成共识,从而实现一致的目标,本发明中目标指实现最优协同控制。比如系统实现最优调控时,各智能体发电量与负荷量总和应相等,即满足一致性。多智能体系统具有一致性是保障其能完成协同控制任务的关键条件之一。
令xi表示节点i的状态,可认为当系统中所有节点的状态值都相等时,该系统中的节点达到一致,即:
x1=x2=···=xn (5)
定义线性系统的一致性算法为:
矩阵形式可定义为:
其中,Ln为图G的n×n阶拉普拉斯矩阵;x=[x1,x2,···,xn]T。
在多智能体系统中,不同智能体间存在信息交互,因此,智能体的状态特性可用如下方程进行表示:
根据矩阵A为行随机矩阵,上述方程可简化为:
该基于快速交替方向乘子法的智慧园区协同调控方法具体包括以下步骤:
步骤1,根据智能体间关联关系的强弱进行分区。
步骤2,根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型。
步骤3,采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解。
步骤4,根据最优解对待调控智慧园区的每个分区进行协同调控。
步骤1中,本发明中,将分布式电源、储能设备、柔性负荷等出力不固定的电力设备看做智能体。根据智能体间关联关系的强弱进行分区,当单个智能体与其余智能体间关联较弱时采用单智能体分区方式,当存在多个智能体联系紧密时,采用多智能体分区方式。
以智能体间的连接关系作为关联关系。一个智能体仅与另一个智能体相连时,认为两者联系不紧密;一个智能体相连的智能体数量越多,则认为该智能体与其他智能体联系越紧密。
(1)单智能体分区方式
单智能体分区方式为,将单个与其余智能体间关联较弱的智能体划分为一个区域。本实施例中,单智能体分区方式中,当智能体发电量与负荷量相等时,则满足一致性条件。
在一种具体的实施方式中,假设多智能体系统中存在N个智能体,令单个智能体作为一个分区。如1.1节所示,若令Vi表示第i个智能体,则整个多智能体系统可表示为:
V={V1,V2,···,VN}(10)
令Bi,ij表示为第i个智能体与第j个智能体间的边界状态,则会产生两种情况:(1)当智能体i与智能体j无关联时,两者边界状态应均为0;(2)当智能体i和智能体j存在关联时,两者边界状态应相等。即:
当多智能体系统内,任意两个智能体的边界状态相等时,则认为多智能体系统满足一致性条件,即:
Bi,ij=Bj,ij(i≠j) (12)
其中,本发明中边界状态指发电量与负荷量。当智能体能接收/输送电能到另一智能体中时,认为两智能体存在关联。反之,则无关联。该分区方式可应用于单个智能体与其余智能体间关联较弱的多智能体系统中。以下给出另一种分区方式,适用于多智能体系统内存在多个智能体联系紧密的情况。
(2)多智能体分区方式
多智能体分区方式为,将多个联系紧密的智能体划分为一个区域,两个区域间存在的相同智能体称为区域耦合。采用多智能体分区方式时,根据最优解对待调控智慧园区的每个分区进行协同调控过程中,若区域之间的区域耦合部分状态一致,则满足一致性条件。
在一种具体的实施方式中,将多个联系紧密的智能体划分为一个区域,如图1所示,其中节点1~15表示为该系统中存在的多智能体的数目;①②③表示预期解耦后形成的区域,即多智能体系统中联系紧密的多智能体部分。
解耦后的多智能体系统结构图如图2所示。通过图2可知,解耦后形成的区域①和区域②间存在相同的耦合部分,即智能体V4和智能体V5;区域②和区域③间也存在相同的耦合部分,即智能体V7和智能体V8。
因此,在进行分布式最优求解时,可将区域①②③作为分布式计算主体,当计算结束时,若区域①中的智能体V4、V5的状态与区域②中的智能体V4、V5的状态一致,则认为区域①和区域②满足一致性条件。区域②③同理。
上述情况用公式表示为:
Bm,j=Bn,j(13)
其中,Bm,j表示计算结束后第m个分区中的智能体Vj的状态,Bn,j同理;m,n为两个存在耦合的分区,智能体Vj为分区m,n耦合的部分。
步骤2中,对于包含有分布式电源、储能装置、柔性负荷等多智能体的智能园区,可假设对于每个发电机节点发电机i的成本函数/>是连续的,可微的。根据叠加原理,多发电机和的成本函数也是连续的、可微的。为便于分析,将成本函数假定为二次函数。
假设Pi是节点i的发电量,Lj是节点j的负荷,由于功率平衡,发电量之和应等于总负荷P*,如式(14)所示
其中,为模拟系统中分布式电源出力的不确定性,vi∈{0,1}是发电机i的启/停状态变量。vi=1表示发电机i正在运行,反之即停运。根据一致性,认为当智慧园区中发电量与消耗负荷相等时系统达到一致。
本发明采用单一智能体分区实现优化,也可运用于多智能体分区优化。应用多智能体分区时,可将分区后各区域看做一个新的智能体,然后根据重新分区后的单个智能体进行分布式优化调控模型的构建和求解,从而实现调控优化。
为了最大限度地降低运营成本,以全局功率平衡为约束,发电机组运营成本最小为目标,建立了分布式优化调控模型,具体如下:
其中,Pi 和分别表示发电机i的功率上下限。R是表示确定的备用容量,其值等于总负荷和备用百分比δ的乘积。通过(15)可知,目标函数为凸,且仅含线性约束(等式约束与不等式约束),可考虑使用标准交替方向乘子法(Alternating Direction Method ofMultipliers,ADMM)进行分散式求解计算。
步骤3中,为方便表示,令
其中,Si表示发电机节点i在vi状态下的发电量;L*表示所有节点消耗的负荷。
根据式(15)(16),可列出增广拉格朗日函数为:
其中,λ为增广拉格朗日乘子向量;ρ为惩罚参数。
根据式(17)可列出标准ADMM迭代步骤:
其中,k为迭代次数。
应用标准ADMM算法时,不同子问题间的求解顺序是固定的。上一子问题求解结果需代入下一子问题中进行求解,在求解完成后,全局协调器根据求解结果对λ进行传播与更新。标准ADMM算法求解方式为串行,收敛速度为O(1/k),速度较慢,不利于分布式优化求解。基于上述问题,本实施例提出快速交替方向乘子法(Accelerated Alternating DirectionMethod of Multipliers,A2DM2)进行求解。
采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解的具体步骤如图3所示,:
采集节点数据,得到初始化参数λ,全局初始发电量P*,全局初始负荷量L*以及初始惩罚参数ρ;本实施例中,初始化参数λ设为0。对实际问题有一定先验知识时,也可以将初始化设为正数。初始惩罚参设置为[0,1]内一个较小的正数,可直接设定或通过问题过往数据进行选择。
根据节点数据,采用快速交替方向乘子法反解最优节点发电量。
在一种具体的实施方式中,将式(17)中除目标函数外其余项提取出来有:
令uk=λk/ρ,常数项可被省略,则迭代步骤可被更新为:
在标准ADMM算法中,uk更新需全局协调器参与,为不使用全局协调器进行更新,将算法转换为同步计算,选取上一次发电量计算结果与总负荷计算结果的平均值作为下一次迭代计算的参考值,即:
由A2DM2算法,得到其原始残差和对偶残差分别为和
根据最优节点发电量进行自适应惩罚参数判定,并根据判定结果更新惩罚参数。
采用标准ADMM算法求解分布式优化控制模型时,由于其计算效率受惩罚参数影响较大,当惩罚参数选取不当时会导致迭代次数显著增加。因此,基于残差平衡原理,下文提出一种自适应惩罚参数,用于同步更新迭代时的惩罚参数,加速收敛速度。
在一种具体的实施方式中,自适应惩罚参数ρ的计算方式如下:
其中,η>1,τincr>1,τdecr>1。,η为残差判断倍数,一般设为10;τincr为倍增系数,一般设为2;τdecr为倍减系数,一般设为2。上述参数也可根据实际系统需要进行选择。
根据更新后的惩罚参数计算对偶残差。当增大ρ的数值时,将增强式(17)和式(19)中的范数项最小化程度,促进发电量与全局负荷相等,加快原始残差的收敛;当减小ρ的数值时,可抑制目标函数振荡,加快全局负荷的收敛。
采用加速梯度法更新初始化参数、全局初始发电量和全局初始负荷量,直到对偶残差满足预设精度要求,得到最优解。
为提高算法收敛性,使算法收敛速度达到O(1/k2),现采用加速梯度法更新拉格朗日乘子λ和参考值
其中,α为松弛变量,用于加速求解λ和
A2DM2算法以对偶残差dk+1趋于零时作为收敛判据,即:
此时收敛精度为ε,输出最优解。
步骤4中,求解可得到总体结果最优即成本最低时的各分布式电源的出力,依据最优解对分布式电源进行调控。
实施例二:
本发明实施例二提供了一种基于快速交替方向乘子法的智慧园区协同调控系统,包括:
分区模块,被配置为将待调控智慧园区看作含有多个智能体的多智能体系统;根据智能体间关联关系的强弱进行分区;
模型构建模块,被配置为根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;
模型求解模块,被配置为采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;
协同调控模块,被配置为根据最优解对待调控智慧园区的每个分区进行协同调控。
实施例三:
本发明实施例三提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例一所述的基于快速交替方向乘子法的智慧园区协同调控方法中的步骤。
实施例四:
本发明实施例四提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例一所述的基于快速交替方向乘子法的智慧园区协同调控方法中的步骤。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于快速交替方向乘子法的智慧园区协同调控方法,将待调控智慧园区看作含有多个智能体的多智能体系统,多智能体系统的协同调控中需所有智能体满足一致性,即所有的多智能体最终收敛至一个相同的状态;其特征在于,该方法具体包括以下步骤:
根据智能体间关联关系的强弱进行分区;
根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;
采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;
根据最优解对待调控智慧园区的每个分区进行协同调控。
2.如权利要求1所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,根据智能体间关联关系的强弱进行分区,当单个智能体与其余智能体间关联较弱时采用单智能体分区方式,当存在多个智能体联系紧密时,采用多智能体分区方式。
3.如权利要求2所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,所述单智能体分区方式为,将单个与其余智能体间关联较弱的智能体划分为一个区域;所述多智能体分区方式为,将多个联系紧密的智能体划分为一个区域,两个区域间存在的相同智能体称为区域耦合。
4.如权利要求3所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,采用多智能体分区方式时,根据最优解对待调控智慧园区的每个分区进行协同调控过程中,若区域之间的区域耦合部分状态一致,则满足一致性条件。
5.如权利要求3所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,单智能体分区方式中,当智能体发电量与负荷量相等时,则满足一致性条件。
6.如权利要求1所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,分布式优化调控模型以全局功率平衡为约束条件。
7.如权利要求1所述的基于快速交替方向乘子法的智慧园区协同调控方法,其特征在于,采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解的具体步骤为:
采集节点数据,得到初始化参数,全局初始发电量,全局初始负荷量以及初始惩罚参数;
根据节点数据,采用快速交替方向乘子法反解最优节点发电量;
根据最优节点发电量进行自适应惩罚参数判定,并根据判定结果更新惩罚参数;
根据更新后的惩罚参数计算对偶残差;
采用加速梯度法更新初始化参数、全局初始发电量和全局初始负荷量,直到对偶残差满足预设精度要求,得到最优解。
8.基于快速交替方向乘子法的智慧园区协同调控系统,其特征在于,包括:
分区模块,被配置为将待调控智慧园区看作含有多个智能体的多智能体系统;根据智能体间关联关系的强弱进行分区;
模型构建模块,被配置为根据分区结果,以发电机为节点,发电机组运营成本最小为目标,建立分布式优化调控模型;
模型求解模块,被配置为采用快速交替方向乘子法对分布式优化调控模型进行迭代计算;迭代计算过程中加入自适应惩罚参数,并结合加速梯度法得到最优解;
协同调控模块,被配置为根据最优解对待调控智慧园区的每个分区进行协同调控。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于快速交替方向乘子法的智慧园区协同调控方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的基于快速交替方向乘子法的智慧园区协同调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594769.XA CN116706917A (zh) | 2023-05-23 | 2023-05-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594769.XA CN116706917A (zh) | 2023-05-23 | 2023-05-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116706917A true CN116706917A (zh) | 2023-09-05 |
Family
ID=87835018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310594769.XA Pending CN116706917A (zh) | 2023-05-23 | 2023-05-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116706917A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239728A (zh) * | 2023-09-19 | 2023-12-15 | 盐城工学院 | 一种微电网分布式经济调度方法 |
CN117689181A (zh) * | 2024-01-31 | 2024-03-12 | 国网辽宁省电力有限公司信息通信分公司 | 基于智慧园区用电负荷的微电网调控系统及方法 |
-
2023
- 2023-05-23 CN CN202310594769.XA patent/CN116706917A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239728A (zh) * | 2023-09-19 | 2023-12-15 | 盐城工学院 | 一种微电网分布式经济调度方法 |
CN117239728B (zh) * | 2023-09-19 | 2024-03-22 | 盐城工学院 | 一种微电网分布式经济调度方法 |
CN117689181A (zh) * | 2024-01-31 | 2024-03-12 | 国网辽宁省电力有限公司信息通信分公司 | 基于智慧园区用电负荷的微电网调控系统及方法 |
CN117689181B (zh) * | 2024-01-31 | 2024-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 基于智慧园区用电负荷的微电网调控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Double-mode energy management for multi-energy system via distributed dynamic event-triggered Newton-Raphson algorithm | |
Claessens et al. | Convolutional neural networks for automatic state-time feature extraction in reinforcement learning applied to residential load control | |
Liu et al. | A distributed optimization algorithm based on multiagent network for economic dispatch with region partitioning | |
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 | |
CN110298138A (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
CN107732960A (zh) | 微电网储能系统容量优化配置方法 | |
CN107706921B (zh) | 基于纳什博弈的微电网电压调节方法和装置 | |
Leterme et al. | A flexible stochastic optimization method for wind power balancing with PHEVs | |
Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
Li et al. | Virtual-action-based coordinated reinforcement learning for distributed economic dispatch | |
CN112636331B (zh) | 智能电网的动态经济调度分布式优化方法及系统 | |
Ruelens et al. | Demand side management of electric vehicles with uncertainty on arrival and departure times | |
Zhang et al. | MOEA/D-based probabilistic PBI approach for risk-based optimal operation of hybrid energy system with intermittent power uncertainty | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
Xi et al. | A virtual generation ecosystem control strategy for automatic generation control of interconnected microgrids | |
CN113890023A (zh) | 一种综合能源微网分布式经济调度优化方法及系统 | |
CN105391056A (zh) | 一种考虑不平衡通信网络的电力系统分布式经济调度方法 | |
CN115473286A (zh) | 基于约束投影强化学习的分布式经济调度优化方法 | |
Tu et al. | An equivalent aggregated model of large-scale flexible loads for load scheduling | |
CN105005503A (zh) | 基于元胞自动机的云计算负载均衡任务调度方法 | |
Hoogsteen et al. | On the scalability of decentralized energy management using profile steering | |
CN115425697B (zh) | 基于交替方向乘子法的分布式跨区跨省调度方法及系统 | |
CN111817298B (zh) | 含随机风能的多调度区间分布式能源调度方法及系统 | |
CN113360289B (zh) | 基于边缘计算的多区域综合能源系统分布式协同优化方法 | |
CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 |
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 |