电-冷-热-气多能需求典型园区的优化调度方法及系统技术方案

本发明专利技术提供一种电

【技术实现步骤摘要】
电
‑
冷
‑
热
‑
气多能需求典型园区的优化调度方法及系统


[0001]本专利技术涉及智能调度领域，具体涉及一种电
‑
冷
‑
热
‑
气多能需求典型园区的优化调度方法及系统。

技术介绍

[0002]在传统的能源系统中，冷、热、电、气往往相互独立设计、运行和控制，不同的供能、用能系统主体不能进行整体上的协调、配合和优化，导致能源整体利用率不高。多能互补综合能源系统特指在规划、建设和运行等过程中，通过对冷、热、电、气多种能源的生产、传输、转换、存储、消费等环节进行有机协调与优化后所形成的能源产供销一体化系统，一方面实现了能源的梯级利用，提高能源的综合利用水平，另一方面利用各个能源系统之间在时空上的耦合机制，实现对多种能源的综合管理与协调互补。目前国内外对多能互补综合能源系统的研究多集中于宏观层面，如系统规划、功能架构、技术形态等，部分学者借鉴微电网的控制理论以及大电网的调度理论，开展综合能源系统的优化运行研究，但主要只研究其中两种能量耦合并使用了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电
‑
冷
‑
热
‑
气多能需求典型园区的优化调度方法，其特征在于，包括以下步骤：获取园区内电、冷、热、气多能系统中各个设备的性能参数及约束条件；确定优化调度的目标函数，所述目标函数包括电和气的费用成本、碳排放量；建立优化调度强化学习模型，确定状态空间和奖赏函数，所述状态空间根据各所述设备的性能参数确定；利用所述优化调度强化学习模型并基于所述约束条件对所述多能系统中的各个所述设备进行优化调度。2.根据权利要求1所述的方法，其特征在于，所述利用所述优化调度强化学习模型并基于所述约束条件对所述多能系统中的各个所述设备进行优化调度，包括：利用第一深度学习神经网络模型，根据各个设备当前的状态、能量供应需求和环境信息，确定多个可选动作值；利用第二深度学习神经网络模型，计算各个所述可选动作值对应的概率；选取最大概率值对应的所述可选动作值作为当前动作值并执行。3.根据权利要求2所述的方法，其特征在于，所述第一深度学习神经网络模型包括径向基神经网络，所述径向基神经网络的建立过程如下：建立输入层，所述输入层用于输入各个所述设备当前的状态、能量供应需求和环境信息；建立高斯径向基函数层；建立径向基函数权重连接层；建立输出层的权重矩阵，以与所述径向基函数权重连接层的输出进行矩阵乘积运算。4.根据权利要求1所述的方法，其特征在于，所述利用所述优化调度强化学习模型并基于所述约束条件对所述多能系统中的各个所述设备进行优化调度，包括：按照以下公式确定当前的动作值：按照以下公式确定当前的动作值：其中，a
ij
为第i个设备的第j个可调参数的动作值，s
ijmax
为所述...

【专利技术属性】
技术研发人员：张海滨，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：