CN118134228A - 含电动汽车负荷的工业园区综合能源系统在线调度方法 - Google Patents
含电动汽车负荷的工业园区综合能源系统在线调度方法 Download PDFInfo
- Publication number
- CN118134228A CN118134228A CN202410576804.XA CN202410576804A CN118134228A CN 118134228 A CN118134228 A CN 118134228A CN 202410576804 A CN202410576804 A CN 202410576804A CN 118134228 A CN118134228 A CN 118134228A
- Authority
- CN
- China
- Prior art keywords
- energy system
- time
- dispatching
- comprehensive energy
- scheduling
- 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 72
- 230000002776 aggregation Effects 0.000 claims abstract description 52
- 238000004220 aggregation Methods 0.000 claims abstract description 52
- 238000012886 linear function Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013459 approach Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000002699 waste material Substances 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RZGZMLICFFEUIQ-UHFFFAOYSA-N 5-[(1-phenylcyclohexyl)amino]pentanoic acid Chemical compound C=1C=CC=CC=1C1(NCCCCC(=O)O)CCCCC1 RZGZMLICFFEUIQ-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种含电动汽车负荷的工业园区综合能源系统在线调度方法。本发明包括以下步骤：首先，将工业园区内电动汽车负荷中离开时间相同的电动汽车聚合成一个电动汽车调度聚合模型；再建立工业园区综合能源系统在线调度模型，同时将在线调度模型重构为马尔科夫决策调度模型；然后离线训练近似动态规划方法中的凸分段线性函数，使其逼近马尔科夫决策调度模型中的真实价值函数；在线调度中，结合外源信息向量，利用训练好的近似动态规划方法在线求解当前时段的马尔科夫决策调度模型，得到在线调度结果。本发明能够有效降低问题维度，还能够显著提高在线调度的效率，为含电动汽车负荷的工业园区综合能源系统在线调度提供了一个新的思路。
Description
技术领域
本发明涉及了一种综合能源系统的优化调度方法，具体涉及了一种含电动汽车负荷的工业园区综合能源系统在线调度方法。
背景技术
在当前全球气候变化和环境污染问题不断加剧的背景下，工业园区综合能源系统和电动汽车成为可持续发展的关键之一。工业园区综合能源系统作为能源互联网的典型代表，通过整合多个能源系统，不仅提高了能源利用效率，还有效降低了运行成本。这种综合系统有望在未来成为推动可持续能源发展的核心组成部分。在环境意识逐渐增强的今天，过度开采化石燃料和温室气体排放已经引起了广泛关注。电动汽车(EV)作为清洁能源交通的代表，将其融入智能电网系统可以减少其对传统石油资源的依赖，从而降低环境污染的风险。其与工业园区综合能源系统的有机结合不仅有助于提高能源利用效率，还能为工业生产注入更加可持续的元素。
然而，随着电动汽车在工业园区综合能源系统中的数量逐渐增多，供需平衡面临新的挑战。这促使人们对工业园区综合能源系统的“源-网-荷-储-车”经济调度问题进行更深入的研究。在这个过程中，需要解决的一个重要问题是如何实现含大规模电动汽车负荷的工业园区综合能源系统在线调度。目前，含电动汽车负荷的工业园区综合能源系统在线调度方法研究较少，常见的含电动汽车负荷的工业园区综合能源系统的调度方法是基于预测数据进行日前调度-日内调度-实时调度，依据预测数据的更新不断修正调度策略。这种调度方法通常将调度问题建模为线性规划问题进行求解，该方法需要对每辆EV进行建模，如果EV数量增加，问题维度会过大，从而导致求解时间急剧增加，并且该方法过度依赖预测数据，没有充分利用历史数据进行调度。因此，亟需开发一种含大规模电动汽车负荷的工业园区综合能源系统在线调度方法，以实现系统内部资源的有效管理和分配。
总体而言，工业园区综合能源系统与电动汽车的结合代表着未来清洁能源发展的前景。通过研究合理的在线调度方法，可以更好地平衡供需关系，提高整个系统的稳定性和可持续性，为全球应对气候变化和环境污染问题提供有力支持。
发明内容
为了解决背景技术中存在的问题和需求，本发明提出了一种含电动汽车负荷的工业园区综合能源系统在线调度方法。本发明将工业园区内的大规模电动汽车负荷进行聚合，将离开时间相同的电动汽车聚合成一个电动汽车调度聚合模型，通过离线训练近似动态规划方法中的凸分段线性函数，使其逼近马尔科夫决策调度模型中的真实价值函数；在线调度中，结合外源信息向量，利用训练好的近似动态规划方法在线求解获得对应的在线调度结果。
本发明的技术方案如下：
一、一种含电动汽车负荷的工业园区综合能源系统在线调度方法
S1：将工业园区综合能源系统内电动汽车负荷中离开时间相同的电动汽车调度模型聚合后，获得电动汽车调度聚合模型；
S2：基于电动汽车调度聚合模型建立综合能源系统在线调度模型，接着将综合能源系统在线调度模型重构为马尔科夫决策调度模型；
S3：利用工业园区综合能源系统的历史数据，训练近似动态规划方法的凸分段线性函数，使其逼近马尔科夫决策调度模型中的真实价值函数，获得训练好的近似动态规划方法；
S4：在线调度时，结合外源信息向量，利用训练好的近似动态规划方法在线求解当前时段的马尔科夫决策调度模型，得到在线调度结果。
所述S1中，对于离开时间为td的第n辆电动汽车，其调度模型的公式如下：
其中，ta是电动汽车的到达时间，td是电动汽车的离开时间，d EV td,n,max (t)为电动汽车充电需求实际曲线上界；d EV td,n,min (t)为电动汽车充电需求曲线下界；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t),p EV td,n,min (t)分别为电动汽车电池的充放电功率上、下界；d EV td,n (t)为电动汽车的实时充电需求；d EV td,n (ta)为电动汽车到达时的充电需求；p EV td,n (m)为m时刻电动汽车电池的充放电功率；d EV td,n (td)为电动汽车离开时的充电需求；d EV td,n,shed 为电动汽车未满足的充电需求；△t为单步调度时间间隔。
所述S1中，对于离开时间均为td的电动汽车，将各电动汽车调度模型中的EV充电模型线性叠加后，获得离开时间td的电动汽车调度聚合模型，离开时间td的电动汽车调度聚合模型的公式如下：
其中，p EVC td (t)和p EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型的实时充电功率和最大实时充电功率；N EV td (t)为离开时间为td的电动汽车的实时数量；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t)为电动汽车电池的充放电功率上界；D EVC td,min (t)和D EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型充电需求下界和充电需求上界；d EV td,n,max (t)为单辆电动汽车的实时充电需求曲线上界值；d EV td,n,min (t)为单辆电动汽车的实时充电需求曲线下界值；D EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充电需求；p EVC td (m)为m时刻离开时间为td的电动汽车调度聚合模型的充放电功率；△t为单步调度时间间隔；D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量；D EVC td (t)为电动汽车调度聚合模型在时间为td时的充电需求。
所述S2中，综合能源系统在线调度模型的目标函数公式如下：
其中，V * t 为综合能源系统最优的总运行成本，X t 为可行决策集合；x t 为综合能源系统的决策变量；E{}为条件期望；S t 为综合能源系统的状态变量，C t (S t ,x t )是综合能源系统的总成本，是机组的运行成本，/>是工业园区综合能源系统与外电网的交易成本，C carbon t (S t ,x t )是碳排放成本，C cur t (S t ,x t )是工业园区综合能源系统的惩罚成本，C EV t (S t ,x t )是电动汽车充电为工业园区综合能源系统带来的利润，c ev shed 为电动汽车充电需求未满足的惩罚系数，c ev 为综合能源系统内的电动汽车充电电价，D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量，P EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充放电功率；
综合能源系统在线调度模型的约束条件包括工业园区综合能源系统的电力平衡约束、热平衡约束、机组发力上下限约束、机组爬坡约束、蓄电池机组约束、外电网电量交易约束、热电联产机组的热电耦合约束、综合能源系统弃绿电弃热或者热电负荷削减的约束。
所述综合能源系统弃绿电、弃热或者热电负荷削减的约束的公式如下：
其中，为热电联产机组的发热功率上限；P WT t , P PV t 分别为风机和光伏的预测电功率；P waste t ，P reduce t 分别为t时刻的电能削减功率和电负荷削减功率；D E t 为综合能源系统的电负荷；D Q t 为综合能源系统的热负荷；Q waste t ,Q reduce t 分别为t时刻的热能削减功率和热负荷削减功率。
所述S3中，结合各状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值，再根据斜率采样值更新斜率，直至训练完成，最后对迭代完成的斜率进行调整，使得斜率满足单调性条件；
其中，结合每个状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值的公式如下：
其中，为第n轮迭代中的斜率采样值；p max 为滑动时间窗口的最大滑动步长；||为绝对值；m n t+p,i 为第n次迭代时状态变量在时间t+p时的边际价值；sgn( )为符号函数；m n t+k,i 为第n次迭代时状态变量i在时间t+k时的边际价值；k为滑动时间窗口中边际价值绝对值最大值对应的滑动步长下标。
所述S4具体为：
S41：在线调度时，将训练好的近似动态规划方法中的近似价值函数带入马尔科夫决策调度模型中；
S42：将决策时刻t的外源信息向量W t 输入到马尔科夫决策调度模型中，求解获得决策时刻t的在线调度结果；
S43：如果t<T，根据当前决策时刻t的在线调度结果和状态转移函数将能源系统转移到下一时段的状态，重复S42，直至完成在线调度。
二、一种计算机设备
所述设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
三、一种计算机可读存储介质
所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
四、一种计算机程序产品
所述介质包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述方法的步骤。
本发明与现有技术相比，具有如下有益效果：
本发明提出了一种电动汽车调度模型，再将离开时间相同的电动汽车调度模型聚合，从而基于电动汽车调度聚合模型建立后续的综合能源系统在线调度模型，能够有效地降低问题维度；
本发明提出了一种ABS-ADP方法，其对凸分段线性函数中的斜率进行重定义，提高了收敛速度以及降低收敛误差，从而提高收敛性能。
本发明构建近似动态规划方法求解框架，充分利用历史场景数据进行离线学习，在线调度可以高效率求解得到高性能在线调度策略，也就能够大大降低调度成本。
因此，本发明可以有效降低工业园区调度成本、降低综合能源系统碳排放、缓解综合能源系统的电动汽车负荷冲击压力，为含大规模电动汽车负荷的工业园区综合能源系统在线调度提供了一个新的思路。
附图说明
图1为本发明的方法流程图；
图2为含电动汽车负荷的工业园区综合能源系统的构架图；
图3为单辆电动汽车充电负荷的可调度模型；
图4为用于离线训练时的电热负荷历史数据；
图5为用于离线训练时的可再生能源历史数据；
图6为用于离线训练时的外电网电价历史数据；
图7为工业园区内的电动汽车到达时间和离开时间分布；
图8为第n次迭代、时间为t时的针对状态的凸分段线性函数示意图；
图9为本发明提出的ABS-ADP算法的离线训练收敛效果对比图；
图10为ABS-ADP算法求解的工业园区电动汽车充电负荷调度结果图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式，对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。可以理解，本发明提出的一种含电动汽车负荷的工业园区综合能源系统在线调度方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
在本实施例中，调度总时长为一天24小时，分成96个调度时段，即T=96，每个调度时段为15分钟。以含大规模电动汽车负荷的工业园区电¬热联供型综合能源系统为例，系统结构如图2所示，工业园区综合能源系统由电网、热网及天然气网络相连。电网通过变压器与外部电网相连，利用开断设备可以在孤岛运行及并网运行模式中自由切换。在并网运行模式下，综合能源系统可与外部电网进行双向功率交易，综合能源系统调度中心根据工业负荷、电动汽车充电负荷、分布式机组出力情况及市场电价等信息决策与外部电网的交易量。综合能源系统中电网共有六个节点，天然气网有三个节点，热网有三个节点。其中只有蓄电池节点既可以充当供能节点又能充当耗能节点，热泵节点为耗能节点，其他机组节点均为供能节点。各分布式机组分为可控机组、不可控机组两大类。其中，可控机组包含燃气发电机组、热电联产机组、燃气锅炉、蓄电池和热泵；不可控机组为风机以及光伏电池。
如图1所示，本发明包括以下步骤：
S1：将工业园区综合能源系统内大规模电动汽车负荷中离开时间相同的电动汽车调度模型聚合后，获得电动汽车调度聚合模型(EV clusters，EVC)，用于降低在线调度问题的维度。具体实施中，考虑工业园区综合能源系统内电动汽车的数量大于50辆。本实施例中，电动汽车的数量为100辆。
对于离开时间为td的第n辆电动汽车，工业园区中，预计离开时间为td的第n辆电动汽车的可由五组参数表示，即{ d EV td,n,max (t)，d EV,ideal td,n,max (t)，d EV td,n,min (t)，p EV td,n,max (t)，p EV td,n,min (t)}，本发明中不考虑电动汽车放电，所以p EV td,n,min (t)=0，电动汽车调度模型的公式如下：
其中，ta是电动汽车的到达时间，td是电动汽车的离开时间，d EV td,n,max (t)为电动汽车充电需求实际曲线上界；d EV td,n,min (t)为电动汽车充电需求曲线下界；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t),p EV td,n,min (t)分别为电动汽车电池的充放电功率上、下界；d EV td,n (t)为电动汽车的实时充电需求；d EV td,n (ta)为电动汽车到达时的充电需求；p EV td,n (m)为m时刻电动汽车电池的充放电功率；d EV td,n (td)为电动汽车离开时的充电需求；d EV td,n,shed 为电动汽车未满足的充电需求；△t为单步调度时间间隔。
每辆电动汽车调度模型的示意图如图3所示，图中曲线A-E-D代表了EV的快充模式，到达充电站后以最大功率充电至设定状态(此时充电需求为0)，可以得到d EV td,n,min (t)曲线。曲线A-B-D代表了极限的延迟充电计划，电动汽车到达充电站后尽可能推迟充电计划，直至电动汽车的离开时间td才满足其充电需求，可以得到d EV,ideal td,n,max (t)曲线，考虑到工业IES日内运行中的各种随机性，不合理的调度策略可能导致无法满足电动汽车充电需求，所以模型中采用d EV td,n,max (t)作为电动汽车充电需求曲线的上界。单辆电动汽车的充电可调度区域为ACDE，当需求曲线d EV td,n (t)出现在区域BCD时会造成充电需求的削减d EV td,n,shed (t)，其中曲线d 1 是一种满足充电需求的充电调度曲线，d 2 是一种不满足充电需求的充电调度曲线，会造成充电需求的削减d EV td,n,shed 。
对于离开时间均为td的电动汽车，将各电动汽车调度模型中的EV充电模型线性叠加后，获得离开时间td的电动汽车调度聚合模型，离开时间td的电动汽车调度聚合模型的公式如下：
其中，p EVC td (t)和p EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型的实时充电功率和最大实时充电功率；N EV td (t)为离开时间为td的电动汽车的实时数量；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t)为电动汽车电池的充放电功率上界；D EVC td,min (t)和D EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型充电需求下界和充电需求上界；d EV td,n,max (t)为单辆电动汽车的实时充电需求曲线上界值；d EV td,n,min (t)为单辆电动汽车的实时充电需求曲线下界值；D EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充电需求；p EVC td (m)为m时刻离开时间为td的电动汽车调度聚合模型的充放电功率；△t为单步调度时间间隔；D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量；D EVC td (t)为电动汽车调度聚合模型在时间为td时的充电需求。
在线调度时，可以计算得到各个电动汽车调度聚合模型的充电功率曲线，根据电动汽车调度聚合模型的充电功率曲线，对电动汽车调度聚合模型内各辆EV制定充电计划，因为同一个电动汽车调度聚合模型中的EV离开时间相同，所以优先为充电需求量大的EV充电，这样就实现了当前电动汽车调度聚合模型内所有电动汽车的在线充电调度。
S2：基于各电动汽车调度聚合模型建立综合能源系统在线调度模型，接着将综合能源系统在线调度模型重构为马尔科夫决策调度模型（MDP）；
S2中，考虑到部分状态变量是随机的，目标函数V * t (·)用期望形式来定义，综合能源系统在线调度模型的目标函数公式如下：
其中，V * t 为综合能源系统最优的总运行成本，X t 为可行决策集合；x t 为综合能源系统的决策变量；E{}为条件期望；S t 为综合能源系统的状态变量，C t (S t ,x t )是综合能源系统的总成本，是机组的运行成本，/>是工业园区综合能源系统与外电网的交易成本，C carbon t (S t ,x t )是碳排放成本，C cur t (S t ,x t )是工业园区综合能源系统的惩罚成本，C EV t (S t ,x t )是电动汽车充电为工业园区综合能源系统带来的利润，c ev shed 为电动汽车充电需求未满足的惩罚系数，c ev 为综合能源系统内的电动汽车充电电价，D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量，P EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充放电功率；
综合能源系统在线调度模型的约束条件包括工业园区综合能源系统的电力平衡约束、热平衡约束、机组发力上下限约束、机组爬坡约束、蓄电池机组约束和、外电网电量交易约束、热电联产机组的热电耦合约束、综合能源系统弃绿电弃热或者热电负荷削减的约束。
具体是，含电动汽车负荷的工业IES中需要保障热电供需平衡，电力平衡约束、热平衡约束的公式如下：
式中，P WT t , P PV t 分别为风机和光伏的预测电功率；P GG t 为燃气发电机组的电功率；P CHP t 为热电联产机组的电功率；P d t , P c t 分别为蓄电池的放电功率和充电功率；P grid t 为t时刻多能流系统与外电网交易量；P waste t , P reduce t 分别为时刻的电能削减功率和电负荷削减功率；P HP t 为热泵消耗的电功率；为燃气锅炉的热功率；Q HP t 为热泵的热功率；Q CHP t 为热电联产机组的热功率；D E t ，/>分别为综合能源系统的电负荷和电动汽车的充电负荷；D Q t 为综合能源系统的热负荷；Q waste t , Q reduce t 分别为t时刻的热能削减功率和热负荷削减功率；N EVC t 为电动汽车调度聚合模型的实时数量。
综合能源系统弃绿电、弃热或者热电负荷削减的约束条件如下式：
其中，为热电联产机组的发热功率上限；P WT t , P PV t 分别为风机和光伏的预测电功率；P waste t ，P reduce t 分别为t时刻的电能削减功率和电负荷削减功率；D E t 为综合能源系统的电负荷；D Q t 为综合能源系统的热负荷；Q waste t ,Q reduce t 分别为t时刻的热能削减功率和热负荷削减功率。
不等式约束包括热电机组的发力上下限约束，热电机组的爬坡约束，蓄电池机组的运行约束，CHP机组热电耦合约束。
将上述优化调度模型重构为马尔科夫决策过程模型（MDP），用贝尔曼方程定义含期望形式的目标函数：
其中，V * t (S t )和V * t (S t+1)分别是t时刻状态S t 的最优状态价值和t+1时刻状态S t+1的最优状态价值；T是在线调度的结束时间；
最优动作策略x * t 代表当前系统状态为S t 时，使目标函数V * t 最小的决策变量集合。状态S t 下，给定动作x t 和新的外源信息W t+1，S t+1 =S M (S t ，x t ，W t+1)是状态S t 到状态S t+1的映射。
接着将优化问题重构为马尔科夫决策过程，具体包括状态变量集合S t ，决策变量集合x t ，外源信息向量W t 和状态转移函数S M (S t ，x t ，W t+1)。
状态变量集合S t 的公式如下：
式中，S E t ，S H t ，S EV t 分别代表电力相关的状态变量集合，热力相关的状态变量集合和与电动汽车相关的状态变量集合；SOC t 为蓄电池的蓄电状态，c grid t 为大电网的实时交易电价，N EVC t 为电动汽车调度聚合模型的实时数量。
决策变量集合x t 的公式如下：
外源信息向量W t ：
式中，△表示各状态变量的变化量。
状态转移函数S M (S t ，x t ，W t+1)如下：
其中，S E t+1,1，S E t+1,2和S E t+1,3分别指P GG t-1，P CHP t-1，SOC t ；η c 为蓄电池充电效率；P c t为蓄电池充电功率；P d t为蓄电池放电功率；η d 为蓄电池放电效率；S E t,j为状态向量S E t中的第j个元素；W t+1,j-3为t+1时刻外源信息向量中的第j-3个元素；S Q t+1,1、S Q t+1,2、S Q t+1,3和S Q t+1,4分别指t+1时刻状态变量S Q t+1的第1,2,3,4个元素；△D Q t为综合能源系统热需求状态变量的变化量；S EV t+1,1，S EV t+1,2和S EV t+1,j+2分别指t+1时刻状态变量S EV t+1的第1、2和j+2个元素；△D EVC td,max (t+1)为离开时间为td的电动汽车调度聚合模型充电需求上界在t+1时刻的变化量；△D EVC td,shed (t)为t时刻离开时间为td的电动汽车调度聚合模型的充电需求削减量；W t+1,j+6为t+1时刻外源信息向量中的第j+6个元素。
S3：利用工业园区综合能源系统的历史数据，离线训练近似动态规划方法的凸分段线性函数，使其逼近马尔科夫决策调度模型中的真实价值函数，提高求解性能，训练结束后，获得训练好的近似动态规划方法，即获得近似价值函数；
表1为产电机组参数表
表2为产热机组参数表
本实施例中，离线训练的热电负荷历史数据、风机和光伏机组的功率历史数据以及外电网电价历史数据分别如图4、图5和图6所示，工业园区采取三班制，分别为白班、晚班和夜班，园区内的电动汽车充电负荷也可以大致分为白班负荷、晚班负荷和夜班负荷，图7是工业园区内的电动汽车到达时间和离开时间分布，系统中各机组参数如表1和表2所示。
本发明引入决策后状态S x t的值函数V x t (S x t)来避免计算期望值。进一步考虑到决策后状态值函数V x t (S x t)直接计算存在很大困难，因此，本发明采取函数近似的方法来获得状态值函数V x t (S x t)的近似值，贝尔曼方程改写为：
从上式可以看出，解的最优性能很大程度上依赖于价值函数。因此，价值函数逼近对于追求低优化误差和低计算难度至关重要。本发明使用基于可分离近似的凸分段线性函数将系统状态映射到相应的函数值，如下所示：
式中，为近似价值函数，N i 为分段线性函数的段数，N i 决定了状态变量S t,i 的聚合程度，N i 越小，状态S t,i 的近似值就越粗糙；r t,a,i 为状态S t,i 在分段a对应的横坐标上填充的长度；斜率d t,a,i 是单调递增的，满足d t,a,i ≤d t,a+1,i 。
本实施例中，选取状态变量中离开时间为td的电动汽车调度聚合模型充电需求D EVC td (t)为离散状态，设置对应的，第n次迭代、时间为t时的电动汽车调度聚合模型充电需求D EVC td (t)的凸分段线性函数示意图如图8所示，其中每个调度时刻、每个电动汽车调度聚合模型都需要构建一个凸分段线性函数。其他的状态变量被聚合，并且设置对应的N i =1。设计凸分段线性近似价值函数之后，t时刻的近似最优策略可以通过求解确定性问题得到：
其中，x * t 为决策变量的最优值。
近似动态规划方法(ADP)获得决策的优劣取决于近似值函数对真实值函数的逼近程度。初始化近似动态规划方法各参数，设置迭代次数索引n=1，依据历史场景数量初始化最大迭代次数和分段线性函数的段数N i ，将各凸分段线性函数的斜率设置为0。接着依据当前的凸分段线性函数，前向求解直到t=T，获得当前迭代轮次内各时段的最优决策。
为了获得好的决策效果，分段线性函数的斜率应进行适当的训练和更新直到目标函数收敛。本发明提出了ABS-ADP方法，提高了收敛速度以及降低收敛误差，具体是结合各状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值，再根据斜率采样值更新斜率，直至迭代完成，最后对迭代完成的斜率进行调整，使得斜率满足单调性条件。本实施例中，采用可分离投影逼近例程（SPAR）算法来恢复单调性。SPAR算法通过简单地强制违规斜率等于违规值的平均值来保证斜率的单调性。
其中，斜率表示为电动汽车调度聚合模型中第a段资源在未来产生的边际价值（收益or成本）。边际价值m n t 的物理含义是额外提供一单位的资源，带来的目标函数变化（造成成本或者收益）。结合每个状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值的公式如下：
其中，为第n轮迭代中的斜率采样值；P max 为滑动时间窗口的最大滑动步长；||为绝对值计算符号；m n t+p,i 为第n次迭代时状态变量i在时间t+p时的边际价值；sgn()为符号函数；m n t+k,i 为第n次迭代时状态变量i在时间t+k时的边际价值；k为滑动时间窗口中边际价值绝对值最大值对应的滑动步长下标。
本实施例中，对于离开时间为td的电动汽车调度聚合模型充电需求D EVC td (t)，其第n次迭代中t时刻的边际价值可通过下式计算：
相应的斜率更新公式如下：
式中，表示第n次迭代后更新后的斜率值，/>表示第n次迭代时的斜率采样值，α表示斜率平滑参数，α n 是0-1之间的数，用于平滑更新的斜率，在实施例中α n =b/(b+n)，b是平滑稀疏，为可调参数。值得注意的是，每次迭代只更新了分段线性函数第a段的斜率值。最后，需要确保更新后的斜率单调递增。
本实施例中，在离线训练时将本发明提出的ABS-ADP调度算法和传统的ADP算法同时训练，其收敛效果对比如图9所示。可见本发明提出的ABS-ADP算法相比传统ADP算法具有更快的收敛速度和更小的收敛误差。
S4：在线调度时，结合外源信息向量，利用训练好的近似动态规划方法在线求解当前时段的马尔科夫决策调度模型(即贝尔曼方程)，得到在线调度结果。
S4具体为：
S41：在线调度时，将训练好的近似动态规划方法中的近似价值函数带入马尔科夫决策调度模型中，也就是贝尔曼方程中；
S42：将决策时刻t的外源信息向量W t输入到马尔科夫决策调度模型中，求解后获得决策时刻t的在线调度结果；
S43：如果t<T，根据当前决策时刻t的在线调度结果和状态转移函数将能源系统转移到下一时段的状态，重复S42，直至完成在线调度。
本实施例中，在线调度时，将本发明提出的ABS-ADP调度算法和传统的在线调度算法MPC（模型预测控制算法）和Myopic（近视策略算法）相比，其在线调度的对比结果如表3所示，本发明提出的算法下电力调度结果如图10所示。
表3为在线调度的调度结果对比(seed=1)
从表3中可以看出，本发明提出的在线调度方法可以高效率地求解出高性能的在线调度策略。
本发明使用EV聚合方法能够有效降低问题维度，构建近似动态规划方法求解框架，充分利用了历史场景数据进行离线学习，在线调度时可以高效率求解得到高性能在线调度策略。本发明为含大规模电动汽车负荷的工业园区综合能源系统在线调度提供了一个新的方案。
最后所应说明的是，以上实施例和阐述仅用以说明本发明的技术方案而非进行限制。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，不脱离本发明技术方案公开的精神和范围的，其均应涵盖在本发明的权利要求保护范围之中。
Claims (10)
1.一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，包括以下步骤：
S1：将工业园区综合能源系统内电动汽车负荷中离开时间相同的电动汽车调度模型聚合后，获得电动汽车调度聚合模型；
S2：基于电动汽车调度聚合模型建立综合能源系统在线调度模型，接着将综合能源系统在线调度模型重构为马尔科夫决策调度模型；
S3：利用工业园区综合能源系统的历史数据，训练近似动态规划方法的凸分段线性函数，使其逼近马尔科夫决策调度模型中的真实价值函数，获得训练好的近似动态规划方法；
S4：在线调度时，结合外源信息向量，利用训练好的近似动态规划方法在线求解当前时段的马尔科夫决策调度模型，得到在线调度结果。
2.根据权利要求1所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述S1中，对于离开时间为td的第n辆电动汽车，其调度模型的公式如下：
其中，ta是电动汽车的到达时间，td是电动汽车的离开时间，d EV td,n,max (t)为电动汽车充电需求实际曲线上界；d EV td,n,min (t)为电动汽车充电需求曲线下界；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t), p EV td,n,min (t)分别为电动汽车电池的充放电功率上、下界；d EV td,n (t)为电动汽车的实时充电需求；d EV td,n (ta)为电动汽车到达时的充电需求；p EV td,n (m)为m时刻电动汽车电池的充放电功率； d EV td,n (td)为电动汽车离开时的充电需求；d EV td,n,shed 为电动汽车未满足的充电需求；△t为单步调度时间间隔。
3.根据权利要求1所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述S1中，对于离开时间均为td的电动汽车，将各电动汽车调度模型中的EV充电模型线性叠加后，获得离开时间td的电动汽车调度聚合模型，离开时间td的电动汽车调度聚合模型的公式如下：
其中， p EVC td (t)和p EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型的实时充电功率和最大实时充电功率；N EV td (t)为离开时间为td的电动汽车的实时数量；p EV td,n (t)为电动汽车电池的实时充放电功率；p EV td,n,max (t)为电动汽车电池的充放电功率上界；D EVC td,min (t)和D EVC td,max (t)分别为离开时间为td的电动汽车调度聚合模型充电需求下界和充电需求上界；d EV td,n,max (t)为单辆电动汽车的实时充电需求曲线上界值；d EV td,n,min (t)为单辆电动汽车的实时充电需求曲线下界值； D EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充电需求；p EVC td (m)为m时刻离开时间为td的电动汽车调度聚合模型的充放电功率；△t为单步调度时间间隔；D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量；D EVC td (t)为电动汽车调度聚合模型在时间为td时的充电需求。
4.根据权利要求1所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述S2中，综合能源系统在线调度模型的目标函数公式如下：
其中，V * t 为综合能源系统最优的总运行成本，X t 为可行决策集合；x t 为综合能源系统的决策变量；E{}为条件期望；S t 为综合能源系统的状态变量，C t (S t ,x t )是综合能源系统的总成本，是机组的运行成本，/>是工业园区综合能源系统与外电网的交易成本，C carbon t (S t ,x t )是碳排放成本，C cur t (S t ,x t )是工业园区综合能源系统的惩罚成本，C EV t (S t ,x t )是电动汽车充电为工业园区综合能源系统带来的利润，c ev shed 为电动汽车充电需求未满足的惩罚系数，c ev 为综合能源系统内的电动汽车充电电价，D EVC td,shed (t)为离开时间为td的电动汽车调度聚合模型的充电需求削减量，P EVC td (t)为离开时间为td的电动汽车调度聚合模型的实时充放电功率；
综合能源系统在线调度模型的约束条件包括工业园区综合能源系统的电力平衡约束、热平衡约束、机组发力上下限约束、机组爬坡约束、蓄电池机组约束、外电网电量交易约束、热电联产机组的热电耦合约束、综合能源系统弃绿电弃热或者热电负荷削减的约束。
5.根据权利要求4所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述综合能源系统弃绿电、弃热或者热电负荷削减的约束的公式如下：
其中，为热电联产机组的发热功率上限；P WT t , P PV t 分别为风机和光伏的预测电功率；P waste t ，P reduce t 分别为t时刻的电能削减功率和电负荷削减功率；D E t 为综合能源系统的电负荷；D Q t 为综合能源系统的热负荷；Q waste t , Q reduce t 分别为t时刻的热能削减功率和热负荷削减功率。
6.根据权利要求1所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述S3中，结合各状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值，再根据斜率采样值更新斜率，直至训练完成，最后对迭代完成的斜率进行调整，使得斜率满足单调性条件；
其中，结合每个状态变量在未来产生的边际价值计算凸分段线性函数中的斜率采样值的公式如下：
其中，为第n轮迭代中的斜率采样值；p max 为滑动时间窗口的最大滑动步长；| |为绝对值；m n t+p,i 为第n次迭代时状态变量 i 在时间t+p时的边际价值；sgn( )为符号函数；m n t+k,i 为第n次迭代时状态变量i在时间t+k时的边际价值；k为滑动时间窗口中边际价值绝对值最大值对应的滑动步长下标。
7.根据权利要求1所述的一种含电动汽车负荷的工业园区综合能源系统在线调度方法，其特征在于，所述S4具体为：
S41：在线调度时，将训练好的近似动态规划方法中的近似价值函数带入马尔科夫决策调度模型中；
S42：将决策时刻t的外源信息向量W t 输入到马尔科夫决策调度模型中，求解获得决策时刻 t 的在线调度结果；
S43：如果t<T，根据当前决策时刻t的在线调度结果和状态转移函数将能源系统转移到下一时段的状态，重复S42，直至完成在线调度。
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7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7中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410576804.XA CN118134228A (zh) | 2024-05-10 | 2024-05-10 | 含电动汽车负荷的工业园区综合能源系统在线调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410576804.XA CN118134228A (zh) | 2024-05-10 | 2024-05-10 | 含电动汽车负荷的工业园区综合能源系统在线调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118134228A true CN118134228A (zh) | 2024-06-04 |
Family
ID=91248510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410576804.XA Pending CN118134228A (zh) | 2024-05-10 | 2024-05-10 | 含电动汽车负荷的工业园区综合能源系统在线调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118134228A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 |
| CN116683441A (zh) * | 2023-06-13 | 2023-09-01 | 清华大学深圳国际研究生院 | 一种面向碳排放约束的电动汽车聚合商调度优化方法 |
| CN117374975A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于近似动态规划的配电网实时协同调压方法 |
| WO2024067521A2 (zh) * | 2022-09-26 | 2024-04-04 | 中国长江三峡集团有限公司 | 风储虚拟电厂在线调度方法和装置 |
-
2024
- 2024-05-10 CN CN202410576804.XA patent/CN118134228A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 |
| WO2024067521A2 (zh) * | 2022-09-26 | 2024-04-04 | 中国长江三峡集团有限公司 | 风储虚拟电厂在线调度方法和装置 |
| CN116683441A (zh) * | 2023-06-13 | 2023-09-01 | 清华大学深圳国际研究生院 | 一种面向碳排放约束的电动汽车聚合商调度优化方法 |
| CN117374975A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于近似动态规划的配电网实时协同调压方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱涛;陈嘉俊;段秦刚;别佩;陈青;朱建全;刘明波;: "基于近似动态规划的工业园区源?网?荷?储联合运行在线优化算法", 电网技术, no. 10, pages 27 - 32 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107039975B (zh) | 一种分布式能源系统能量管理方法 | |
| CN111525627B (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
| CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
| Zhu et al. | A parallel meta-heuristic method for solving large scale unit commitment considering the integration of new energy sectors | |
| Capizzi et al. | Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources | |
| CN109378856B (zh) | 基于滚动优化的风-储混合电站功率波动平抑方法 | |
| CN111934360A (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
| CN112215433B (zh) | 基于市场出清电价不确定性的虚拟电厂日前优化调度方法 | |
| CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
| CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
| CN112583017A (zh) | 考虑储能运行约束的混合微电网能量分配方法及系统 | |
| CN112668791A (zh) | 热电联供系统的优化方法 | |
| CN111293682A (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
| CN112213945A (zh) | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 | |
| CN110867907B (zh) | 一种基于多类型发电资源同质化的电力系统调度方法 | |
| CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
| CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
| CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
| CN111555362B (zh) | 一种用于全可再生能源热电气储耦合系统的优化调控方法及装置 | |
| CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
| Hashmi et al. | Power energy management for a grid-connected PV system using rule-base fuzzy logic | |
| CN113139675A (zh) | 一种园区综合能源系统综合电负荷区间预测方法 | |
| CN115411776B (zh) | 住宅综合能源系统的热电协同调度方法及装置 | |
| CN118134228A (zh) | 含电动汽车负荷的工业园区综合能源系统在线调度方法 | |
| CN116244888A (zh) | 基于mpc序列凸优化的混合电动无人机能源管理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |