一种针对园区小样本数据的双代理辅助搜索能量优化方法与流程

1.本发明涉及用于智慧园区多能协同能量优化的一种基于kriging和rbf双代理辅助局部/全局搜索的小样本数据优化算法。


背景技术：

2.智慧园区是智慧城市发展的重要组成模块之一，目前不论是产业园区还是居民园区，均面临着向智慧化、智能化转型的挑战，而制约其快速转型的瓶颈之一就是前期的测量终端安装不充足、测量数据不充分、测量时间间隔太长等造成的数据采集不足的问题。
3.随着能源互联网、泛在电力物联网建设，考虑包含冷、热、电、气等不同能源形态的协同能量优化问题成为当前的一个重要研究课题。对于智慧园区在数据不足情况下的协同能量优化问题，若运用传统的单一代理辅助搜索的优化算法解决该问题时，经常会面临陷入局部最优的难题。


技术实现要素：

4.有鉴于此，本发明提供一种针对园区小样本数据的双代理辅助搜索能量优化方法，其需解决的技术问题、技术方案和方案技术效果如下：
5.本发明针对的技术问题为：现有园区存在前期测量终端安装不充足、测量数据不充分、测量时间间隔太长等问题，会造成的数据采集不足，进而导致数据预测精度不达标、预测误差偏大的问题。因此在此情景下，难以做出智慧园区的多能协同能量优化的最优方案。若运用传统的单一代理辅助搜索的优化算法解决该问题时，经常会面临陷入局部最优的难题。
6.本发明的技术方案为：发明一种针对园区小样本数据的双代理辅助搜索能量优化方法，应用于仅采集到智慧园区小样本数据情形下的多能协同能量优化。首先，设定智慧园区多能协同调度的多重优化目标，如泛能站售冷、热、电的收益最大、新能源利用率最高、用电峰谷差值最小的三重优化目标，并通过目标加权将三个目标统一成单目标，从而简化模型的复杂性，提高优化效率。然后，根据智慧园区泛能站的产能设备和园区内的负荷设备确定运行等式和不等式约束条件。其次，将园区采集到的泛能站产能、负荷用能等的小样本数据集划分为多个子集，通过集成学习在同一个样本集上训练多个模型以增强模型的预测精度。最后，设计两种模型管理策略，即kriging代理模型管理策略和rbf模型管理策略分别用于全局搜索和局部搜索，两种搜索方式巧妙结合形成一个高精度的kriging和rbf代理集成，从而更快速、准确地找到最优解。
7.本发明的技术效果在于：1)将智慧园区的小样本数据集划分为多个子集，通过集成学习，在同一个样本集上训练多个模型，可以增强模型的预测精度，有效地在数据不足的情况下减小预测误差；2)双代理辅助搜索算法采用局部搜索和全局搜索相结合的思路，使其能够在当前最优点附近进行充分搜索，从而取得收敛质量和收敛效率的平衡。
附图说明
8.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
9.图1为本发明的双代理辅助搜索优化算法流程图；
10.图2为本发明采用的梯次采样示意图；
11.图3为本发明的代理模型集成学习步骤示意图。
具体实施方式
12.为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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他实施例，都属于本发明保护的范围。
13.如图1所示，本发明提供一种针对园区小样本数据的双代理辅助搜索能量优化方法(dseo
‑
ssd)，针对智慧园区多能协同能量优化的工程问题，采用全局/局部搜索结合的双代理模型改进深度学习优化算法。测量终端收集到的数据集通过随机采样和梯次采样将原数据集划分为多个子集，通过集成学习(即在同一个样本集上训练多个模型)以增强模型的预测精度；同时设计两种全新模型管理策略，即基于kriging代理模型策略和深度学习径向基函数(rbf)代理模型策略，分别用于全局搜索和局部搜索，并巧妙结合形成一个高精度的kriging
‑
rbf代理集成。其采样思路如下：随机采样和梯次采样方法相结合，其中随机采样的每个样本单元都是随机抽取的，不仅能够根据概率论用样本统计量对总体参数进行估计，还能计算出抽样误差，从而得到对数据样本总体进行推断；梯次采样能提高采样速度，能有效避免采样异常数据，同时能保证样本数据的完整性。首先将小样本数据集s
t
中的数据标上序号，然后根据数据序号的大小，按照序号从小至大的顺序依次提取大小为k的数据集作为样本子集。
14.具体实施步骤如下：
15.步骤1：设定智慧园区泛能站售冷、热、电的收益最大(冷、热、电分时计费)、可再生能源利用率最高(即丢弃率最低)、用电峰谷差值最小三个优化目标，并通过目标加权将三个目标统一成单目标，从而简化模型的复杂性，提高优化效率。相关表达式如下：
16.基于权重函数的多目标动态非线性优化函数通过目标加权将三个目标统一成单目标非线性动态优化的简化表达式为(1)，其中a、b、c分别为不同的目标函数，α、β、δ分别是不同目标函数的加权系数，其加权系数视不同应用场景进行选取。
17.minf＝αa+βb+δc
ꢀꢀ
(1)
18.在本发明所述应用中，不同的目标函数a、b、c分别对应为泛能站售冷、热、电的收益最大、可再生能源利用率最高、用电峰谷差值最小，他们的目标函数分别为表达式(2)
‑
(4)。
19.a＝max(f1+f2+f3+f
g
‑
f
c
)
ꢀꢀ
(2)
20.其中f1为用电收益，f2为用热收益，f3为用冷收益，f
g
为余电上网收益，f
c
为运行成
本。
[0021][0022]
其中n
re
为可再生能源利用率，为单一某种可再生能源j。
[0023][0024]
其中l、h分别为电功率的最高和最低限制值，t为电功率测量时间区间总数，i时刻的p
i,j
表示电功率。
[0025]
步骤2：根据智慧园区泛能站产能设备和园区负荷设备确定运行等式和不等式约束条件。在本发明所述应用中，泛能站产能设备包含燃气锅炉、溴化锂机、热泵、储热罐，园区负荷设备包括可转移负荷、充电负荷、储能负荷等，相关约束条件如下：
[0026]
1)电平衡约束条件
[0027]
e
g
(t)＝e
r
(t)+e
d
(t)+e
s
(t)
ꢀꢀ
(5)
[0028]
e
g
(t)＝η
g
‑
e
·
c1(t)
ꢀꢀ
(6)
[0029]
e
g
(t)≤e
g
‑
rated
(t)
ꢀꢀ
(7)
[0030]
式(5)中e
g
(t)表示内燃机发电量，e
r
(t)表示泛能站用电量，e
d
(t)表示负荷用电量，e
s
(t)表示剩余的上网电量。式(6)中η
g
‑
e
表示天然气转化为电的转化率，c1(t)表示内燃发电机发电消耗的天然气。式(7)为内燃机容量约束，e
g
‑
rated
(t)表示内燃发电机的额定功率。
[0031]
2)热平衡约束条件
[0032]
s
bo
h
bo
(t)+s
li
‑
h
h
li
‑
h
(t)+s
hp
h
hp
(t)+s
sk
‑
d
h
sk
‑
d
(t)＝h
d
(t)+s
sk
‑
c
h
sk
‑
c
(t)
ꢀꢀ
(8)
[0033][0034]
式(8)中h
bo
(t)、h
li
‑
h
(t)、h
hp
(t)、h
sk
‑
d
(t)、h
sk
‑
c
(t)、h
d
(t)分别表示燃气锅炉产热、溴化锂机产热、热泵机组产热、储热罐放热、储热罐充热以及热负荷大小；式(9)中s
j
表示某机组设备j的运行状态，其下标不同对应的机组设备不同，如s
bo
、s
li
‑
h
、s
hp
、s
sk
‑
d
、s
sk
‑
c
分别表示燃气锅炉运行状态、溴化锂机运行状态、热泵运行状态、储热罐放热状态、储热罐充热状态。
[0035]
a.燃气锅炉
[0036]
h
bo
(t)＝η
g
‑
bo
·
c2(t)
ꢀꢀ
(10)
[0037]
h
bo
(t)≤h
bo
‑
rated
(t)
ꢀꢀ
(11)
[0038]
式(10)为燃气锅炉的产热表达式，其中η
g
‑
bo
为燃气锅炉气转热的效率，c2(t)表示燃气锅炉消耗的天然气；式(11)为燃气锅炉的热容量约束，h
bo
‑
rated
(t)表示燃气锅炉的额定功率。
[0039]
b溴化锂机
[0040]
h
li
‑
h
(t)＝η
g
‑
hc
·
η
li
‑
h
·
c1(t)
ꢀꢀ
(12)
[0041]
h
li
‑
h
(t)≤h
li
‑
rated
(t)
ꢀꢀ
(13)
[0042]
为优化能源梯级利用，在本方案中溴化锂机组仅考虑余热利用模式，即将内燃机
的余热转化为冷或热的情况，不考虑直燃天然气模式，即直接燃烧天然气的情形。式(12)为溴化锂机的产热表达式，其中η
g
‑
hc
表示内燃发电机组发电时气转余热的效率，η
li
‑
h
表示溴化锂机将内燃发电机余热转换为热的效率。c1(t)表示内燃发电机发电消耗的天然气。式(13)为溴化锂机的热容量约束，h
li
‑
rated
(t)表示溴化锂的额定功率。
[0043]
c.热泵
[0044]
h
hp
(t)＝η
g
‑
h
·
c3(t)
ꢀꢀ
(14)
[0045]
h
hp
(t)≤h
hp
‑
rated
(t)
ꢀꢀ
(15)
[0046]
式(14)为热泵机组的产热表达式，其中η
g
‑
h
为热泵机组气转热的效率，c3(t)表示热泵消耗的天然气。式(15)为热泵机的热容量约束。
[0047]
d.储热罐
[0048][0049]
e
sk
‑
min
≤e
sk
(t)≤e
sk
‑
max
ꢀꢀ
(17)
[0050]
s
sk
‑
c
+s
sk
‑
d
≤1
ꢀꢀ
(18)
[0051]
式(16)表示储热罐的热量，其中η
c
表示充热效率，η
f
表示放热效率。式(17)对储热罐容量进行约，s
sk
‑
min
、s
sk
‑
max
分别表示储热罐的最大和最小值。式(18)表示储热罐单位时间内只能放热或充热，其中s
sk
‑
d
(t)、s
sk
‑
c
(t)为2进制变量。
[0052]
3)冷平衡约束条件
[0053]
s
cen
c
cen
(t)+s
li
‑
c
c
li
‑
c
(t)＝c
d
(t)
ꢀꢀ
(19)
[0054][0055]
式(19)中c
cen
(t)、c
li
‑
c
(t)、c
d
(t)分别表示离心机产冷、溴化锂机产冷以及冷负荷大小；式(20)中s
j
表示某机组设备j的运行状态，其下标取不同对应的机组设备不同。
[0056]
a.离心机
[0057]
c
cen
(t)＝η
e
‑
c
e
r
‑
cen
(t)
ꢀꢀ
(21)
[0058]
c
cen
(t)≤c
cen
‑
rated
(t)
ꢀꢀ
(22)
[0059]
式(21)为离心机的产冷表达式，其中η
e
‑
c
表示离心机制冷的效率，e
r
‑
cen
(t)表示离心机消耗的电量。式(22)约束离心机的容量，c
cen
‑
rated
(t)表示离心机的额定热容量。
[0060]
b.溴化锂机
[0061]
c
li
‑
c
(t)＝η
li
‑
c
·
c1(t)
ꢀꢀ
(23)
[0062]
c
li
‑
c
(t)≤c
li
‑
rated
(t)
ꢀꢀ
(24)
[0063]
s
li
‑
c
+s
li
‑
h
≤1
ꢀꢀ
(25)
[0064]
式(23)为溴化锂机的产冷表达式，η
li
‑
c
表示溴化锂机将制冷的效率。式(24)为溴化锂机的冷容量约束，c
li
‑
rated
(t)表示溴化锂机的额定热容量。式(25)表示溴化锂机只能产热或产冷，s
li
‑
c
(t)、s
li
‑
h
(t)为2进制变量，即当s
li
‑
c
(t)＝1时，表示溴化锂机在产冷，当s
li
‑
h
(t)＝1时，表示溴化锂机在产热。
[0065]
步骤3：应用拉丁超立方抽样初始化智慧园区的测量终端收集到的数据z
t
＝<l
1t
,l
2t
,
…
,l
nt
>；采用这种数据预处理方式有助于提高数据的质量。
[0066]
步骤4：再用调度方案函数<h
1t
,h
2t
,
…
,h
nt
>进行评估；
[0067]
步骤5：由初始数据建立小样本数据库s
t
＝{(l
1t
,h
1t
),(l
2t
,h
1t
),
…
,(l
nt
,h
nt
)}，在此基础上建立代理模型。
[0068]
步骤6：以kriging和rbf双代理辅助搜索优化算法作为优化器执行寻优过程。在算法的终止条件未达成的情况下进行全局和局部搜索寻优。该步骤的整体思路是通过随机采样和梯次采样将原数据集划分为多个子集，再通过集中学习，即在同一个样本集上训练多个模型以增强模型的预测精度。其中梯次采样的示意图如图2所示，而用于增强模型预测精度的代理模型集成学习步骤如图3所示。
[0069]
其中，全局寻优步骤为：1)根据全局模型管理策略，在小样本数据库s
t
中训练m个子集；2)使用kriging代理模型训练m个子集；3)采用优化算法找到每个kriging代理模型的最优值；4)求出m个子集的最优值的平均值o
av
；5)判断如果o
av
是当前最优值，则重复以上全局寻优步骤，否则进入局部寻优。
[0070]
局部寻优步骤为：1)根据局部模型管理策略，在小样本数据库s
t
中训练n个子集；2)使用rbf代理模型训练n个子集；3)采用优化算法找到每rbf代理模型的最优值；4)求出n个子集的最优值的加权总和o
ws
；5)判断如果o
ws
是当前最优值，则重复以上局部寻优步骤，否则进入全局寻优。
[0071]
其中，全局模型管理策略的管理步骤如下：1)根据决策空间的维度w
dim
决定需要划分产生的子集个数m＝((w
dim
+1)(w
dim
+2)/2100)；2)为了保持数据集多样性和数据集大小之间的平衡，以0.5的概率对小样本数据库s
t
中的每个点进行随机采样。
[0072]
局部模型管理策略的管理步骤如下：1)在有n个数据点的小样本数据库s
t
中，采用梯次采样方法，每次采样n
‑
1个数据，即s
j
＝{s
t
\l
i
,j＝1,2,
…
,n},其中l
i
是第j个数据点；2)使用rbf代理模型训练n个子集，并求出n个模型的加权总和o
ws
，其表达式为式(26)。其中，y
p
是最终求出的rbf预测值，y
pj
是第j个rbf模型的预测值，λ
j
是第j个rbf模型的加权数，其定义为式(27)，其中e
j
是第j个rbf模型的均方根误差。
[0073]
y
p
(x)＝λ1y
p1
+λ2y
p2
+...+λ
n
y
pn
ꢀꢀ
(26)
[0074][0075]
步骤7：得到的当前最优解用调度方案函数进行评估，得到的新的样本点加入到原样本库。
[0076]
步骤8：算法没达到预设的终止条件时，继续进行迭代，当达到预设的终止条件时，算法终止，输出智慧园区多能协同能量优化问题最优解，得到泛能站和园区设备的能量优化方案。
[0077]
本发明针对由泛能站供能的智慧园区，在数据样本采集量不足的情况下，解决冷、热、电多能综合需求响应的多目标协同优化的调度问题。采用的双代理辅助搜索算法是一种在单一代理辅助搜索的基础上改进得到的新的深度学习算法。本算法采用局部搜索和全局搜索相结合的思路，使其能够在当前最优点附近进行充分搜索，从而取得收敛质量和收敛效率的平衡。
[0078]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员
来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。