面向综合能源系统的多能源调度方法与流程

1.本发明属于能源调度技术领域，更具体地，本发明涉及一种面向综合能源系统的多能源调度方法。


背景技术：

2.工业物联网是实现工业4.0的主要催化剂之一，因此它被视为未来工业系统中的一个重要元素，有助于降低能耗和增强产品生命周期管理。现有的工业多能源调度框架，旨在优化可再生能源的使用和降低能源成本，解决了工业集成能源系统中多能源的管理问题。工业多能源调度框架以同步方式整合多能源存储、可再生能源发电、能源转换和能源交易，考虑了工业用户的典型能源负荷、国家电网和交易平台的能源价格以及各子系统投资成本和收益之间的权衡。这就导致了系统的复杂程度剧增，许多研究者尝试将人工智能算法引入来解决系统复杂度剧增的问题。
3.为了解决综合能源系统动态经济调度问题，研究者们提出了将基于差分进化算法应用在综合能源控制之中，采用单一的变异策略进行进化，这导致在优化参数时稳定在局部最优而非全局最优值。


技术实现要素：

4.本发明提供一种面向综合能源系统的多能源调度方法，旨在改善上述问题。
5.本发明是这样实现的，一种面向综合能源系统的多能源调度方法，所述方法具体包括如下步骤：
6.s1、构建目标函数，以电能和热能使用时的最低成本作为目标函数f＝minc
t
；
7.s2、将电能和热能使用时的成本c
t
作为适应度q(si,aj)，对当前状态si下采取的动作aj使用多种进化方法进行进化，更新适应度值；
8.s3、基于进化前后的适应度值确定状态si下采取的动作aj的奖励值r
i+1
，基于奖励值r
i+1
更新适应度q(si,aj)；
9.s4、返回步骤s2，直至适应度值收敛或执行次数达到次数阈值，则输出最小适应度对应的状态，即为最佳状态。
10.进一步的，电能和热能使用时的成本c
t
采用如下公式进行计算：
11.c
t
＝c
t,p
+c
t,t
ꢀꢀ
(1)
12.c
t,p
和c
t,t
分别代表电能成本和热能成本；
[0013][0014]
表示从国家电网购买电能的成本，表示从能源交易平台购买电能的成本、表示电能相关设备的投资成本，r
t,p
表示向能源交易平台出售电能获取的利润；
[0015][0016]
表示从能源交易平台购买热能的成本，表示热能设备的投资成本用表
示，r
t,t
表示向能源交易平台出售热能获取的利润。
[0017]
进一步的，基于奖励值r
i+1
适应度值q(si,aj)更新方法具体如下：
[0018][0019]
其中，r
i+1
表示在状态si下采取动作aj的奖励值，α和γ分别表示折扣率和学习率，α、γ∈[0,1]，a表示状态si下采取动作的集合，表示状态si下采取各动作ak后的最大适应度值，ak∈a。
[0020]
进一步的，所述进化方法由进化策略及该进化策略的参数选择方法组成，其中，进化策略包括：de/best/2、de/rand/2、ngi，每种进化策略对应的参数选择方法包括：随机法、自适应法和适应法。
[0021]
进一步的，状态si下采取的动作aj的奖励值r
i+1
确定方法具体如下：
[0022]
对进化前的适应度q(si,aj)
′
按高到低的顺序进行排列，确定个体所在的层状态；
[0023]
对进化后的适应度值q(si,aj)
″
按高到低的顺序进行排列，定个体所在的层状态；
[0024]
设定的层状态间转移对应的奖励值，基于个体进化前后的层状态来个体的确定奖励值。
[0025]
本发明同时优化每个个体的进化策略和参数选择方法，可以自适应地确定最优进化策略和参数，能够在优化参数时快速找到全局最优解，避免算法陷入局部最优，有效降低了综合能源系统在调度方面的复杂度。
附图说明
[0026]
图1为本发明实施例提供的面向综合能源系统的多能源调度方法流程图；
[0027]
图2为本发明实施例提供的pvt板每小时收集的可再生能源量示意图；
[0028]
图3为本发明实施例提供的电网一周内每小时电价示意图；
[0029]
图4为本发明实施例提供的用户电热能源需求示意图；
[0030]
图5为本发明实施例提供的电/热能储存设备能量调度示意图；
[0031]
图6为本发明实施例提供的能源交易中心的电/热交易示意图。
具体实施方式
[0032]
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
[0033]
工业多能源调度系统将优化可再生能源的使用，降低能源成本为目标。系统同步进行多种能源存储、可再生能源生产、能源转换和能源交易，并且考虑了工业用户的典型能源负荷、国家电网和交易平台的能源价格以及各子系统的投资成本和收益之间的权衡，本发明是研究电能和热能的调度，旨在实现工业用户的能源使用成本最低。
[0034]
图1为本发明提供的面向综合能源系统的多能源调度方法流程图，该方法具体包括如下步骤：
[0035]
构建目标函数，以电能和热能使用时的最低成本作为目标函数，
[0036]
工业多能源调度系统为每个工业用户更新多个设备的状态和能源交易时，会考虑每小时的决策。优化目标是使每个工业用户在一段时间t内的能源使用成本c
t
达到最小值。
[0037]ct
＝c
t,p
+c
t,t
ꢀꢀ
(1)
[0038]
公式(1)中的c
t,p
和c
t,t
分别代表电能成本和热能成本。
[0039]
电能分析：
[0040]
电能成本包括：从国家电网购买电能的成本从能源交易平台购买电能的成本和相关设备的投资成本为了得到有效成本，还需要减去将出售电能给能源交易平台的利润r
t,p
减去。
[0041][0042]
热能分析：
[0043]
与电能相比，工业用户只能通过能源交易平台进行购买，从能源交易平台购买热能的成本用表示，所需设备的投资成本用表示，与电能类似，工业用户也可以通过向能源交易平台出售热能来获得利润r
t,t
。
[0044][0045]aj
为处于状态si的系统所采取的动作，状态si由电网购电成本能源交易平台购电成本电设备投资成本电能售出利润r
t,p
、购热成本热设备投资成本及售热利润r
t,t
组成；
[0046]
动作aj包括：增大/减少电网购电成本增大/减少能源交易平台购电成本增大/减少电设备投资成本增大/减少出售电能给能源交易平台的利润r
t,p
、增大/减小购热成本增大/减小热设备的投资成本增大/减小售热利润r
t,t
，共计14种动作。
[0047]
当前状态si下采取的动作aj使用多种进化方法进行进化，更新进化后的适应度值，基于进化前、后的适应度值确定状态si下采取的动作aj的奖励值r
i+1
，基于奖励值r
i+1
更新适应度值q(si,aj)，q(si,aj)＝c
t
，重复执行上述步骤，直至适应度值收敛或执行次数达到次数阈值，则输出最小适应度对应的状态，即为最佳状态。
[0048]
在本发明实施例中，基于奖励值r
i+1
适应度值q(si,aj)更新方法具体如下：
[0049][0050]
其中，r
i+1
表示在状态si下采取动作aj的奖励值，α和γ分别表示折扣率和学习率，α、γ∈[0,1]，α、γ为设定值，a表示状态si下采取动作的集合，表示状态si下采取各动作ak后的最大适应度值，ak∈a。
[0051]
在本发明实施例中，上述进化方法由进化策略及该进化策略的参数选择方法组成，其中，进化策略包括：de/best/2、de/rand/2、ngi，每种进化策略对应的参数选择方法包括：随机法、自适应法和适应法；
[0052]
三种进化策略的优缺点如下：de/best/2具有更快的收敛速度，但是容易过早地收敛到局部最优。de/rand/2收敛速度慢一些，但是它有更好的进化能力。ngi是一种基于利基探索的进化策略，它结合了来自邻近个体和整个种群的信息，因此可以认为ngi实现了收敛速度和进化能力之间更好的权衡，三种进化策略，每种进化策略的参数选择方法都存在三种，因此，共存在九种进化方法。
[0053]
在本发明实施例中，假定进化前的适应度值为q(si,aj)
′
，进化后的适应度值为q(si,aj)
″
，那么状态si下采取的动作aj的奖励值r
i+1
确定方法具体如下：
[0054]
对进化前的适应度q(si,aj)
′
按高到低的顺序进行排列，确定个体所在的层状态，例如排序的前20％代表状态i，20％～40％代表状态ii，依次类推，80％～100％代表状态v；
[0055]
对进化后的适应度值q(si,aj)
″
按高到低的顺序进行排列，定个体所在的层状态，例如排序的前20％代表状态i，20％～40％代表状态ii，依次类推，80％～100％代表状态v；
[0056]
设定的层状态间转移对应的奖励值，基于个体进化前后的层状态来确定奖励值。
[0057]
进化后个体的层状态级别越高，奖励值越大，进化后，个体从低级别层状态转移至高级别的层状态时，转移的层状态数量越大，奖励值越大，进化后，个体从高级别层状态转移至低级别的层状态时，奖励值设为0。
[0058]
表1奖励值表
[0059][0060]
表1中的s和ns分别表示当前状态和下一状态，即更新前后的层状态，层状态i为最高等级的层状态，层状态v为最第等级的层状态，这些奖励值指导不同层状态之间的转换。例如，状态ii的个体可能会被引导到层状态i，状态i的个体会尝试保持当前状态。当个体成功地转移到更高的状态时，它将获得更大的奖励。如果个体只能停留在当前状态(状态i除外)，那么它可以获得较小的奖励。应该注意的是，已经处于第i状态的个体，如果能够保持当前状态不变，将会得到更大的奖励。此外，处于第v状态的个体，如果不能改变自己的状态，就不能得到任何奖励。
[0061]
仿真：下面给出pvt板每小时收集的能源量、电网一周内每小时电价数据，设备运行成本数据，与电力市场相比，供热市场的边际生产成本日变化不大。这是因为传统的热能生产设备使用天然气或煤炭，在短时间尺度内价格稳定(5.2$/kw.h)，最后给出用户用电和用热需求。
[0062]
流程：将上述电能、热能、设备数据组成一个多维度向量作为输入数据，确定好输
入奖励值r、适应度q(si,aj)、学习率α、折扣率γ、群体大小np、最大迭代次数gm、当前状态值si，计算出初始适应值q(si,aj)，根据适应值计算结果选择交叉，进化等操作(策略确定)，以及确认交叉或者进化算子(参数选择)，接着更新个体(每个个体就是一个多维度的数据向量)的状态，迭代进行。迭代结束后输出结果向量，根据结果可以得出电/热能储存设备能量每个时刻如何调度，能源交易中心的电/热如何交易才能使电热成本最低，其中，图2为pvt板每小时收集的可再生能源量，图3为电网一周内每小时电价图4为用户电热能源需求，表2为设备运行成本表，表3为参数设置表
[0063]
表2设备运行成本
[0064][0065]
表3参数设置
[0066][0067]
仿真结果：图5为基于本算法计算的电能储能设备和热能储能设备的能量调度。该值大于零，表示设备正在充电。反之，则表示设备正在排放。图6的描述与图5相似——图6显示了用户与能源交易平台交易的操作。大于0的值表示用户从能源交易平台购买了能量。相反，它表示用户向能源交易平台出售能量。
[0068]
本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。