面向农业园区的源荷储协同调度方法、系统及相关装置与流程

本发明涉及电网调度，特别涉及面向农业园区的源荷储协同调度方法、系统及相关装置。

背景技术：

1、随着城市化进程的不断推进，农业园区作为城市中的重要农业生产基地，其生产过程需要大量电力资源和水资源。在此背景下，如何合理管理和调度农业园区的电力资源和水资源，成为当前亟待解决的问题之一。农业园区源荷储调度协调是提高农业园区能源利用效率的重要手段。然而考虑到农业园区用户存在大量的基础负荷，且基础负荷往往与养殖种植情况密切相关，伴随着较大的不确定性，这给调度系统带来较大困难。

2、目前大多采用传统算法来解决上述技术问题，传统算法主要包括线性规划、动态规划、遗传算法、模拟退火、粒子群算法等。这些算法可以通过建立数学模型，对农业园区的负荷调度问题进行求解。但是，传统算法在应对复杂的农业负荷调度问题时存在以下缺点：

3、1)需要精确物理模型：建立一个精确的物理模型需要考虑到很多因素，如系统的动态特性、能量转换过程、控制策略等。这需要大量的时间和精力去收集和处理相关的数据，制定合适的模型，以及进行参数的优化和调整。此外，物理模型的准确性受到多种因素的影响，如模型假设的准确性、数据的质量和可靠性、参数的选择等。这些因素的不确定性会导致模型的准确性受到一定程度的影响，从而影响最终的调度效果。对于复杂的非线性系统，物理模型往往难以建立，因为这些系统涉及到很多非线性因素，其动态特性和能量转换过程很难通过物理模型来描述。

4、2)难以应对不确定性因素：在建立模型时，需要选择合适的参数值来描述系统的动态特性和能量转换过程。但是，实际系统中的参数通常是不确定的，而且可能会随着时间和环境的变化而发生变化。这会导致模型的准确性受到很大的影响，从而影响最终的调度效果。

5、3)计算复杂度高求解效率低：传统算法通常需要对问题进行复杂的计算和优化，需要大量的计算资源和时间，尤其是在处理大规模、复杂的问题时，需要耗费很长的时间。此外，传统算法通常需要对算法的参数进行调整和优化，以获得更好的求解效果。但是，参数的选择和调整通常需要大量的试验和实验，耗费很长的时间和精力。

技术实现思路

1、为了解决上述技术问题，针对农业园区的源荷储协同调度问题，提供面向农业园区的源荷储协同调度方法、系统及相关装置。具体技术方案如下：

2、面向农业园区的源荷储协同调度方法，包括以下步骤：

3、步骤s1，对农业园区中光伏发电设备、led灯、蓄电装置和蓄水池组件构建具体的数学仿真模型；

4、步骤s2，构建调度模型，所述调度模型包括农业园区环境仿真模型、lstm模块和强化学习智能体模型；

5、步骤s3，利用步骤s1中构建的数学仿真模型以及强化学习方法对步骤s2中构建的调度模型进行训练，得到训练好的调度模型；

6、步骤s4，将训练好的调度模型应用于农业园区的源荷储协同调度任务中。

7、优选地，所述步骤s1中光伏发电设备的数学仿真模型为：

8、ptpv＝ρ·s·it； (1)

9、其中，ptpv表示t时段光伏发电设备的输出功率；ρ为单位面积的光能转化效率；s为光伏面板表面积；it为t时段室外光照辐射强度。

10、优选地，所述步骤s1中led灯的数学仿真模型为：

11、

12、

13、式中，ptled表示t时间段led灯的消耗功率；ts和te分别表示led灯的开始工作时间和结束工作时间，二者同属与用户行为相关的随机变量；表示在一个调度周期中led灯消耗的总电能，表示表示led灯在运行时间段内的电力消耗；

14、led灯的运行约束条件具体如下：

15、

16、其中，表示在一个时间段内led灯能消耗的最大电功率。

17、优选地，所述步骤s1中蓄电装置的数学模型为：

18、

19、式中，表示t时间段蓄电装置的储能能量；εes表示蓄电装置的能量自损系数；表示t-1时间段蓄电装置的储能能量；δt表示单位时间间隔；ptes,out和ptes,in分别表示t时间段蓄电装置放出的功率和吸收的功率；和分别表示蓄电装置的放能效率和充能效率；蓄电装置的运行约束条件具体如下：

20、

21、在任意时刻，蓄电装置t时间段的充放能功率用变量ptes表示，满足：

22、

23、其中，表示蓄电装置的最大工作功率，则蓄电装置的充放电功率表示为：

24、

25、蓄电装置的荷电状态应维持在合理范围内，即满足：

26、

27、其中，和分别表示蓄电装置荷电状态的最大值和最小值。

28、优选地，所述步骤s1中蓄水池组件包括蓄水池、抽水泵、水肥一体设备，蓄水池组件的数学仿真模型为：

29、

30、

31、式中，表示t时刻蓄水池的蓄水量；表示t-1时刻蓄水池的蓄水量，vwt表示抽水泵的抽水速率或水肥一体设备的灌溉用水速率；和为二元变量，即分别表示控制抽水泵抽水的开关变量和水肥一体设备灌溉的开关变量；

32、和分别表示蓄水池的蓄水量的最大值和最小值；

33、蓄水池组件的能耗模型为：

34、

35、式中，表示在一个时间步长内抽水泵进行抽水工作的额定功率；表示在一个时间步长内水肥一体设备进行灌溉工作时的额定功率；ptwt表示在t时刻抽水泵和水肥一体设备总共的电能消耗；

36、

37、表示抽水泵和水肥一体设备总共的电能消耗，t表示调度周期。

38、优选地，所述步骤s2中的农业园区环境仿真模型是基于马尔可夫决策过程模型进行构建，具体如下：

39、马尔可夫决策过程由一个五元组{s,a,p,r,γ}构成，其中s为状态空间构成的集合，a为动作空间，状态转移概率p:s×a×s→r表示智能体从一个状态通过采取一个动作进入下一状态的转移概率；奖励函数r:s×a→[rmin,rmax]表示智能体在状态s∈s采取动作a∈a后获得的即时奖励；γ∈(0,1)表示折扣因子；

40、在约束型马尔可夫决策过程中，智能体与环境进行交互，在每个时间段t中，智能体获取环境当前状态s∈s，然后执行动作a∈a,同时获取一个奖励反馈r(s,a)，然后进入下一个时间段t+1中，到达终端state后开始新的episode，智能体的目标是学习一个最优策略，最大化每个episode的预期折扣回报；

41、其中，马尔可夫决策过程t时段的状态集st为：

42、

43、其中，表示t时间段的电网电价，ptpv表示t时间段光伏发电设备的输出功率，ptled表示t时间段led灯的消耗功率，ptload表示表示t时间段的农业园区基础电负荷的耗电功率，表示t时间段蓄电装置的储能能量，表示t时刻蓄水池的蓄水量；

44、智能体t时段的动作集at为：

45、

46、其中，ptes表示蓄电装置t时间段的充放能功率，为二元变量，即分别表示控制抽水泵抽水的开关变量和水肥一体设备灌溉的开关变量；

47、t时段的奖励函数rt为：

48、

49、

50、

51、其中，ptgrid表示t时间段农业园区的购电功率；λes表示蓄电装置充电放电的单位成本；ptes,out和ptes,in分别表示t时间段蓄电装置放出的功率和吸收的功率；和分别表示蓄电装置荷电状态的最大值和最小值；和分别表示蓄水池的蓄水量的最大值和最小值。

52、优选地，所述步骤s2中的强化学习智能体模型基于多层感知机进行构建，包括评价网络vω和策略网络πθ，均为mlp结构，其中ω和θ分别表示评价网络和策略网络的网络参数；策略网络的输入包括lstm模块输出的不确定性特征值和实时电价；策略网络输出正态分布的参数，即均值μ和方差σ2，然后对基于该参数构成的正态分布进行采样，得到智能体的动作输出at；随后动作和状态一并输入到评价网络中，评价网络输出动作状态价值q(s,a)，表示对强化学习智能体模型当前所处状态采取当前动作的优劣，并用于指导强化学习智能体模型进行策略更新。

53、面向农业园区的源荷储协同调度系统，应用于所述的调度方法，包括：

54、数学仿真模型构建模块，用于对农业园区中光伏发电设备、led灯、蓄电装置和蓄水池组件构建具体的数学仿真模型；

55、调度模型构建模块，用于构建调度模型，所述调度模型包括农业园区环境仿真模型、lstm模块和强化学习智能体模型；

56、调度模型训练模块，用于利用构建的数学仿真模型对构建的调度模型进行训练，得到训练好的调度模型；

57、调度模型执行模块，用于将训练好的调度模型应用于农业园区的源荷储协同调度任务中。

58、一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述的面向农业园区的源荷储协同调度方法。

59、一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的面向农业园区的源荷储协同调度方法。

60、与现有技术相比，本发明的有益效果为：

61、(1)本发明的方法中构建的调度模型包括lstm模块，采用lstm模块来处理时间序列数据，可以有效地捕捉数据的时间相关性，提高数据的利用效率。相比传统方法，本发明能够更好地应对动态负荷调度问题。

62、(2)本发明的方法中使用强化学习算法来学习调度策略，具有强大的学习能力和自适应性，可以在不断与环境的交互中不断改进和优化调度策略。同时强化学习算法来优化调度策略，不需要预先确定模型的参数和结构，可以自适应地调整参数，适应不同的环境和需求。此外，强化学习方法不依赖于精确的物理模型，具有较好的鲁棒性，可以应对模型不确定性和环境变化的挑战。

63、(3)本发明使用强化学习算法进行在线学习，可以在实时性上得到保障。同时，由于使用lstm模块处理时间序列数据，可以快速地对数据进行处理和分析，提高了实时性和效率。