基于数字孪生的多能耦合优化调度方法及系统与流程

1.本发明属于能源优化调度技术领域，尤其涉及一种基于数字孪生的多能耦合优化调度方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.传统的电、热、气相互独立运行的模式已经无法适应当前的能源发展需求，实现多种能源开放互联的多能流系统，是目前能源行业的重要发展方向。多能流系统通过多种能源的梯级开发和智能利用管理，从而降低能源的消耗和浪费，改善能源综合利用效率，降低用能成本，提高供能的经济性与可靠性。
4.多能流系统能有效提高能源效益但是也增加了能源系统的复杂度。多能流系统由多个能流子系统组成，各种能量紧密耦合，增加了分析的复杂性。目前现有技术建立了多能源微电网分布式控制系统的理论框架和技术实践路线。为了提高综合能源系统的利用率，以及为了提高综合能源系统的利用率，考虑到源荷的不确定性，进行纵向优化以实现电-冷-热-燃气能源的横向耦合。现有技术还将一种高效的集成能源系统建模方法应用于电冷、热气多能流的优化建模，不仅可以提高集成能源的系统优化，还可以实现集成能源创新的规划与分析。
5.发明人发现，现有的研究大多局限于简单的微电网或冷热电联产系统，在多能流综合能源系统中考虑氢能流的最佳配置的研究较少；没有对源端和储能端进行整体调整；而且传统的多流综合能源系统中可再生能源的装机比例和利用率仍较低。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种基于数字孪生的多能耦合优化调度方法及系统，其根据相应的信息来预测和优化未来的行为趋势，在模拟运行过程中，利用模拟运行与物理实体的差异，调整模拟运行模型的系数，实现数字孪生和物理实体的同步。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种基于数字孪生的多能耦合优化调度方法，其包括：
9.获取多能流综合能源系统的历史运行数据及设备约束条件和初始状态，基于深度神经网络对相似日负荷和发电数据进行预测；
10.根据预测的相似日负荷和发电数据对多能流综合能源系统所对应的虚拟空间孪生体模型的系数进行修正；
11.根据各时段的电价和设备约束条件，基于维护成本函数、交易成本函数和环境保护成本函数进行多目标优化决策，得到最优解集，最终确定出储能装置的充放电功率、各单元的输出功率和联络线的功率。
12.本发明的第二个方面提供一种基于数字孪生的多能耦合优化调度系统，其包括：
13.数据预测模块，其用于获取多能流综合能源系统的历史运行数据及设备约束条件和初始状态，基于深度神经网络对相似日负荷和发电数据进行预测；
14.系数修正模块，其用于根据预测的相似日负荷和发电数据对多能流综合能源系统所对应的虚拟空间孪生体模型的系数进行修正；
15.目标优化模块，其用于根据各时段的电价和设备约束条件，基于维护成本函数、交易成本函数和环境保护成本函数进行多目标优化决策，得到最优解集，最终确定出储能装置的充放电功率、各单元的输出功率和联络线的功率。
16.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于数字孪生的多能耦合优化调度方法中的步骤。
17.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数字孪生的多能耦合优化调度方法中的步骤。
18.与现有技术相比，本发明的有益效果是：
19.基于数字孪生驱动，提出多能流综合能源系统仿真建模与优化控制策略，建立包含物理数字空间的镜像协同交互机制，构建含电热气氢的多能流虚拟实体，根据设备状态信息分布和深度神经网络功率预测，提出基于数字孪生驱动的多目标优化调度策略，实现了对源端和储能端进行整体调整，提高了多流综合能源系统中可再生能源的装机比例和利用率；从而合理计划和利用能源，降低能源消耗，提高经济效益。
20.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
21.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
22.图1是本发明实施例的基于深度卷积生成对抗网络架构图；
23.图2是本发明实施例的综合能源系统运行场景图；
24.图3是本发明实施例的基于深度卷积生成对抗网络训练流程图；
25.图4是本发明实施例的冷负荷场景和一个典型的真实场景的样本对比；
26.图5是本发明实施例的热负荷场景和一个典型的真实场景的样本对比；
27.图6是本发明实施例的新能源出力生成场景和一个典型的真实场景的样本对比；
28.图7是本发明实施例的气温场景和一个典型的真实场景的样本对比；
29.图8是本发明实施例采用nsga-ii算法进行多目标优化决策的流程图。
具体实施方式
30.下面结合附图与实施例对本发明作进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.实施例一
34.本实施例提供一种基于数字孪生的多能耦合优化调度方法，其具体包括如下步骤：
35.步骤1：获取多能流综合能源系统的历史运行数据及设备约束条件和初始状态，基于深度神经网络对相似日负荷和发电数据进行预测。
36.其中，设备约束包括网络潮流约束，储能充放电约束和设备最大出力约束。
37.在步骤1的具体实施过程中，深度神经网络的输入包括光照条件，湿度，温度，风速等气象信息，经过多个隐含层，输出相似日负荷和发电预测数据。
38.在一些实施例中，深度神经网络可为深度卷积神经网络或是其他现有的深度神经网络模型，本领域技术人员可根据实际情况来具体选择，此处不再详述。
39.步骤2：根据预测的相似日负荷和发电数据对多能流综合能源系统所对应的虚拟空间孪生体模型的系数进行修正。
40.数字孪生的关键在于基于虚拟空间构建物理实体的高保真虚拟实体来模拟现实世界中的行为，并根据相应的信息来预测和优化未来的行为趋势。在模拟运行过程中，利用模拟运行与物理实体的差异，调整模拟运行模型的系数，实现数字孪生和物理实体的同步。数字孪生还能反馈于物理实体，实现物理实体的优化运行，如图1所示。
41.虚拟空间测试实体基于数字孪生体，产生设备状态、网络框架拓扑结构、线路参数、电、热、气、氢能流等的全景信息，将仿真的优化结果输入到控制设备中再进行测试，设备的实际运行状态也可以回馈给孪生体中进行改进和优化。
42.建立的虚拟空间孪生体如图2所示，通过各种能量转换设备和通信设备，将电、热、气、氢和交通等不同的网络集成在一起，系统与电网(electricity network,en)和天然气网(natural gas network,ngn)相连。内部包含了光伏(photovoltaic,pv)、风机(wind turbine,wt)、热电联产系统(combined heating and power,chp)、电制氢装置(power to hydrogen,p2h)、储氢罐(hydrogen tank,ht)、燃料电池(fuel cells,fc)、热储能装置(thermal storage tank,tt)、蓄电池(storage battery,sb)等设备。
43.步骤3：根据各时段的电价和设备约束条件，基于维护成本函数、交易成本函数和环境保护成本函数进行多目标优化决策，得到最优解集，最终确定出储能装置的充放电功率、各单元的输出功率和联络线的功率。
44.综合能源系统中的潮流模型使用传统的交流潮流模型构建。本实施例以节点功率平衡方程为基础，利用牛顿拉夫逊算法，通过构建雅克比矩阵进行迭代求解，计算各节点的状态量，从而获得电力网络的潮流分布，计算公式被给出：
45.46.式中，pi和qi分别代表节点i的注入有功与无功功率，代表节点电压，y为节点导纳矩阵。re和im代表实部和虚部，星号表示共轭。
47.热网结构类似于配电网的辐射状结构，分为水力模型与热力模型两部分。水力模型待求状态量主要包括管道流量和压力损失量hf：
[0048][0049]
式中，a表示节点-分支关联矩阵；b表示分支循环相关矩阵，m表示各管道的分支流量；mq是通过热源或负荷节点的流量；k是管道阻力系数矩阵。
[0050]
热力模型描述的是供热系统在节点处和供热管道中的热平衡行为
[0051][0052]
式中，t
start
与t
end
分别代表管道首尾端温度，ta为环境温度，
α
为与管道参数相关的比例系数；l为管道长度；t
in
与t
cut
分别代表注入与流出某节点的热媒温度，m
in
与m
out
分别代表注入与流出某节点的热媒流量；ph为负荷所需热功率或热源提供的热功率；c
p
为热媒比热容，ts为节点供水温度；to为节点热质出口温度。
[0053]
天然气系统满足基尔霍夫定律，不考虑压缩机的管道模型流量方程为：
[0054][0055]
其中，f
bd
是管道bd的天然气流量；k
bd
是管道的参数；s
bd
是表示天然气流动方向的参数；pb和pd分别是节点b和节点d的压力。
[0056]
综合能源系统经济运行时，需考虑到分布式能源的维护费用，与电网、天然气网和负荷的交易成本，以及排放co2、so2和no
x
等的环境保护成本。
[0057]
维护成本函数：
[0058][0059]
其中，c
i,t
是分布式能源i在时间t的运维成本系数；p
i,t
是t时刻微源i的输出功率；
[0060]
能源成本函数：
[0061]
f2＝c
buy,t
p
buy,t
c
gas,tgbuy,t-c
sell,t
p
sell,t
ꢀꢀ
(6)
[0062]
其中，c
buy,t
和c
sell,t
是时刻t的购电价和售电价；p
buy,t
和p
sell,t
是综合能源系统的购电和售电量；c
gas,t
是时刻t购买天然气的价格；g
buy,t
是购买的天然气量。
[0063]
环境保护成本函数：
[0064][0065]
其中，c
i,k
是污染物类型(no
x
、so2或co2)的数目，λ
i,k
是第k类污染物的单位处理成本；p
i,t
是污染物的排放系数。
[0066]
在优化过程中，首先将负荷、风能、光伏发电历史数据、气象数据等全景信息输入数据库管理模块。设置每个设备的初始状态和约束以创建集成能源系统的虚拟图像。然后，基于深度神经网络算法，对负荷和风力发电数据进行预测。并根据物理模型和类似日数据对孪生模型进行修正。之后，根据各时段的电价和约束条件，采用nsga-ii算法进行多目标优化决策。如图8所示，最后，在得到的最优pareto解集的基础上，确定了储能装置的充放电功率、各单元的输出功率和联络线的功率。
[0067]
为验证本实施例所提方法的有效性，以某地区实际工业园区为例进行计算分析。综合能源系统内包含电、热、气、氢负荷，选择典型日进行24h优化调度，根据设备所处环境的气象数据，对神经网络的功率进行初步预测，同步更新孪生数据库。另外，通过相似日天气检索法，比较相似条件下太阳能发电功率的实际值和预测值，经过误差算法修正后，得到数字孪生的最终预测值。通过历史数据预测得到的典型日负荷曲线和风光最大出力如图3和图4所示。
[0068]
采用本实施例所提的优化方法对系统进行求解，得到氢能、电能、热能平衡优化结果如图5-图7所示。p2h设备制氢提供园区内的氢气需求，储氢罐协同配合提高风光利用率，并降低运行成本。如图5所示，燃料电池的能源转化效率较低，因此只在晚高峰阶段投入使用。其余时间p2h设备都处在工作状态，为满足负荷需求和储氢罐需求。同时它也能作为可转移的电负荷实现调峰功能，消纳风电和光伏的多余电能。而蓄电池相比于氢储设备，虽然其环境污染成本增加，但是同时能源转化效率要更高，因此它在白天具有更灵活的调度策略，用于平滑一些短期的负荷波动，如图6所示。而chp机组需要同时保证热能和电能的平衡，选择合适的出力，空缺的部分热能可由燃气锅炉和热储能补足，尽量避免热能的浪费，从而实现系统的整体最优。根据计算结果，优化前后综合能源系统的经济成本降低了2137元，通过氢储能和蓄电池的合理规划，风光能源的利用率提高了40％以上，热储能也有效减少了热能的浪费。
[0069]
实施例二
[0070]
本实施例提供了一种基于数字孪生的多能耦合优化调度系统，其包括：
[0071]
数据预测模块，其用于获取多能流综合能源系统的历史运行数据及设备约束条件和初始状态，基于深度神经网络对相似日负荷和发电数据进行预测；
[0072]
系数修正模块，其用于根据预测的相似日负荷和发电数据对多能流综合能源系统所对应的虚拟空间孪生体模型的系数进行修正；
[0073]
目标优化模块，其用于根据各时段的电价和设备约束条件，基于维护成本函数、交易成本函数和环境保护成本函数进行多目标优化决策，得到最优解集，最终确定出储能装置的充放电功率、各单元的输出功率和联络线的功率。
[0074]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0075]
实施例三
[0076]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于数字孪生的多能耦合优化调度方法中的步骤。
[0077]
实施例四
[0078]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在
处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数字孪生的多能耦合优化调度方法中的步骤。
[0079]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0080]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。