[发明专利]一种基于多智能体技术的多能源微网去中心化优化调度方法

权利要求书

1.一种基于多智能体技术的多能源微网去中心化优化调度方法，其特征在于，所述方法包括以下步骤：

S1：系统初始化，考虑离散时间模型，设定最佳时间为24h，进行离散化处理，均分为T个时段，对于任意第k时间，有k∈{1,2,...,T}，且第k时段的时长为Δt；

S2：定义多智能体MAS系统，包括负荷管理Agent、能源量测Agent和网内电价Agent；

S3：采用后向缩减法，建立RESs输出和用户基本负荷预测模型；

S4：获取多智能体系统信息，通过电价机制计算得到当前k时段的电价；

S5：构建能源局域网功率平衡模型，保证能源局域网内供需平衡；

S6：基于模型预测控制，最小化单个能源局域网运行成本，重复步骤S1～S4；

S7：网内电价Agent接受负荷管理Agent与能源量测Agent调度信息，通过非合作动态博弈模型，最大化每个参与者收益，实时确定自身电价得到策略集合；

S8：优化完成后，得到策略集合，并计算是否达到纳什均衡；重复步骤S2～S6，当已确定获取最佳方案时，终止博弈，得到多能源微网最优化运行方式；

所述步骤S3中，根据历史数据确定预测误差概率分布，获得随机分布误差，根据输出特性曲线将RES随机变量转换为输出功率，采用正态概率分布表示分布式出力预测误差；新能源出力在未来T时段出力预测值用时间序列表示，设出力场景为场景i在时刻T的出力值，且场景ω_i的发生概率为P_i，场景集合缩减之前与最终保留场景子集合之间的概率距离最小表示如下：

式中，α表示场景缩减后最终删除的场景集合，且场景数目为3000，初始化保留集S＝{ω₀，ω₁，ω_i,ω_s}，在实际弃用集中添加与其概率距离最小的另一场景，其中更改与弃用集最近的场景ω_l概率表示为p(ω'_l)＝p(ω_l)+p(θ_k)，直到弃用集所含场景数目达到要求；

为了更好地分析系统性能，将最大功率点跟踪法(MTTP)应用于新能源出力系统中，使其工作在最大功率点，基于预测结果，RES的主动输出功率和基本负荷预测示为：

分布式电源出力总量为：

P_res,i＝P_pv,i+P_w,i (5)；

所述步骤S4过程如下：

储能系统模型特征如下：

式中，为储能系统初始充电状态，为储能系统预期充电容量，为储能系统电池容量，P_i^c为区域能源互联网i储能系统的充电功率，P_i^d为区域能源互联网i储能系统的放电功率；

假设所有储能系统具有相同的锂离子电池组，并且单个时段内的充电/放电功率被认为是恒定的，因此，储能系统电池的模型和约束建立如下：

式中，分别表示在时间段t+1和t时刻的SOC状态，P_i^t表示在t时刻的储能电池功率，M_i,B_i,C_i和D_i分别表示系统矩阵，输入矩阵，输出矩阵和前馈矩阵；

式中，分别表示在时间t储能系统的充放电功率，η_ch和η_dch分别表示充电/放电效率；

燃气轮机发电机组用于能源互联网系统效率较高，充分利用天然气能源，对环境污染较小，对燃气轮机出力表示如下：

式中为t时段能源互联网i燃气轮机的发电功率；为燃气轮机的最大发电功率；为t时段能源互联网i燃气轮机的余热回收功率；η_c和η_r为燃气轮机的发电效率和余热回收效率；λ_gt为燃气消耗速率，λ_gas为天然气热值，取9.7kWh/m³；

以电力为交易核心，在能源互联网市场中，参与竞价的网内电价Agent的目的是通过理性的竞标策略获取最大利益；

其中对网内电价Agent优化问题表示为：

式中，P为网内电价Agent在滚动时域内优化目标，即为网内交互电价，r_b，r_s分别为日内设置的内部购电价格与内部售电价格；a₁和a₂是功率平衡参考电价，分别对应售电区域能源互联网与购电能源互联网净负荷为零时的电价；此外，式中四个变量的表达形式如下：

式中，P_Load为能源互联网i调节负荷，U_grid为能源互联网i交互功率。