CN117744894B - 一种综合能源系统的主动学习代理优化方法 - Google Patents
一种综合能源系统的主动学习代理优化方法 Download PDFInfo
- Publication number
- CN117744894B CN117744894B CN202410183394.2A CN202410183394A CN117744894B CN 117744894 B CN117744894 B CN 117744894B CN 202410183394 A CN202410183394 A CN 202410183394A CN 117744894 B CN117744894 B CN 117744894B
- Authority
- CN
- China
- Prior art keywords
- representing
- energy
- energy system
- carbon dioxide
- learning machine
- 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 52
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 62
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 31
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 31
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 41
- 238000013486 operation strategy Methods 0.000 claims description 37
- 239000000446 fuel Substances 0.000 claims description 32
- 229910052739 hydrogen Inorganic materials 0.000 claims description 29
- 239000001257 hydrogen Substances 0.000 claims description 27
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 23
- 238000002485 combustion reaction Methods 0.000 claims description 23
- 239000003345 natural gas Substances 0.000 claims description 23
- 238000004134 energy conservation Methods 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 description 9
- CETPSERCERDGAM-UHFFFAOYSA-N ceric oxide Chemical compound O=[Ce]=O CETPSERCERDGAM-UHFFFAOYSA-N 0.000 description 6
- 229910000422 cerium(IV) oxide Inorganic materials 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000003949 liquefied natural gas Substances 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 150000002431 hydrogen Chemical class 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种综合能源系统的主动学习代理优化方法，属于系统能源管理和机器学习交叉技术领域，本发明基于数据驱动的集成主动学习和代理优化建模的方法，采用自举抽样法和集群极限学习机模拟运行策略、能源节约率、运行成本和二氧化碳排放之间的非线性关系，通过求解不断更新的代理模型，主动选择最优能源流管理策略。本发明显著提高了能源系统的效率，降低了二氧化碳排放量和运行成本。
Description
技术领域
本发明属于系统能源管理和机器学习交叉技术领域，具体涉及一种综合能源系统的主动学习代理优化方法。
背景技术
高比例的可再生能源系统有助于实现气候目标、改善环境、促进经济增长和加强能源安全。遗憾的是，可再生能源如太阳能和风能不稳定，会随着天气变化而波动。将太阳能转化为燃料提供了一种储存能源的方法，为应对天气条件的不稳定性提供了一种解决方案。由于直接利用高温太阳能而无需其他能源转换，在理想条件下，太阳能驱动二氧化铈（CeO2）热化学循环制备氢气和天然气的能量转换效率可能高于其他燃料制备技术。
太阳能热化学燃料制备可用于供暖、发电、制冷和燃料电池汽车等多个领域。通过将其融入高比例的可再生能源系统，可满足各行各业的能源需求，确保能源资源的多元化利用。在实际应用中，为了提高系统的能源利用率、环境效益和经济效益，有必要协调系统中的各种能源，制定能源流的优化调度策略，确保系统稳定高效运行。
多目标优化方法常用于解决系统运行策略问题。能源系统经常受到重大不确定因素的影响，包括供需波动、多变的天气条件和不可预测的市场价格。然而，传统的多目标优化方法往往无法考虑这些不确定性及其对系统运行的影响。
大量研究集中于减少可再生能源波动和用户负荷变化的影响，以维持系统的稳定运行。要保持稳定高效的系统运行，迫切需要应用先进的控制算法和技术。这些算法和技术对于监测和调整能源系统的运行策略、使其能够适应负荷和能源供应的变化至关重要。
发明内容
为了减少计算时间和成本，本发明提出一种综合能源系统的主动学习代理优化方法，其为一种数据驱动的主动学习代理优化方法，用于确定能源调度策略以抵消负荷波动和能源供应不确定性对能源效率、经济收益和环境指标的影响。代理模型可以预测系统在不同运行策略下的性能，而主动学习则有助于有效地探索策略空间，找到最有效的策略。本发明涉及的综合能源系统整合了各种形式的能源，提供了一个更加灵活、可靠和高效的能源转换解决方案，以满足用户对电力、供暖、制冷、氢气和天然气等多种能源的需求。在综合能源系统中，本发明有助于优化储能管理、可再生能源整合和需求响应策略。
为达到上述目的，本发明采用的技术方案如下：
一种综合能源系统的主动学习代理优化方法，包括如下步骤：
步骤一、确定主动调节综合能源系统的系统运行策略的目标函数，包括最大化能源节约率、最小化运行成本和最小化二氧化碳排放，并确定目标函数的约束条件；
步骤二、采用Bootstrap自举抽样法获得训练样本，即系统运行策略和能源节约率、运行成本、二氧化碳排放的样本对，建立集群极限学习机代理模型，模拟真实的综合能源系统的运行行为，预测各种系统运行策略对综合能源系统的能源节约率、运行成本和二氧化碳排放的影响；
步骤三、优化开始前，收集初始数据点，所述初始数据点包括内燃机发电量和CeO2 流量、综合能源系统的能源节约率、运行成本和二氧化碳排放；
步骤四、根据初始数据点构成的初始数据集，采用非支配排序遗传算法获得帕累托前沿近似集；
步骤五、选择置信区间上限-超体积改进函数作为采集函数；
步骤六、基于已建立的集群极限学习机代理模型，根据当前运行数据并进行预测，提高优化效率；利用模式搜索法求解采集函数，确定下一步最佳的系统运行策略并进行评估，以提高综合能源系统的能源节约率，降低运行成本和二氧化碳排放；
步骤七、将新确定的综合能源系统的最佳的系统运行策略纳入集群极限学习机代理模型的训练数据集，并更新集群极限学习机代理模型，提高其逼近综合能源系统的系统运行策略与能源节约率、环境影响和经济收益复杂关系的准确度；循环迭代，直到达到特定的迭代次数或获得一个满意的帕累托前沿解集；
步骤八、利用主动学习代理优化方法求解系统运行策略后，根据帕累托前沿解集得出综合能源系统运行的最优策略，然后应用最优策略主动调节实际的综合能源系统，以实现预期目标。
与传统的多目标优化方法相比，本发明提出利用代理优化方法对能源系统进行主动调控，在确定最佳运行策略方面具有多项优势，本发明的有益效果为：
（1）集群极限学习机能够快速适应运行数据中的复杂模式，因此在能源系统调度方面具有很高的效率。
（2）集群方法结合了多个极限学习机模型，有助于减少预测误差，提高整体准确性，对于在能源系统管理中做出可靠的决策至关重要。
（3）贝叶斯优化方法能有效地搜索解空间，主动找到最优的能源调度策略。这对能源系统的多目标设置尤为有利，因为传统方法可能需要大量计算来探索运行策略空间。
（4）集群极限学习机与贝叶斯优化相结合，可在各种工况条件下提供稳健的能量调度方案，对能源系统的动态运行至关重要。
（5）本发明可根据系统运行数据和反馈进行调整，以适应能源系统运行条件的变化，从而增强其适应性。
（6）代理辅助优化能够最大限度地提高能源系统的运行效率和资源利用率，从而实现更有效和可持续的管理。
综上所述，本发明为集成太阳能热化学燃料制备技术的综合能源系统的发展提供了坚实的理论基础和实际应用的有价值见解。
附图说明
图1为本发明实施例提出的综合能源系统的结构示意图；
图中：A-电网，B-光伏发电机，C-风力发电机，D-太阳能热化学燃料制备装置，E-内燃机发电站，F-液化天然气站，G-电制冷机，H-吸收式制冷机，I-辅助锅炉；J-燃料储存装置，K-电负荷，L-冷负荷，M-热负荷，N-氢气燃料负荷。
具体实施方式
以下结合附图和具体实施方式对本发明做进一步说明。
如图1所示，本发明涉及的综合能源系统包括：电网A、光伏发电机B、风力发电机C、太阳能热化学燃料制备装置D、内燃机发电站E、液化天然气站F、电制冷机G、吸收式制冷机H、辅助锅炉I、燃料储存装置J、电负荷K、冷负荷L、热负荷M、氢气燃料负荷N。
所述电网A向用户或者设备提供电力；所述光伏发电机B依靠太阳能电池板捕捉太阳光，并通过光电效应将其转化为电能，产生的电能并入电网；所述风力发电机C利用风的动能驱动涡轮机的叶片旋转，从而驱动发电机产生电力，并入电网；所述太阳能热化学燃料制备装置D为太阳能驱动金属氧化物热化学循环制燃料装置，利用太阳能驱动非化学计量金属氧化物（二氧化铈，CeO2）将 CO2 和 H2O 分解成CO 和 H2 合成气，然后通过费托合成形成甲烷。其中的氢气用于燃料电池汽车；所述内燃机发电站E将燃料的化学能转换为电能，产生的电能并入电网；所述液化天然气站F用于存储和分发液化天然气；所述电制冷机G利用电能实现制冷；所述吸收式制冷机H利用热能驱动制冷循环；所述辅助锅炉I利用燃烧天然气产生的热能或者余热回收的热量加热水产生蒸汽；所述燃料储存装置J用于储存天然气和氢气；所述电负荷K指综合能源系统在某一时刻所需的电功率；所述冷负荷L指用于保持建筑在设定温度下所需去除的热量；所述热负荷M指为了维持特定温度或满足热能需求所必须传递的热量；所述氢气燃料负荷N指燃料电池汽车使用氢气作为能源时的需求量。
图1中，电力流表示为，为电网A、光伏发电机B、风力发电机C、内燃机发电站E的发电量，输送到用户端满足电负荷K所需电量；热流表示为/>，为太阳能热化学燃料制备装置D、内燃机发电站E释放的热量，用于吸收式制冷机H、辅助锅炉I，用于满足热负荷M所需热负荷；天然气流表示为/>，表示太阳能热化学燃料制备装置D产生的氢气和一氧化碳，经过液化天然气站F合成天然气，通入内燃机发电站E和辅助锅炉I，多余燃料存入燃料储存装置J；冷流表示为/>，表示电制冷机G、吸收式制冷机H产生的冷量，满足冷负荷L所需冷量；氢气流表示为/>，表示太阳能热化学燃料制备装置D制备氢气后，供给燃料电池汽车满足氢气燃料负荷N，多余的氢气存放于燃料储存装置J中。
所述综合能源系统利用太阳能驱动CeO2 热化学循环产生 CO 和 H2，并通过费托合成工艺产生天然气，用于内燃机发电；同时，产生的 H2输送到加氢站，用于燃料电池汽车。所述综合能源系统还采用了余热回收技术，从而提高了太阳能到燃料能的转换效率。
本发明的一种综合能源系统的主动学习代理优化方法，利用主动学习代理优化方法求解系统能量调度，进而提升系统能源、环境和经济效益，包括如下步骤：
步骤一、确定主动调节综合能源系统运行策略的目标函数，所述目标包括最大化能源节约率、最小化运行成本和最小化二氧化碳排放，并确定目标函数的约束条件：
（1）计算能源节约率：
与传统的集中式发电、供暖、制冷和制氢系统能耗相比，本发明中，能源节约率量化了综合能源系统节省的燃料量，目标函数如下所示：
（1）
其中，和/>分别指集中式能源系统的能耗和综合能源系统的能耗；/>表示按小时计算的时间；/>表示一天24小时；/>为最大化。
（2）计算运行成本：
综合能源系统的运行成本包括消耗的天然气和氢气成本，以及购买电力的成本，目标函数可以写成以下形式：
（2）
其中，表示需要从电网购买的电量；/>表示内燃机消耗的燃料量；指加氢站购买的氢气量；/> 代表出售给天然气网的天然气量；/>，和/>表示/>时期内电力的成本，天然气的成本和氢气的成本；/> 表示向电网出售电力的补贴价格；/>为最小化。
（3）计算二氧化碳排放：
二氧化碳排放是实现碳中和、碳峰值的关键，因此将其作为第三个目标函数，定义如下：
（3）
其中，代表电网的天然气消耗量；/>和/>表示内燃机的二氧化碳排放系数和电网的二氧化碳排放系数。
所述的提升综合能源系统能源、环境和经济效益的主动学习代理优化方法中，综合能源系统运行策略的目标函数的约束条件为电能守恒、热能和冷量守恒、天然气和氢气守恒，以及内燃机发电和CeO2流量的最小最大值，计算如下：
电能守恒：（4）
热能或者冷量守恒：（5）
天然气守恒：（6）
氢气守恒：（7）
内燃机发电和二氧化铈流量的盒子约束：
（8）
（9）
式中，表示系统产生的电能；/>表示系统消耗的电能；/>为售卖到电网的电能；/>为设备产生的热能或者冷量；/>为用户消耗的热能或者冷量；/>为储存的热能或者冷量；/>表示系统产生的天然气；/>表示系统购买的天然气，以满足用户的能源需求；/>表示系统消耗的天然气；/>表示系统产生的氢气；/>表示系统购买的氢气；/>表示系统消耗的氢气；/>为内燃机最小发电量；/>为内燃机发电量；/>为内燃机最大发电量；为二氧化铈的最小流速；/>为二氧化铈的流速；/>为二氧化铈的最大流速。
步骤二、采用Bootstrap自举抽样法获得训练样本即系统运行策略和能源节约率、运行成本、二氧化碳排放的样本对，建立集群极限学习机（Ensemble extreme learningmachine，E-ELM）代理模型，模拟真实的综合能源系统的运行行为，快速准确地预测各种运行方案对综合能源系统的能源节约率、运行成本和二氧化碳排放的影响：
所述的Bootstrap自举抽样法是一种功能强大的统计重采样方法，通过在搜索空间内对不同的能量流调度策略进行取样，可以获得多种多样的样本数据，包括不同运行条件下的能源系统运行情况，进而估计平均值或方差。
建立集群极限学习机代理模型之前，首先建立传统的极限学习机的代理模型如下：
给定数据集，其中/>为第/>个系统运行策略，/>为第/>个运行策略下的能源节约率、运行成本和二氧化碳排放，/>表示样本总个数，即系统运行策略的总个数。极限学习机的输入变量为CeO2流量和内燃机发电量，输出参数为综合能源系统的能源节约率，运行成本和二氧化碳排放，数学模型建立如下：
（10）
其中，表示模型矩阵；/>表示输出权向量；/>表示输出值；具体表达式为：
，
and />，
其中，为激活函数；/>和/>定义为第/>个输入权重和第/>个偏置；/>和/>定义了输出权重和输入矩阵；/>和/>表示输入权向量/>的第一个元素和第n个元素；/>和/>表示偏置向量/>的第一个元素和第n个元素；/>和/>表示/>向量的第一个元素和第n个元素；/>表示向量个数；/>为第/>个系统运行策略；/>表示矩阵的转置；
作为一种监督学习技术，ELM 的训练需要求解方程（10），即求解以下线性最小二乘法问题：
（11）
式中，表示向量二范数的平方；/>表示使目标函数/>取最小值时的变量值/>；
鉴于模型矩阵Q不满秩，通常采用Moore-Penrose伪逆来求解这一问题：
（12）
其中，是矩阵Q的Moore-Penrose伪逆。
步骤三、优化开始前，收集初始数据点，所述初始数据点包括内燃机发电量和CeO2 流量，综合能源系统的能源节约率、运行成本和二氧化碳排放；
步骤四、根据初始数据点构成的初始数据集，采用非支配排序遗传算法获得帕累托前沿近似集；
步骤五、选择置信区间上限-超体积改进（Upper confidence bound-hypervolumeimprovement, UCB-HVI）函数作为采集函数；
所述的采集函数为置信区间上限-超体积改进（UCB-HVI）函数，因为其简单且计算时间短。其类似于系统运行单目标优化问题中使用的置信区间上限采集函数。所建立的采集函数在系统运行策略的主动优化中实现了探索与开发之间的平衡，避免了陷入局部最优运行策略的困境。
UCB-HVI 采集函数表达式为：
（13）
其中，表示采集函数；/>和/>为由集群极限学习机确定的均值和由集群极限学习机确定的标准差；/>表示当前帕累托前沿；/>表示参考点；/>表示探索和利用之间平衡的参数；/>表示超体积改进函数。
期望改进、改进概率、置信区间上限以及置信区间上限-超体积改进采集函数，均通过使用预测平均值和方差来确定综合能源系统的下一步的运行策略。如果缺乏方差项，那么在采用上述采集函数时，将无法有效地利用贝叶斯优化框架来估计能量流的调度策略。为了确保每次迭代步骤中只增加一个样本时，能够更新代理模型的学习规则，本发明采用集群极限学习机作为代理模型。这种方法能够在每次仅增加一个样本的情况下，有效获取综合能源系统在能源、环境和经济效益方面的平均值和方差，从而优化整体性能。
采样在收集实际运行数据和评估系统性能方面发挥着关键作用。利用Bootstrap自举抽样法在能量流调度策略的搜索空间内进行采样，可以收集到多种样本数据，这些数据反映了综合能源系统在不同运行条件下的表现。接着，在这些数据集上训练集群极限学习机，从而构建出更为稳健的代理模型。通过平均这些在不同自举样本上训练出的代理模型的能源、环境和经济效益预测值，建立的集群模型通常能够提供更准确的预测，并估算出不确定性。
本发明结合集群极限学习机和Bootstrap自举抽样法，用以建立一个能够主动调节综合能源系统运行的代理模型，计算公式如下：
（14）
其中，表示集群极限学习机代理模型；/>表示系统运行策略；/>表示代理模型；/>表示能源节约率；/>表示运行成本；/>表示二氧化碳排放。
选择采集函数的目的在于平衡两个关键方面：一方面是利用集群极限学习机在目标函数较低的空间进行预测；另一方面是在预测不确定性较低的空间进行探索。这种平衡使得系统能够更有效地决定其下一步的运行策略，从而实现在能源、环境和经济效益方面的主动和系统性学习。
步骤六、基于已建立的代理模型根据当前运行数据并预测，提高优化效率。利用模式搜索法求解采集函数，确定下一步最佳运行策略并进行评估，以提高系统能效，降低运行成本和二氧化碳排放；
步骤七、将新确定的综合能源系统的最佳运行方案纳入代理模型的训练数据集，并更新代理模型，提高其逼近综合能源系统的系统运行策略与能源节约率、环境影响和经济收益复杂关系的准确度。这一过程循环往复，直到达到预定的迭代停止准则，如达到特定的迭代次数或获得一个满意的帕累托前沿解集；
步骤八、利用主动学习代理优化方法求解系统运行策略后，根据帕累托前沿得出综合能源系统运行的最优策略，然后应用最优策略主动调节实际的综合能源系统，以实现预期目标。
利用代理优化方法解决综合能源系统主动运行调度策略的框架如表1所示：
表1
本实施例用于分析综合能源系统的性能，并就综合能源系统在不同季节的运行做出决策。表2列出了综合能源系统的最优特性。这表明，虽然该综合能源系统在夏季能效更高、二氧化碳排放量更少，但运行成本也更高，而在冬季虽然能效更低、二氧化碳排放量更高，但运行成本却更低。
表2
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种综合能源系统的主动学习代理优化方法，其特征在于，包括如下步骤：
步骤一、确定主动调节综合能源系统的系统运行策略的目标函数，包括最大化能源节约率、最小化运行成本和最小化二氧化碳排放，并确定目标函数的约束条件；
步骤二、采用Bootstrap自举抽样法获得训练样本，即系统运行策略和能源节约率、运行成本、二氧化碳排放的样本对，建立集群极限学习机代理模型，模拟真实的综合能源系统的运行行为，预测各种系统运行策略对综合能源系统的能源节约率、运行成本和二氧化碳排放的影响，包括：
开发集群极限学习机代理模型之前，首先建立传统的极限学习机的代理模型如下：
给定数据集，其中/>为第/>个系统运行策略，/>为第/>个运行策略下的综合能源系统的能源节约率、运行成本和二氧化碳排放，/>表示样本总个数，即系统运行策略的总个数；极限学习机的输入变量为CeO2流量和内燃机发电量，输出参数为能源节约率、运行成本和二氧化碳排放，数学模型建立如下：
（4）
其中，表示模型矩阵；/>表示输出权向量；/>表示输出值；具体表达式为：
，
和 />，
其中，为激活函数；/>和/>定义为第/>个输入权重和第/>个偏置；/>和/>定义了输出权重和输入矩阵；/>和/>表示输入权向量/>的第一个元素和第n个元素；/>和/>表示偏置向量/>的第一个元素和第n个元素；/>和/>表示/>向量的第一个元素和第n个元素；/>表示向量个数；/>为第/>个系统运行策略；/>表示矩阵的转置；
求解式（4），即求解以下线性最小二乘法问题：
（5）
式中，表示向量二范数的平方；/>表示使目标函数/>取最小值时的变量值/>；
采用 Moore-Penrose伪逆来求解式（5）：
（6）
其中， 是矩阵Q的Moore-Penrose伪逆；
步骤三、优化开始前，收集初始数据点，所述初始数据点包括内燃机发电量和CeO2 流量、综合能源系统的能源节约率、运行成本和二氧化碳排放；
步骤四、根据初始数据点构成的初始数据集，采用非支配排序遗传算法获得帕累托前沿近似集；
步骤五、选择置信区间上限-超体积改进函数作为采集函数，包括：
置信区间上限-超体积改进采集函数表示为：
（7）
其中，表示采集函数；/>和/>为由集群极限学习机确定的均值和由集群极限学习机确定的标准差；/>表示当前帕累托前沿；/>表示参考点；/>表示探索和利用之间平衡的参数；/>表示超体积改进函数；
集群极限学习机代理模型通过以下方式建立：
（8）
其中，表示集群极限学习机代理模型；/>表示系统运行策略；/>表示代理模型；表示能源节约率；/>表示运行成本；/>表示二氧化碳排放；
置信区间上限-超体积改进函数使用预测平均值和方差确定综合能源系统的下一步的系统运行策略；
步骤六、基于已建立的集群极限学习机代理模型，根据当前运行数据进行预测，提高优化效率；利用模式搜索法求解采集函数，确定下一步最佳的系统运行策略并进行评估，以提高综合能源系统的能源节约率，降低运行成本和二氧化碳排放；
步骤七、将新确定的综合能源系统的最佳的系统运行策略纳入集群极限学习机代理模型的训练数据集，并更新集群极限学习机代理模型，提高其逼近综合能源系统的运行策略与能源节约率、环境影响和经济收益复杂关系的准确度；循环迭代，直到达到特定的迭代次数或获得一个满意的帕累托前沿解集；
步骤八、利用主动学习代理优化方法求解系统运行策略后，根据帕累托前沿解集得出综合能源系统运行的最优策略，然后应用最优策略主动调节实际的综合能源系统，以实现预期目标。
2.根据权利要求1所述的一种综合能源系统的主动学习代理优化方法，其特征在于，所述步骤一包括：
最大化能源节约率的计算如下所示：
（1）
其中，和/>分别指集中式能源系统的能耗和综合能源系统的能耗；/>表示按小时计算的时间；/>表示一天24小时；/>为最大化；
最小化运行成本的计算如下所示：
（2）
其中，表示需要从电网购买的电量；/>表示内燃机消耗的燃料量；/>指加氢站购买的氢气量；/> 代表出售给天然气网的天然气量；/>，/>和/>表示/>时期内电力的成本，天然气的成本和氢气的成本；/> 表示向电网出售电力的补贴价格；/> 为最小化；
最小化二氧化碳排放的计算如下所示：
（3）
其中，代表电网的天然气消耗量；/>和/>表示内燃机的二氧化碳排放系数和电网的二氧化碳排放系数。
3.根据权利要求2所述的一种综合能源系统的主动学习代理优化方法，其特征在于，所述步骤一中，综合能源系统的系统运行策略的目标函数的约束条件为电能守恒、热能和冷量守恒、天然气和氢气守恒、内燃机发电和CeO2流量的盒子约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183394.2A CN117744894B (zh) | 2024-02-19 | 2024-02-19 | 一种综合能源系统的主动学习代理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183394.2A CN117744894B (zh) | 2024-02-19 | 2024-02-19 | 一种综合能源系统的主动学习代理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744894A CN117744894A (zh) | 2024-03-22 |
| CN117744894B true CN117744894B (zh) | 2024-05-28 |
Family
ID=90281673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410183394.2A Active CN117744894B (zh) | 2024-02-19 | 2024-02-19 | 一种综合能源系统的主动学习代理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744894B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409645A (zh) * | 2022-08-12 | 2022-11-29 | 中国科学院电工研究所 | 一种基于改进深度强化学习的综合能源系统能量管理方法 |
| CN116027757A (zh) * | 2023-03-27 | 2023-04-28 | 中国科学院电工研究所 | 光催化-热化学耦合制燃料的综合能源系统运行调控方法 |
| CN116110505A (zh) * | 2022-11-30 | 2023-05-12 | 浙江工业大学 | 一种基于多目标贝叶斯优化的流动化学工艺优化方法 |
| CN116601715A (zh) * | 2021-02-08 | 2023-08-15 | 艾克斯赛安西娅人工智能有限公司 | 通过主动学习进行药物优化 |
| CN116758765A (zh) * | 2023-06-09 | 2023-09-15 | 大连理工大学 | 一种适用多模式交通的多目标信号控制优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11556850B2 (en) * | 2019-10-10 | 2023-01-17 | Accenture Global Solutions Limited | Resource-aware automatic machine learning system |
-
2024
- 2024-02-19 CN CN202410183394.2A patent/CN117744894B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116601715A (zh) * | 2021-02-08 | 2023-08-15 | 艾克斯赛安西娅人工智能有限公司 | 通过主动学习进行药物优化 |
| CN115409645A (zh) * | 2022-08-12 | 2022-11-29 | 中国科学院电工研究所 | 一种基于改进深度强化学习的综合能源系统能量管理方法 |
| CN116110505A (zh) * | 2022-11-30 | 2023-05-12 | 浙江工业大学 | 一种基于多目标贝叶斯优化的流动化学工艺优化方法 |
| CN116027757A (zh) * | 2023-03-27 | 2023-04-28 | 中国科学院电工研究所 | 光催化-热化学耦合制燃料的综合能源系统运行调控方法 |
| CN116758765A (zh) * | 2023-06-09 | 2023-09-15 | 大连理工大学 | 一种适用多模式交通的多目标信号控制优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744894A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106849190B (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
| CN111463836B (zh) | 一种综合能源系统优化调度方法 | |
| CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
| Wang et al. | Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy | |
| Li et al. | Power system planning based on CSP-CHP system to integrate variable renewable energy | |
| Chang et al. | Multi-objective optimization of a novel combined cooling, dehumidification and power system using improved M-PSO algorithm | |
| CN113850474A (zh) | 一种热电氢多能流综合能源系统及其优化调度方法 | |
| Wei et al. | Evaluation and optimization of PEM Fuel Cell-based CCHP system based on Modified Mayfly Optimization Algorithm | |
| CN113642802A (zh) | 一种基于碳计量模型的综合能源站能源优化调度方法和系统 | |
| Kang et al. | Feed-forward active operation optimization for CCHP system considering thermal load forecasting | |
| Li et al. | Intraday multi-objective hierarchical coordinated operation of a multi-energy system | |
| CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| Yu et al. | Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction | |
| CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
| CN114757388A (zh) | 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法 | |
| Ren et al. | Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers | |
| CN114322044A (zh) | 一种综合能源系统及其运行控制方法 | |
| CN114444850A (zh) | 基于数字孪生的园区储能规划方法、装置、设备和介质 | |
| CN116780649B (zh) | 一种多能互补利用的分布式鲁棒优化运行方法 | |
| CN116027757B (zh) | 光催化-热化学耦合制燃料的综合能源系统运行调控方法 | |
| CN117013522A (zh) | 考虑分布式电源和气电协同的综合能源系统调度优化方法 | |
| CN117744894B (zh) | 一种综合能源系统的主动学习代理优化方法 | |
| CN116154840A (zh) | 一种智能工业厂区多能源优化调节方法及设备 | |
| CN113159380B (zh) | 一种计及需求响应的综合能源系统运行优化方法 | |
| CN115204705A (zh) | 考虑电转气存储的区域综合能源系统运行优化方法及应用 |
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 |