一种基于MPC和AGNN-GC的电采暖优化控制方法

本发明属于电采暖控制，具体涉及一种基于mpc和agnn-gc的电采暖优化控制方法。

背景技术：

1、随着全球气候问题日益凸显，世界主要国家积极推进碳中和。加快发展非化石能源，尤其是风电、太阳能发电等新能源，是推动能源低碳转型的关键。截至2020年底，我国风电和光伏累计装机为5.3亿kw。随着新能源接入电网的比例不断增加，由于风电出力具有季节性与随机性，面临风电消纳水平有限等问题。

2、近年来，为减少冬季采暖散煤燃烧，治理大气污染源头，我国在北方乡镇地区大力推进电采暖改建工程。在已采用电采暖的乡镇地区，仍存在配套调度手段不完善、电热资源利用率不高和采暖用户粗放化管理等突出问题。但同时此类地区大多风能、光照资源更为丰富，且众多独立电采暖用户参与需求响应潜力尚未完全发掘。

3、因此，如何提高电采暖控制策略的精确性，从而实现分散式电采暖用户用能集约化管理，引导采暖用户利用自身采暖负荷特性主动参与系统内能源互动是电采暖优化运行研究中亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于mpc和agnn-gc的电采暖优化控制方法，以解决上述背景技术中提出的问题。

2、本发明目的是这样实现的：一种基于mpc和agnn-gc的电采暖优化控制方法，其特征在于：该方法包括以下步骤：步骤s1：获取不同特征的因素群；

3、所述因素群包括模型预测控制算法特征因素群、自然特征因素群、人的行为特征因素群以及房屋建筑特征因素群；

4、步骤s2：获取不同特征因素群电采暖控制策略；

5、所述模型预测控制算法特征因素群的电采暖控制策略采用mpc算法优化求解得到；

6、步骤s3：构建agnn-gc网络模型，利用agnn-gc网络模型将不同特征的因素群电采暖控制策略融合；

7、所述agnn-gc网络模型包括图卷积网络模块(gcns)、图注意力网络模块(gats)和融合模块；

8、步骤s4：采用焦点损失来平衡正负样本训练agnn-gc网络模型，生成电采暖的实时运行策略。

9、优选的，所述自然特征因素群、人的行为特征因素群以及房屋建筑特征因素群的电采暖控制策略通过收集现有数据生成；

10、将模型预测控制算法特征因素群的电采暖控制策略表示为s1，自然特征因素群下的电采暖控制策略表示为s2、人的行为特征因素群的电采暖控制策略表示为s3、房屋特征建筑因素群的电采暖控制策略表示为s4；

11、

12、

13、

14、

15、其中，p＝{s1,s2,s3,s4}。

16、优选的，所述步骤s2中模型预测控制算法特征因素群的电采暖控制策略采用mpc算法优化求解得到，具体操作为：

17、步骤s2-1：构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型；

18、步骤s2-2：将获取的离散状态空间模型采用微分运算得到增广模型；

19、步骤s2-3：通过增广模型与未来状态变量值，得到被控对象的预测模型；

20、步骤s2-4：跟踪和修正调度计划为目标建立代价函数及约束条件，对被控对象的预测模型进行更新，得到未来输出变量序列，生成模型预测控制算法特征因素群的电采暖控制策略

21、优选的，所述步骤s2-1中构建热动力学模型，通过构建的热动力学模型建立离散状态空间模型，具体操作如下：

22、根据电采暖设备的热动力学、电采暖负荷的功模型，建立电采暖负荷功率、时间与温度之间的关系，热动力学模型如下：

23、

24、其中，tin是室内环境温度；tout是室外温度；peh是电采暖负荷的实时供热功率；s是建筑物用户房间的外表面积；k是为建筑物的导热系数；v是建筑物的体积；ca是表空气热容；ρa是空气密度；

25、热动力学模型通过传递函数建立离散状态空间模型，将传递函数离散化，转化为离散状态空间模型；

26、传递函数为：

27、

28、其中：y(s)和u(s)分别表示设备的输出和输入拉普拉斯变换，t为一阶惯性环节的时间常数；

29、离散状态空间模型为：

30、

31、其中：xi(k)为离散状态变量；ai为状态方程中离散状态变量系数矩阵；pi(k)为离散输入变量，bi为离散输入变量系数矩阵；ci为输出方程中离散状态变量系数矩阵；t(k)为离散输出变量。

32、优选的，所述步骤s2-2中将获取的离散状态空间模型采用微分运算得到增广模型，增广模型如下：

33、

34、其中，c＝[0i 1]；xi(k)为离散状态变量；ai为状态方程中离散状态变量系数矩阵；pi(k)为离散输入变量，bi为离散输入变量系数矩阵；t(k)为离散输出变量；ci为输出方程中离散状态变量系数矩阵。

35、优选的，所述步骤s2-3中通过增广模型与未来状态变量值，得到被控对象的预测模型，具体操作如下：

36、定义未来状态变量为x(k+1|k)、x(k+2|k)、......、x(k+np|k)，其中，np为预测时域长

37、定义未来控制轨迹增量序列δpi为：δpi＝[δpi(k) δpi(k+1) ... δpi(k+nc-1)]t；其中，nc是控制时域长度，控制时域的长度也表示了控制量增量在预测优化时域np内改变的次数；

38、将定义的未来状态变量和未来控制轨迹增量序列代入增广模型中，得到未来状态变量值为：

39、

40、其中，x(k)是被控对象的状态量；δpi(k+j-1)为第k+j-1个控制轨迹增量；

41、未来状态变量值与增广模型进行整合，得到被控对象的预测模型：

42、

43、其中，tix为未来输出变量序列；

44、

45、被控对象的预测模型表示为：

46、tix＝fix(k)+φiδpi；

47、所述步骤s2-4中跟踪和修正调度计划为目标建立代价函数及约束条件，对被控对象的预测模型进行更新，得到未来输出变量序列，生成模型预测控制算法特征因素群的电采暖控制策略，建立目标函数及约束条件为：

48、

49、其中，ri(k)是期望值；ωy,i是预测控制输出偏差权系数矩阵，取ωy,i＝1.1；ωu,i是控制增量权系数矩阵，取ωu,i＝1.2；peh,min、peh、peh,max分别为电采暖的最小输出功率，当前输出功率以及最大输出功率；sman是用户满意度；a为用户体感满意度系数、b为用户运动行为满意度系数、c为满意度修正系数。

50、优选的，所述图卷积网络模块(gcns)用于处理全局级的行功率，图注意力网络模块(gats)用于处理局部级的运行功率，融合模块将全局级的运行功率和局部级的运行功率嵌入融合；

51、所述图卷积网络模块(gcns)用于处理全局级的运行功率，具体操作为：

52、将所有因素群定义为sm，m＝1，2，3，4对于所有因素群sm中的每个运行功率表示为为模型预测控制算法特征因素群的运行功率，为自然特征因素群下的运行功率、为人的行为特征因素群的运行功率、为房屋特征建筑因素群的运行功率；

53、定义邻居集α，基于邻居集α，将运行功率pi的全局级运行功率转移定义为：

54、{(pi,pj)|pi,pj∈p；pj∈nα(pi)}；

55、其中，pj为pi转移后对应的运行功率；

56、全局级的运行功率转移，具体公式如下所示：

57、

58、

59、

60、

61、

62、

63、其中，i,j,k＝1,2,3,...,l；

64、

65、其中，nα为全局级的运行功率集合；

66、将全局图定义为：

67、gg＝(pg,eg)；

68、其中，gg是无向加权图，pg是所有运行功率都在p中的节点图；是在所有因素群中对应两个成对运行功率的边的集合；

69、邻居集α中不是所有运行功率都与当前因素群有关，使用会话感知关注来强调其nα(pi)中运行功率的重要性，在会话感知注意力方面，nα(pi)中的各项是线性组合的，具体公式如下：

70、

71、其中，π(pi,pj)是不同邻居的权重；是运行功率pj在统一嵌入空间中的表示；

72、π(pi,pj)的计算公式如下：

73、

74、其中，wij∈r是边的权重值；⊙表示元素乘积；||表示连接操作；q1∈rd+1和w1∈rd+d+1是可训练参数；prelu是激活函数；是当前会话的特征；

75、的计算公式如下：

76、

77、通过softmax函数将与pi相连的nα(pi)上的系数归一化，具体计算公式如下：

78、

79、将和进行聚合，多个聚合器层的第k个表示公式如下：

80、

81、式中，prelu是激活函数；由前k-1步生成，当k＝1时，是第k层聚集权值。

82、优选的，所述图注意力网络模块(gats)用于处理局部级的运行功率，利用图注意力网络模块学习当前影响电采暖用电的因素群中局部层次的运行功率嵌入，具体操作为：

83、对每个因素群建立有向局部图，局部图描述了因素群中运行功率运行的顺序；模型预测控制算法特征因素群的局部有向图g1、自然特征因素群的局部有向图g2、人的行为特征因素群的局部有向图g3以及房屋特征建筑因素群的局部有向图g4；

84、其中，g1＝(s1,e1)；

85、g2＝(s2,e2)；

86、g3＝(s3,e3)；

87、g4＝(s4,e4)；

88、e1,e2,e3,e4是不同因素群相对应的边界集合；

89、利用gats的注意力机制计算不同节点的有效权值，给定一个节点pi,pj在pi上的有效权值通过元素积和非线性变换来计算，具体定义如下：

90、

91、其中，eij表示pi和pj的关系；ηrij是权重向量；prelu是激活函数；⊙表示元素乘积；

92、根据各节点的关系，分别训练γin、γout、γin-out、γself四个权重向量，描述各节点对pi的影响；

93、利用softmax函数对其进行归一化，注意权重系数γij如下：

94、

95、由于邻居不同，γij是不对称的，需要计算每个节点的特征的线性组合来获得特征表示，具体公式如下：

96、

97、优选的，所述融合模块采用sumpooling将全局级的运行功率和局部级的运行功率嵌入融合，并对全局级和局部级的两级信息进行提取，具体公式如下：

98、

99、其中，是因素群中具有两层信息的运行功率表示；

100、因素群中运行功率的具体表示公式如下：

101、

102、采用反向位置嵌入矩阵m＝[m1,m2,…,ml]来显示因素群中涉及的所有运行功率的位置信息嵌入，其中m1∈rd为第一个位置向量，ml∈rd为最后一个位置向量；

103、利用连接和非线性变换来生成融合位置嵌入，具体公式如下：

104、

105、其中，w3∈rd×2d和b∈rd是可训练参数，||是连接操作；

106、因素群中运行功率的两级信息是平均的，具体公式如下：

107、

108、采用一种注意机制来计算软注意权重，具体公式如下：

109、

110、其中，w4,w5∈rd×d和q2,k∈rd×d是可学习参数；relu是激活参数；

111、通过softmax函数对βi进行归一化，具体公式如下：

112、

113、最终，通过线性组合运算生成因素群嵌入表示，具体公式如下：

114、

115、基于因素群嵌入表示f，然后对其应用softmax函数，得到候选运行功率被采纳的概率，具体公式如下：

116、

117、式中，yi∈y是候选运行功率被下一时刻采纳的概率。

118、优选的，所述步骤s4中采用焦点损失来平衡正负样本训练agnn-gc网络模型，具体公式如下：

119、

120、其中，y为一位有效编码；β是平衡正负样本比例的因子；ε是解决可区分和不可区分样本之间不平衡问题的因子；

121、根据yi生成电采暖的实时运行策略下发给用户。

122、与现有技术相比，本发明具有如下改进及优点：1、1、通过采用mpc算法将模型预测控制算法特征因素群的电采暖的离线控制策略求出，再采用agnn-gc模型对所有因素群中的运行功率进行全局级嵌入和局部嵌入，提高生成电采暖实时运行策略的准确性，优化电采暖系统能源互动。

123、2、通过agnn-gc模型中融合模块对全局级运行功率和局部级运行功率的嵌入融合，进一步提高生成电采暖实时运行策略的准确性；同时，有效促进新能源消纳，电采暖用户用能集约化管理，减少用户的取暖费用，平抑负荷波动。