[发明专利]一种多模态分布式多目标分层智能综合能源系统调度方法

权利要求书

1.一种多模态分布式多目标分层智能综合能源系统调度方法，其特征在于，该方法将多层分布式多目标一致性方法和多模态多目标智能方法进行结合，用于综合能源系统的智能调度；所提方法在使用过程中的步骤为：

(1)构建综合能源系统的最优潮流模型，以发电成本和碳排放量为目标，遵循经济调度的等式约束、经济调度的功率不等式约束、经济调度的备用不等式约束；

最小化发电成本和碳排放量目标的目标函数为：

其中，f₁(x)为发电成本；f₂(x)为碳排放量；为在t时刻第i台常规发电机机组的成本；为在t时刻第j台风力发电机组的成本；为在t时刻第z台太阳能光伏发电机组的成本；为在t时刻第k台水力发电机组的成本；为在t时刻第l台地热能发电机组的成本；为在t时刻第i台常规发电机机组的碳排放量；N_GE为常规发电机机组的数量；N_WE为风力发电机组的数量；N_PE为太阳能光伏发电机组的数量；N_HE为水力发电机组的数量；N_OE为地热能发电机组的数量；T为目标函数的统计时间；而且满足：

其中，为t时刻第i台常规发电机机组的发电量；为t时刻第j台风力发电机组的发电量；为t时刻第z台太阳能风力发电机组的发电量；为t时刻第k台水力发电机组的发电量；为t时刻第l台地热能发电机组的发电量；a_i为第i台常规发电机机组成本系数二次项；b_i为第i台常规发电机机组成本系数一次项；c_i为第i台常规发电机机组成本系数常数项；d_j为第j台风力发电机组的单位发电经济成本；e_z为第z台太阳能光伏发电机组的单位发电经济成本；g_k为第k台水力发电机组的单位发电经济成本；m_l为第l台地热能发电机组的单位发电经济成本；α_i为第i台常规发电机机组碳排放系数的二次项；β_i为第i台常规发电机机组碳排放系数的一次项；γ_i为第i台常规发电机机组碳排放系数的常数项；

经济调度的等式约束为：

经济调度的功率不等式约束为：

其中，为在t时刻的预测负荷值；为第i台常规发电机机组的发电量的下限；为第i台常规发电机机组的发电量的上限；为第j台风力发电机组的发电量的下限；为第j台风力发电机组的发电量的上限；为第z台太阳能光伏发电机组的发电量的下限；为第z台太阳能光伏发电机组的发电量的上限；为第k台水力发电机组的发电量的下限；为第k台水力发电机组的发电量的上限；为第l台地热能发电机组的发电量的下限；为第l台地热能发电机组的发电量的上限；为第t-1时刻常规发电机机组的发电量；为第t时刻常规发电机机组的发电量；为常规发电机机组向下的爬坡值；为常规发电机机组向上的爬坡值；T₆₀为60分钟；

经济调度的备用不等式约束为：

其中，为在t时刻风力发电机机组的正旋转备用值；为在t时刻第j台风力发电机机组的正旋转备用值；为在t时刻风电机组的负旋转备用值；为在t时刻第j台风力发电机机组的负旋转备用值；为在t时刻太阳能光伏发电机组的正旋转备用值；为在t时刻第z台太阳能光伏发电机组的正旋转备用值；为在t时刻太阳能光伏发电机组的负旋转备用值；为在t时刻第z台太阳能光伏发电机组的负旋转备用值；为在t时刻水力发电机机组的正旋转备用值；为在t时刻第k台水力发电机机组的正旋转备用值；为在t时刻水电机组的负旋转备用值；为在t时刻第k台水力发电机机组的负旋转备用值；为在t时刻地热能发电机机组的正旋转备用值；为在t时刻第l台地热能发电机机组的正旋转备用值；为在t时刻地热能发电机组的负旋转备用值；为在t时刻第l台地热能发电机机组的负旋转备用值；L_W+％为风力发电机机组中负荷正旋转备用需求系数；L_W-％为风力发电机机组中负荷负旋转备用需求系数；L_P+％为太阳能光伏发电机组中负荷正旋转备用需求系数；L_P-％为太阳能光伏发电机组中负荷负旋转备用需求系数；L_H+％为水力发电机机组中负荷正旋转备用需求系数；L_H-％为水力发电机机组中负荷负旋转备用需求系数；L_O+％为地热能发电机机组中负荷正旋转备用需求系数；L_O-％为地热能发电机机组中负荷负旋转备用需求系数；W_u％为风电发电机机组正旋转备用需求系数；W_d％为风电发电机机组负旋转备用需求系数；P_u％为太阳能光伏发电机组的正旋转备用需求系数；P_d％为太阳能光伏发电机组的负旋转备用需求系数；H_u％为水电发电机机组正旋转备用需求系数；H_d％为水电发电机机组负旋转备用需求系数；O_u％为地热能发电机机组正旋转备用需求系数；O_d％为地热能发电机机组负旋转备用需求系数；T₁₀为10分钟；

(2)利用多模态多目标智能方法解决多模态特性和多目标调度问题，首先采用小生境策略，选择更多样、更好的个体作为每一代的父代种群；其次利用特殊的选择机制增加选择压力、提高多样性、加快收敛速度；最后利用特殊拥挤距离，同时考虑决策空间和目标空间中候选解的距离，得到解集之间互不支配的最优帕累托集合，解决调度问题中的多模态特性，提供更多样的候选解同时利用膝关节点和膝关节区域的特性，在没有偏好的情况下提供最恰当的最优解决方案；

把公式(1)中的f₁(x)和f₂(x)分别作为二维坐标系的横轴坐标和纵轴坐标,考虑到其多模态的特性，在决策空间和目标空间求得一系列的可行解后，再对可行解进行多模态多目标优化得到合适的最优帕累托解集，步骤为：

步骤2.1：设置初始迭代时刻t＝1；

步骤2.2：将相互矛盾的两个目标量作为二维坐标系的横轴和纵轴，放在同一个坐标系中进行考虑；

步骤2.3：参数初始化，另多模态多目标的迭代次数n＝0；

步骤2.4：在可行解的范围内生成一个大小为M的种群；

步骤2.5：在锦标赛选择中嵌入小生境策略挑选出父代种群的交配池；

步骤2.6：利用传统的遗传方法对父代种群进行模拟二进制交叉和多项式变异的操作生成子代种群，然后将父代种群和子代种群合并，进行非支配排序的操作；

步骤2.7：寻找到最优帕累托前沿上的膝关节点和膝关节区域；

步骤2.8：根据非支配排序、识别膝关节点和膝关节区域以及特殊拥挤距离进行环境选择得到更优的M个个体；

步骤2.9：判断迭代次数，如果不满足迭代次数则令n＝n+1返回步骤2.5继续迭代，直到满足迭代次数；如果满足迭代步数则进行步骤2.10；

步骤2.10：得到保留多模态特性的最优帕累托解集，根据决策者的偏好选择合适的解；

(3)利用多层分布式多目标一致性方法解决综合能源系统分布式调度的问题，将综合能源系统划分为多个区域，每个区域都看成一个智能体进行单独的优化，独自完成各自的优化问题之后，不用交换各个区域的内部变量，只用交换各个区域之间的边界信息则能够实现整体的优化，保证了系统的私密性，加快了综合能源系统解决问题的速度，步骤为：

步骤3.1：输入已经预测好的负荷数据，并另各区域优化初始迭代步数k＝0；

步骤3.2：结合智能体的拓扑结构进行边界变量和目标变量的交换；

步骤3.3：求出各机组的有功出力；

步骤3.4：对有功出力进行修正；

步骤3.5：求出有功偏差值；

步骤3.6：判断有功偏差是否符合要求，如果不符合要求则令k＝k+1，继续返回步骤3.2进行迭代；如果符合要求，则结束，得到各区域的最佳发电量；

(4)利用多层分布式多目标一致性方法解决综合能源系统分层调度的问题，将第一步划分的区域视为第一层，在第一层划分的区域内部再次进行区域的划分，将再次划分的区域进行多模态多目标分布式优化调度，第一层各区域内部划分的第二层区域解决问题时是并行的，能使因为综合能源系统不断增大而降低的解决问题的速度加快；而且能够对区域进行多次的分层，降低庞大复杂的综合能源系统解决问题的难度，步骤为：

步骤4.1：将第一层内的区域1、区域2、区域3计算得到的最佳发电量作为负荷值分别输入到第二层；

步骤4.2：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域1的第二层：区域11、区域12、区域13；对区域2的第二层：区域21、区域22、区域23；对区域3的第三层：区域31、区域32、区域33进行处理；

步骤4.3：将区域11、区域12、区域13、区域21、区域22、区域23、区域31、区域32、区域33计算得到的最佳发电量作为负荷值分别输入到第三层；

步骤4.4：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域11的第三层：区域111、区域112、区域113；对区域12的第三层：区域121、区域122、区域123；对区域13的第三层：区域131、区域132、区域133；对区域21的第三层：区域211、区域212、区域213；对区域22的第三层：区域221、区域222、区域223；对区域23的第三层：区域231、区域232、区域233；对区域31的第三层：区域311、区域312、区域313；对区域32的区域321、区域322、区域323；对区域33的第三层：区域331、区域332、区域333进行并行处理；

步骤4.5：将各区域并行计算得到的最佳发电量作为负荷输入到下一层，并利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法解决；

步骤4.6：判断是否满足条件，若条件不满足，则令t＝t+1转入步骤2.2继续进行迭代；若条件满足，迭代结束，输出各区域的最佳发电量。