一种用于区域综合能源系统的双层优化调度决策方法

1.本技术涉及能源决策调度领域，具体涉及一种用于区域综合能源系统的双层优化调度决策方法。


背景技术：

2.随着多种可再生能源发电技术的广泛运用，区域综合能源系统 (regional integrated energy system,ries)对于提升能源利用效率，实现多种能源之间的互补耦合运行具有重要的意义。然而，多种能源之间耦合关系的复杂与可再生能源的不确定性，使得快速准确求解ries最优化调度问题的难度较高。因此，研究快速、准确、智能的区域综合能源系统最优化调度决策方法具有重要的实用价值和现实意义。
3.目前对于ries的最优化调度方法主要是基于最优化理论的模型驱动方法进行求解：首先通过工程实际提炼出数学模型，然后使用多种数学手段对模型进行简化和处理，最后研究相应的最优化算法对问题进行求解，该类方法为典型的模型驱动方法。然而，随着高比例可再生能源的接入，源荷双侧不确定性增加以及随着ries规模不断扩大、耦合关系不断复杂化，在线求解最优化调度问题的计算成本增大，基于模型驱动的传统调度方法逐渐显露不足。


技术实现要素：

4.为解决上述问题，本技术公开了一种用于区域综合能源系统的双层优化调度决策方法，步骤包括：
5.构建上层部分数学模型和下层数据驱动模型；
6.通过上层部分数学模型得到日前运行计划；
7.根据所述日前运行计划，为下层数据驱动模型提供参考值；
8.对历史运行数据进行处理，得到训练用数据；
9.将所述参考值和所述训练用数据输入下层数据驱动模型进行训练，得到输出结果；
10.将所述输出结果输入自适应功率修正模型进行微调，得到最优运行计划，完成对ries的优化。
11.可选的，构建所述上层部分数学模型的方法包括：
12.建立日前优化调度模型；
13.约束所述日前优化调度模型。
14.可选的，建立所述日前优化调度模型的方法包括：
[0015][0016]
其中：
[0017][0018]
式中：f
mt,t
、f
ebat,t
、f
p2g,t
、f
hbat,t
、f
gl,t
、f
egrid,t
、f
vgrid,t
分别代表 t刻燃气轮机运行成本、储能电池运行成本、p2g设备运行成本、储热槽运行成本、燃气锅炉运行成本、与大电网互动的成本、向外部输气网络购气成本；c
mt
、c
ebat
、c
p2g
、c
hbat
、c
gl
、c
ebuy,t
、c
esell,t
、c
vbuy,t
分别为燃气轮机运行成本系数、储能电池运行成本系数、p2g设备运行成本系数、储热槽运行成本系数、燃气锅炉运行成本系数、t时刻向大电网购电成本系数、t时刻向大电网售电成本系数、t时刻向外部输气网络购气成本系数；p
bat,t
、h
bat,t
、p
ebuy,t
、p
esell,t
、v
grid,t
分别为t时刻储能电池充放电功率、储热槽充放热功率、向大电网购电功率、向大电网售电功率、向外部输气网络购气量。
[0019]
可选的，所述日前优化调度模型的约束方法包括：
[0020]
电功率实时平衡约束
[0021][0022]
式中：p
wt,t
为t时刻风电机组输出功率；p
pv,t
为t时刻光伏太阳能板输出功率；p
egrid,t
为t时刻与大电网交换的功率；为t时刻全网电功率需求；
[0023]
热功率实时平衡约束
[0024]hmt,t
h
gl,t
h
bat,t
＝h
load,t
[0025]
式中：h
load,t
为t时刻全网热功率需求；
[0026]
气量实时平衡约束
[0027]vmt,t
v
gl,t-v
p2g,t
＝v
grid,t
[0028]
可调度对象运行约束
[0029][0030]
式中：p
i,t
为第i个调度对象t时刻的功率情况；p
imin
与p
imax
分别为第i个调度对象最小和最大功率；p
idown
与p
iup
分别为第i个调度对象最大向下爬坡功率和最大向上爬坡功率；
[0031]
储能设备约束
[0032][0033]
式中：与分别为第i个储能设备t时刻的充电放电指标，0 表示设备未运行在该状态，1表示设备运行在该状态；分别为第i个储能设备t时刻的充放功率情况；ηi为第i个储能设备的充放功率效率；s
i,t
为第i个储能设备t时刻的容量；与分别为第i个储能设备的最小和最大的容量；与分别为第i个储能设备一天内开始时的容量和结束时的容量。
[0034]
可选的，构建所述下层数据驱动模型的方法包括：
[0035]
建立日内滚动优化调度数学模型；
[0036]
约束所述日内滚动优化调度数学模型；
[0037]
使用所述训练用数据训练驱动调度决策网络；
[0038]
使用自适应功率修正模型调整数据驱动输出结果得到ries最优运行计划。
[0039]
可选的，构建所述日内滚动优化调度数学模型的方法包括：根据日内超短期可再生能源及负荷预测情况，建立以日前-日内出力偏差 f1最小和日内运行成本f2最低为目标函数的多目标日内滚动优化调度数学模型，为数据驱动调度决策模型提供训练数据，具体模型如下：
[0040][0041]
式中：和分别第i个调度对象t时刻的日前运行计划和日内实际运行计划，之后利用标幺值对子目标函数进行归一化处理：
[0042][0043]
式中：f为日内综合目标函数；f
1max
和分别为总日内出力偏差最大值和日内运行成本最大值；ω1和ω2分别为各自目标的权重系数，可以根据对不同目标的重视程度进行配置，ω1和ω2应满足：
[0044]
ω1 ω2＝1,0＜ω1,ω2＜1。
[0045]
可选的，约束所述日内滚动优化调度数学模型的方法包括：在所述日内滚动优化调度数学模型中添加对燃气锅炉和储热槽的调度周期约束：
[0046][0047]
其余所述约束条件与所述日前优化调度模型完全相同。
[0048]
可选的，对所述历史运行数据进行处理的方法包括：基于k-means 聚类算法对所述历史运行数据进行聚类，通过衡量样本之间的差异，将相似度高的运行场景划分为同一聚类簇，对不同类别的样本分别训练不同的数据驱动调度决策模型，以提高数据驱动调度决策模型模型所给决策结果的精准度；选取单日综合净负荷y
need
作为聚类特征，其为一个1*96维的时序向量：
[0049][0050]
采用欧式距离作为不同样本点之间相似度的衡量标准，和两样本之间的欧式距离d
(x,z)
为：
[0051][0052]
采用t-sne降维可视化算法将96维的系统特征映射到3维空间内，以更直观理解不同运行场景之间的差异性。
[0053]
与现有技术相比，本技术有益效果如下：
[0054]
本技术所提双层优化调度方法可有效应对可再生能源出力及负荷的不确定性，且在日内滚动优化阶段中可以不需要系统的具体数学模型和复杂的求解算法，快速得出系统最优运行计划，极大提高了 ries最优化调度问题的求解效率。
[0055]
为了更清楚地说明本技术的技术方案，下面对实施例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是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
附图说明
[0056]
图1为本技术研究的ries结构示意图；
[0057]
图2为本技术日内数据驱动调度决策框架示意图；
[0058]
图3为本技术2020年1月内净电负荷需求示意图；
[0059]
图4为本技术cnn结构示意图；
[0060]
图5为本技术gru神经元结构示意图；
[0061]
图6为本技术cnn-gru决策网络结构示意图；
[0062]
图7为本技术自适应迭代修正流程示意图。
具体实施方式
[0063]
下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
[0064]
为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
[0065]
实施例一
[0066]
本技术研究的ries具体结构如图1所示。该模型由风力发电机组、光伏电池板、柔性负荷、电网功率联络线、储能电池、电转气装置、储热槽、燃气轮机机组、外部输气网、燃气锅炉以及电负荷和热负荷构成。其中燃气轮机是电-热-气三网耦合设备，燃气锅炉是气
‑ꢀ
热耦合设备，p2g装置是电-气耦合设备，rise中的多能量耦合设备可以实现不同能量形式之间的相互转化，有效的提高了能量利用效率。下面我们结合上述ries来构建rise双层优化调度数学模型，包括：日前调度和日内2小时滚动优化两部分。
[0067]
日前优化调度的目标函数
[0068]
日前优化调度的目标函数为ries全天运行成本最低，包括燃气轮机的运行成本、储能电池的运行成本、p2g装置的运行成本、储热槽的运行成本、燃气锅炉的运行成本、对大电网购电售电的成本以及向外部输气网购气的成本组成，具体表示为：
[0069][0070]
其中：
[0071][0072]
式中：f
mt,t
、f
ebat,t
、f
p2g,t
、f
hbat,t
、f
gl,t
、f
egrid,t
、f
vgrid,t
分别代表t刻燃气轮机运行成本、储能电池运行成本、p2g设备运行成本、储热槽运行成本、燃气锅炉运行成本、与大电网互动的成本、向外部输气网络购气成本；c
mt
、c
ebat
、c
p2g
、c
hbat
、c
gl
、c
ebuy,t
、c
esell,t
、 c
vbuy,t
分别为燃气轮机运行成本系数、储能电池运行成本系数、p2g 设备运行成本系数、储热槽运行成本系数、燃气锅炉运行成本系数、t时刻向大电网购电成本系数、t时刻向大电网售电成本系数、t时刻向外部输气网络购气成本系数；p
bat,t
、h
bat,t
、p
ebuy,t
、p
esell,t
、v
grid,t
分别为t时刻储能电池充放电功率、储热槽充放热功率、向大电网购电功率、向大电网售电功率、向外部输气网络购气量。
[0073]
日前优化调度的约束条件包括：
[0074]
电功率实时平衡约束
[0075][0076]
式中：p
wt,t
为t时刻风电机组输出功率；p
pv,t
为t时刻光伏太阳能板输出功率；p
egrid,t
为t时刻与大电网交换的功率；为t时刻全网电功率需求。
[0077]
热功率实时平衡约束
[0078]hmt,t
h
gl,t
h
bat,t
＝h
load,t
(4)
[0079]
式中：h
load,t
为t时刻全网热功率需求。
[0080]
气量实时平衡约束
[0081]vmt,t
v
gl,t-v
p2g,t
＝v
grid,t
(5)
[0082]
可调度对象运行约束
[0083][0084]
式中：p
i,t
为第i个调度对象t时刻的功率情况；p
imin
与p
imax
分别为第i个调度对象最小和最大功率；p
idown
与p
iup
分别为第i个调度对象最大向下爬坡功率和最大向上爬坡功率。
[0085]
储能设备约束
[0086][0087]
式中：与分别为第i个储能设备t时刻的充电放电指标，0表示设备未运行在该状态，1表示设备运行在该状态；分别为第i个储能设备t时刻的充放功率情况；ηi为第i个储能设备的充放功率效率；s
i,t
为第i个储能设备t时刻的容量；与分别为第i个储能设备的最小和最大的容量；与分别为第i个储能设备一天内开始时的容量和结束时的容量。
[0088]
日内滚动优化的目标函数
[0089]
根据日内2小时内的超短期可再生能源及负荷预测情况，建立以日前-日内出力偏差f1最小和日内运行成本f2最低为目标函数的多目标日内滚动优化调度数学模型，其为混合整数二次规划模型(mixedintegerquadraticprogramming,miqp)：
[0090][0091]
式中：和分别第i个调度对象t时刻的日前运行计划和日内实际运行计划。
[0092]
为方便求解，采用线性加权法将多目标规划问题转化为单目标规划，由于f1和f2的量纲不同无法直接进行加权，利用标幺值对子目标函数进行归一化处理，具体表示为：
[0093][0094]
式中：f为日内综合目标函数；f
1max
和f
2max
分别为总日内出力偏差最大值和日内运行成本最大值；ω1和ω2分别为各自目标的权重系数，可以根据对不同目标的重视程度进行配置，ω1和ω2应满足：
[0095]
ω1 ω2＝1,0＜ω1,ω2＜1
ꢀꢀꢀ
(10)
[0096]
在目前ries双层优化调度的研究中，很少有考虑ries中各种设备存在不同的调度响应时间问题，大多都采用统一的15分钟日内优化调度周期对各设备下发调度指令。然而，由于ries中各种设备的能量耦合关系与运行特性都各不相同，其能够接受的调度周期以及对调度指令的响应时间存在一定的差异，尤其是对于ries中的部分热网设备来说，由于受到热能动力学特性的影响，其在调度指令下达后需要经过一定的时间动态调整后出力才能到达调度指令所设定的稳态值。因此，部分热网设备难以执行在短时间内连续变化的调度指令，各能量网络中的设备在日内使用统一调度周期进行优化和运行的策略难以实施。
[0097]
综上所述，本技术充分到考虑ries中各设备调度响应时间的差异问题，将ries中燃气锅炉和储热槽日内滚动优化的调度执行周期设置为30分钟，即每30分钟执行一次调度指令，其余设备的调度执行周期仍设置为15分钟，日内一共包含96个调度执行周期。在日内滚动优化数学模型中添加对燃气锅炉和储热槽的调度周期约束，具体表示为：
[0098][0099]
日内滚动优化的其余约束条件与日前运行的约束条件完全相同。
[0100]
实施例二
[0101]
下面将结合本实施例详细说明本技术的双层优化模型中数据驱动调度决策模型的构建流程。
[0102]
数据驱动调度决策的框架如图2所示，其主要包括3个阶段：训练集构建阶段、离线训练阶段、在线决策阶段。各阶段详细解释如下：
[0103]
(1)训练集构建阶段：首先基于本技术第2章所提ries双层优化调度数学模型，根据不同的运行场景通过传统模型驱动方法求解生成海量历史运行数据；然后基于k-means聚类算法对历史运行数据进行聚类处理，以构建不同的训练数据集。
[0104]
(2)离线训练阶段：对不同的训练数据集构建独立的cnn-gru 调度决策网络，使用深度学习模型对海量历史运行数据的学习与模仿，构造包含系统运行状态信息的二维时序特征图作为网络的输入，实现从系统运行状态和日前运行计划到日内运行计划之间的复杂非线性映射关系。
[0105]
(3)在线决策阶段：实际日内滚动优化时，首先将ries超短期运行状态信息与对应时间段内日前运行计划输入训练完成后的 cnn-gru中得到初步运行计划；然后将cnn-gru的输出结果输入功率修正模型进行快速调整，得到最终可行的最优运行计划。当完成全天的优化调度后，将该日作为历史样本存入对应的训练数据集中。
[0106]
此外，随着系统运行时间的增加和训练样本容量的不断累积，可以对原有的cnn-gru模型进行增量学习和阶段性的重训练，实现数据驱动模型的自我进化，保证其输出结果的准确性。如图3所示，即使在同一月份中，可再生能源的出力情况也存在极大的差异。面对如此大的场景差异，ries的最优运行计划将会截然不同，若仅使用唯一的深度学习模型进行训练，难以保证其输出结果的准确性。因此，需要对不同的场景分别训练深度学习模型，实际使用时先判断场景类别再进行决策。
[0107]
由于ries多种能量之间耦合关系复杂，其最优运行计划的制定往往受到多方面因素影响，使用单一的负荷情况作为数据驱动模型的映射输入变量不仅难以保证数据驱动模型输出的精度，也未充分利用历史运行数据中有价值的信息。因此，为充分利用历史运行数据中蕴含的有效信息、深度挖掘其中的隐含逻辑关系，本技术首次将系统运行状态构造成二维时序特征图的形式，并使用cnn充分提取其中深层次的时序信息以形成高维度特征向量数据，作为后续网络的映射输入。
[0108]
如图5所示为本技术gru的神经元结构示意图，其中：α为 sigmoid激活函数；tanh为tanh激活函数；-1表示该链路向前传播的数据为1-z
t
；z
t
和r
t
分别为更新门和重置门；p
lt
为输入；h
t
为隐含层的输出，通过下列公式计算：
[0109]zt
＝α(w
(z)
p
lt
u
(z)ht-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0110]rt
＝α(w
(r)
p
lt
u
(r)ht-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0111][0112][0113]
式中：是输入p
lt
和上一隐含层状态h
t-1
的汇总；u
(z)
、u
(r)
、u、 w
(z)
、w
(r)
、w均为可训练参数矩阵；
⊙
表示向量中按元素相乘。
[0114]
数据驱动调度决策本质上是一个复杂的高维非线性回归过程，且系统状态与调度决策之间的关系较为复杂且不明确，深度学习模型需要大量的训练样本才能学习到输入与输出之间的映射关系，若选用的深度学习模型运算速度较慢，则会导致模型阶段性重训练的时间成本大大增加。此外，数据之间存在很强时间耦合关系，比如可再生能源出力情况、负荷需求、ries最优运行计划都是典型的时间序列数据，在实际调度中也存在大量的时间耦合约束条件，如机组爬坡约束、储能装置容量约束等。因此，使用擅长处理高维时序特征数据且运算速度较快的gru构建来系统运行状态与调度决策之间的映射关系。
[0115]
将日内2小时超短期可再生能源及负荷预测情况和对应时间段内的日前运行计划相组合，形成二维时序特征图的形式，输入数据驱动决策模型进行训练及预测。针对rise内
各调度对象的特性构建不同的特征输入，具体的特征信息组合方案见表1。
[0116]
表1
[0117][0118]
cnn-gru决策模型的输入为一n*8*1的灰度图，其中：第一位数字n由不同的调度对象所选取的输入特征个数决定，每一行从上到下的顺序与附录b表b1中候选输入特征的顺序相同；第二位数字8表示当前时刻至未来2小时时间段；第三位数字1为rgb通道数。 cnn-gru决策模型的输出为一8*1的序列，表示调度对象在未来2小时内的运行计划。考虑到系统运行状态与调度决策之间的映射关系较为复杂，单层网络结构难以保证模型的输出精度，本技术将cnn与gru的层数加深，以充分实现输入与输出之间的映射关系。如图6所示，输入数据首先通过多层cnn提取特征，再经过扁平化处理作为多层gru的输入，最后对输出标签进行回归。
[0119]
本技术设计cnn有3层卷积层(conv2d)，卷积核的数目依次为32， 64，128，卷积核的大小为3*3，设置池化层(maxpooling2d)池大小为2，卷积层和池化层之间插入批量归一化层(batch normalization, bn)加快cnn的训练速度并降低对初始化参数的敏感度，输入图像经过连续3次卷积和3次池化操作后，输入扁平层(flatten)压扁为一维向量，并通过该层与gru相连接，将扁平化后的一维向量作为cnn 的特征提取结果。本技术设计3层gru，神经元个数依次为256，128， 64，在每层gru后加入丢弃层(dropout)防止网络过拟合，丢弃率均设置为0.5，最后与全连接层(dense)相接并输出指定格式的向量。
[0120]
本技术使用adam算法对三层gru模型进行训练，其权重更新公式如下：
[0121][0122]
[0123][0124]
式中：θ
t
为带待更新的网络权重；ε为平滑参数；δ为学习率；δ为学习率；分别梯度的一、二阶矩均值；β1和β2为衰减因子。
[0125]
本技术采用变学习率方式进行训练，即学习率随训练次数的增加阶梯下降。定义均方根误差(root mean square error)为模型训练的损失函数，其公式如下：
[0126][0127]
式中：为t时刻的真实值，即真实的调度计划；y
t
为网络输出的t时刻预测值，即数据驱动模型预测的调度计划。
[0128]
由于数据驱动调度决策方法作为一种高维非线性回归的本质特征，不可避免的会违反实际系统中的一些约束条件，比如功率平衡约束等。若不对其输出结果进行约束性处理，则会导致其输出的调度计划在系统实际运行中不合理甚至完全无法使用。此外，ries中各种设备的工作特性不同，同一设备在不同场景下的运行计划也有较大差异，单纯将功率不平衡量进行平均分配来修正数据驱动调度决策输出的结果难以保证模型最终输出运行计划的经济性和合理性，甚至会导致迭代计算模型不收敛。
[0129]
综上所述，本技术提出一种自适应功率的迭代修正模型，其计算流程如图7所示。根据ries日前运行计划，制定不同的修正量，从而适应各个设备不同的输出特性，各设备各自负责对应的不平衡量修正任务，尽可能使各个设备仅遵循一种不平衡量作为其修正指标，并且在一次迭代过程中只进行一次调整，这样可避免同一设备在单次迭代计算中进行重复修正，有效降低了模型的迭代次数和不收敛概率。本技术自适应功率修正模型主要包括：电量不平衡修正、热量不平衡修正、气量不平衡修正三个主要步骤
[0130]
电量不平衡修正
[0131]
本技术设置参与电功率不平衡修正的调度对象为电网功率联络线、储能电池、p2g设备，根据各设备日前出力情况分配各自的功率修量：
[0132][0133][0134][0135]
其中：ne为参与电功率修正的各设备日前计划输出功率绝对值之和；为第i个参
与电功率修正的各设备日前计划输出功率绝对值；为第i个与电网有能量交换的设备t时刻功率修正量。
[0136]
热量不平衡修正
[0137]
本技术设置参与热功率不平衡修正的调度对象为燃气轮机、燃气锅炉、储热槽，同样根据各个设备日前出力情况分配各自的功率修正量，其中燃气锅炉和储热槽同样使用式(16)限制其调度周期：
[0138][0139][0140][0141]
其中：为与热网有能量交换的各设备日前计划输出功率绝对值之和；为第i个与热网有能量交换的设备日前计划输出功率绝对值；为第i个与热网有能量交换的设备t时刻功率修正量。
[0142]
气量不平衡修正
[0143]
本技术ries中与气网有能量交换的调度对象有燃气轮机、燃气锅炉、p2g设备。由于当电、热网中需要调整的量确定下来后，气网中需要调整的量即可直接通过各个与气网有能量交换的设备结合对应的能量转化系数计算得出。此外，经过电、热网的修正调整后，各个与气网有能量交换的设备的出力就已在向着更加经济合理的方向调整，从而使气网也向着更加经济合理的方向调整，因此不必再在气网中重复对其出力进行修正，所以气量不平衡量全部由外部输气网络进行调整：
[0144][0145][0146]
其中：v
t[n]
为t时刻气量不平衡量；v
i,t
为第i个与气网有能量交换的设备t时刻气量需求。
[0147]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。