耦合极端学习机的全工况分布式供能系统运行优化方法技术方案

本发明专利技术涉及分布式供能系统运行优化方法技术领域，是一种耦合极端学习机的全工况分布式供能系统运行优化方法，包括构建基于极端学习机的设备拟合模型、双层运行优化模型；通过KKT条件和对偶理论将基于设备拟合模型的双层运行优化模型转换为单层优化模型；采用混合整数规划方法来求解单层优化运行模型，获得全工况分布式供能系统的最优运行策略。本发明专利技术采用极端学习机模型来拟合替代设备的非线性模型，建立双层运行优化模型，并用KKT条件和对偶理论将双层优化模型转换为单层优化模型，最后采用混合整数规划方法求解单目标优化模型，从而求得最优运行策略，提高系统能效，并能降低模型的计算复杂度，更加准确地反映系统的输入输出特性。出特性。

【技术实现步骤摘要】
耦合极端学习机的全工况分布式供能系统运行优化方法


[0001]本专利技术涉及分布式供能系统运行优化方法
，是一种耦合极端学习机的全工况分布式供能系统运行优化方法。

技术介绍

[0002]随着能源形式的改革和发展，分布式供能系统已成为人类社会能源的主要承载形式之一。而分布式供能系统是由能源生产、转换和存储环节，以及终端用户构成。针对分布式供能系统的运行研究，首先需构建系统的输入输出转换关系，此转换关系表征能源的耦合关系，能源耦合特性使得系统运行具有一定的复杂性。现有的研究中，大多是基于简单的线性化模型来进行研究，在一定程度上过于简化。因此需要考虑系统中各设备的能源消耗的工况特性，研究基于各工况条件下的分布式供能系统运行优化方法。
[0003]在系统的运行优化中，若考虑系统中设备的精细化输入输出特性，则需要引入设备的全工况耦合模型。然而，与传统的线性模型对比，考虑设备全工况特性的耦合模型的引入，会导致模型增加非线性，模型的复杂度会大大地增加，计算量相应增加。

技术实现思路

[0004]本专利技术提供了一种耦合极端学习机的全工况分布式供能系统运行优化方法，克服了上述现有技术之不足，为了降低复杂模型的计算量，提高模型的求解速度，本专利技术提出极端学习机来拟合替代设备的复杂非线性模型，并建立双层运行优化模型，结合极端学习机模型、KKT条件、对偶理论和混合整数规划方法来实现系统的运行优化求解。
[0005]本专利技术的技术方案是通过以下措施来实现的：一种耦合极端学习机的全工况分布式供能系统运行优化方法，包括以下步骤：
[0006]步骤S1：考虑全工况分布式供能系统设备的全工况性能，构建基于极端学习机的设备拟合模型；
[0007]步骤S2：上层以综合利用效率最大为目标，下层以全工况分布式供能系统运行总成本最低为目标，构建双层运行优化模型；
[0008]步骤S3：通过KKT条件和对偶理论将基于设备拟合模型的双层运行优化模型转换为单层优化模型；采用混合整数规划方法来求解单层优化运行模型，获得全工况分布式供能系统的最优运行策略。
[0009]下面是对上述专利技术技术方案的进一步优化或/和改进：
[0010]上述进一步，所述步骤S1包括以下步骤：
[0011]S1.1：建立基于极端学习机的设备拟合模型，用极端学习机模型来代替系统中设备的多阶非线性出力模型，当有样本输入时，采用激活函数和连接权值逼近样本目标值，即：
[0012]Hw＝T
ꢀꢀꢀ
(1)
[0013][0014]式(1)中，H为隐层节点的输出，w为神经网络的输出权重，T为神经网络的输出；式(2)中，w
in
为输入层连接权重，x为输入值，b为各隐层单元的偏置，w
n
为各隐层单元的输出权值，t为输出值；
[0015]S1.2：通过求解式(3)得到网络输出权值，
[0016]w
*
＝(H
T
H+CI)
‑1H
T
T
ꢀꢀꢀ
(3)
[0017]式(3)中，w
*
为输出权值，H为隐层节点的输出，C为系数，I为单位矩阵，T为期望输出；
[0018]S1.3：根据求出的输出权值，得到最终的拟合模型即：
[0019]f＝Hw
*
ꢀꢀꢀ
(4)
[0020]式(4)中，f为拟合模型输出。
[0021]上述步骤S2包括以下步骤：
[0022]S2.1：构建以综合利用效率最大作为上层的优化目标函数，即
[0023][0024]式(5中，η为综合利用效率，P
L,T
为所述系统在T时段内的供电量，C
L,T
为所述系统在T时段内的供冷量，Q
L,T
为所述系统在T时段内的供热量，E
s,T
为所述系统在T时段内的储能量，E
d,T
为分布式能源供能总量；
[0025]S2.2：构建以全工况分布式供能系统运行总成本最小作为下层的目标函数，即
[0026]minC
ATC
＝C
pur
+C
om
ꢀꢀꢀ
(6)
[0027]式(6)中，C
ATC
为所述系统的运行总成本，C
pur
为所述系统的购电成本，C
om
为所述系统的运维费；
[0028]S2.3：构建满足所述系统安全稳定运行的约束条件，包括设备出力约束，设备容量约束和能量平衡约束，三者约束满足式(7)，即
[0029][0030]式(7)中，G(x)表示不等式约束，F(x)表示等式约束。
[0031]上述步骤S3中包括以下步骤：
[0032]S3.1：采用对偶理论和KKT条件，将双层优化模型转换为单层优化模型，即
[0033][0034]式(8)中，G(x
*
)和F(x
*
)为式(7)不等式约束和等式约束的约束条件，ξ和λ为拉格朗日乘子，
▽
C
ATC
(x
*
)为松弛约束；
[0035]S3.2：采用混合整数规划方法求解单层优化模型，获得全工况分布式供能系统的最优运行策略。
[0036]本专利技术采用极端学习机模型来拟合替代设备的非线性模型，建立以综合利用效率最大作为上层的优化目标函数、以系统运行总成本最小作为下层目标函数的双层运行优化模型，并用KKT条件和对偶理论将双层优化模型转换为单层优化模型，最后采用混合整数规划方法求解单目标优化模型，从而求得最优运行策略，提高系统能效，并能降低模型的计算复杂度，更加准确地反映系统的输入输出特性。
附图说明
[0037]附图1为本专利技术所述方法的流程图。
具体实施方式
[0038]本专利技术不受下述实施例的限制，可根据本专利技术的技术方案与实际情况来确定具体的实施方式。
[0039]下面结合实施例对本专利技术作进一步描述：
[0040]实施例1：如附图1所示，该合极端学习机的全工况分布式供能系统运行优化方法，包括以下步骤：
[0041]步骤S1：考虑全工况分布式供能系统设备的全工况性能，构建基于极端学习机的设备拟合模型；
[0042]步骤S2：上层以综合利用效率最大为目标，下层以全工况分布式供能系统运行总成本最低为目标，构建双层运行优化模型；
[0043]步骤S3：通过KKT条件和对偶理论将基于设备拟合模型的双层运行优化模型转换为单层优化模型；采用混合整数规划方法来求解单层优化运行模型，获得全工况分布式供能系统的最优运行策略。
[0044]所述步骤S1包括以下步骤：
[0045]S1.1：建立基于极端学习机的设备拟合模型，用极端学习机模型来代替系统中设备的多阶非线性出力模型，当有样本输入时，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合极端学习机的全工况分布式供能系统运行优化方法，其特征在于包括以下步骤：步骤S1：考虑全工况分布式供能系统设备的全工况性能，构建基于极端学习机的设备拟合模型；步骤S2：上层以综合利用效率最大为目标，下层以全工况分布式供能系统运行总成本最低为目标，构建双层运行优化模型；步骤S3：通过KKT条件和对偶理论将基于设备拟合模型的双层运行优化模型转换为单层优化模型；采用混合整数规划方法来求解单层优化运行模型，获得全工况分布式供能系统的最优运行策略。2.根据权利要求1所述的耦合极端学习机的全工况分布式供能系统运行优化方法，其特征在于步骤S1包括以下步骤：S1.1：建立基于极端学习机的设备拟合模型，当有样本输入时，采用激活函数和连接权值逼近样本目标值，即：Hw＝T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，H为隐层节点的输出，w为神经网络的输出权重，T为神经网络的输出；式(2)中，w
in
为输入层连接权重，x为输入值，b为各隐层单元的偏置，w
n
为各隐层单元的输出权值，t为输出值；S1.2：通过求解式(3)得到网络输出权值，w
*
＝(H
T
H+CI)
‑1H
T
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，w
*
为输出权值，H为隐层节点的输出，C为系数，I为单位矩阵，T为期望输出；S1.3：根据求出的输出权值，得到最终的拟合模型即：f＝Hw
*
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式(4)中，f为拟合模型输出。3.根据权利要求1或2所述的耦合极端学习机的全工况分布式供能系统运行优化方法，其特征在于步骤S2包括以下步骤：S2.1：构建以综合利用效率最大作为上层的优化目标函数，即式(5中，η为综合利用效率，PL,T为所述系统在T时段内的供电量，CL,T为所述...

【专利技术属性】
技术研发人员：翟保豫，马涛，李星，高丙团，李远梅，
申请(专利权)人：东南大学国家电网有限公司，
类型：发明
国别省市：