基于多智能体的电能路由器调度优化方法

1.本发明属于电力电子设备领域，涉及智能调度技术，具体是基于多智能体的电能路由器调度优化方法。


背景技术：

2.近年来，能源危机和环境污染问题日益严峻，其中能源需求不断增长、常规能源分布不均等问题使得分布式可再生能源的发展受到高度重视。但由于分布式可再生能源具有分散性、间歇性、波动性等特点，因此直接并网会对公共能源网络的稳定性带来一定影响。因此，能源互联网应运而生，具体表现为多种分布式能源以通过接入电能路由器形式整合优化后并网成为一种趋势。
3.作为能源互联网的核心设备，电能路由器是一种具有通信和控制功能的多端口电力电子变换设备，可实现电压/频率转换、电能质量调节、无功补偿、可再生能源接入以及潮流控制等功能。然而，目前电网中多种分布式能源之间的调度优化较少考虑电能路由器的应用。
4.调度优化是指从电力公司的角度出发，在满足能量平衡和运行约束的前提下，调整电网中各电源的出力，实现运行成本的最小化。调度优化对于电力系统的运行稳定性与经济性具有十分重要的意义。已有的智能算法，如遗传算法、粒子群算法和布谷鸟算法等都在调度优化问题上取得了一定的效果，但存在迭代时间较长以及寻优结果并非最优解的问题，因此寻找一个合适的智能算法成为了一个迫切需要解决的问题；
5.为此，提出基于多智能体的电能路由器调度优化方法。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于多智能体的电能路由器调度优化方法，该基于多智能体的电能路由器调度优化方法通过构建基于电能路由器的能量优化管理模型，根据历史数据对分布式可再生能源发电和负荷进行预测，在满足负荷需求的条件下以系统运行成本最小化为目标来优化管理可控设备的运行计划、能源分配系数以及与之互联网络的能源交易。
7.为实现上述目的，根据本发明的第一方面的实施例提出基于多智能体的电能路由器调度优化方法，包括以下步骤：
8.步骤一：搭建应用于多智能体路由器系统的多智能体系统；
9.步骤二：负荷管理单元预测可再生能源发电量和负荷电量；
10.步骤三：中心控制模块基于预测数据对微源进行调度优化；
11.步骤四：电能路由器管理模块根据优化结果对微源实现控制。
12.与现有技术相比，本发明的有益效果是：
13.本发明通过对多电能路由器能源互联网结构进行分析，建立一种双层分布式多智能体系统，系统主要由具有最高决策权的中心控制模块、与电能路由器相连的电能路由器
管理模块组成。电能路由器管理模块负责接收接入能源的发电信息，并根据日前数据样本通过神经网络对可再生能源发电量和用户负荷进行预测，中心控制模块通过智能算法，对预测数据进行调度优化，并将结果传输至各管理智能体，从而实现对各节点能量调度的控制，解决了到达能源互联网中能量调度的经济性以及能量传输的稳定性的问题。
附图说明
14.图1是基于多智能体的电能路由器调度优化方法的流程图；
15.图2是基于多智能体的电能路由器能量管理系统框图。
具体实施方式
16.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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它实施例，都属于本发明保护的范围。
17.如图1所示，基于多智能体的电能路由器调度优化方法，包括以下步骤：
18.步骤一：搭建应用于多智能体路由器系统的多智能体系统；
19.步骤二：负荷管理单元预测可再生能源发电量和负荷电量；
20.步骤三：中心控制模块基于预测数据对微源进行调度优化；
21.步骤四：电能路由器管理模块根据优化结果对微源实现控制；
22.其中，步骤一中所述应用于多智能体路由器系统的多智能体系统包括电能路由器管理模块、中心控制模块、人机交互接口、数据库、算法库、模型库以及电能路由器的通信接口；其中，所述电能路由器管理模块包括输入端管理单元，负荷管理单元；其中，所述输入端管理单元包括电能节点，风力发电节点，光伏发电节点；所述负荷管理单元包括负荷预测节点和负荷平衡节点；
23.如图2所示的基于多智能体的电能路由器能量管理系统框图，每台电能路由器的通信接口以电气方式连接有一个电能路由器管理模块；且所有电能路由器与同一个中心控制模块以电气方式连接；所述中心控制模块与算法库、人机交互接口、数据库以及模型库以电气方式连接；
24.其中，所述中心控制模块具有最高决策权，根据负荷、风能、太阳能、设备参数能等数据对输入端进行调度优化；
25.其中，所述电能节点主要考虑传输的稳定性以及对输入功率的调度；风力发电节点负责对风速的预测、实现最大功率点控制以及对风力发电功率的计算；光伏节点负责对日照强度的预测、实现最大功率点控制以及对光伏发电功率的计算；
26.所述电能节点、风力发电节点以及光伏发电节点均采用最大功率跟踪控制模式运行；所述最大功率跟踪控制模式是通过控制器，实时侦测可再生能源的发电电压，并追踪最高电压电流值，使系统以最大功率输出；
27.其中，所述负荷预测节点可基于预测模型对用户负荷和可再生能源发电量进行预测；负荷平衡节点主要用于控制负荷和输入端之间的能量平衡；
28.其中，所述算法库主要用于保存调度优化过程中需要使用的算法，包括多智能体
粒子群算法等；
29.其中，所述人机交互接口主要用于向工作人员提供手动操作以及调节中心控制模块的算法、模型以及算法中使用的参数的平台；
30.其中，所述数据库主要用于保存中心控制模块需要的负荷、风速、日照强度以及设备参数和发电机节点提供的发电机组参数等；
31.其中，所述模型库主要用于根据不同的目标与输入数据，生成不同的优化模型；如选用运行成本作为经济调度模型；
32.其中，步骤二中所述负荷管理单元预测可再生能源发电量和负荷电量包括以下步骤：
33.步骤s1：选取前馈神经网络作为预测模型；输入向量集合标记为x，输入向量标记为xi，其中i为输入向量的序号；将输入层节点数量标记为n；隐含层节点数量标记为l；隐含层中形成的输出函数标记为h(x)＝[h1(x),...,hn(x)],隐含层中的输出权值标记为β＝[β1，...，βl],训练样本集{(xi,ti)|xi∈rd,ti∈rm,i＝1,...,n}；
[0034]
其中，输入向量xi的训练特征包括节点负荷功率、光照强度、风速、温度、相对湿度及日期类型等；其中，目标值ti表示可再生能源发电量和用户负荷；
[0035]
步骤s2：所述前馈神经网络的输出值oi可表达为
[0036][0037]
其中，g(x)为激活函数，ωj为输入权重，βj为输出权重，bj是第j个隐层单元的偏置。
[0038]
步骤s3：考虑零误差均值：∑n‖oi-ti‖＝0；
[0039]
利用零误差均值逼近训练样本，则存在βi，ωi，bi,使：
[0040][0041]
将公式(1)采用矩阵形式表达；可表达为hβ＝t；其中：
[0042][0043]
步骤s4：将目标转化为求解输出权重β集合，使
[0044][0045]
其最小范数最小二乘解表示为：β＝h
+
t
[0046]
式中h+为广义逆矩阵，根据moore-penrose广义逆相关定理进行求解，采用正交法计算求解，为进一步提高模型泛化能力，引入正则化系数，上式变为：
[0047][0048]
步骤s5：以日前发电数据和用户负荷为训练样本，求解出权重集合β；获得训练好
的前馈神经网络模型；
[0049]
步骤s6：通过训练好的前馈神经网络模型，预测获得可再生能源发电量和用户负荷。
[0050]
其中，步骤三中所述中心控制模块基于预测数据对微源进行调度优化包括以下步骤：
[0051]
步骤p1：系统中心控制模块采用主从工作模式，从模型库中选用运行成本作为经济调度模型，从算法库中选用多智能体粒子群算法；
[0052]
步骤p2：为提高粒子群算法寻优的速度和精确度，避免迭代过程中陷入局部最优，造成电能路由器调度优化系统出现延时等问题；对多智能体粒子群算法进行优化；具体是根据智能体的行为和工作模式，抽象出变异算子、自学习算子以及合作竞争算子，将智能体算子融入粒子群算法，从而获得预期的优化结果；具体优化包括以下步骤：
[0053]
步骤q1：基本粒子群算法是通过随机分布与某一问题解空间的粒子之间的协作与交互，从而获得该问题的最优解。在迭代过程中，粒子基于当前的空间位置、历史最优空间位置以及群体的最优空间位置，根据速度和位置更新公式来确定最优移动路径。对于速度和空间位置为vi＝[ν
i,1
,ν
i,2
,
…
,ν
i,n
]和xi＝[x
i,1
,x
i,2
,
…
,x
i,n
]，处于n维空间种群的第i个粒子，其速度和位置更新公式为：
[0054][0055][0056]
其中，k表示迭代次数；c1表示自身认知系数；c2是粒子群的群体认知系数；r1、r2是[0,1]区间均匀分布的随机数；
[0057]
步骤q2：确定目标函数为系统运行成本最小化：
[0058][0059]
其中f表示系统运行成本；n表示发电机数量；fi(p
gi
(t))表示t时刻内第i个发电机组的费用特性曲线；f(p
gtotal
(t))表示天然气费用特性曲线。
[0060]
步骤q3：发电机组特性曲线和天然气费用特性曲线一般用二次函数近似表示；
[0061]
所述基于多智能体的电能路由器调度优化方法的约束条件如下：
[0062]
发电机组有功率上下限约束：
[0063][0064]
表示发电机组发出有功功率最小值，表示发电机组发出有功功率最大值，p
gi
(t)表示第i台发电机组t时刻出力大小；
[0065]
系统负荷平衡约束：
[0066][0067]
其中，ns表示电力网络负荷节点个数；p
en
(t)表示t时刻内第n个节点的负荷电功率；p
gn
(t)表示t时刻内第n个节点的负荷天然气功率；p
etotal
(t)表示t时刻内电能路由器总
负荷电功率；p
gtotal
(t)表示t时刻内电能路由器总负荷天然气功率；
[0068]
电能路由器约束条件：
[0069][0070]
其中，le(t)表示电负荷功率；le(t)表示热负荷功率；s
net
、s
chp
、s
wind
、s
solar
、sf分别表示输电网络、热电联产设备、风力发电机组、光伏发电以及加热装置的稳定性概率；分别表示变压器、热电联产设备、ac/ac转换器、dc/ac转换器以及加热装置的转换效率；pe(t)、pg(t)、pw(t)、ps(t)分别表示电网、热电联产设备、风力发电以及光伏发电输入的电功率；ν
gchp
(t)、ν
gf
(t)表示热电联产设备和加热设备的天然气调度参数。其中pw(t)、ps(t)由负荷管理单元中的预测模型求得；
[0071]
对于热点联产设备需要考虑最大容量限制约束条件和调度参数等约束条件：
[0072][0073]
其中p
chp
表示加热装置允许最大输出热功率值；
[0074]
对调度参数的约束条件进行变化，获得：
[0075][0076]
步骤q3：根据约束条件
①
、
②
、
③
、
④
，利用基本粒子群算法求解公式(2)的系统运行成本的最小值；
[0077]
步骤p3：根据求解的运行成本最小值对应的发电机组费用以及天然气费用，可获得各个电能路由器的优化方案；控制中心模块将各个电能路由器的优化方案发送至对应的电能路由器。
[0078]
其中，步骤四中，所述电能路由器管理模块根据优化结果对微源实现控制包括：各个电能路由器接收到优化方案后，根据各负荷节点提供的负荷、风速、日照强度以及设备参数和发电机节点提供的发电机组参数等数据进行能量调度的优化。
[0079]
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0080]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。