【技術實現步驟摘要】
本專利技術涉及電力系統管理，尤其涉及基于多智能體模仿學習的混合儲能微電網能量管理方法。
技術介紹
1、微電網能量管理的意義在于合理控制電網的運行狀態，智能調度各種儲能裝置及可控負荷，從而在滿足負荷需求條件下最大化微電網運營的經濟效益，例如，在高電價或電網擁堵時充分利用低成本可再生能源及智能調控儲能裝置的充放電操作，提高本地能源利用率，并可將多余電力售回電網。
2、傳統上此類微電網能量管理問題的解決方案依賴數值優化算法，比如混合整數線性規劃或非線性規劃方法。
3、然而，這種方案極其依賴對系統中諸多不確定因素（如可再生能源產能及實時電力市場價格）的準備預測，為了減小預測偏差對能量管理的影響，出現了諸如隨機規劃、魯棒優化之類的先進技術，但是這兩種技術對計算量的要求極高，只支持離線規劃，不利于微電網依據實時狀態做出實時決策，后續提出的基于單智能體或多智能體的強化學習方案使問題得到部分改善，但是由于強化學習固有的試錯訓練模式導致數據利用效率低、計算硬件要求高、訓練周期過長。
4、因此，有必要設計一種新的混合儲能微電網智能能量管理方法，以克服上述缺點。
技術實現思路
1、基于上述目的，本專利技術提供了基于多智能體模仿學習的混合儲能微電網能量管理方法。
2、基于多智能體模仿學習的混合儲能微電網能量管理方法，包括以下步驟：
3、s1，數學建模：對微電網各組件進行分析與建模，構建具有混合儲能裝置和實時電價的微電網模型，包括混合儲能裝置模型、
4、s2，構建混合整數線性規劃問題：根據建模所得各項約束及運營成本構建數學優化問題，并通過分段線性函數逼近非線性約束，形成混合整數線性規劃問題，混合整數線性規劃問題調度周期為t步；
5、s3，問題分解：設各儲能裝置的最優動作已知，將t步優化問題分解為t個單步優化問題；
6、s4，構建專家數據集：利用歷史數據構建每日的狀態和動作對應數據集，以供深度學習模型訓練使用；
7、s5，深度模仿學習：為每個儲能裝置獨立建立以深度神經網絡為核心的智能體，并采用模仿學習方法對每個智能體的深度神經網絡進行訓練；
8、s6，在線能量調度：在每一時間步，根據實時測量狀態由多智能體預測各儲能裝置在當前時間步的最優決策動作，并利用單步優化方法得到其余決策變量的最優解。
9、進一步的，所述混合儲能裝置包括電池儲能裝置和氫儲能裝置，發電系統模型的能量來源為可再生能源，發電系統模型包括太陽能光伏系統模型和風力渦輪機系統模型。
10、進一步的，所述電池儲能裝置的操作包括充電和放電，充電和放電的功率分別表示為和，所述充電和放電的最大功率約束條件表示為：
11、；
12、；
13、所述電池儲能裝置通過引入二元變量標記電池儲能裝置的充、放電狀態，若時，電池儲能裝置為充電狀態，若時，電池儲能裝置為放電狀態；
14、所述電池儲能裝置的充電和放電功率限制約束條件表示為：
15、；
16、；
17、所述電池儲能裝置中存儲的能量在時刻的約束條件表示為：
18、；
19、其中，、分別表示為時刻和時刻電池儲能裝置中存儲的能量，和分別代表電池儲能裝置的充電和放電效率；
20、所述的約束條件表示為：
21、；
22、其中，和分別為電池儲能裝置允許的最大能量容量和最小能量容量；
23、所述電池儲能裝置需要將儲能程度穩定在預定水平，限定能量水平在一天結束時到達固定值，即，則；
24、所述電池儲能裝置的運營成本建模表示為：
25、；
26、其中，為電池儲能裝置的運營成本，和分別表示充電和放電功率的單位運行成本比；
27、所述氫儲能裝置包括電解槽、儲氫罐以及燃料電池，氫儲能裝置充電功率和放電功率分別表示為和，所述氫儲能裝置通過引入二元變量標記氫儲能裝置的充、放電狀態,若時，氫儲能裝置為充電狀態，若時，氫儲能裝置為放電狀態；
28、所述氫儲能裝置充電和放電功率的限制約束條件表示為：
29、；
30、；
31、所述電解槽和燃料電池中氫氣生成和消耗均與儲氫罐中氫氣的動力學相關，表示為：
32、；
33、其中，、分別表示時刻和時刻儲氫罐中的氫氣水平，表示電解槽中氫氣的產生率，表示燃料電池中氫氣的消耗率，和分別表示輸入到電解槽的功率以及從燃料電池輸出的功率；
34、所述的約束條件表示為：
35、；
36、其中，和分別為儲氫罐允許的最大氫氣水平；
37、所述氫儲能裝置的能量在一日內需要穩定在預定水平，即在一天結束時達到固定值，則；
38、所述氫儲能裝置的運營成本建模表示為：
39、；
40、其中，表示當氫儲能系統通過電解槽充電時的單位時間操作成本，表示當通過燃料電池放電時的單位時間操作成本。
41、進一步的，所述發電系統模型中的太陽能光伏系統模型和風力渦輪機系統模型產生的總功率的計算公式為：
42、；
43、所述可控負載模型通過降低部分負載需求以減少運行成本，并對降低的部分征收懲罰費用，懲罰費用模型表示為：
44、；
45、其中，表示懲罰費用，表示懲罰因子，表示減載功率。
46、進一步的，所述微電網與公共電網進行電力交換，通過引入買賣電模式二元變量標記電力交換的買電、售電行為，電力交換的電功率約束條件表示為：
47、；
48、；
49、其中，表示從公共電網買電功率，表示向公共電網售電功率；
50、所述微電網與公共電網的電力交換成本表示為：
51、；
52、其中，表示電力市場中的購買價格，為折扣因子；
53、所述微電網通過構建供需平衡約束使得電網中能源產生與消耗相匹配，供需平衡約束表示為：
54、；
55、其中，和分別是電池儲能裝置和氫儲能裝置的數量，是時刻的總需求。
56、進一步的，所述s2中的構建混合整數線性規劃問題包括：
57、s21，定義微電網的總運營成本：設一天時間為步，在任意一個時間，微電網的總運營成本的計算公式為：
58、；
59、其中，為微電網的總運營成本；
60、s22，獲取全局優化問題：全局優化問題滿足所有約束條件的情況下將總運營成本降至最低，全局優化問題表示為：
61、；
62、；
63、其中，代表的二維決策向量，包含個時間步長上的所有決策向量，即，為在時刻的初始決策變量；
64、表示為：
65、；
66、；<本文檔來自技高網...
【技術保護點】
1.基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述混合儲能裝置包括電池儲能裝置和氫儲能裝置，發電系統模型的能量來源為可再生能源，發電系統模型包括太陽能光伏系統模型和風力渦輪機系統模型。
3.根據權利要求2所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述電池儲能裝置的操作包括充電和放電，充電和放電的功率分別表示為和?，所述充電和放電的最大功率約束條件表示為：
4.根據權利要求3所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述發電系統模型中的太陽能光伏系統模型和風力渦輪機系統模型產生的總功率的計算公式為：
5.根據權利要求4所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述微電網與公共電網進行電力交換，通過引入買賣電模式二元變量標記電力交換的買電、售電行為，電力交換的電功率約束條件表示為：
6.根據權利要求5所述的基于多智能體模仿學習的
7.根據權利要求6所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述S3中的問題分解包括：
8.根據權利要求7所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述S4中的構建專家數據集包括：
9.根據權利要求8所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述S5中的深度模仿學習采用均方誤差作為損失函數，利用專家數據集以監督學習方式訓練儲能裝置智能體的深度神經網絡，均方誤差表示為：
10.根據權利要求9所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述S6中的在線能量調度包括：
...【技術特征摘要】
1.基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述混合儲能裝置包括電池儲能裝置和氫儲能裝置，發電系統模型的能量來源為可再生能源，發電系統模型包括太陽能光伏系統模型和風力渦輪機系統模型。
3.根據權利要求2所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述電池儲能裝置的操作包括充電和放電，充電和放電的功率分別表示為和?，所述充電和放電的最大功率約束條件表示為：
4.根據權利要求3所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述發電系統模型中的太陽能光伏系統模型和風力渦輪機系統模型產生的總功率的計算公式為：
5.根據權利要求4所述的基于多智能體模仿學習的混合儲能微電網能量管理方法，其特征在于，所述微電網與公共電網進行電力交換，通...
【專利技術屬性】
技術研發人員：高樹華，王靜，王正方，秦澤坤，劉元彬，
申請(專利權)人：山東大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。