发明内容
本发明的目的是提供基于多智能体***最优用户集群的多能源社区中的多目标能源管理***,包括用户集群模块、多智能体模块、能源调度模块。
所述用户集群模块对用户进行集群,得到若干最优用户集群。
两个用户集群之间的关联矩阵记为
关联矩阵
的特征值记为
同一用户集群内两个时序剖面之间的关联矩阵记为
关联矩阵
的特征值记为
式中,K为MEC数量。p为时间节点。
对于ε类型能量,不同用户集群之间的相似度
同一用户集群之间的相似度
分别如下所示:
式中,Ni为第i个MEC的负荷总数。能源类型ε∈{e,g,h}。
ε型能源的第i个集群和第j个集群之间的Pearson相关性
ε型能源的第i个集群中之间第p个和第q个时间节点的Pearson相关性
分别如下所示:
式中,cov
ε(i,j)是ε型能源的第i个集群和第j个集群之间平均值的协方差。
表示第i个集群的标准差。
表示第j个集群的标准差;cov
ε(p,q)是第i个集群在第p个和第q个时间节点的协方差;
是第i个集群在第p个和第q个时间节点的标准差。
最优用户集群的综合特征值熵CEE小于预设阈值CEEmax。
综合特征值熵CEE如下所示:
式中,
是指所有能源类型的相似性度量的总和。常数μ>0。
所述多智能体模块存储若干智能体。所述智能体包括公用电网智能体(UGA)、分布式能源智能体(DGA)、热能存储智能体(HESA)。
所述能源调度模块存储有能源管理优化模型;
所述能源管理优化模型接收到日前负荷后,输出能源调度优化方案;
所述能源调度模块接收公用电网智能体、分布式能源智能体和热能存储智能体返回的价格信息,执行能源调度优化方案,得出最优能源调度方案,并将最优能源调度方案送入多能源社区中执行。
调度约束模型包括热电联产CHP约束模型、电热泵EHP约束模型、可再生能源***RESs约束模型、电动汽车充放电模型。
热电联产CHP约束模型如下所示:
式中,
表示将ε
1类型能源转换为ε
2类型能源的效率。
是电力输出的最大斜率。
表示ε型能源需求类型最大表征值;
表示第i个MEC的ε型能源供应/生产类型最大表征值;
电热泵EHP约束模型如下所示:
可再生能源***RESs约束模型如下所示:
式中,
表示第i个RES在t时刻的消耗量。
表示第i个RES在t时刻预计生产量。
表示所有RESs消耗的总量。
表示所有RESs的索引集。
电能储存***ESS、热能储存***HES的约束模型如下所示:
式中,
是存储的ε类型能量。
分别表示充电和放电效率。λ是松弛变量。
电动汽车充放电模型如下所示:
式中,
和
分别为ith电动汽车t时刻的充电量和放电量。
是充电比率。
是二元变量,
表示t时刻电动汽车正在充电。
和
分别表示电动汽车的充电和放电效率。
和
分别表示电动汽车的初始容量、最小容量和最大容量。
和
分别表示EVs到达和离开充电桩的时间点。
表示EVs与电网连接的时隙。
为常数。
为供选择的充电比率;
能源管理优化模型包括能源价格优化模型、绿色能源利用率优化模型、能源损耗优化模型、能源质量优化模型。
其中,能源价格优化模型的目标函数如下所示:
式中,Jday表示能源价格。
式中,
是正成本系数。
分别为第i个MEC在t时刻输入的电能和热能。
为第i个MEC在t时刻的输入气体能源。
是第i个MEC存储的电能;
是第i个MEC中电动汽车t时刻的充电量;
是第i个MECt时刻热能储存量;
能源价格优化模型的约束条件如下所示:
(6)-(10) (34)
(11)-(13) (35)
(15)-(18) (37)
(19)-(23) (38)
式中,
分别为第i个MEC在t时刻的输出电能和热能。
与
为第i个MEC的电气负荷和电动汽车总数。
分别为电能、热能和气体能源部输入/输出的下限和上限。
表示第i个MEC的电能供应/生产类型;
表示第i个MEC的热能供应/生产类型;
表示第i个RES在t时刻预计生产量;
表示第i个RES在t时刻的消耗量;
表示所有RESs消耗的总量;
分别为第i个MEC电能储存***和热能储存***的能量;
表示电能需求类型;
为热能需求类型;
为第i个MEC热负荷总数;
为气体能源需求类型;
为第i个MEC气体能源负荷总数。
其中,绿色能源利用率优化模型的目标函数如下所示:
式中,Dday为绿色能源利用率。λ1为系数。
绿色能源利用率优化模型的约束条件如下所示:
(27)-(30) (40)
(34)-(38) (44)
式中,常数ξi>0。参数ζi<1。
其中,能源损耗优化模型的目标函数如下所示:
式中,
为能源损耗。
与
是MECs之间的电能和热能交换。
能源损耗优化模型的约束条件如下所示:
(27)-(36) (46)
(17)-(18) (49)
(19)-(23) (50)
式中,
表示第i个MEC的ε型能源供应/生产类型。
表示ε型能源需求类型。ε∈{e,g,h}表示电、气、热的能源类型。时间
是t时刻存储的ε类型能量。
分别表示充电和放电效率。
是t+1时刻存储的ε类型能量。
是t时刻存储的ε类型能量最大值。
其中,能源质量优化模型的目标函数如下所示:
式中,G
day表示能源质量。上标“~”表示预测值。
表示电动汽车的预计充电量。
表示预测的电能需求类型和热能需求类型。
能源质量优化模型的目标函数的约束条件如下所示:
(27)-(30) (52)
(33)-(36)(55)
(17)-(18) (58)
(19)-(23) (59)
式中,λ是松弛变量。
值得说明的是,本发明提出了一种新的基于熵的用户集群方法,以实现对消费者的最优划分。此后在此基础上,提出了四种目标能源管理模型,以实现降低能源价格、最大化使用绿色能源、减少能源损失和提升能源质量的目标。同时,提出了逐步达到四个目标协同实现的方法。为此,本发明开发了一个多智能体***来运行优化模型。
本发明的技术效果是毋庸置疑的,本发明实现了社区能源分配与利用能源之间相互耦合以达到降低能源价格、最大化使用绿色能源、减少能源损失和提升能源质量的目的。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图5,基于多智能体***最优用户集群的多能源社区中的多目标能源管理***,包括用户集群模块、多智能体模块、能源调度模块,以实现能源质量优化、能源价格优化、能源损耗优化、绿色能源利用率优化的目的。
所述用户集群模块对用户进行集群,得到若干最优用户集群。
两个用户集群之间的关联矩阵记为
关联矩阵
的特征值记为
同一用户集群内两个时序剖面之间的关联矩阵记为
关联矩阵
的特征值记为
式中,K为MEC数量。p为时间节点。
对于ε类型能量,不同用户集群之间的相似度
同一用户集群之间的相似度
分别如下所示:
式中,Ni为第i个MEC的负荷总数。能源类型ε∈{e,g,h}。
ε型能源的第i个集群和第j个集群之间的Pearson相关性
ε型能源的第i个集群中之间第p个和第q个时间节点的Pearson相关性
分别如下所示:
式中,cov
ε(i,j)是ε型能源的第i个集群和第j个集群之间平均值的协方差。
表示第i个集群的标准差。
表示第j个集群的标准差;cov
ε(p,q)是第i个集群在第p个和第q个时间节点的协方差;
是第i个集群在第p个和第q个时间节点的标准差。
最优用户集群的综合特征值熵CEE小于预设阈值CEEmax。
综合特征值熵CEE如下所示:
式中,
是指所有能源类型的相似性度量的总和。常数μ>0。
所述多智能体模块存储若干智能体。所述智能体包括公用电网智能体(UGA)、分布式能源智能体(DGA)、热能存储智能体(HESA)。
所述能源供应智能体包括PV智能体、WT智能体、ESS智能体、热智能体、燃气智能体和负载智能体。所述负载智能体包括热负载、电负载和燃气负载。
所述能源调度模块存储有能源管理优化模型;
所述能源管理优化模型接收到日前负荷后,输出能源调度优化方案;
所述能源调度模块接收公用电网智能体、分布式能源智能体和热能存储智能体返回的价格信息,执行能源调度优化方案,得出最优能源调度方案,并将最优能源调度方案送入多能源社区中执行。
调度约束模型包括热电联产CHP约束模型、电热泵EHP约束模型、可再生能源***RESs约束模型、电动汽车充放电模型。
热电联产CHP约束模型如下所示:
式中,
表示将ε
1类型能源转换为ε
2类型能源的效率。
是电力输出的最大斜率。
表示ε型能源需求类型最大表征值;
表示第i个MEC的ε型能源供应/生产类型最大表征值;
电热泵EHP约束模型如下所示:
可再生能源***RESs约束模型如下所示:
式中,
表示第i个RES在t时刻的消耗量。
表示第i个RES在t时刻预计生产量。
表示所有RESs消耗的总量。
表示所有RESs的索引集。
电能储存***ESS、热能储存***HES的约束模型如下所示:
式中,
是存储的ε类型能量。
分别表示充电和放电效率。λ是松弛变量。
电动汽车充放电模型如下所示:
式中,
和
分别为ith电动汽车t时刻的充电量和放电量。
是充电比率。
是二元变量,
表示t时刻电动汽车正在充电。
和
分别表示电动汽车的充电和放电效率。
和
分别表示电动汽车的初始容量、最小容量和最大容量。
和
分别表示EVs到达和离开充电桩的时间点。
表示EVs与电网连接的时隙。
为常数。
为供选择的充电比率;
能源管理优化模型包括能源价格优化模型、绿色能源利用率优化模型、能源损耗优化模型、能源质量优化模型。
其中,能源价格优化模型的目标函数如下所示:
式中,Jday表示能源价格。
式中,
是正成本系数。
分别为第i个MEC在t时刻输入的电能和热能。
为第i个MEC在t时刻的输入气体能源。
是第i个MEC存储的电能;
是第i个MEC中电动汽车t时刻的充电量;
是第i个MECt时刻热能储存量;
能源价格优化模型的约束条件如下所示:
(6)-(10) (34)
(11)-(13) (35)
(15)-(18) (37)
(19)-(23) (38)
式中,
分别为第i个MEC在t时刻的输出电能和热能。
与
为第i个MEC的电气负荷和电动汽车总数。
分别为电能、热能和气体能源部输入/输出的下限和上限。
表示第i个MEC的电能供应/生产类型;
表示第i个MEC的热能供应/生产类型;
表示第i个RES在t时刻预计生产量;
表示第i个RES在t时刻的消耗量;
表示所有RESs消耗的总量;
分别为第i个MEC电能储存***和热能储存***的能量;
表示电能需求类型;
为热能需求类型;
为第i个MEC热负荷总数;
为气体能源需求类型;
为第i个MEC气体能源负荷总数。
其中,绿色能源利用率优化模型的目标函数如下所示:
式中,Dday为绿色能源利用率。λ1为系数。
绿色能源利用率优化模型的约束条件如下所示:
(27)-(30) (40)
(34)-(38) (44)
式中,常数ξi>0。参数ζi<1。
其中,能源损耗优化模型的目标函数如下所示:
式中,
为能源损耗。
与
是MECs之间的电能和热能交换。
能源损耗优化模型的约束条件如下所示:
(27)-(36) (46)
(17)-(18) (49)
(19)-(23) (50)
式中,
表示第i个MEC的ε型能源供应/生产类型。
表示ε型能源需求类型。ε∈{e,g,h}表示电、气、热的能源类型。时间
是t时刻存储的ε类型能量。
分别表示充电和放电效率。
是t+1时刻存储的ε类型能量。
是t时刻存储的ε类型能量最大值。
其中,能源质量优化模型的目标函数如下所示:
式中,G
day表示能源质量。上标“~”表示预测值。
表示电动汽车的预计充电量。
表示预测的电能需求类型和热能需求类型。
能源质量优化模型的目标函数的约束条件如下所示:
(27)-(30) (52)
(33)-(36)(55)
(17)-(18) (58)
(19)-(23) (59)
式中,λ是松弛变量。
实施例2:
参见图1至图5,基于多智能体***最优用户集群的多能源社区中的多目标能源管理***,内容如下:
本实施例所提出的基于MAS的MEC结构如图1所示。MEC图由各种能源供应智能体组成,包括构成虚拟能源中心的PV智能体、WT智能体、ESS智能体、热智能体和燃气智能体;相关负载智能体表示热负载、电负载和燃气负载。虚拟能源中心可以根据能源中心的实时需求,发挥能源供应和负荷的双重作用。与每个单元相关联的智能体负责收集本地信息、转换信息、制定能源调度方案和执行能源管理决策。同时,CEMS将负责预测日前负荷,收集所有发电/需求信息,并做出能源管理决策。例如,能源中心可以将其多余的电力出售给其他能源中心以获得额外利润,或者在能源短缺的情况下从其他能源中心购买能源。在此框架中,假设单个MEC形成一个能源中心。同时,MEC将通过一个稀疏通信网络与相邻的MEC进行通信,从而实现总能源管理目标和本地调度目标。并且所有的能源产生单元、能源消耗者、ESSs和EMSs都由一个智能体来表示,智能体具有数据采集、信息传播、存储和命令执行的功能。因此,CEMS将能够收集本地的需求和供应信息,用于日前负荷预测和用户行为分析,从而获得定制的能源解决方案。
假设MEC的一个正常运行日,一天中的时隙定义为
***节点用
来表示;每个节点用定义为
ε∈{e,g,h}表示电、气、热的能源类型。同时,
表示第i个MEC的ε型能源供应/生产类型;反之,
表示ε型能源需求类型。因此,对于图1中的热电联产(CHP)中心,其约束模型如下所示:
其中
表示将ε
1类型能源转换为ε
2类型能源的效率;是
电力输出的最大斜率。
对于图1中的电热泵(EHP),其约束模式的形式与式(1)中给出的相似,其精确形式为
在所提出的框架中,假定MEC中主要由太阳能板组成的可再生能源***(RESs)是可用的。RESs的拥有者有权自行决定将其能量储存或出售。因此,RESs满足以下等式
其中
表示第i个RES在t时刻的消耗量;
表示第i个RES在t时刻预计生产量;
表示所有RESs消耗的总量;
表示所有RESs的索引集。
除此之外,在MECs中,电能储存***(ESS)和热能储存***(HES)被假定为能量过剩或短缺的能量缓冲器。ESSs既可以充电也可以放电,它们的能量传递方程为
其中,
是存储的ε类型能量;
分别表示充电和放电效率;λ是松弛变量。
现代社会越来越多消费者购买电动汽车。虽然电动汽车减少温室气体和气体污染物的表现良好,但它给MECs的电力运营者带来了更多的挑战。用
和
分别表示EVs到达和离开充电桩的时间点;
表示EVs与电网连接的时隙,于是EV充放电模型表示为
式中
和
分别为ith电动汽车t时刻的充电量和放电量;
是充电比率满足
是二元变量,
表示t时刻电动汽车当时正在充电,反之亦然;
和
分别表示电动汽车的充电和放电效率;
和
分别表示电动汽车的初始容量、最小容量和最大容量。
假设集群i的ε型能量消费特征为
ε型能源的第i个集群和第j个集群之间的Pearson相关性为
ε型能源的第i个集群中之间第p个和第q个时间节点的Pearson相关性为
ε型能源的第i个集群和第j个集群之间平均值的协方差是cov
ε(i,j),
表示ith集群的标准差,然后本实施例可以得到。
本实施例分别定义
和
为两个集群之间以及同一集群内两个时序剖面之间的关联矩阵。
和
的特征值分别是
和
其中特征值的熵定义为
对于ε类型能量,定义不同簇之间以及同一簇内不同时序之间的相似性度量为
需要注意的是,提出的相似性度量
和
确定两个簇的平均时序或同一簇中的两个独立时间序列的相似程度。如果相似性度量较大,则两个时间序列高度相关,反之亦然。因此,相似性度量有助于识别新的ε类型能源分布是否属于特定的集群。
本实施例提出以下综合特征值熵(CEE)指标
其中
是指所有三种能源类型的相似性度量的总和ε∈{e,g,h};μ>0是一个常数,以避免CEE的过冲。在这个框架中,CEE有助于形成不同集群间的差异水平,即CEE值越大,差异水平越低,集群效果越差;CEE值越低,差异水平越高,集群效果越好。
本研究能够根据消费者自身的状况和行为特征,优化消费者的能源使用模式。首先,提出了一种新的基于熵的用户集群方法,以实现对消费者的最优划分。在此基础上,提出了四个能源管理优化问题,以降低能源价格、最大化使用绿色能源、减少能源损失和提升能源质量的目标。同时,提出了四个目标的协调策略。实现了对能源消费者的分级与协调。
本发明提出了四个能源管理目标其中降低能源价格的优化问题的模型公式如下:
约束条件为
(1a)-(1e) (11h)
(2a)-(2c) (11i)
(4a)-(4d) (11k)
(5a)-(5e) (11l)
其中
式中
分别为ithMEC在t时刻的输入和输出电能和热能;
为ithMEC在t时刻的输入气体能源;
与
为ith MEC的电气负荷和电动汽车总数;
分别为电能、热能和气体能源部输入/输出的下限和上限,
是正成本系数。
本发明提出了四个能源管理目标中提升绿色能源利用率的优化问题的模型公式如下:
约束条件为
(11a)-(11d) (14a)
(11h)-(11l) (14e)
式中,λ1是一个适当的系数使式(13)中的第一项和第二项具有相同的数量级,从而使燃气和电力消耗的变化量对优化目标具有相似的影响;0<ξi,ζi<1是常数参数用于降低电和热交换的上限,从而消耗本地热能,更少的从电网获得电能。为了实现真正的绿色生活,可再生能源应尽量在本地消耗。
本发明提出了四个能源管理目标中降低能源损耗的优化问题的模型公式如下:
约束条件为
(11a)-(11j) (16a)
(4c)-(4d) (16d)
(5a)-(5e) (16e)
式(15)中
与
是MECs之间的能量交换。由于能源管理方案无法减少主电网损耗,因此有必要减少MECs之间的能量交换。在式(16a)-(16d)中,唯一的区别是,MECs中ESS和HESs的约束放松,以便进一步利用ESS和HESs的能量,以满足局部热电需求。
本发明提出了四个能源管理目标中提升能源质量的优化问题的模型公式如下:
约束条件为
(11a)-(11d) (18a)
(11g)-(11j) (18d)
(4c)-(4d) (18g)
(5a)-(5e )(18h)
其中上标“~”表示预测值。例如,
指电动汽车的预计充电量。
实施例3:
基于多智能体***最优用户集群的多能源社区中的多目标能源管理***,内容如下:
在同一个MEC中,将有多个具有不同能源使用概况和偏好的消费者集群。因此,对这四个优化目标进行了协调组织,以使其适用于具有混合消费集群的多个MEC。
提出的四个优化目标的协调策略如图3所示。在为HEMS分配能量储备时,优化目标4)(能源质量)将被优先考虑,因为只有能量储备足够,才能确保高能量质量。因此,优化目标4)将首先在分配家庭能源储备时完成,能源曲线将位于总能源曲线的底部,如图3所示。同时,将保留一个可调范围,可由ESSs和HESs或***后备能源提供。在目标4)之后,目标1)(能源价格)将在目标3)(能源损耗)之前完成。由于目标1)在某种程度上与目标3)相矛盾,通过解决目标1)来增加能量交换是不可避免的。因此,只有在满足账单最小化的目标后,通过消耗局部能量将能量交换限制在最低水平,才能实现目标1)和3)的共存。最后一个优化目标是目标2)(绿色能源利用率),因为它将尽可能多地利用剩余的绿色能源。与目标1)、3)和4)相比,目标2)更容易实现。因此,将最后安排能源分配以实现目标2)。
MAS具有灵活性、可扩展性、社会性和自主性等优点。因此,它是解决MECs和智能家居的能源管理问题的一个很有前景的解决方案。本发明中使用的MAS如图4所示。在图4中,设计了一个三层结构来形成能源调度方案,包括Simulink层、配位层和JADE层。在Simulink层,设计了Simulink模型、数据采集模块和集群模块。对能源用户的能源消费行为进行监测,作为集群的基础。集群结果反映在具有特定优化目标的单个家庭用户的分配上。只要消费者聚集在一起,他们的家用电器将由HEMS管理,HEMS从CEMS接收能量分配解决方案。第二层,即配位层,包含MAS控制仿真扩展(MACSimJX)模块,用于在TCP/IP协议下调节代理和与Windows通信。MACSimJX模块由智能体任务组(ATF)和智能体环境(AE)组成。同时,设计了一个协调单元,用于协调Simulink和JADE层。此外,还设计了一个负荷预测单元,对日前的电能负荷进行预测,使其输出能有效地解决优化问题。
第三层是JADE层,它包含一个代理管理***和所需的代理,包括DG智能体(DGA)、协调智能体(CA)、需求智能体(DA)、公用电网智能体(UGA)、ESS智能体(ESSA)、HES智能体(HESA)以及市场清算引擎智能体(MCEA)。其中,MCEA用于生成可再生能源***(RESs)的市场结算价格和来自MECs的热能。在竞争激烈的能源市场中,市场结算价格的任务是将可再生能源或热能的总量分配给能源消费者的总量。在本研究中,将考虑双边竞价机制,其中所有出售或购买能源的出价将根据能源类型的边际成本定价。
利用先前开发的集群方法和MAS框架,MOEM将用MAS执行,实现MOEM的步骤如图5所示。在图5中,将开始10个程序以优化家庭能源的利用。箭头的根端是指参与交互的代理或组件,最后的箭头尖是指接收传递的信息或命令的组件。例如,步骤(1)开始于DA和HESA将用户数据发送到CEMS以进行消费者集群。随后,CEMS进行日前负荷预测,预测结果将发送给DGA、USA和HESA。步骤(3)从AE和ATF初始化开始,并将决定通知CA。在步骤(4)中,MCEA将初始化能源供应商的市场运作。然后,MCEA向这些能源供应商发出投标请求,并将投标数据反馈给MCEA。在步骤(7)中,优化目标(1)-4)将由CEMS执行,并且随后将结果交付给HEMS以在步骤(8)和(9)中执行。在收到来自CEMS的解决方案后,HEMS将通过控制家用电器来执行命令,并改变能源消耗模式,以满足能源消费者的需求和优化目标。同时,CEMS将控制DGA、UGA、ESSA和HESA,以实现供需平衡。最后,将调度结果发送回HEMS。