一种综合能源系统多模态分层多目标分布式优化加速方法技术方案

本发明专利技术提出一种综合能源系统多模态分层多目标分布式优化加速方法，该方法将多模态问题优化方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多层多目标分布式一致性方法进行结合；应用多多层多目标分布式一致性方法作为迭代方法，适用于大规模分布式多智能体系统的优化；引入小生境策略和二元锦标赛选择机制赋予帕累托解集多模态的特性；在方法的迭代过程中加入量子和模糊逻辑的全连接层嵌入式自关注网络提高方法速度。综合能源系统多模态分层多目标分布式优化加速方法能解决综合能源系统的多目标优化问题，实现快速获得综合能源系统的多目标多模态的帕累托解集的功能，减少所需优化时间，提高优化方法的运行速度。速度。速度。

【技术实现步骤摘要】
一种综合能源系统多模态分层多目标分布式优化加速方法


[0001]本专利技术属于综合能源系统多目标优化领域，涉及解析式方法和人工智能方法，适用于综合能源系统的优化控制。

技术介绍

[0002]现有多目标分层分布式优化方法在解决多个目标的问题时不能给出更加全面的解决策略，比如一旦出现其中一个最优解因环境变化等因素导致不能用的情况,决策者不能方便快速地找到另一个相差不大的最优解。
[0003]另外，现有多目标多模态分层分布式优化方法的有优化速度过慢的问题。
[0004]因此，引入小生境策略和二元锦标赛选择机制赋予帕累托解集多模态的特性，来解决应用于多个目标的问题时不能给出更加全面的解决策略的问题；在方法的迭代过程中加入量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程，来解决优化速度过慢的问题。

技术实现思路

[0005]本专利技术提出一种综合能源系统多模态分层多目标分布式优化加速方法，将多模态问题优化方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多层多目标分布式一致性方法进行结合，用于解决综合能源系统的多目标优化问题，能够克服非多层分布式方法用于大规模系统时计算速度慢和收敛性差的缺点，相比于集中式优化方法具有更高的信息私密性，运用加速过程提高整个方法的收敛时间，针对多目标多模态问题提供更加多样化的解集；在使用过程中的步骤为：
[0006]步骤(1)：令当前所处的时间段t＝0，开始第t时段的优化求解；
[0007]步骤(2)：方法初始化，确定系统的总分层数Nr/>layer
，输入由被优化系统的拓扑结构图计算得到的拉普拉斯矩阵L
G
，拓扑结构图采用无向无权图，确定每一分层的最大迭代步数K,令迭代层数N
l
＝0，令当前迭代过程迭代步数k＝0；
[0008]拉普拉斯矩阵L
G
中的元素l
ii
与元素l
ij
为：
[0009][0010]其中，a
ij
为邻接矩阵A
G
中的元素，a
ij
取值为：
[0011][0012]其中，v
i
和v
j
分别拓扑结构中两个不同的点，v
i
,v
j
∈V
G
，V
G
＝{v1,v2,...,v
M
}为节点的集合，M为拓扑图节点数；v
i
v
j
为拓扑结构中两个不同的点构成的边；为边的集合；
[0013]综合能源系统多模态多目标优化问题的目标函数f(x)为：
[0014][0015]其中，f
(e)
表示总成本目标的目标函数，f
(c)
表示总碳排放目标的目标函数，f
(ξ)
表示整个系统总能效目标的目标函数，表示用户满意度的目标函数，f
(F)
表示系统调节能力灵活度的目标函数；x表示多维的决策向量，包括第t时段第j台供能机组在第t时段的有功出力第t时段内供能机组的能源供给量E
j,t
，第j个供能机组的能源消耗量W
j
，用户经过需求响应后第t时段的电、气、热负荷变化量过需求响应后第t时段的电、气、热负荷变化量供能机组所能提供的电能、热能、气能上调和下调灵活性指标能、热能、气能上调和下调灵活性指标min()为选取最小值的函数；
[0016]总成本目标的目标函数f
(e)
为：
[0017][0018]其中，n为供能机组个数，为第j台供能机组在第t时段内的发电费用，t
total
为调度周期内被均分的总段数，a
j
、b
j
和c
j
分别为第j台供能机组的二次项、一次项和常数项费用系数；
[0019]总碳排放目标的目标函数f
(c)
为：
[0020][0021]其中，为第j台供能机组在第t时段内的碳排放量，α
j
、β
j
和γ
j
分别为第j台供能机组的二次项、一次项和常数项碳排放系数；
[0022]整个系统总能效目标的目标函数f
(ξ)
为：
[0023][0024]其中，ξ为系统完整调度周期内的综合能效，为第t时段考虑综合需求响应后第j个供能机组对应承担地负荷量，d
j
为第j类能源的折标准煤参考系数，η
s,j
为第j个供能机组的能效，第j个供能机组的能效为：
[0025][0026]其中E
j
为第j个供能机组的能源供给量；
[0027]用户满意度的目标函数为：
[0028][0029]其中用户满意度用表示，为原始电、气、热负荷；负荷响应量越大，即用户负荷调整行为越多，用户满意度调整值越大，用户用能方式满意度水平越低；max()为选取最大值的函数；
[0030]系统调节能力灵活度的目标函数f
(F)
为：
[0031][0032]其中F
load
为综合能源系统灵活性评价指标；F
E
，F
H
和F
G
分别代表电、热、气环节的综合灵活性指标；ω1、ω2和ω3分别代表电、热和气环节的权重系数；
[0033]电环节的综合灵活性指标F
E
为：
[0034][0035]其中和分别表示供能机组所能提供的电能上调和下调灵活性指标；
[0036]热环节的综合灵活性指标F
H
为：
[0037][0038]其中和分别表示供能机组所能提供的热能上调和下调灵活性指标；
[0039]气环节的综合灵活性指标F
G
为：
[0040][0041]其中和分别表示供能机组所能提供的气能上调和下调灵活性指标；
[0042]机组的功率约束包括功率平衡约束和上下限出力约束；
[0043]功率平衡约束为：
[0044]其中为第t时段系统总负荷需求；供能机组上下限出力约束为：其中为第j台供能机组在第t时段的有功出力下限，为第j台供能机组在第t时段的有功出力上限；步骤（3）：将完整的综合能源系统分区，每个区域看作一个智能体，作为当前层迭代的初始智能体，选取一个领导者智能体，其余的为跟随者智能体，领导者智能体的选取选择拓扑结构的中心；步骤（4）：随机生成每个智能体的一致性变量值与迭代变量值；
[0045]与决策变量对应同维元素不相同的一致性变量元素包括第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力的偏导数；第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力的偏导数为：其中为第j个智能体在第t时段的成本目标函数与碳排放目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种综合能源系统多模态分层多目标分布式优化加速方法，其特征在于，将多模态问题优化方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多层多目标分布式一致性方法进行结合，用于解决综合能源系统的多目标优化问题，能够克服非多层分布式方法用于大规模系统时计算速度慢和收敛性差的缺点，相比于集中式优化方法具有更高的信息私密性，运用加速过程提高整个方法的收敛时间，针对多目标多模态问题提供更加多样化的解集；在使用过程中的步骤为：步骤(1)：令当前所处的时间段t＝0，开始第t时段的优化求解；步骤(2)：方法初始化，确定系统的总分层数N
layer
，输入由被优化系统的拓扑结构图计算得到的拉普拉斯矩阵L
G
，拓扑结构图采用无向无权图，确定每一分层的最大迭代步数K,令迭代层数N
l
＝0，令当前迭代过程迭代步数k＝0；拉普拉斯矩阵L
G
中的元素l
ii
与元素l
ij
为：其中，a
ij
为邻接矩阵A
G
中的元素，a
ij
取值为：其中，v
i
和v
j
分别拓扑结构中两个不同的点，v
i
,v
j
∈V
G
，V
G
＝{v1,v2,...,v
M
}为节点的集合，M为拓扑图节点数；v
i
v
j
为拓扑结构中两个不同的点构成的边；为边的集合；综合能源系统多模态多目标优化问题的目标函数f(x)为：其中，f
(e)
表示总成本目标的目标函数，f
(c)
表示总碳排放目标的目标函数，f
(ξ)
表示整个系统总能效目标的目标函数，表示用户满意度的目标函数，f
(F)
表示系统调节能力灵活度的目标函数；x表示多维的决策向量，包括第t时段第j台供能机组在第t时段的有功出力第t时段内供能机组的能源供给量E
j,t
，第j个供能机组的能源消耗量W
j
，用户经过需求响应后第t时段的电、气、热负荷变化量ΔW
te
、ΔW
tg
、ΔW
th
，供能机组所能提供的电能、热能、气能上调和下调灵活性指标能、气能上调和下调灵活性指标min()为选取最小值的函数；总成本目标的目标函数f
(e)
为：其中，n为供能机组个数，为第j台供能机组在第t时段内的发电费用，t
total
为调度周期内被均分的总段数，a
j
、b
j
和c
j
分别为第j台供能机组的二次项、一次项和常数项费用系数；
总碳排放目标的目标函数f
(c)
为：其中，为第j台供能机组在第t时段内的碳排放量，α
j
、β
j
和γ
j
分别为第j台供能机组的二次项、一次项和常数项碳排放系数；整个系统总能效目标的目标函数f
(ξ)
为：其中，ξ为系统完整调度周期内的综合能效，为第t时段考虑综合需求响应后第j个供能机组对应承担地负荷量，d
j
为第j类能源的折标准煤参考系数，η
s,j
为第j个供能机组的能效，第j个供能机组的能效为：其中E
j
为第j个供能机组的能源供给量；用户满意度的目标函数为：其中用户满意度用表示，W
te
、W
tg
、W
th
为原始电、气、热负荷；负荷响应量越大，即用户负荷调整行为越多，用户满意度调整值越大，用户用能方式满意度水平越低；max()为选取最大值的函数；系统调节能力灵活度的目标函数f
(F)
为：minf
(F)
＝min(
‑
F
load
)＝
‑
(ω1·
F
E
+ω2·
F
H
+ω3·
F
G
)
ꢀꢀꢀꢀ
(9)其中F
load
为综合能源系统灵活性评价指标；F
E
，F
H
和F
G
分别代表电、热、气环节的综合灵活性指标；ω1、ω2和ω3分别代表电、热和气环节的权重系数；电环节的综合灵活性指标F
E
为：其中和分别表示供能机组所能提供的电能上调和下调灵活性指标；热环节的综合灵活性指标F
H
为：其中和分别表示供能机组所能提供的热能上调和下调灵活性指标；气环节的综合灵活性指标F
G
为：
其中和分别表示供能机组所能提供的气能上调和下调灵活性指标；机组的功率约束包括功率平衡约束和上下限出力约束；功率平衡约束为：其中为第t时段系统总负荷需求；供能机组上下限出力约束为：其中为第j台供能机组在第t时段的有功出力下限，为第j台供能机组在第t时段的有功出力上限；步骤(3)：将完整的综合能源系统分区，每个区域看作一个智能体，作为当前层迭代的初始智能体，选取一个领导者智能体，其余的为跟随者智能体，领导者智能体的选取选择拓扑结构的中心；步骤(4)：随机生成每个智能体的一致性变量值与迭代变量值；与决策变量对应同维元素不相同的一致性变量元素包括第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力的偏导数；第j个智能体在第t时段的成本目标的目标函数与碳排放目标的目标函数对有功出力的偏导数为：其中为第j个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值，为第1个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值，为第n个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值，为第1台供能机组在第t时段的有功出力，为第n台供能机组在第t时段的有功出力，为第t时段智能体的与决策变量不相等的一致性变量的元素；第j个智能体在第t时段的成本目标函数与碳排放目标函数线性加权后的总目标值为：其中，τ为权重因子，其取值范围为0≤τ≤1；由一致性变量得出的初始决策变量为：
其中，是智能体j在第k次迭代时第t时段的与一致性变量元素不相等的决策变量元素，为智能体j在第k次迭代时第t时段的与决策变量元素不相等的一致性变量元素，为第χ层第区域的有功上限，是第区域所分的下层子区域或供能机组有功上限之和，为第χ层的区域总数，对于与一致性变量的元素相同的决策变量元素，智能体j在第k次迭代中第t时段与一致性变量相等的决策变量元素为：其中，为智能体j在第k次迭代中第t时段与决策变量相等的一致性变量元素；步骤(5)：结合智能体的拓扑结构图分别对跟随者智能体和领导者智能体的一致性变量进行更新，并更新决策变量元素，之后比较决策变量和对应的目标空间函数值，生成帕累托最优解集和帕累托前沿；由输入的拉普拉斯矩阵L
G
求出智能体的行随机矩阵中的第k次迭代元素d
ij
(k)：经过迭代更新后跟随者智能体的一致性变量为：经过迭代更新后领导者智能体的一致性变量为：其中，为第t时段第i个智能体在第k+1次迭代的一致性变量；为第t时段第i个智能体在第k次迭代的一致性变量；ε为多层多目标分布式一致性方法的功率平衡调节因子；
△
P
t
(k)是第t时段第k次迭代的功率偏差；然后更新决策变量元素，对于与一致性变量元素不相同的决策变量元素，由一致性变量推导出的决策变量为：其中是智能体j在第k+1次迭代时第t时段的与一致性变量元素不相等的决策变量元素，为智能体j在第k+1次迭代时第t时段的与决策变量元素不相等的一致性变量元素；对于与一致性变量元素相同的决策变量元素，第k+1次迭代中第t时段智能体的与一致性变量相等的决策变量元素为：
其中为第...

【专利技术属性】
技术研发人员：殷林飞，丁文宇，胡立坤，
申请(专利权)人：广西大学，
类型：发明
国别省市：