【技術實現步驟摘要】
本專利技術屬于微電網協調控制，具體是一種融合數字孿生模型的微電網多智能體協調控制系統。
技術介紹
1、就目前的發展形勢來說以光伏、風力發電等清潔能源為主的微電網在現實生活中得到廣泛應用。微電網系統的應用不僅減少了線路損耗和輸電成本，而且減少發電污染的排放量。但是微電網分布式電源發電的穩定性、可靠性與傳統電網相比由于本身較為復雜，因此協調控制能力差。難以滿足未來智慧能源系統運行控制的需要。
2、目前在電力數字孿生中需要進行大量計算預測數據，而在對預測數據進行計算時，大部分是通過建立線性回歸模型以確定預測發電量等參數，但是對于微電網中的預測參數會受到天氣的因素影響較大，因此對于發電量和負荷量的預測精度有限，難以準確反映電網的實際運行狀況，導致預測結果與實際發電量存在較大偏差，以影響后續進行協調控制的策略。
技術實現思路
1、本專利技術旨在至少解決現有技術中存在的技術問題之一；為此，本專利技術提出了一種融合數字孿生模型的微電網多智能體協調控制系統，用于解決預測結果與實際發電量存在較大偏差，以影響后續進行協調控制的策略的技術問題，本專利技術通過對清潔能源的發電量和負荷量的預測以人工智能模型構建的預測模型進行預測，并且以微電網設備在運行時的運行數據和氣象數據為輸入數據解決了上述問題。
2、為實現上述目的，本專利技術的第一方面提供了一種融合數字孿生模型的微電網多智能體協調控制系統，包括：數據采集模塊、數字孿生模塊、數據處理模塊和控制模塊；
3、所述數據采集模
4、獲取若干微電網設備之間的連接關系和參數數據；
5、所述數字孿生模塊：基于微電網設備之間的連接關系和參數數據建立微電網的數字孿生模型；
6、所述數據處理模塊：基于將氣象數據和運行數據輸入至預測模型，得到預測發電量和預測負荷量；其中，預測模型基于人工智能模型建立；以及，
7、基于數字孿生模型、預測發電量和預測負荷量獲取最優控制決策；
8、所述控制模塊：用于將最優控制決策發送至下發至源控制器。
9、需要說明的是，參數數據包括若干微電網之間的物理模型數據、傳感器數據以及各微電網設備的狀態數據等必要參數，而上述的預測發電量為光伏風力等新能源發電量預測數據。
10、優選的，所述微電網的數字孿生模型基于“源-網-荷-儲”的微電網智能體數學模型構建。
11、優選的，所述預測模型基于人工智能模型建立，包括：
12、從歷史數據庫中提取微電網在運行時運行數據、氣象數據以及對應的發電量和負荷量；其中，運行數據包括發電數據、用電數據和環境數據，氣象數據包括平均溫度、相對濕度、日照時長和平均風速；
13、基于循環神經網絡并引入注意力機制構建待訓練的預測模型；
14、將運行數據、氣象數據、發電量和負荷量構建成基礎數據集；
15、利用基礎數據集對待訓練的預測模型進行訓練，得到輸入為運行數據和氣象數據，輸出為預測發電量和預測負荷量的預測模型。
16、需要說明的是：訓練集、檢驗集和補充練習集的比例根據訓練情況進行獲取。
17、優選的，所述利用基礎數據集對待訓練的預測模型進行訓練，包括：
18、步驟一：將基礎數據集中a％的數據作為訓練集對待訓練的預測模型進行訓練；其中，a為正數；
19、步驟二：將剩余數據中b％的數據作為檢驗集對訓練后的預測模型進行檢驗之后獲取檢驗精度；其中，b為正數，且a＞b，檢驗精度的指標可用平均相對絕對誤差等指標進行評判；
20、步驟三：判斷檢驗精度是否達到精度閾值；是，則停止訓練；否，則將剩余數據中b％的數據作為訓練集對預測模型繼續進行訓練，并跳轉至步驟二。
21、需要說明的是基礎數據集包括：訓練集、檢驗集和補充練習集，訓練集用于對待訓練的預測模型進行訓練，檢驗集用于對訓練后的預測模型進行檢驗，補充練習集用于對訓練后的預測模型但未達到需求的預測模型進行再次訓練。
22、優選的，所述基于數字孿生模型、預測發電量和預測負荷量獲取最優控制決策，包括：
23、s1：計算預測發電量與預測負荷量之間的差值，得到補充負荷量；判斷補充負荷量是否大于0；是，則跳轉至s2；否，則將預測發電量和預測負荷量輸送至控制儲能模塊和用戶端；
24、s2：設置約束條件其中，為補充負荷量，qt為當前時間儲能設備的電量，q2min為儲能設備的最小電量，q2max為儲能設備的最大電量，qgen為燃料發電設備的總供電量，qbuy為從電網購買的電量，qsell為向電網出售的電量，qess為儲能的充放電量(正為放電，負為充電)；
25、s3：對優勝種群規劃、臨時種群規模、迭代次數、種群策略個數、初始權重和優化精度進行設置，并設定優化目標；
26、s4：基于補充負荷量和mea優化算法對種群產生若干條運行策略，將運行策略分別輸入至數字孿生模型模擬運行，得到若干模擬結果；比較若干模擬結果的適應值大小，并選出最優運行策略。
27、優選的，所述優化目標，包括：
28、式中，n為燃料發電設備的個數，m為污染物類型個數，i為當前燃料發電設備的序號，k為當前污染物的序號，ci,k為燃料發電設備i在污染物類型為k時的單位處理成本，αi,k為燃料發電設備i在排放污染物類型為k時的排放比例系數，pi為燃料發電設備i的發電量；βi為燃料發電設備i在單位時間內的平均消耗量，ti為燃料發電設備i的發電時間，di為燃料發電設備i所使用燃料的成本，cbuy為向電網購買電單價，csell為向電網售電單價，f1為處理污染物所需成本，f2為燃料發電設備所需成本，f3為電網購電成本。
29、需要說明的是，上述中的單位時間可以為一天或一個小時，f1表示環境保護成本，f2表示燃料發電成本，f3為電網購電成本，通過計算f1、f2與f3之和即適應值的最小值，可以最小化成本。
30、與現有技術相比，本專利技術的有益效果是：
31、1.本專利技術中，對清潔能源的發電量和負荷量的預測以人工智能模型構建的預測模型進行預測，并且以微電網設備在運行時的運行數據和氣象數據為輸入數據，能夠更為貼合實際的天氣狀況和運行狀態，而且在對預測模型進行訓練時，將數據庫中數據量為基礎量以遞減的方式進行訓練和驗證，在達到預設的精度要求后停止訓練，通過該種方式不僅能夠加快訓練速度，也能夠保證該預測模型的精度，進一步降低預測結果與實際發電量存在較大偏差的問題。
32、2.本專利技術中，在獲得最優控制決策時，以為優化目標，并選取若干運行策略中f1、f2、f3之和的最小值能夠獲取最小成本，以實現保證微電網為用戶端進行正常供電，同時保持燃料資源的使用成本和維護成本最低，已實現優化資源調度，實現系統的經濟運行和環境保護。
本文檔來自技高網...【技術保護點】
1.一種融合數字孿生模型的微電網多智能體協調控制系統，包括：數據處理模塊以及與之連接的數據采集模塊、數字孿生模塊，其特征在于，所述數據采集模塊：用于收集微電網在運行時的運行數據和氣象數據；以及，
2.根據權利要求1所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述微電網的數字孿生模型基于“源-網-荷-儲”的微電網智能體數學模型構建。
3.根據權利要求1所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述預測模型基于人工智能模型建立，包括：
4.根據權利要求3所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述利用基礎數據集對待訓練的預測模型進行訓練，包括：
5.根據權利要求1所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，基于數字孿生模型、預測發電量和預測負荷量獲取最優控制決策，包括：
6.根據權利要求5所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述優化目標，包括
7.根據權利要求1所述的一種融合數字孿
...【技術特征摘要】
1.一種融合數字孿生模型的微電網多智能體協調控制系統，包括：數據處理模塊以及與之連接的數據采集模塊、數字孿生模塊，其特征在于，所述數據采集模塊：用于收集微電網在運行時的運行數據和氣象數據；以及，
2.根據權利要求1所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述微電網的數字孿生模型基于“源-網-荷-儲”的微電網智能體數學模型構建。
3.根據權利要求1所述的一種融合數字孿生模型的微電網多智能體協調控制系統，其特征在于，所述預測模型基于人工智能模型建立，包括：
4.根據權利要求3所述的一種融合...
【專利技術屬性】
技術研發人員：徐瑜，段志軒，周龍生，
申請(專利權)人：合肥原力眾合能源科技有限公司，
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。