基于分布式神經(jīng)動態(tài)優(yōu)化的綜合能源系統(tǒng)多目標優(yōu)化調(diào)度

1、基于分布式神經(jīng)動態(tài)優(yōu)化的綜合能源系統(tǒng)多目標優(yōu)化調(diào)度隨著全球能源危機的加劇, 包含太陽能、風(fēng)能等新能源, 并整合了電、氣、熱等多元產(chǎn)、用能源形式的綜合能源系統(tǒng), 憑借其節(jié)能、環(huán)保和靈活等特點受到了世界各國的廣泛關(guān)注. 近年來, 國內(nèi)外學(xué)者針對有關(guān)綜合能源系統(tǒng)的各種關(guān)鍵理論與工程技術(shù), 如優(yōu)化調(diào)度1、發(fā)電預(yù)測2、協(xié)同控制3等, 開展了大量的科學(xué)研究和理論分析工作并得到了豐碩的研究成果.與已有電、氣、熱等單一供能系統(tǒng)一樣, 在綜合能源系統(tǒng)的運行過程中, 如何實現(xiàn)其優(yōu)化調(diào)度是人們最為關(guān)注的問題之一, 即如何在滿足各機組單元運行約束的前提下, 通過優(yōu)化分配負荷需求并合理安排產(chǎn)能計劃實現(xiàn)系統(tǒng)運行總成本(經(jīng)

2、濟成本、環(huán)境成本等)最低4. 近年來, 針對綜合能源系統(tǒng)的優(yōu)化調(diào)度問題, 國內(nèi)外科研學(xué)者提出了許多成熟的解決辦法, 其總體上可以分為兩類, 即集中式方法和分布式方法. 其中, 集中式方法主要包括解析式算法和啟發(fā)式算法, 如迭代法、牛頓法和遺傳算法等. 1)解析式算法, 如: 文獻5提出了一種混合整數(shù)優(yōu)化方法解決具有多不確定性的綜合能源系統(tǒng)調(diào)度問題; 2)啟發(fā)式算法, 如: 文獻6提出了一種基于直接搜索方法(Direct search method, DSM)的解決綜合能源系統(tǒng)經(jīng)濟調(diào)度問題的新方法, 該算法可以處理發(fā)電機的非線性特性所帶來的問題. 集中式算法在獲得最優(yōu)解方面具有一定優(yōu)勢, 但存在

3、單點故障敏感、通信負擔較大和隱私泄露等缺點. 較之于集中式方法, 分布式方法可以利用稀疏的通信網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)網(wǎng)絡(luò)內(nèi)各組件的分散式協(xié)作, 可有效提高系統(tǒng)的魯棒性和靈活性, 并兼具保護隱私等優(yōu)點. 因此, 近年來基于分布式方法研究綜合能源系統(tǒng)的優(yōu)化調(diào)度問題, 已經(jīng)成為國內(nèi)外學(xué)術(shù)界的研究熱點. 文獻7提出了一種智能能源樞紐的分布式綜合需求響應(yīng)算法, 但它需要一個中央價格協(xié)調(diào)器和一個集中的通信網(wǎng)絡(luò)來更新當?shù)氐哪茉葱枨笮畔? 因而認為該算法是一種非完全分布式的方法; 文獻8針對多能源系統(tǒng)的優(yōu)化調(diào)度問題提出了一種基于一致性的分布式方法; 文獻9提出了一種針對多能源需求的兩層分布式優(yōu)化策略, 以優(yōu)化生產(chǎn)者的利

4、潤和用戶的舒適度. 然而, 文獻8和文獻9僅考慮了全局等式和局部不等式約束, 沒有討論電力線路傳輸約束等耦合約束; 文獻10提出了一種綜合能源系統(tǒng)經(jīng)濟運行的分布式優(yōu)化方法, 以適應(yīng)間歇性可再生能源發(fā)電. 但是它無法解決全局耦合的不可分離不等式約束, 所以沒有考慮電網(wǎng)傳輸損耗等因素的影響. 值得指出的是, 已有的研究成果大部分都是只考慮系統(tǒng)運行經(jīng)濟性的綜合能源系統(tǒng)單目標分布式優(yōu)化調(diào)度方法, 而在兼顧系統(tǒng)經(jīng)濟性與環(huán)境友好性的多目標分布式優(yōu)化調(diào)度策略的研究尚較為不足. 近期, 在多目標分布式優(yōu)化理論研究方面, 文獻11中提出了一種基于次梯度的多目標分布式優(yōu)化算法, 并討論了權(quán)重向量的選擇與帕累托前沿

5、(Pareto front)近似誤差之間的關(guān)系. 但是基于次梯度的方法需要減小步長才能得到精確的解, 這可能會限制算法的性能. 文獻12和文獻13分別提出了基于迭代增廣拉格朗日協(xié)調(diào)技術(shù)和擴散策略的多目標分布式優(yōu)化算法, 但是其算法處理的約束為等式約束和線性的不等式約束, 無法處理更具一般性的約束. 針對一類帶有一般性約束的非線性優(yōu)化問題, 文獻14提出了一種基于切換拓撲的多目標分布式神經(jīng)動態(tài)優(yōu)化方法. 該方法可以有效處理更為一般的約束, 且較之于現(xiàn)有多目標分布式優(yōu)化方法具有可并行計算、收斂速度快和易于硬件實現(xiàn)的優(yōu)點. 但是該算法在權(quán)向量的選取上采用了人為選定方式, 因而無法覆蓋整個權(quán)向量空間,

6、 且要求目標問題為凸優(yōu)化問題. 然而, 綜合能源系統(tǒng)的多目標優(yōu)化調(diào)度問題具有耦合性強和約束一般性強等特點, 并且在考慮能量傳輸損耗特性等因素時, 會造成目標問題具有非凸特性, 因此上述所提算法不能直接應(yīng)用于求解此類問題.針對一類綜合能源系統(tǒng)的優(yōu)化調(diào)度問題, 本文提出了一種基于分布式神經(jīng)動態(tài)優(yōu)化的多目標優(yōu)化調(diào)度方法. 首先, 建立了此類綜合能源系統(tǒng)兼顧系統(tǒng)經(jīng)濟性與環(huán)境友好性的多目標優(yōu)化調(diào)度模型, 該模型除考慮了系統(tǒng)能量平衡和設(shè)備特性約束等一般性約束外, 還同時考慮了系統(tǒng)能量傳輸損耗與網(wǎng)絡(luò)傳輸約束, 因而不同于大部分已有分布式優(yōu)化方法, 本文需要解決的是一類非凸的多目標優(yōu)化問題; 其次, 針對此類

7、問題, 本文提出了一種基于動態(tài)權(quán)重的分布式神經(jīng)動態(tài)優(yōu)化算法, 該算法不僅可以有效處理文獻10和文獻15中無法解決的全局耦合不可分離不等式約束, 進而解決能量傳輸損耗因素帶來的非凸問題, 而且可在動態(tài)權(quán)重系統(tǒng)的指導(dǎo)下生成不斷變化的權(quán)向量, 使得智能體輸出軌跡可涵蓋整個帕累托前沿, 進而有效解決此類非凸多目標優(yōu)化問題; 此外, 該算法僅要求每個智能體與自己鄰居節(jié)點交互部分信息來計算本地最優(yōu)解, 具有較高的靈活性和隱私性等優(yōu)勢. 最后, 本文搭建了15節(jié)點的綜合能源MATLAB仿真測試系統(tǒng), 通過2個仿真算例, 驗證了算法的正確性和有效性.ts,fB4 142.802700204801007 142.502700207801008 143.00270020880100表C5氣網(wǎng)網(wǎng)絡(luò)傳輸管道參數(shù) (MW)TableC5The parameters of gas network transmission pipelines (MW)管道Cij節(jié)點minimaxi節(jié)點minimaxi11 310310004000121000400011 41041000400011 71071000400011 12101210004000表C6各設(shè)備在不同運行方式下的功率 (MW)TableC6Power of each device under different operating mode