一种能源流协同优化控制方法及装置与流程

1.本发明涉及自动化控制技术领域，尤其涉及一种能源流协同优化控制方法及装置。


背景技术：

2.传统的多能源系统调度、运行和控制主要依赖工程师等知识型工作者进行人工决策，难以适应精细化、信息化和智能化的要求。针对“源
‑
网
‑
荷
‑
车
‑
储”多分布式系统之间能源耦合的不对称、非线性、区段交变、时段交变、波动性、随机性和模糊性，给冷热电联供型多能源系统“源
‑
网
‑
荷
‑
车
‑
储”多种分布式系统协同运行和智能调度控制问题的解决增加了难度和复杂性。
3.多能源系统中，分布式光伏发电系统是一种同时具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下，多能源系统分布式光伏发电系统发电功率和发电量变得更具随机特性和模糊特性，这些特性极大影响多能源系统分布式光伏发电系统容量配置。以往多能源系统分布式光伏发电系统发电功率和发电量通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设区域内日照强度都确定的情况下计算多能源系统分布式光伏发电系统发电功率、发电量及装机容量，也没有考虑多能源系统和配电网调压要求和柔性控制方式等因素的影响，计算结果是唯一性和确定性的，往往不能反映多能源系统分布式光伏发电系统发电功率、发电量及装机容量的实际情况。而概率分析的计算方法通常是在假设区域内日照强度和风速等单一因素为不确定性因素的情况下计算多能源系统分布式光伏发电系统发电功率、发电量及装机容量，计算结果是具有一定置信水平的概率值。实际上，多能源系统分布式光伏发电系统发电功率、发电量及装机容量受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者他是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在，可见，多能源系统分布式光伏发电系统发电功率、发电量及装机容量计算的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。


技术实现要素：

4.本发明目的在于，提供一种能源流协同优化控制方法及装置，以解决现有技术中多能源协同优化控制效率低的问题。
5.为实现上述目的，本发明提供一种能源流协同优化控制方法，包括：
6.根据多能源系统群的各能量数据，构建每个所述能量数据对应的数据矩阵；
7.采用模糊聚类分析算法对每个所述数据矩阵进行分析，获取每个所述数据矩阵的运行特征；
8.根据所有所述数据矩阵的运行特征和预设的约束条件，构建多层级能源流协同优化控制模型，并根据预设的拜占庭容错共识算法，确定所述多能源协同优化运行方案，以控
制所述多能源系统群实现多能源协同优化运行。
9.优选地，所述能量数据包括：光伏发电数据、电动汽车充放电数据、储能装置充放电数据以及负荷数据。
10.优选地，所述构建每个所述能量数据对应的数据矩阵，具体为：根据所述每个所述能量数据分别获取对应的历史数据矩阵、实时数据矩阵以及预测数据矩阵。
11.优选地，所述获取每个所述数据矩阵的运行特征，具体为：
12.根据所述模糊聚类分析算法确定所述数据矩阵的模糊聚类中心矩阵，其中，所述模糊聚类中心矩阵包括，最小量模糊聚类中心矩阵、平均量模糊聚类中心矩阵以及最大量模糊聚类中心矩阵；
13.采用迭代计算的方式确定所述模糊聚类中心矩阵的所述运行特征，其中，所述运行特征包括，多能源系统中各个系统输出的有功功率的最优值，所述最优值包括最小量模糊聚类中心矩阵的最优值、平均量模糊聚类中心矩阵的最优值以及最大量模糊聚类中心矩阵的最优值。
14.优选地，所述确定所述多能源协同优化运行方案，具体为：
15.根据所述多层级能源流协同优化控制模型确定最大化的所述多能源系统内部分布式光伏发电效率；
16.结合所述最大化的所述多能源系统内部分布式光伏发电效率以及所述预设的拜占庭容错共识算法确定所述多能源协同优化运行方案。
17.本发明还提供一种能源流协同优化控制装置，包括：
18.构建模块，用于根据多能源系统群的各能量数据，构建每个所述能量数据对应的数据矩阵；
19.获取模块，用于采用模糊聚类分析算法对每个所述数据矩阵进行分析，获取每个所述数据矩阵的运行特征；
20.确定模块，用于根据所有所述数据矩阵的运行特征和预设的约束条件，构建多层级能源流协同优化控制模型，并根据预设的拜占庭容错共识算法，确定所述多能源协同优化运行方案，以控制所述多能源系统群实现多能源协同优化运行。
21.优选地，所述构建模块，还用于：光伏发电数据、电动汽车充放电数据、储能装置充放电数据以及负荷数据。
22.优选地，所述构建模块，还用于：根据所述每个所述能量数据分别获取对应的历史数据矩阵、实时数据矩阵以及预测数据矩阵。
23.优选地，所述获取模块，还用于：
24.根据所述模糊聚类分析算法确定所述数据矩阵的模糊聚类中心矩阵，其中，所述模糊聚类中心矩阵包括，最小量模糊聚类中心矩阵、平均量模糊聚类中心矩阵以及最大量模糊聚类中心矩阵；
25.采用迭代计算的方式确定所述模糊聚类中心矩阵的所述运行特征，其中，所述运行特征包括，多能源系统中各个系统输出的有功功率的最优值，所述最优值包括最小量模糊聚类中心矩阵的最优值、平均量模糊聚类中心矩阵的最优值以及最大量模糊聚类中心矩阵的最优值。
26.优选地，所述确定模块，还用于：
27.根据所述多层级能源流协同优化控制模型确定最大化的所述多能源系统内部分布式光伏发电效率；
28.结合所述最大化的所述多能源系统内部分布式光伏发电效率以及所述预设的拜占庭容错共识算法确定所述多能源协同优化运行方案。
29.相对于现有技术，本发明的有益效果在于：
30.针对由光伏发电、电动汽车和储能装置组成的多能源系统群，采用模糊聚类分析方法以及拜占庭容错共识算法，保障多能源协同优化运行，无需重新启动系统，确保了算法的动态性和可扩展性。
附图说明
31.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明某一实施例提供的能源流协同优化控制方法的流程示意图；
33.图2是本发明某一实施例提供的能源流协同优化控制装置的结构示意图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
36.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
37.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
38.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
39.请参阅图1，本发明某一实施例提供一种能源流协同优化控制方法，包括以下步骤：
40.s101：根据多能源系统群的各能量数据，构建每个所述能量数据对应的数据矩阵。
41.多能源系统数据包括：光伏发电数据、电动汽车充放电数据、储能装置充放电数据以及负荷数据。分别构建对应的数据矩阵包括：根据所述多能源系统数据分别获取对应的历史数据矩阵、实时数据矩阵以及预测数据矩阵，具体如下：
42.1)多能源系统中光伏发电数据矩阵的构建，从历史数据库、实时采集数据系统、未来预测系统获取第i个多能源系统中多年光伏发电系统输出有功功率、日照强度、日照时长、日照阴影、日照偏角等的数据，通过处理、计算和分析，构建第i个多能源系统中光伏发
电历史、实时和预测数据矩阵：
[0043][0044][0045][0046]
其中分别为第i个多能源系统中光伏发电历史、实时和预测数据矩阵，i＝1,2,...,n
mg
,n
mg
为多能源系统的数量。分别为第i个多能源系统中光伏发电历史数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的第j个元素数据集，时长、日照阴影、日照偏角的第j个元素数据集，分别为第i个多能源系统中光伏发电实时数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的数据集，日照阴影、日照偏角的数据集，分别为第i个多能源系统中光伏发电实时数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的数据集，偏角的数据集，数学上分别为：
[0047][0048][0049][0050][0051][0052][0053][0054][0055][0056][0057][0058]
[0059][0060][0061][0062]
其中分别为第i个多能源系统中光伏发电历史数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的第j个元素时段t的数据值，分别为第i个多能源系统中光伏发电历史数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角时段t的实时数据值，分别为第i个多能源系统中光伏发电历史数据矩阵里光伏发电系统有功功率、日照强度、日照时长、日照阴影、日照偏角的时段t的预测数据值，j＝1,2,...,n
pdi
,n
pdi
为第i个多能源系统的光伏发电历史数据集的数量，t＝1,2,...,t,t为多能源系统日运行的时段数。
[0063]
2)多能源系统中电动汽车充放电数据矩阵的构建，从历史数据库、实时采集数据系统、未来预测系统获取第i多能源系统中充电电动汽车数量、充电有功功率、充电时长等的数据，通过处理、计算和分析，构建第i个多能源系统中电动汽车充放电历史、实时和预测数据矩阵：
[0064][0065][0066][0067]
其中分别为第i个多能源系统中电动汽车充放电历史、实时和预测数据矩阵，i＝1,2,...,n
mg
,n
mg
为多能源系统的数量。分别为第i个多能源系统中电动汽车充放电历史数据矩阵里充电电动汽车数量、充电有功功率、充电时长的第j个元素数据集，分别为第i个多能源系统中电动汽车充放电实时数据矩阵里充电电动汽车数量、充电有功功率、充电时长的数据集，分别为第i个多能源系统中电动汽车充放电实时数据矩阵里充电电动汽车数量、充电有功功率、充电时长的数据集，数学上分别为：
[0068][0069][0070]
[0071][0072][0073][0074][0075][0076][0077]
其中分别为第i个多能源系统中电动汽车充放电历史数据矩阵里充电电动汽车数量、充电有功功率、充电时长的第j个元素时段t的数据值，分别为第i个多能源系统中电动汽车充放电历史数据矩阵里充电电动汽车数量、充电有功功率、充电时长时段t的实时数据值，动汽车数量、充电有功功率、充电时长时段t的实时数据值，分别为第i个多能源系统中电动汽车充放电历史数据矩阵里充电电动汽车数量、充电有功功率、充电时长的时段t的预测数据值，j＝1,2,...,n
pdi
,n
pdi
为第i个多能源系统的电动汽车充放电历史数据集的数量，t＝1,2,...,t,t为多能源系统日运行的时段数。
[0078]
3)多能源系统中储能装置充放电数据矩阵的构建，从历史数据库、实时采集数据系统、未来预测系统获取第i多能源系统中储能装置数量、充电有功功率、充电时长等的数据，通过处理、计算和分析，构建第i个多能源系统中储能装置充放电历史、实时和预测数据矩阵：
[0079][0080][0081][0082]
其中分别为第i个多能源系统中储能装置充放电历史、实时和预测数据矩阵，i＝1,2,...,n
mg
,n
mg
为多能源系统的数量。分别为第i个多能源系统中储能装置充放电历史数据矩阵里储能装置数量、充电有功功率、充电时长的第j个元素数据集，分别为第i个多能源系统中储能装置充放电实时数据矩阵里储能装置数量、充电有功功率、充电时长的数据集，分别为第i个多能源系统中储能装置充放电实时数据矩阵里储能装置数量、充电有功功率、充电时长的数据集，率、充电时长的数据集，数学上分别为：
[0083]
[0084][0085][0086][0087][0088][0089][0090][0091][0092]
其中分别为第i个多能源系统中储能装置充放电历史数据矩阵里储能装置数量、充电有功功率、充电时长的第j个元素时段t的数据值，分别为第i个多能源系统中储能装置充放电历史数据矩阵里储能装置数量、充电有功功率、充电时长时段t的实时数据值，分别为第i个多能源系统中储能装置充放电历史数据矩阵里储能装置数量、充电有功功率、充电时长的时段t的预测数据值，j＝1,2,...,n
pdi
,n
pdi
为第i个多能源系统的储能装置充放电历史数据集的数量，t＝1,2,...,t,t为多能源系统日运行的时段数。
[0093]
4)多能源系统中负荷数据矩阵的构建，从历史数据库、实时采集数据系统、未来预测系统获取第i多能源系统中电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度等的数据，通过处理、计算和分析，构建第i个多能源系统中负荷历史、实时和预测数据矩阵：
[0094][0095][0096][0097]
其中分别为第i个多能源系统中负荷历史、实时和预测数据矩阵，i＝1,2,...,n
mg
,n
mg
为多能源系统的数量。分别为第i个多能源系统中负荷历史数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的第j个元素数据集，分别为第i个多能源系统中负荷实时数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的数据集，
分别为第i个多能源系统中负荷实时数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的数据集，率、热负荷功率、冷负荷功率、室内温度、室外温度的数据集，数学上分别为：
[0098][0099][0100][0101][0102][0103][0104][0105][0106][0107][0108][0109][0110][0111][0112][0113]
其中分别为第i个多能源系统中负荷历史数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的第j个元素时段t的数据值，分别为第i个多能源系统中负荷历史数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度时段t的实时数据值，分别为第i个多能源系统中负荷历史数据矩阵里电负荷功率、热负荷功率、冷负荷功率、室内温度、室外温度的时段t的预测数据值，j＝1,2,...,n
pdi
,n
pdi
为第i个多能源系统的负荷历史数据集的数量，t＝1,2,...,t,t为多能源系统日运行的时段数。
[0114]
s102：采用模糊聚类分析算法对每个所述数据矩阵进行分析，获取每个所述数据矩阵的运行特征。
[0115]
根据模糊聚类分析算法确定数据矩阵的模糊聚类中心矩阵，其中，模糊聚类中心矩阵包括，最小量模糊聚类中心矩阵、平均量模糊聚类中心矩阵以及最大量模糊聚类中心
矩阵，采用迭代计算的方式确定模糊聚类中心矩阵的运行特征，其中，运行特征包括，多能源系统中各个系统输出的有功功率的最优值，最优值包括最小量模糊聚类中心矩阵的最优值、平均量模糊聚类中心矩阵的最优值以及最大量模糊聚类中心矩阵的最优值，具体如下：
[0116]
采用模糊聚类分析的方法，构建数据集的模糊聚类中心矩阵：c
i
＝{c
i1
,c
i2
,c
i3
},(i＝1,2,...,n
mg
)，c
i1
、c
i2
、c
i3
分别为最小量模糊聚类中心矩阵、平均量模糊聚类中心矩阵、最大量模糊聚类中心矩阵。
[0117]
设定最小量模糊聚类中心矩阵、平均量模糊聚类中心矩阵、最大量模糊聚类中心矩阵的初始值,假设第i个多能源系统光伏发电系统输出有功功率、电动汽车充放电有功功率、储能装置充放电有功功率、电负荷功率、热负荷功率、冷负荷功率的历史数据平均值为p
mapvi
、p
maevi
、p
madsi
、p
maei
、p
mahi
、p
maci
，那么第i个多能源系统光伏发电系统输出有功功率、电动汽车充放电有功功率、储能装置充放电有功功率、电负荷功率、热负荷功率、冷负荷功率的最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
[0118][0119][0120][0121]
其中
[0122]
k
mapv1
＝k
maev1
＝k
mads1
＝k
mae1
＝k
mah1
＝k
mac1
＝0.2
[0123]
k
mapv2
＝k
maev2
＝k
mads2
＝k
mae2
＝k
mah2
＝k
mac2
＝1.0
[0124]
k
mapv3
＝k
maev3
＝k
mads3
＝k
mae3
＝k
mah3
＝k
mac3
＝1.5
[0125]
模糊聚类中心矩阵的初始值为
[0126]
采用模糊聚类分析的方法，通过迭代计算方式，确定模糊c
‑
均值聚类矩阵的最优值，确定第i个多能源系统光伏发电系统输出有功功率、电动汽车充放电有功功率、储能装置充放电有功功率、电负荷功率、热负荷功率、冷负荷功率的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0127]
针对第i个多能源系统，模糊c
‑
均值聚类矩阵的最优值为：
[0128][0129]
第i个多能源系统光伏发电系统输出有功功率、电动汽车充放电有功功率、储能装置充放电有功功率、电负荷功率、热负荷功率、冷负荷功率的最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
[0130][0131]
其中p
cpvi1
、p
cpvi2
、p
cpvi3
分别为第i个多能源系统光伏发电系统输出有功功率最小量、平均量、最大量模糊聚类中心矩阵的最优值，p
cevi1
、p
cevi2
、p
cevi3
分别为第i个多能源系统电动汽车充放电功率最小量、平均量、最大量模糊聚类中心矩阵的最优值，p
cdsi1
、p
cdsi2
、p
cdsi3
分别为第i个多能源系统储能装置充放电功率最小量、平均量、最大量模糊聚类中心矩阵的最优值，p
cei1
、p
cei2
、p
cei3
分别为第i个多能源系统电负荷功率最小量、平均量、最大量模糊聚类中心矩阵的最优值，p
chi1
、p
chi2
、p
chi3
分别为第i个多能源系统热负荷功率最小量、平均量、最大量模糊聚类中心矩阵的最优值，p
cci1
、p
cci2
、p
cci3
分别为第i个多能源系统冷负荷功率最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0132]
最优模糊聚类矩阵和最优模糊聚类中心矩阵的迭代计算，其具体步骤为：
[0133]
s1设定模糊系数设定迭代计算结束判定误差值ε＝0.001。
[0134]
s2利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵u
(0)
。
[0135]
s3设定迭代次数t＝1。
[0136]
s4在第t次迭代中计算模糊聚类矩阵u
(t)
的元素值，元素值迭代更新公式为：
[0137][0138]
其中，d()为距离函数。
[0139]
s5在第t次迭代中计算模糊聚类中心矩阵c
(t)
的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值迭代更新公式分别为：
[0140][0141]
其中i＝1,2,...,c，j＝1,2,...,m。
[0142]
s6若则迭代计算结束，否则使t＝t 1并转到步骤s4。
[0143]
s103：根据所有所述数据矩阵的运行特征和预设的约束条件，构建多层级能源流协同优化控制模型，并根据预设的拜占庭容错共识算法，确定所述多能源协同优化运行方
案，以控制所述多能源系统群实现多能源协同优化运行。
[0144]
区块链在多能源系统中的能源交易和优化能力日益受到高度重视，区块链是参与者共享的分布式账本，可以安全地存储数字交易，而无需集中式交易代理。多能源系统中交易或运行控制数据被聚合成块，通过加密方法相互链接，形成一个不可变信息链。传统上，区块链技术依赖于“矿工”通过解决确保防篡改系统的通用复杂算法来验证参与者发出的新区块，当向区块链中添加智能合约时采用的是以太网技术，可以部署分散的算法，智能合约是可执行代码的一部分，由定义不可变规则的每个节点共享，直接在区块链中运行。多能源系统中交易或运行控制数据存储在链中的特定块中，由定义的规则触发后续逻辑以在链的其余部分中写入数据，取代了集中可信实体来保存算法逻辑的需要，促进了创新社区灾难恢复解决方案的快速部署。与传统的集中交易能源方案相比，区块链技术代表了一种可靠的能源交易机制。
[0145]
根据运行特征以及预设的约束条件，构建多层级能源流协同优化控制模型，根据多层级能源流协同优化控制模型确定最大化的多能源系统内部分布式光伏发电效率，结合最大化的多能源系统内部分布式光伏发电效率以及预设的拜占庭容错共识算法确定多能源协同优化运行，具体如下：
[0146]
多层级能源流协同优化控制模型的构建，目标函数：多能源系统内部分布式光伏发电效率最大化：
[0147][0148]
其中e
pv
为第i个多能源系统内部分布式光伏发电系统发电效率,p
pvit
为第i个多能源系统光伏发电系统时段t输出有功功率，t
xpvi
、t
apvi
、t
dpvi
分别为第i个多能源系统光伏发电系统在小、中、大发电功率时段数，p
rpvi
为第i个多能源系统内部多能源系统内部分布式光伏发电系统的装机容量，n
m
为多能源系统的数量。
[0149]
约束条件如下：
[0150]
(1)光伏发电系统输出有功功率的约束条件
[0151]
第i个多能源系统分布式光伏发电系统输出有功功率要求小于其在日照正常、阴影、偏角条件下的允许最大值，大于其在日照正常、阴影、偏角条件下的允许最小值：
[0152][0153][0154][0155]
其中p
pvit
为第i个多能源系统光伏发电系统在时段t输出有功功率，p
pvit
分别为第i个多能源系统光伏发电系统在正常条件下时段t输出有功功率允许最大值、最小值，p
ypvit
分别为第i个多能源系统光伏发电系统在阴影条件下时段t输出有功功率允许最大值、最小值，p
apvit
分别为第i个多能源系统光伏发电系统在偏角条件下时段t输出有功功率允许最大值、最小值。
[0156]
(2)光伏发电系统输出无功功率的约束条件
[0157]
第i个多能源系统分布式光伏发电系统输出无功功率要求小于其在日照正常、阴
影、偏角条件下的允许最大值，大于其在日照正常、阴影、偏角条件下的允许最小值：
[0158][0159][0160][0161]
其中q
pvit
为第i个多能源系统光伏发电系统在时段t输出无功功率，q
pvit
分别为第i个多能源系统光伏发电系统在正常条件下时段t输出无功功率允许最大值、最小值，q
ypvit
分别为第i个多能源系统光伏发电系统在阴影条件下时段t输出无功功率允许最大值、最小值，q
apvit
分别为第i个多能源系统光伏发电系统在偏角条件下时段t输出无功功率允许最大值、最小值。
[0162]
(3)电动汽车充放电有功功率的约束条件
[0163]
第i个多能源系统电动汽车充放电有功功率要求小于其允许最大值，大于其允许最小值：
[0164][0165]
其中p
evit
、p
evit
分别为为第i个多能源系统在时段t电动汽车充放电有功功率实际值、允许最大值和最小值。
[0166]
(4)电动汽车充放电无功功率的约束条件
[0167]
第i个多能源系统电动汽车充放电无功功率要求小于其允许最大值，大于其允许最小值：
[0168][0169]
其中q
evit
、q
evit
分别为为第i个多能源系统在时段t电动汽车充放电有功功率实际值、允许最大值和最小值。
[0170]
(5)储能装置充放电有功功率的约束条件
[0171]
第i个多能源系统储能装置充放电有功功率要求小于其允许最大值，大于其允许最小值：
[0172][0173]
其中p
dsit
、p
dsit
分别为为第i个多能源系统在时段t储能装置充放电有功功率实际值、允许最大值和最小值。
[0174]
(6)储能装置充放电无功功率的约束条件
[0175]
第i个多能源系统储能装置充放电无功功率要求小于其允许最大值，大于其允许最小值：
[0176][0177]
其中q
dsit
、q
dsit
分别为为第i个多能源系统在时段t储能装置充放电有功功率实际值、允许最大值和最小值。
[0178]
(7)多能源系统与主电网并网点电压的约束条件
[0179]
第i个多能源系统与主电网并网点电压要求小于其允许最大值，大于其允许最小值：
[0180][0181]
其中v
mit
、v
mit
分别为第i个多能源系统与主电网并网点电压的实际值、允许最大值和最小值。
[0182]
(8)多能源系统与主电网交换有功功率的约束条件
[0183]
第i个多能源系统向主电网注入的有功功率的概率要求小于其允许最大值，大于其允许最小值：
[0184][0185]
其中p
m
‑
d
分别为第i个多能源系统向主电网注入的有功功率的概率允许最大值、最小值。p
m
‑
d
、p
pvit
、p
evi
、p
dsi
、p
ei
、p
hi
、p
ci
分别为第i个多能源系统在时段t与主电网交换的有功功率、电动汽车充放电有功功率、电动汽车充电有功功率、储能装置充电有功功率、电负荷有功功率、热负荷有功功率和冷负荷有功功率。k
evit
为电动汽车充电状态变量，当充电时k
evit
＝1，当向电网送电时k
evit
＝
‑
1。k
dsit
为储能装置充电状态变量，当充电时k
dsit
＝1，当向电网送电时k
dsit
＝
‑
1，pr()表示对括号内函数求概率值。
[0186]
(9)多能源系统光伏发电功率历史、实时和预测数据制约关系条件
[0187]
第i个多能源系统光伏发电系统时段t输出有功功率要求不大于其预测值，大于其历史记录、实时运行和未来预测数据的平均值：
[0188][0189]
其中p
cpvi1t
、p
cpvi2t
、p
cpvi3t
分别为第i个多能源系统光伏发电系统在小发电功率时段t输出有功功率、在中发电功率时段输出有功功率、在大发电功率时段输出有功功率，k
pvit
为对光伏发电系统发电的限定系数，0.5≤k
pvit
≤1。
[0190]
(10)多能源系统电动汽车充放电功率历史、实时和预测数据制约关系条件
[0191]
第i个多能源系统电动汽车时段t充放电有功功率要求不大于其预测值，大于其历史记录、实时运行和未来预测数据的平均值：
[0192][0193]
其中p
cevi1t
、p
cevi2t
、p
cevi3t
分别为第i个多能源系统电动汽车在小充放电功率时段t输出有功功率、在中充放电功率时段输出有功功率、在大充放电功率时段输出有功功率，k
pvit
为对电动汽车充放电的限定系数，0.5≤k
evit
≤1。
[0194]
(11)多能源系统储能装置充放电功率历史、实时和预测数据制约关系条件
[0195]
第i个多能源系统储能装置时段t充放电有功功率要求不大于其预测值，大于其历史记录、实时运行和未来预测数据的平均值：
[0196][0197]
其中p
cdsi1t
、p
cdsi2t
、p
cdsi3t
分别为第i个多能源系统储能装置在小充放电功率时段t输出有功功率、在中充放电功率时段输出有功功率、在大发电功率时段输出有功功率，k
pvit
为对储能装置充放电的限定系数，0.5≤k
dsit
≤1。
[0198]
(12)多能源系统冷热电负荷有功功率的约束条件
[0199]
第i个多能源系统冷热电负荷有功功率要求不大于其预测值，大于其历史记录、实时运行和未来预测数据的平均值：
[0200][0201][0202][0203]
其中p
cci1t
、p
cci2t
、p
cci3t
分别为第i个多能源系统在小、中、大冷负荷时段t的电冷有功功率，k
cit
为对冷负荷的限定系数，0.5≤k
cit
≤1。p
chi1t
、p
chi2t
、p
chi3t
分别为第i个多能源系统在小、中、大冷负荷时段t的电冷有功功率，k
hit
为对冷负荷的限定系数，0.5≤k
cit
≤1。p
cei1t
、p
cei2t
、p
cei3t
分别为第i个多能源系统在小、中、大冷负荷时段t的电冷有功功率，k
pvit
为对冷负荷的限定系数，0.5≤k
eit
≤1。
[0204]
(13)多能源系统冷热电“源”与“荷”能量平衡关系
[0205]
第i个多能源系统冷热电“源”与“荷”应该分别满足如下能源平衡关系：
[0206]
k
cit
p
cit
q
ctriit
q
ciit
q
csit
＝q
cit
[0207]
k
hit
p
hit
q
htriit
q
csit
＝q
hit
[0208]
p
m
‑
git
p
pvit
p
etriit
‑
k
evit
p
evit
‑
k
dsit
p
dsit
＝p
eit
p
hit
p
cit
[0209]
其中q
cit
、q
ctriit
、q
ciit
、q
csit
分别为时段t第i个多能源系统的冷负荷需求量、天然气冷热电联供机组输出的冷量、水蓄冷或冰蓄冷机组输出的冷量、地源/气源/水源热泵机组输出的冷量，q
hit
、q
htriit
、q
hsit
分别为时段t第i个多能源系统的热负荷需求量、天然气冷热电联供机组输出的热量、地源/气源/水源热泵机组输出的热量，p
m
‑
git
、p
pvit
、p
etriit
分别为时段t第i个多能源系统与主电网交换的有功功率、光伏发电系统输出的有功功率、天然气冷热电联供机组输出的电力有功功率，k
cit
、k
hit
分别为时段t第i个多能源系统电冷和电热机组的制冷和制热效率。
[0210]
优化中，以第i个多能源系统内部分布式光伏发电系统输出有功功率p
pvi
、电动汽车充放电有功功率p
evi
、储能装置充放电有功功率p
dsi
、天然气冷热电联供机组输出电力有功功率、天然气冷热电联供机组输出冷量q
ctriit
、天然气冷热电联供机组输出热量q
htriit
、地源/气源/水源热泵机组输出冷量q
csit
、地源/气源/水源热泵机组输出热量q
hsit
、水蓄冷或冰蓄冷机组输出冷量q
ciit
、可控电负荷有功功率p
aeit
、可控热负荷有功功率p
ahit
、可控冷负荷
有功功率p
acit
为控制变量，以节点电压、支路功率损耗、节点注入无功功率为状态变量。
[0211]
在区块链中，设置区块节点、优化节点、控制节点和状态节点。分布式电源节点、电动汽车充放电节点、储能装置充放电节点、天然气冷热电联供机组节点、地源/气源/水源热泵机组节点、水蓄冷或冰蓄冷机组节点、可控电负荷节点、可控热负荷节点、可控冷负荷节点经过实名认证并按照控制和状态区域的不同需求成为区块节点，可以分为“源”区块节点、“荷”区块节点。通过随机选择方式确定优化节点，通过优化方式确定控制节点，通过仿真计算方式评估状态节点的实时状态和未来态势。
[0212]
区块链“源”“荷”区块节点随机选择，通过随机选择方式确定在t时段n
dgit
个电源区块节点、n
hsit
个冷源区块节点、n
csit
个热源区块节点、n
dit
个“荷”区块节点、n
oit
个优化节点、n
ctrlit
个控制节点和n
sit
个状态节点。假设在t时段，一次优化中电源、冷源、热源、负荷区块节点被选择分别为k
dgoit
、k
coit
、k
hoit
、k
doit
次，那么保证拜占庭容错共识要求，每个“源”“荷”区块节点被优化次数大于一半的概率为：
[0213][0214]
其中n
sdit
为在t时段随机选择的“源”“荷”区块节点的数量，n
sdit
＝n
dgit
n
cit
n
hit
n
dit
，k
sdoit
为在t时段“源”“荷”区块节点被优化的次数，k
sdoit
＝k
dgoit
k
coit
k
hoit
k
doit
。
[0215]
利用如下式子，可以计算并得到电源、冷源、热源、负荷区块节点被优化数量：
[0216][0217][0218][0219][0220]
区块链控制节点随机选择，假设在t时段，一次优化中控制节点被选择k
ctrloit
次，那么保证拜占庭容错共识要求，控制节点满足由下式确定的数量：
[0221][0222]
区块链状态节点随机选择，假设在t时段，一次优化中状态节点被选择k
soit
次，那么保证拜占庭容错共识要求，状态节点满足由下式确定的数量：
[0223]
[0224]
在随机选择的n
oit
个优化节点中，按照上述的目标函数和约束条件进行优化。按照拜占庭容错共识的要求和规则，区块链优化的决策变量作为交易数据在所有多能源系统中传送，按照拜占庭容错共识的要求和规则，在交易数据、控制数据、状态数据等均在n
oit
个优化节点中存储，按照拜占庭容错共识的要求和规则，对数据进行验证。
[0225]
本发明所提出的能源流协同优化控制方法，实现光
‑
车
‑
储多能源系统群协同优化运行，其期望目标是在光
‑
车
‑
储多能源系统中实现新能源利用率、发电效率、发电设备利用率、发电设备年利用小时数最大化，增加在日、月、年、多年等运行周期内的发电量。这种面向市场的多层级多种类型能源流协同优化控制方法，同时反映了多年日照强度、日照阴影、日照偏角变化的随机性，为多能源系统电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。
[0226]
请参阅图2，本发明另一实施例提供一种能源流协同优化控制装置，包括：
[0227]
构建模块11，用于构建多能源系统数据中对应的数据矩阵。
[0228]
获取模块12，用于采用模糊聚类分析算法获取对应的所述数据矩阵的运行特征。
[0229]
确定模块13，用于结合所述运行特征与预设的拜占庭容错共识算法，实现多能源协同优化运行。
[0230]
关于能源流协同优化控制装置的具体限定可以参见上文中对于能源流协同优化控制方法的限定，在此不再赘述。上述能源流协同优化控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0231]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。