基于多智能体的电能路由器调度优化方法技术

本发明专利技术公开基于多智能体的电能路由器优化调度方法。通过对多电能路由器能源互联网结构进行分析，建立一种双层分布式多智能体系统，系统主要由具有最高决策权的中心控制模块、与电能路由器相连的电能路由器管理模块组成。电能路由器管理模块负责接收接入能源的发电信息，并根据日前数据样本通过神经网络对可再生能源发电量和用户负荷进行预测，中心控制模块通过智能算法，对预测数据进行调度优化，并将结果传输至各管理智能体，从而实现对各节点能量调度的控制，解决到达能源互联网中能量调度的经济性以及能量传输的稳定性的问题。调度的经济性以及能量传输的稳定性的问题。调度的经济性以及能量传输的稳定性的问题。

【技术实现步骤摘要】
基于多智能体的电能路由器调度优化方法


[0001]本专利技术属于电力电子设备领域，涉及智能调度技术，具体是基于多智能体的电能路由器调度优化方法。

技术介绍

[0002]近年来，能源危机和环境污染问题日益严峻，其中能源需求不断增长、常规能源分布不均等问题使得分布式可再生能源的发展受到高度重视。但由于分布式可再生能源具有分散性、间歇性、波动性等特点，因此直接并网会对公共能源网络的稳定性带来一定影响。因此，能源互联网应运而生，具体表现为多种分布式能源以通过接入电能路由器形式整合优化后并网成为一种趋势。
[0003]作为能源互联网的核心设备，电能路由器是一种具有通信和控制功能的多端口电力电子变换设备，可实现电压/频率转换、电能质量调节、无功补偿、可再生能源接入以及潮流控制等功能。然而，目前电网中多种分布式能源之间的调度优化较少考虑电能路由器的应用。
[0004]调度优化是指从电力公司的角度出发，在满足能量平衡和运行约束的前提下，调整电网中各电源的出力，实现运行成本的最小化。调度优化对于电力系统的运行稳定性与经济性具有十分重要的意义。已有的智能算法，如遗传算法、粒子群算法和布谷鸟算法等都在调度优化问题上取得了一定的效果，但存在迭代时间较长以及寻优结果并非最优解的问题，因此寻找一个合适的智能算法成为了一个迫切需要解决的问题；
[0005]为此，提出基于多智能体的电能路由器调度优化方法。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于多智能体的电能路由器调度优化方法，该基于多智能体的电能路由器调度优化方法通过构建基于电能路由器的能量优化管理模型，根据历史数据对分布式可再生能源发电和负荷进行预测，在满足负荷需求的条件下以系统运行成本最小化为目标来优化管理可控设备的运行计划、能源分配系数以及与之互联网络的能源交易。
[0007]为实现上述目的，根据本专利技术的第一方面的实施例提出基于多智能体的电能路由器调度优化方法，包括以下步骤：
[0008]步骤一：搭建应用于多智能体路由器系统的多智能体系统；
[0009]步骤二：负荷管理单元预测可再生能源发电量和负荷电量；
[0010]步骤三：中心控制模块基于预测数据对微源进行调度优化；
[0011]步骤四：电能路由器管理模块根据优化结果对微源实现控制。
[0012]与现有技术相比，本专利技术的有益效果是：
[0013]本专利技术通过对多电能路由器能源互联网结构进行分析，建立一种双层分布式多智能体系统，系统主要由具有最高决策权的中心控制模块、与电能路由器相连的电能路由器
管理模块组成。电能路由器管理模块负责接收接入能源的发电信息，并根据日前数据样本通过神经网络对可再生能源发电量和用户负荷进行预测，中心控制模块通过智能算法，对预测数据进行调度优化，并将结果传输至各管理智能体，从而实现对各节点能量调度的控制，解决了到达能源互联网中能量调度的经济性以及能量传输的稳定性的问题。
附图说明
[0014]图1是基于多智能体的电能路由器调度优化方法的流程图；
[0015]图2是基于多智能体的电能路由器能量管理系统框图。
具体实施方式
[0016]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。
[0017]如图1所示，基于多智能体的电能路由器调度优化方法，包括以下步骤：
[0018]步骤一：搭建应用于多智能体路由器系统的多智能体系统；
[0019]步骤二：负荷管理单元预测可再生能源发电量和负荷电量；
[0020]步骤三：中心控制模块基于预测数据对微源进行调度优化；
[0021]步骤四：电能路由器管理模块根据优化结果对微源实现控制；
[0022]其中，步骤一中所述应用于多智能体路由器系统的多智能体系统包括电能路由器管理模块、中心控制模块、人机交互接口、数据库、算法库、模型库以及电能路由器的通信接口；其中，所述电能路由器管理模块包括输入端管理单元，负荷管理单元；其中，所述输入端管理单元包括电能节点，风力发电节点，光伏发电节点；所述负荷管理单元包括负荷预测节点和负荷平衡节点；
[0023]如图2所示的基于多智能体的电能路由器能量管理系统框图，每台电能路由器的通信接口以电气方式连接有一个电能路由器管理模块；且所有电能路由器与同一个中心控制模块以电气方式连接；所述中心控制模块与算法库、人机交互接口、数据库以及模型库以电气方式连接；
[0024]其中，所述中心控制模块具有最高决策权，根据负荷、风能、太阳能、设备参数能等数据对输入端进行调度优化；
[0025]其中，所述电能节点主要考虑传输的稳定性以及对输入功率的调度；风力发电节点负责对风速的预测、实现最大功率点控制以及对风力发电功率的计算；光伏节点负责对日照强度的预测、实现最大功率点控制以及对光伏发电功率的计算；
[0026]所述电能节点、风力发电节点以及光伏发电节点均采用最大功率跟踪控制模式运行；所述最大功率跟踪控制模式是通过控制器，实时侦测可再生能源的发电电压，并追踪最高电压电流值，使系统以最大功率输出；
[0027]其中，所述负荷预测节点可基于预测模型对用户负荷和可再生能源发电量进行预测；负荷平衡节点主要用于控制负荷和输入端之间的能量平衡；
[0028]其中，所述算法库主要用于保存调度优化过程中需要使用的算法，包括多智能体
粒子群算法等；
[0029]其中，所述人机交互接口主要用于向工作人员提供手动操作以及调节中心控制模块的算法、模型以及算法中使用的参数的平台；
[0030]其中，所述数据库主要用于保存中心控制模块需要的负荷、风速、日照强度以及设备参数和发电机节点提供的发电机组参数等；
[0031]其中，所述模型库主要用于根据不同的目标与输入数据，生成不同的优化模型；如选用运行成本作为经济调度模型；
[0032]其中，步骤二中所述负荷管理单元预测可再生能源发电量和负荷电量包括以下步骤：
[0033]步骤S1：选取前馈神经网络作为预测模型；输入向量集合标记为X，输入向量标记为xi，其中i为输入向量的序号；将输入层节点数量标记为N；隐含层节点数量标记为L；隐含层中形成的输出函数标记为h(x)＝[h1(x),...,hN(x)],隐含层中的输出权值标记为β＝[β1，...，βL],训练样本集{(xi,ti)|xi∈R
d
,ti∈R
m
,i＝1,...,N}；
[0034]其中，输入向量xi的训练特征包括节点负荷功率、光照强度、风速、温度、相对湿度及日期类型等；其中，目标值ti表示可再生能源发电量和用户负荷；
[0035]步骤S2：所述前馈神经网络的输出值o本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多智能体的电能路由器调度优化方法，其特征在于，包括以下步骤：步骤一：搭建应用于多智能体路由器系统的多智能体系统；步骤二：负荷管理单元预测可再生能源发电量和负荷电量；步骤三：中心控制模块基于预测数据对微源进行调度优化；步骤四：电能路由器管理模块根据优化结果对微源实现控制。2.根据权利要求1所述的基于多智能体的电能路由器调度优化方法，其特征在于，所述搭建应用于多智能体路由器系统的多智能体系统，包括电能路由器管理模块、中心控制模块、人机交互接口、数据库、算法库、模型库以及电能路由器的通信接口；其中，所述电能路由器管理模块包括输入端管理单元，负荷管理单元；其中，所述输入端管理单元包括电能节点，风力发电节点，光伏发电节点；所述负荷管理单元包括负荷预测节点和负荷平衡节点。3.根据权利要求1所述的基于多智能体的电能路由器调度优化方法，其特征在于，所述电能路由器的通信接口以电气方式连接有一个电能路由器管理模块；且所有电能路由器与同一个中心控制模块以电气方式连接；所述中心控制模块与算法库、人机交互接口、数据库以及模型库以电气方式连接；所述中心控制模块具有最高决策权，根据负荷、风能、太阳能、设备参数能对输入端进行调度优化。4.根据权利要求2所述的基于多智能体的电能路由器调度优化方法，其特征在于，所述电能节点用于控制传输的稳定性以及对输入功率的调度；风力发电节点负责对风速的预测、实现最大功率点控制以及对风力发电功率的计算；光伏节点负责对日照强度的预测、实现最大功率点控制以及对光伏发电功率的计算；所述电能节点、风力发电节点以及光伏发电节点均采用最大功率跟踪控制模式运行；所述负荷预测节点基于预测模型对用户负荷和可再生能源发电量进行预测；负荷平衡节点用于控制负荷和输入端之间的能量平衡；所述算法库用于保存调度优化过程中需要使用的算法；所述人机交互接口用于向工作人员提供手动操作以及调节中心控制模块的算法、模型以及算法中使用的参数的平台；所述数据库用于保存中心控制模块需要的负荷、风速、日照强度以及设备参数和发电机节点提供的发电机组参数；所述模型库用于根据不同的目标与输入数据，生成不同的优化模型。5.根据权利要求1所述的基于多智能体的电能路由器调度优化方法，其特征在于，所述负荷管理单元预测可再生能源发电量和负荷电量包括以下步骤：步骤S1：选取前馈神经网络作为预测模型；输入向量集合标记为X，输入向量标记为xi，其中i为输入向量的序号；将输入层节点数量标记为N；隐含层节点数量标记为L；隐含层中形成的输出函数标记为h(x)＝[h1(x),...,hN(x)],隐含层中的输出权值标记为β＝[β1，...，βL],训练样本集{(xi,ti)|xi∈R
d
,ti∈R
m
,i＝1,...,N}；其中，输入向量xi的训练特征包括节点负荷功率、光照强度、风速、温度、相对湿度及日期类型等；其中，目标值ti表示可再生能源发电量和用户负荷；步骤S2：所述前馈神经网络的输出值oi可表达为：
其中，g(x)为激活函数，ωj为输入权重，βj为输出权重，bj是第j个隐层单元的偏置；步骤S3：考虑零误差均值：∑
N
‖oi
‑
ti‖＝0；利用零误差均值逼近训练样本，则存在βi、ωi、bi,使：将公式(1)采用矩阵形式表达；可表达为Hβ＝T；其中：步骤S4：将目标转化为求解输出权重β集合，使其最小范数最小二乘解表示为：β＝H
+
T式中H+为广义逆矩阵，根据Moore
‑
Penrose广义逆相关定理进行求解，采用正交法计算求解，为进一步提高模型泛化能力，引入正则化系数，上式变为：步骤S5：以日前发电数据和用户负荷为训练样本，求解出权重集合β；获得训练好的前馈神经网络模型；步骤S6：通过训练好的前馈神经网络模型，预测获得可再生能源发电量和用户负荷。6.根据权利要求1所述的基于多智能体的电能路由器调度优化方法，其特征在于，所述中心控制模块基于预测数据对微源进行调度优化包括以下步骤：步骤P1：系统中心控制模块采用主从工作模式，从模型库中选用运行成本作为经济调度模型，从算法库中选用多智能体粒子群算法；步骤P2：对多智能体粒子群算法进行优化；根据智能体的行为和工作模式，...

【专利技术属性】
技术研发人员：丁石川，汪炜航，郭小璇，鲍海波，杭俊，
申请(专利权)人：安徽大学，
类型：发明
国别省市：