一种基于ADHDP的冷热电联供型微网系统优化运行方法与流程

本发明涉及一种系统优化方法，具体涉及一种基于adhdp的冷热电联供型微网系统优化运行方法。

背景技术：

21世纪以来，常规化石能源枯竭带来的能源紧缺问题严重制约了全球经济和社会的快速发展。结合太阳能、风能等可再生能源的微电网由于其灵活、经济、环保的特点成为未来重要的能源供应模式。冷热电联供型(combinedcoolingheatingandpower，cchp)微网是一种包含制冷、制热、发电等功能的集产、供一体的分布式系统，并遵循“分配得当、各取所需、温度对口、梯级利用”的原则。冷热电联供型微网系统以清洁天然气、风、光等新能源作为能量源，能够有效降低污染物排放量，且具备调控速度快，运行方式灵活的特点。能够与大电网灵活配合，当大电网出现故障时可脱离电网单独运行，保证了重要负荷供电的不中断。冷热电联供型微网是未来全球能源系统发展的重要方向，能够为能源利用方式朝精细化、可持续化、高效化发展提供可行的技术方案。

冷热电联供型微网内的负荷及可再生能源出力易受气候、环境等因素的影响，具有高随机性和不可控性等特点。因此，在调度过程中需要依据微网实时数据进行控制和调整。而冷热电的耦合特性、联供设备运行工况多样性及多能源互补特性，给冷热电联供型微网的能量优化管理带来了极大的挑战。现有的研究多是利用粒子群(pso)优化算法来制定冷热电联供型微网系统整体运行策略，该算法在优化高维复杂问题时容易陷入局部最优，难以寻找到整体最优位置，并在处理多参数时效果不佳。无法解决冷热电联供型微网系统状态波动大、控制变量多等问题时，无法实时、高效、稳定的优化cchp系统与微网中风、光新能源发电以及蓄电池的控制。

技术实现要素：

为了解决现有技术冷热电联供型微网不能实时优化、能量利用效率低、优化过程不够稳定的问题，本发明提供一种可以根据系统运行状态，实时优化冷热电联供型微网调度策略的基于adhdp的冷热电联供型微网系统优化运行方法，包括如下步骤：

s1,建立冷热电联供型微网的单元模型。

s2,建立微型燃气轮机模型，并对发电装置、储能蓄电池、蓄热装置分别建立数学模型；

s3,采用bp神经网络建立冷热电联供型微网系统的模型网络，确定冷热电联供型微网优化过程模型输入样本数据和输出控制动作，建立基于adhdp的冷热电联供型微网优化控制模型，所述控制模型包括执行网络和评价网络；

s4,更新评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(t)、和性能指标函数j(t)，

根据贝尔曼方程获取性能指标函数j(t)，

式中γ为折扣因子,

效用函数u(t)如下所示，

n代表系统运行的某一段时间,

t代表系统运行时间，i是效用函数的迭代次数；

s5,将s4所得控制信号u(t)和当前时刻系统状态x(t)作为冷热电联供型微网系统模型的输入，得到系统输出x(t+1)，计算控制误差e(t)，若小于期望误差，结束训练，否则转步骤s4，其中误差e(t)的具体公式如下所示：

e(t)＝u(t)+γj(t)-j(t-1)，式中γ为折扣因子。

进一步的，所述冷热电联供型微网系统的模型网络的输入层神经元个数为8个，输出层神经元为2个，隐含层节点为10个，隐含层传递函数为tansig函数，输出层传递函数为purelin函数；期望误差最小值为0.0001，修正权值的学习效率为0.05。

进一步的，所述步骤s2包括，

采用以下公式建立微型燃气轮机模型：

微型燃气轮机的燃料燃耗量表示为，

式中为微型燃气轮机在t时段的燃料燃耗量，为微型燃气轮机在t时段产生的电功率，和λ为成本系数，

微型燃气轮机的热电比表示为，

式中是微型燃气轮机输出电功率时产生的热功率；为微型燃气轮机在t时段输出的电功率；为热点耦合系数；

采用以下公式建立分布式风力发电系统出力模型，

式中pwt为风轮输出功率；ρ为空气密度，r为风轮叶片半径；vwt为风速，κp为风能利用效率；

采用以下公式建立分布式光伏发电系统的出力模型，

式中fpv为光伏发电系统的功率降额因素，prate为光伏发电系统的额定功率；χ为光伏电池板上的实际辐照度，χz为标准条件下的辐照度；μ为功率温度系数，ts为当前光伏发电系统的表面温度，tstc为参考温度；

采用以下公式建立蓄电池数学模型，

式中分别表示为蓄电池在t和t-1时刻存储的电能(kwh)；为t时刻蓄电池的蓄电功率(kw)；δt为时间间隔；是为t时刻蓄电池的蓄电功率(kw)；δbt、ηbt.chr、ηbt.dis分别是蓄电池的自身能量损耗率、充电效率、放电效率，

蓄电池数学模型约束条件为，

η(pbt)＝0898-0.173|pbt|/pratei,pratei＞0

式中分别为蓄电池最低电量、最高电量、初始电量，分别为蓄电池的最低、最高充放电功率；η是蓄电池充放电效率的定义，pratei为蓄电池的额定功率；

采用以下公式建立蓄热装置的数学模型，

式中分别表示为蓄热装置在t-1和t时刻存储的热量(kwh)；δt为时间间隔；h^ttst.chr、h^ttst.dis为t时刻蓄热装置的蓄热、放热功率(kw)；δtst、ηtst.chr、ηtst.dis分别为蓄热装置的能量损耗率、放热效率、蓄热效率。

进一步的，所述步骤s4中，采用以下公式更新评价网络和执行网络权值，

wc(t+1)＝wc(t)+δwc(t)

其中αc为学习率，wc(t)为评价网络权重，ec(t)为评价网络的误差，ec(t)的具体公式如下所示：

ec(t)＝u(t)+γj(t)-j(t-1)

而执行网络具体的权重更新如下所示：

wa(t+1)＝wa(t)+δwa(t)

其中αa为学习率，wa(t)为执行网络权重，u(t)为当前的控制动作，ea(t)为执行网络的误差，ea(t)的具体公式如下所示：

ea(t)＝u(t)+γj(t)-j(t-1)

本发明的有益效果是：

(1)本发明可以提高系统能源利用率。冷热电联供型微网的单元模型是实现系统能量优化管理的基础，传统微网模型存在能源利用率低、结构不合理等问题。本发明加入太阳能集热器、热交换装置、吸附式制冷机、余热回收装置等设备，提高了系统能源利用率，减少了不必要的能量损耗。

(2)本发明可以根据系统运行状态，实时优化调度策略。合理的调度方法是实现冷热电联供型微网安全、可靠、经济运行的关键，该系统在实际运行中存在无法实时优化、能量利用效率低、优化过程不够稳定等问题。本发明提出的基于adhdp的优化方法考虑了冷热电负荷和分布式可再生能源出力的不确定性，将冷热电负荷、风、光电功率、电网实时价格等作为优化模型的输入变量，提出一种基于adhdp的优化方法，能够根据冷热电联供型微网的实时状态进行优化控制，提高了能量利用效率，增强了系统优化效果。

(3)在冷热电联供型微网系统运行优化过程中，本发明能够实现实时优化控制，提高了控制系统的稳定性，降低了控制系统的响应时间，保证了冷热电联供型微网系统的优化效果。

附图说明

图1本发明一实施例的冷热电联供型微网的单元模型图；

图2本发明一实施例adhdp控制结构示意图；

图3本发明一实施例评价网络模型示意图；

图4本发明一实施例执行网络模型示意图；

图5本发明一实施例冷热电联供型微网系统优化算法流程图。

图6本发明一种基于adhdp的冷热电联供型微网系统优化运行方法流程图。

具体实施方式

冷热电联供型微网运行优化过程复杂，具有不确定性、非线性、强耦合性、动态性等特点。针对目前该系统在实际运行中存在无法实时优化、能量利用效率低、优化过程不够稳定等问题。本发明提出一种基于adhdp(actiondependentheuristicdynamicprogramming，基于动作的启发式动态规划)的冷热电联供型微网系统优化运行方法。利用bp神经网络对冷热电联供型微网系统建模并以该模型为模型网络，根据控制误差和性能指标函数不断更新优化权值，直到获得最优控制策略，实现冷热电联供型微网运行过程的最优控制，提高能量利用效率，增强优化效果。

如图6所示本发明提供一种基于adhdp的冷热电联供型微网系统优化运行方法，包括如下步骤：

s1,根据“分配得当、各取所需、温度对口、梯级利用”的原则建立冷热电联供型微网的单元模型，在本发明一实施例中，建立的具体模型如附图1所示。

s2,建立微型燃气轮机模型，并对冷热电联供型微网的单元模型中的发电装置、储能蓄电池、蓄热装置分别建立数学模型；

s3,采用bp神经网络建立冷热电联供型微网系统的模型网络，确定冷热电联供型微网优化过程模型输入样本数据和输出控制动作，建立基于adhdp的冷热电联供型微网优化控制模型，所述控制模型包括执行网络和评价网络；

在本发明一实施例中，系统模型网络的输入层神经元个数为8个，输出层神经元为2个；通过依次试验选择建模测试精度最高的隐含层节点为10个；隐含层传递函数为tansig函数，输出层传递函数为purelin函数；期望误差最小值为0.0001，修正权值的学习效率为0.05。

s4,更新评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(t)、和性能指标函数j(t)，

根据贝尔曼方程获取性能指标函数j(t)，

式中γ为折扣因子,

效用函数u(t)如下所示，

s5,将s4所得控制信号u(t)和当前时刻系统状态x(t)作为冷热电联供型微网系统模型的输入，得到系统输出x(t+1)，计算控制误差e(t)，若小于期望误差，结束训练，否则转步骤s4，其中误差e(t)的具体公式如下所示：

e(t)＝u(t)+γj(t)-j(t-1)，式中γ为折扣因子。

下面对本发明步骤s2进行详细说明。

步骤s2包括建立微型燃气轮机的详细模型：

微型燃气轮机是冷热电联供型微网系统的核心设备之一，它将天然气的能量转化为内燃式旋转机械动能，然后通过发电机最终转化为电能。具体的数学模型如下所示：

微型燃气轮机的燃料燃耗量可表示为：

式中为微型燃气轮机在t时段的燃料燃耗量，为微型燃气轮机在t时段产生的电功率，和λ为成本系数。

微型燃气轮机的热电比可表示为：

式中是微型燃气轮机输出电功率时产生的热功率；为微型燃气轮机在t时段输出的电功率；为热点耦合系数。

系统中存在的分布式发电装置有风力发电系统、光伏发电系统，具体的发电特性及数学模型如下所示。

分布式风力发电系统的出力模型可表示为：

式中pwt为风轮输出功率；ρ为空气密度，r为风轮叶片半径；vwt为风速，κp为风能利用效率；

分布式光伏发电系统的出力模型可表示为：

式中fpv为光伏发电系统的功率降额因素，prate为光伏发电系统的额定功率；χ为光伏电池板上的实际辐照度，χz为标准条件下的辐照度；μ为功率温度系数，ts为当前光伏发电系统的表面温度，tstc为参考温度；

储能单元作为冷热电联供型微网的重要组成部分，在冷热电联供型网中起到平抑功率波动、可靠地满足系统负荷需求、保证系统高效和稳定运行、改善系统电能质量的作用。

蓄电池的数学模型如下：

式中分别表示为蓄电池在t和t-1时刻存储的电能(kwh)；为t时刻蓄电池的蓄电功率(kw)；δt为时间间隔；是为t时刻蓄电池的蓄电功率(kw)；δbt、ηbt.chr、ηbt.dis分别是蓄电池的自身能量损耗率、充电效率、放电效率。

蓄电池的约束条件

η(pbt)＝0898-0.173|pbt|/pratei,pratei＞0

式中分别为蓄电池最低电量、最高电量、初始电量，分别为蓄电池的最低、最高充放电功率；η是蓄电池充放电效率的定义，pratei为蓄电池的额定功率。

蓄热装置的数学模型如下：

式中分别表示为蓄热装置在t-1和t时刻存储的热量(kwh)；δt为时间间隔；h^ttst.chr、h^ttst.dis为t时刻蓄热装置的蓄热、放热功率(kw)；δtst、ηtst.chr、ηtst.dis分别为蓄热装置的能量损耗率、放热效率、蓄热效率。

下面对本发明实施过程中步骤s3进行进一步的说明。

步骤s3包括，取蓄电池的充放电动作和蓄热装置的吸放热动作构成控制变量u＝[u1,u2]。风光储发电系统，负责满足园区电力负荷的需求。风力发电系统和光伏发电系统是出力源，蓄电池起协调作用，弥补风光发电出力与园区负荷需求间的差额。当风、光出力大于电负荷需求时，可对蓄电池进行充电；当风、光出力小于电负荷需求时，可选择蓄电池放电，不足部分由电网进行补充。对于冷热电联供系统，负责园区产热及产冷需求。燃气发电机是出力源，通过燃烧天然气驱动发电机输出电能，用于电制冷机满足冷负荷，发电过程产生的余热存入蓄热装置和太阳能集热器一起用于满足热负荷，不足部分由燃气锅炉作为补充。

运用bp神经网络，分别以input1～inputn和x1～xn作为输入输出，建立系统模型网络。其中，input表示风光电功率、电网实时价格、园区负荷等系统实时数据，u(t)表示控制信号，x(t)表示冷热电联供型微网系统的实时状态。在本发明一实施例中，系统模型网络的输入层神经元个数为8个，输出层神经元为2个；通过依次试验选择建模测试精度最高的隐含层节点为10个；隐含层传递函数为tansig函数，输出层传递函数为purelin函数；期望误差最小值为0.0001，修正权值的学习效率为0.05。

以系统日运行费用最低为目标函数，运用bp神经网络更新adhdp中的评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(t)、和性能指标函数j(t)，获取基于adhdp的冷热电联供型微网优化控制策略，其控制结构图如图2所示。

adhdp控制结构如附图2所示，首先采用bp神经网络建立冷热电联供型微网系统的模型网络，其中，input表示风光电功率、电网实时价格、园区负荷等系统实时数据和控制信号u(t)，x(t)表示冷热电联供型微网系统的实时状态。接着利用bp神经网络搭建执行网络，其输入输出分别为系统状态x(t)和控制信号u(t)；然后搭建评价网络，其输入为x(t)和u(t)，输出为性能指标函数j(t)；评价网络和执行网络训练分别以控制误差ec(t)、ea(t)和性能指标函数j(t)最小化为目标，虚线表示网络权值调整路径。最后确定冷热电联供型微网优化过程模型输入样本数据和输出控制动作。

本实例搭建的执行网络输入输出分别为系统状态x(t)和控制信号u(t)；而评价网络的输入为x(t)和u(t)，输出为性能指标函数j(t)；评价网络和执行网络训练分别以控制误差ec(t)、ea(t)和性能指标函数j(t)最小化为目标。

其中评价网络的具体结构如附图3所示：

输入层有15个神经元

隐藏层有40个神经元

输出层有1个神经元

执行网络的具体结构如附图4所示：

输入层有4个神经元

隐藏层有40个神经元

输出层有1个神经元

根据贝尔曼方程可得性能指标函数j(t)：

其中折扣因子γ取0.8，效用函数u(t)在评价网络提高执行网络优化效果中起重要作用，具体公式如下所示：

cos(t)＝c(t)pgrid(t)+cg(t)pgas(t)+com(t)

其中：pk和qk分别为燃气轮机的输出电功率和输出热功率；ηloss为设备的损耗系数；pgas(t)和c(t)分别为天然气和电网供电的实时价格；pgrid(t)为从电网购的电功率；和分别为供电、供热子系统中设备的维护费用系数；

下面对本发明实施过程中步骤s4进行进一步的说明。

其中评价网络具体的权重更新如下所示：

wc(t+1)＝wc(t)+δwc(t)

其中αc为学习率，wc(t)为评价网络权重，ec(t)为评价网络的误差，ec(t)的具体公式如下所示：

ec(t)＝u(t)+γj(t)-j(t-1)

而执行网络具体的权重更新如下所示：

wa(t+1)＝wa(t)+δwa(t)

其中αa为学习率，wa(t)为执行网络权重，u(t)为当前的控制动作，ea(t)为执行网络的误差，ea(t)的具体公式如下所示：

ea(t)＝u(t)+γj(t)-j(t-1)

下面对本发明实施过程中步骤s5进行进一步的说明。

将s4所得控制信号u(t)和当前时刻系统状态x(t)作为冷热电联供型微网系统模型的输入，从而得到系统输出x(t+1)。计算控制误差e(t)，若小于期望误差，结束训练，否则返回s4，具体算法流程图如图5所示。

与现有技术相比，本发明提供的技术方案，具有的技术效果或优点是：在冷热电联供型微网系统运行优化过程中，该方法能够实时优化控制，并提高了控制系统稳定性，降低控制系统响应时间，保证冷热电联供型微网系统优化效果较好。