CN117371768B - 一种城市用电的供电调度方法、系统与介质 - Google Patents
一种城市用电的供电调度方法、系统与介质 Download PDFInfo
- Publication number
- CN117371768B CN117371768B CN202311674372.8A CN202311674372A CN117371768B CN 117371768 B CN117371768 B CN 117371768B CN 202311674372 A CN202311674372 A CN 202311674372A CN 117371768 B CN117371768 B CN 117371768B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- power
- user
- power supply
- residual error
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 69
- 230000005611 electricity Effects 0.000 claims abstract description 58
- 230000009977 dual effect Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 21
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06315—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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by 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
- 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
- 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)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力技术领域，具体公开了一种城市用电的供电调度方法、系统、设备及介质。通过获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；对每个用户初始化参数；基于每个用户i的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；若所述ADMM算法求解后的原始残差和对偶残差均小于所述收敛阈值时，则算法终止，并将本次迭代所求解的电网运营商的信息和用户信息确定为最优解。通过ADMM算法求解电网运营商的信息和用户信息，使得城市用电的供电调度更为合理高效。
Description
技术领域
本发明涉及电力技术领域，尤其是一种城市用电的供电调度方法、系统、设备及介质。
背景技术
在城市中，电力消耗主要来自各个建筑物和设施的用电，如住宅、商业场所、工业厂房、交通设施等。随着城市的发展和人口的增加，城市用电量也在不断增加，因此对城市用电的预测和管理变得越来越重要，而在市政建设的过程中用电也会增加，并且在建筑完成后，入住的居民也需要对应的用电需求，进而导致用电存在大量缺口，电力调度是指通过对电力负荷进行适配求解，并根据求解结果进行相应的调度安排，以满足电力系统的需求。
现有技术中存在未针对电源的供电方案进行分析，无法还原区域的真实供电用电情况，进而导致供电调度控制精细化程度低的技术问题。
发明内容
本发明的目的在于提供一种城市用电的供电调度方法、系统、设备及介质，以提高供电调度控制精细化程度。
为实现上述目的，本发明提供如下技术方案：
本发明的第一方面提供了城市用电的供电调度方法，包括：
S1、获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；
S2、对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k；
S3、基于每个用户i的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；
S4、若所述ADMM算法求解后的原始残差和对偶残差均小于所述收敛阈值时，则算法终止，并将本次迭代所求解的电网运营商的信息和用户信息确定为最优解；
其中，在S3中，对于每个时刻t，有：
，其中，/>为用户i的用电量，/>为供电商的电量，/>为拉格朗日对偶变量；
所述原始残差和所述对偶残差均小于所述收敛阈值满足关系：
，其中，/>为原始残差/>的收敛阈值，/>为对偶残差/>的收敛阈值。
更进一步地，总用电量g(t)、用户用电量与用户的偏好参数/>满足以下关系：
；
其中，对于整个。
更进一步地，最优电力分配量收敛于/>，且满足关系式：
。
更进一步地，增广拉格朗日的关系式满足以下条件：
。
更进一步地，所述供电调度方法，还包括：
S5、若所述ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，则令K=K+1,更新所述增广拉格朗日对偶变量，并返回步骤S3。
更进一步地，各个用户i的用电量相互独立，且满足关系式：
。
本申请第二方面还提供了一种城市用电的供电调度系统，包括：
获取模块，用于获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；
初始化模块，用于对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数 k；
求解模块，用于基于每个用户 i 的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；
终止模块，用于根据所述ADMM算法求解后的原始残差、对偶残差与所述收敛阈值时，确定迭代的电网运营商的信息和用户信息的最优解。
更进一步地，所述供电调度系统包括：
更新模块，用于当ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，更新所述增广拉格朗日对偶变量，并返回继续迭代求解。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的有益效果为：通过获取历史电力消耗数据，然后再根据历史数据建立时间序列模型，其中，所述时间序列模型包括白天用电模型和晚上用电模型，并将白天历史电力消耗数据输入白天用电模型中进行训练，这样可以得到第一电力消耗值，并将第一电力消耗值作为白天预估电力消耗值，接着再将晚上历史电力消耗数据输入晚上用电模型中进行训练，这样可以得到第二电力消耗值，并将第二电力消耗值作为晚上预估电力消耗值，这样通过统计第一电力消耗值和第二电力消耗值之和能够预估未来城市用电缺失，进而通过预估的电力能够避免人口增加而造成用电缺少的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种城市用电的供电调度方法的流程图；
图2是本申请实施例提供的一种城市用电的供电调度系统的系统图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
在本申请的描述中，所涉及的术语“第一/第二”仅仅是区别类似的对象，不代表针对对象的特定次序，可以理解地，“第一/第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
应该理解的是，方位或位置关系为基于附图所示的方位或位置关系。这些方位术语仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本申请中图1为本申请实施例提供的一种城市用电的供电调度方法的流程图，以下结合图1对本申请实施例提供一种城市用电的供电调度方法进行详细说明。
本申请实施例的城市用电的供电调度方法包括：
S1、获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；
S2、对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k；
S3、基于每个用户i的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；
S4、若所述ADMM算法求解后的原始残差和对偶残差均小于所述收敛阈值时，则算法终止，并将本次迭代所求解的电网运营商的信息和用户信息确定为最优解；
其中，在S3中，对于每个时刻t，有：
（1）
其中，为用户i的用电量，/>为供电商的电量，/>为拉格朗日对偶变量；
所述原始残差和所述对偶残差均小于所述收敛阈值满足关系：
（2）
其中，为原始残差/>的收敛阈值，/>为对偶残差/>的收敛阈值。
具体地，获取城市用电的历史数据并建立供电调度模型包括以下几个主要方面：
（1）数据收集：从供电局或公开的数据平台获取城市用电的历史数据。这些数据应包括各个时间段的电量使用、用户数量、电费等信息。
（2）数据清洗：对收集到的数据进行清洗和处理，去除异常值和缺失值，确保数据的准确性和完整性。
（3）数据分析：利用数据分析工具和方法，分析城市用电的历史数据，了解城市用电的高峰和低谷时段、不同区域的用电差异等。
（4）建立供电调度模型：根据数据分析结果，建立供电调度模型。该模型应包括用户效用函数和供应成本函数。其中，用户效用函数描述的是用户对电力的需求情况，这个函数可以根据不同的因素来建立，比如时间、电价、天气等。一般来说，当电价较低或天气较热时，用户对电力的需求会增加；反之，需求会减少。效用函数的形式可以根据实际情况进行调整和优化，供应成本函数描述的是供电公司供电的成本情况。供应成本函数考虑各种成本因素，如发电成本、输电成本、维护成本等。当电力需求增加时，供电成本也会增加；反之，成本会减少。同样，成本函数的形式也可以根据实际情况进行调整和优化。
（5）模型优化、验证应用：通过算法和数学工具对供电调度模型进行优化，以达到在满足用户需求的同时，降低供电成本的目标。使用历史数据对优化后的模型进行验证，评估模型的准确性和可行性。将验证通过的模型应用到实际的供电调度中，根据模型的预测结果来制定供电计划，以满足城市的用电需求。
基于ADMM算法（Alternating Direction Method of Multipliers）来求解供电调度问题的过程，这个过程考虑了用户效用和供电成本。以下是对每一步骤的详解：
在S1中，主要是数据收集和模型建立的过程。首先，需要从城市供电系统或公开的数据平台获取用电的历史数据，这些数据应该包含用户在不同时间段的用电量、电价等信息。然后，基于这些数据，可以建立供电调度模型，这个模型通常会包含用户效用函数和供应成本函数。用户效用函数描述的是用户对电力的需求情况，而供应成本函数描述的是供电的成本情况。
在S2中，需要为每个用户初始化一些参数，包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k。这些参数将用于后续的ADMM算法中。其中，权衡参数α用于平衡用户效用和供电成本之间的关系；惩罚参数ρ用于控制算法的收敛速度；收敛阈值ε用于判断算法是否达到收敛；迭代次数k用于控制算法的迭代次数。
在S3中，需要将每个用户的实际用电量导入到供电调度模型中，然后使用ADMM算法来求解电网运营商的信息和用户信息。这个过程是一个迭代的过程，每次迭代都会更新电网运营商的信息和用户信息，直到达到收敛条件或达到最大迭代次数。
在S4中，其表征的是算法的终止条件和最优解的确定过程。当ADMM算法求解后的原始残差和对偶残差均小于所设定的收敛阈值时，可以认为算法已经收敛，此时可以终止算法，并将最后一次迭代所求解的电网运营商的信息和用户信息确定为最优解。这个最优解是在满足用户效用和供电成本之间平衡的条件下得到的。
通过考虑用户的效用和供电成本，以及使用ADMM算法进行求解，满足式子（1）、（2）后，这个过程实现基于数据驱动的供电调度优化，从而可以得到一个在满足用户需求的同时降低供电成本的供电计划。
在本申请实施例中，通过获取历史电力消耗数据，然后再根据历史数据建立时间序列模型，其中，所述时间序列模型包括白天用电模型和晚上用电模型，并将白天历史电力消耗数据输入白天用电模型中进行训练，这样可以得到第一电力消耗值，并将第一电力消耗值作为白天预估电力消耗值，接着再将晚上历史电力消耗数据输入晚上用电模型中进行训练，这样可以得到第二电力消耗值，并将第二电力消耗值作为晚上预估电力消耗值，这样通过统计第一电力消耗值和第二电力消耗值之和能够预估未来城市用电缺失，进而通过预估的电力能够避免人口增加而造成用电缺少的问题。
在一些实施例中，总用电量g(t)、用户用电量与用户的偏好参数/>满足以下关系：
（3）
其中，对于整个。
具体地，在式子（3）表征总用电量g(t)、用户用电量与用户的偏好参数之间的关系。总用电量g(t)是城市或区域内所有用户在某一时间段t的总用电量。它是由用户用电量组成的总和，即g(t) = 用户用电量的总和。用户用电量是指单个用户在时间段t内的用电量。它与用户的偏好参数有关，因为不同的用户对电力的需求和使用习惯可能有所不同。例如，一些用户可能更倾向于在高峰时段使用电力，而另一些用户则可能更倾向于在低谷时段使用电力。用户的偏好参数可以包括电价、天气、时间等因素，这些因素会影响用户对电力的需求和使用行为。例如，如果电价较低或天气较热，用户可能会增加对电力的需求；反之，如果电价较高或天气较冷，用户可能会减少对电力的需求。
在制定供电计划和调度策略时，需要考虑用户的偏好参数对用电量的影响，以满足用户的需求并提高供电的效率和经济性。同时，也需要根据总用电量的变化趋势和预测结果来调整供电计划和调度策略，以确保供电的稳定性和可靠性。
而在本申请实施例中，根据 ADMM 算法的优化规则，可以将总用电量g(t)、用电量两个目标函数的变量之间相互迭代，进行求解。
在一些实施例中，最优电力分配量收敛于/>，且满足关系式：
（4）。
具体地，在时间趋于无穷大时，最优电力分配量 是逐渐收敛于然后，对按照式子（4）进行更新：当t→∞时，是逐渐收敛于/>，从而能够求解出最优电力分配量/>，不仅能够满足用户的需求，还能提高供电的效率和经济性。
在一些实施例中，增广拉格朗日的关系式满足以下条件：
（5）。
具体地，在智能电网环境中，考虑到问题模型中涉及三个关键的因素：用户、电网运营商和供电商。在这种考虑下，我们的目的是：1) 最大化用户的效用函数；2)最小化供电成本；3)平滑电网总负载。在离线场景中，电网运营商需要对用户的偏好参数和供电商的总发电量g(t)有着预先的信息掌控。在这里，/>为用户i在t时刻的用电量， />为用户在 t时刻的最优用电量，且/>，/>∈p。于是，对所有时刻，离线问题都能够通过上述的式子（5）进行分解，从而能够把前两次时间的最优用电量作为下一时间的影响因素，使得经过ADMM算法后的供电调度更贴合实际场景。
在一些实施例中，所述供电调度方法，还包括：
S5、若所述ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，则令K=K+1,更新所述增广拉格朗日对偶变量，并返回步骤S3。
具体地，若所述ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，说明当前的求解结果还没有达到预期的收敛效果，需要进行进一步的迭代计算。例如，ADMM算法求解后的原始残差大于或等于所述收敛阈值；或者，若所述ADMM算法求解后的对偶残差大于或等于所述收敛阈值；或者，若所述ADMM算法求解后的原始残差和对偶残差二者都大于或等于所述收敛阈值，说明当前的求解结果还没有达到预期的收敛效果，此时，可以按照您给出的步骤进行更新和返回：
令K=K+1，表示进行了一次迭代计算，需要更新迭代次数k的值。然后，更新增广拉格朗日对偶变量，这个变量是在ADMM算法中用于协调不同子问题之间的信息交互的，更新对偶变量的具体方式取决于供电调度模型和ADMM算法的具体形式，但通常是通过计算上一步的对偶残差来进行更新的。
完成上述更新后，返回步骤S3，继续进行迭代计算。在返回步骤S3之前，可能需要保存当前的求解结果，以便在后续的迭代中进行比较和判断收敛情况。在步骤S3中，基于每个用户的实际用电量和供电调度模型，通过ADMM算法进行求解，得到新的电网运营商的信息和用户信息。然后再次判断新的求解结果的原始残差和对偶残差是否小于收敛阈值，如果是，则算法终止，得到最优解；如果不是，则继续进行迭代计算。
需要注意的是，为了避免无限循环和无法收敛的情况，可以设置一个最大迭代次数或其他的终止条件。当达到最大迭代次数或其他终止条件时，即使残差还没有小于收敛阈值，也需要终止算法并输出当前的求解结果作为近似最优解。
在一些实施例中，各个用户i的用电量相互独立，且满足关系式：
。（6）
具体地，在目标函数中，由于存在一个权衡参数α，其作用是在智能电网中对用户权益和电网负载进行权衡。而在约束条件中认为前时刻的用电量作为一个影响因子作用于下一时刻的用电量，由此，我们构建了式子（8）中的约束。在算法中，如上述提到各个用户i的用电量相互独立。此时，表明算法是一个凸优化问题，同时，存在唯一解，并且该算法在满足 KKT 条件下能够得到每时刻t每个用户i的最优解，其中用电均值为而在该算法中，所有信息都是需先验知的。
图2是本申请实施例提供的一种城市用电的供电调度系统的系统图，如图2所示，本申请实施例的第二方面还提供了一种城市用电的供电调度系统100，包括获取模块110、初始化模块120、求解模块130和终止模块140。其中，获取模块110用于获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，所述供电调度模型包括用户效用函数和供应成本函数；初始化模块120用于对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数 k；求解模块130用于基于每个用户 i 的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；终止模块140用于根据所述ADMM算法求解后的原始残差、对偶残差与所述收敛阈值时，确定迭代的电网运营商的信息和用户信息的最优解。
具体地，供电调度系统100包含了四个主要模块：获取模块110、初始化模块120、求解模块130和终止模块140。这些模块各自负责不同的功能，共同完成了基于城市用电历史数据的供电调度模型的建立和求解过程。获取模块110：这个模块的主要任务是获取城市用电的历史数据，并根据这些数据建立供电调度模型。具体来说，该模块需要从城市供电系统或公开的数据平台收集用电的历史数据，这些数据应包括不同时间段内的用电量、电价等信息。然后，基于这些数据，该模块会建立一个供电调度模型，这个模型通常由用户效用函数和供应成本函数组成。用户效用函数用于描述用户对电力的需求情况，而供应成本函数则用于描述供电的成本情况。初始化模块120：该模块的作用是为每个用户初始化一些参数，这些参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k。这些参数将在后续的ADMM算法中使用。其中，权衡参数α用于平衡用户效用和供电成本之间的关系；惩罚参数ρ用于控制算法的收敛速度；收敛阈值ε用于判断算法是否达到收敛；迭代次数k用于记录算法的迭代次数。求解模块130：这个模块的主要任务是基于每个用户的实际用电量，将供电调度模型导入，并通过ADMM算法求解电网运营商的信息和用户信息。这个过程是一个迭代的过程，每次迭代都会更新电网运营商的信息和用户信息，直到达到收敛条件或达到最大迭代次数。在这个过程中，求解模块130需要不断地调用更新模块来更新增广拉格朗日对偶变量，以推动算法向更优的方向进行迭代。终止模块140：这个模块的功能是根据ADMM算法求解后的原始残差和对偶残差与收敛阈值的比较结果，来确定迭代的电网运营商的信息和用户信息的最优解。当原始残差和对偶残差均小于收敛阈值时，可以认为算法已经收敛，此时终止模块140会确定最后一次迭代所求解的电网运营商的信息和用户信息为最优解。然后，这个最优解会被输出并用于指导实际的供电调度过程。
在一些实施例中，供电调度系统100还包括更新模块，更新模块用于当ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，更新所述增广拉格朗日对偶变量，并返回继续迭代求解。
具体地，当ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，这表示当前的解并未达到预期的优化效果。此时，更新模块就会启动，对增广拉格朗日对偶变量进行更新。增广拉格朗日对偶变量是ADMM算法中的一个关键变量，它起到了协调不同子问题之间信息交互的作用。通过更新这个变量，可以更好地平衡用户效用和供电成本之间的关系，从而推动算法向更优的方向进行迭代。完成增广拉格朗日对偶变量的更新后，更新模块会指示算法返回到迭代求解的过程。
在这个过程中，基于每个用户的实际用电量和供电调度模型，通过ADMM算法进行求解，得到新的电网运营商的信息和用户信息。然后再次判断新的求解结果的原始残差和对偶残差是否小于收敛阈值，如果是，则算法终止，得到最优解；如果不是，则继续进行迭代计算。
通过更新模块可以使得供电调度系统100在求解未能达到预期效果时，能够通过更新增广拉格朗日对偶变量，推动算法向更优的方向进行迭代，从而提高了算法的求解效率和求解质量。同时，通过设定最大迭代次数或其他终止条件，也可以避免算法陷入无限循环或无法收敛的情况。
本申请还提供一种计算机设备，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库显示屏和输入装置。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述处理器执行计算机程序时实现上述任一项所述的城市用电的供电调度方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，所述存储介质包括U盘、移动硬盘、ROM（Read-Only Memory，只读存储器）、RAM（Random Access Memory，随机存取存储器）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机可读存储介质（或非暂时性介质）和通信介质（或暂时性介质）。
如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
示例性的，计算机可读存储介质可以是前述实施例的电子设备的内部存储单元，例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种城市用电的供电调度方法，其特征在于，包括：
S1、获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；
S2、对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k；
S3、基于每个用户i的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；
S4、若所述ADMM算法求解后的原始残差和对偶残差均小于所述收敛阈值时，则算法终止，并将本次迭代所求解的电网运营商的信息和用户信息确定为最优解；
其中，在S3中，对于每个时刻t，有：
其中，/>为用户i的用电量，gk+1为供电商的电量，/>为拉格朗日对偶变量；
所述原始残差和所述对偶残差均小于所述收敛阈值满足关系：
其中，εprim为原始残差γk+1的收敛阈值，εdual为对偶残差sk+1的收敛阈值；
通过获取历史电力消耗数据，然后再根据历史数据建立时间序列模型，其中，所述时间序列模型包括白天用电模型和晚上用电模型，并将白天历史电力消耗数据输入白天用电模型中进行训练，得到第一电力消耗值，并将第一电力消耗值作为白天预估电力消耗值，再将晚上历史电力消耗数据输入晚上用电模型中进行训练，得到第二电力消耗值，并将第二电力消耗值作为晚上预估电力消耗值，通过统计第一电力消耗值和第二电力消耗值之和预估未来城市用电缺失；
总用电量g(t)、用户用电量Pi(t)与用户的偏好参数wi(t)满足以下关系：
其中，对于整个
2.根据权利要求1所述的供电调度方法，其特征在于，最优电力分配量收敛于且满足关系式：
3.根据权利要求1所述的供电调度方法，其特征在于，增广拉格朗日的关系式满足以下条件：
4.根据权利要求3所述的供电调度方法，其特征在于，所述供电调度方法，还包括：
S5、若所述ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，则令K＝K+1,更新所述增广拉格朗日对偶变量，并返回步骤S3。
5.根据权利要求1所述的供电调度方法，其特征在于，各个用户i的用电量Pi(t)相互独立，且满足关系式：
6.一种城市用电的供电调度系统，其特征在于，包括：
获取模块，用于获取城市用电的历史数据，并根据所述历史数据建立供电调度模型，其中，所述供电调度模型包括用户效用函数和供应成本函数；
初始化模块，用于对每个用户初始化参数，所述初始化参数包括权衡参数α、惩罚参数ρ、收敛阈值ε和迭代次数k；
求解模块，用于基于每个用户i的实际用电量，导入所述供电调度模型，通过ADMM算法求解电网运营商的信息和用户信息；
终止模块，用于根据所述ADMM算法求解后的原始残差、对偶残差与所述收敛阈值时，确定迭代的电网运营商的信息和用户信息的最优解；
其中，所述求解模块对于每个时刻t，有：
其中，/>为用户i的用电量，gk+1为供电商的电量，/>为拉格朗日对偶变量；
所述原始残差和所述对偶残差均小于所述收敛阈值满足关系：
其中，εprim为原始残差γk+1的收敛阈值，εdual为对偶残差sk+1的收敛阈值；
通过获取历史电力消耗数据，然后再根据历史数据建立时间序列模型，其中，所述时间序列模型包括白天用电模型和晚上用电模型，并将白天历史电力消耗数据输入白天用电模型中进行训练，得到第一电力消耗值，并将第一电力消耗值作为白天预估电力消耗值，再将晚上历史电力消耗数据输入晚上用电模型中进行训练，得到第二电力消耗值，并将第二电力消耗值作为晚上预估电力消耗值，通过统计第一电力消耗值和第二电力消耗值之和预估未来城市用电缺失；
总用电量g(t)、用户用电量Pi(t)与用户的偏好参数wi(t)满足以下关系：
其中，对于整个
7.根据权利要求6所述的供电调度系统，其特征在于，包括：
更新模块，用于当ADMM算法求解后的原始残差和对偶残差中至少一个大于或等于所述收敛阈值时，更新增广拉格朗日对偶变量，并返回继续迭代求解。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674372.8A CN117371768B (zh) | 2023-12-08 | 2023-12-08 | 一种城市用电的供电调度方法、系统与介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674372.8A CN117371768B (zh) | 2023-12-08 | 2023-12-08 | 一种城市用电的供电调度方法、系统与介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117371768A CN117371768A (zh) | 2024-01-09 |
| CN117371768B true CN117371768B (zh) | 2024-05-03 |
Family
ID=89389618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311674372.8A Active CN117371768B (zh) | 2023-12-08 | 2023-12-08 | 一种城市用电的供电调度方法、系统与介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371768B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
| KR101783599B1 (ko) * | 2016-06-02 | 2017-10-10 | 충북대학교 산학협력단 | 패턴 분석을 활용한 부하 분산을 위한 전력 소비량 제어 기반 수요·공급 관리 시스템 |
| CN109301882A (zh) * | 2018-10-23 | 2019-02-01 | 华北电力大学 | 一种基于admm的电力系统分散式经济调度方法 |
| CN109687454A (zh) * | 2019-01-24 | 2019-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式能源集群优化调度系统、方法及装置 |
| US10326280B1 (en) * | 2018-09-13 | 2019-06-18 | The Florida International University Board Of Trustees | Distributed renewable energy grid controller |
| CN112016817A (zh) * | 2020-08-14 | 2020-12-01 | 南京航空航天大学 | 一种智能电网中基于同伴效应的需求响应方法 |
| CN113904337A (zh) * | 2021-10-18 | 2022-01-07 | 山东大学 | 计及配电网灵活性的综合能源系统分布式优化调度方法 |
| CN114723260A (zh) * | 2022-03-29 | 2022-07-08 | 全球能源互联网集团有限公司 | 一种多区域综合能源系统全分布式调度方法及系统 |
-
2023
- 2023-12-08 CN CN202311674372.8A patent/CN117371768B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101783599B1 (ko) * | 2016-06-02 | 2017-10-10 | 충북대학교 산학협력단 | 패턴 분석을 활용한 부하 분산을 위한 전력 소비량 제어 기반 수요·공급 관리 시스템 |
| CN107194516A (zh) * | 2017-06-07 | 2017-09-22 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
| US10326280B1 (en) * | 2018-09-13 | 2019-06-18 | The Florida International University Board Of Trustees | Distributed renewable energy grid controller |
| CN109301882A (zh) * | 2018-10-23 | 2019-02-01 | 华北电力大学 | 一种基于admm的电力系统分散式经济调度方法 |
| CN109687454A (zh) * | 2019-01-24 | 2019-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式能源集群优化调度系统、方法及装置 |
| CN112016817A (zh) * | 2020-08-14 | 2020-12-01 | 南京航空航天大学 | 一种智能电网中基于同伴效应的需求响应方法 |
| CN113904337A (zh) * | 2021-10-18 | 2022-01-07 | 山东大学 | 计及配电网灵活性的综合能源系统分布式优化调度方法 |
| CN114723260A (zh) * | 2022-03-29 | 2022-07-08 | 全球能源互联网集团有限公司 | 一种多区域综合能源系统全分布式调度方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ADMM-Base Distributed Optimal Dispatch of Integrated Energy System Considering Uncertainties of Source and Load;Ailiang Kong等;IEEE;1-10 * |
| 基于ADMM的电-气综合能源系统多目标最优能量流分布式计算;黄琳妮等;广东电力;56-63 * |
| 基于交替方向乘子法的主动配电网分布式多目标优化调度;董雷;龚成尧;陈乃仕;蒲天骄;;电力建设(04);45-53 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117371768A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Optimal charging control of energy storage and electric vehicle of an individual in the internet of energy with energy trading | |
| Han et al. | Incentivizing prosumer coalitions with energy management using cooperative game theory | |
| Zhang et al. | Real-time smart charging of electric vehicles for demand charge reduction at non-residential sites | |
| Xie et al. | Fast MPC-based coordination of wind power and battery energy storage systems | |
| Boehm et al. | Data management in the mirabel smart grid system | |
| Dababneh et al. | Integrated electricity and natural gas demand response for manufacturers in the smart grid | |
| US20150025696A1 (en) | Distributed Methods and Software For Balancing Supply and Demand In An Electric Power Network | |
| Sonnenschein et al. | Decentralized control of units in smart grids for the support of renewable energy supply | |
| US20190288513A1 (en) | Decentralized energy management utilizing blockchain technology | |
| Stadler et al. | Distributed model predictive control of energy systems in microgrids | |
| Baharlouei et al. | On the convergence properties of autonomous demand side management algorithms | |
| KR20210100699A (ko) | 하이브리드 발전소 | |
| Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
| CN110571795A (zh) | 一种储能单元在高风力渗透电力系统中的布置方法 | |
| Timilsina et al. | A reinforcement learning approach for user preference-aware energy sharing systems | |
| Sauerteig et al. | Towards multiobjective optimization and control of smart grids | |
| US11689028B2 (en) | Method for controlling an exchange of energy between energy sub-systems in adjusted harmonised conditions; control centre; energy system; computer program; and storage medium | |
| Nesmachnow et al. | Controlling datacenter power consumption while maintaining temperature and QoS levels | |
| US10873188B2 (en) | Dynamic hosting capacity system and method for DER integration and management on distribution utility networks | |
| Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
| CN111864742A (zh) | 一种主动配电系统扩展规划方法、装置及终端设备 | |
| Zhou et al. | Correlated deep q-learning based microgrid energy management | |
| Chen et al. | Multi-objective robust optimal bidding strategy for a data center operator based on bi-level optimization | |
| Tiemann et al. | Operational flexibility for multi-purpose usage of pooled battery storage systems | |
| CN117371768B (zh) | 一种城市用电的供电调度方法、系统与介质 |
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 |