一种用于微电网经济调度的分布式粒子群算法

随着微电网技术在电力系统中的应用愈加广泛,协调微电网内部分布式电源的出力分配以提高经济性成为了研究的重要课题。目前主流的经济调度方法是微电网调度中心利用全网微电源及负荷的信息进行调度,但这种集中式的方法依赖调度中心的计算能力,对微电源与调度中心之间通信要求较高,且与微电网的分布式特性相违背。提出一种完全分布式的并行调度方法,各分布式电源作为独立的智能体,平等地参与调度工作,利用自身与邻居节点之间的势能博弈,基于粒子群算法优化自身的出力,进而实现全网经济性最优的目标。在MATLAB平台上搭建了独立微电网优化调度模型,验证了所提出方法的可行性,并讨论了相关参数的变化对于调度结果的影响。     

数字孪生驱动下微电网多智能体协调控制优化

传统微电网系统设备分时控制能力差,存在协同控制不足的问题。对此,提出采用思维进化算法优化多智能体控制系统。首先基于“源-网-荷-储”概念提出微电网多智能体模型,并优化目标环保成本与运维成本;然后在数据分析的基础上,通过历史光伏发电功率数据与当日气象数据,构建分布式“源”功率预测模型;最后采用思维进化算法对智能体种群调度策略的适应值进行趋同异化优化,迭代出最优种群调度策略。功率预测仿真结果表明,在类簇为3时,模型具有最高的预测精确性,较传统预测方法精度提升了5.6%;控制策略仿真结果表明,MEA算法的微电网协调控制决策优化后,提高多智能体协同控制能力,降低了环保成本与运维成本。     

基于模型预测控制的含多微电网的能源互联网分布式协同优化

研究了预测不确定性条件下含多个微电网的能源互联网分布式协同调度策略.各微电网都拥有多种智能负荷,如功率可调负荷、可调度负荷和关键负荷;部分微电网含有分布式电源,如微型燃气轮机、风电机组、光伏发电系统等;且部分微电网还拥有储能设备,如电池储能系统.每个微电网都可当做一个独立的实体,拥有自己的运行目标,这些运行目标可表示成混合整数规划模型.提出了基于并行分布式优化的博弈模型以较小的信息通信量协调各微电网带有竞争性的运行目标.在此基础上,引入模型预测控制（MPC）机制以降低能源互联网中风、光等可再生能源输出、负荷需求及电价波动的不确定性产生的不利影响.算例证明了本文所提方法的可行性和有效性.     

光伏新能源发电负荷不确定性补偿及微电网调度优化研究

针对传统光伏新能源发电负荷存在不确定性，导致微电网经济运行成本高，调度优化效果降低的问题，构建一个柔性负荷分级补偿的不确定微电网调度模型。首先，确定微电网调度优化模型的目标函数和约束条件；然后在粒子群优化算法PSO的基础上加入Logistic混沌映射算法，分别从粒子自身搜索行为、引入混沌变异机制和自适应调节惯性权重三个方面进行改进；最后通过混沌粒子群优化算法(CPSO)实现微电网调度模型求解。仿真表明，实施柔性负荷参与下的微电网调度后，IEEE33节点系统的经济成本和网损成本均有所下降。在三种模式下，模式一的运行经济成本仅为89 632.23元，相较于模式二和模式三分别低了4.1%和3.7%,机组运维成本和网损成本最低。因此，选用模式一柔性负荷不确定性补偿，通过其降低电网运行成本，减少电网负荷冲击和网络损耗，提高分布式光伏新能源的利用率，提升微电网调度优化效果。     

含随机负荷的微电网储能优化运行策略

供需两侧的随机性会对微电网的稳定运行产生影响,因此提出了一种调度策略以提高微电网的稳定性,降低运行成本。首先,利用蒙特卡罗方法建立电动汽车无序充电负荷模型,通过电量电价弹性矩阵确定电价与电动汽车充电负荷之间的函数关系。然后,建立微电网的运行成本、维护成本和污染治理成本最低的优化目标函数,结合可再生能源和负荷情况,分别使用双Q学习算法和Q学习算法设计调度策略,得到优化后的实时电价和调度方案。仿真结果表明,相比于Q学习算法,双Q学习算法在工作日和节假日情景下都得到了更加经济稳定的调度策略,且降低了微电网的经济成本。     

基于深度强化学习的微电网在线优化调度

提出一种基于深度强化学习的微电网在线优化调度策略.针对可再生能源的随机性及复杂的潮流约束对微电网经济安全运行带来的挑战,以成本最小为目标,考虑微电网运行状态及调度动作的约束,将微电网在线调度问题建模为一个约束马尔可夫决策过程.为避免求解复杂的非线性潮流优化、降低对高精度预测信息及系统模型的依赖,设计一个卷积神经网络结构学习最优的调度策略.所提出的神经网络结构可以从微电网原始观测数据中提取高质量的特征,并基于提取到的特征直接产生调度决策.为了确保该神经网络产生的调度决策能够满足复杂的网络潮流约束,结合拉格朗日乘子法与soft actor-critic,提出一种新的深度强化学习算法来训练该神经网络.最后,为验证所提出方法的有效性,利用真实的电力系统数据进行仿真.仿真结果表明,所提出的在线优化调度方法可以有效地从数据中学习到满足潮流约束且具有成本效益的调度策略,降低随机性对微电网运行的影响.     

智能船舶综合能源系统及其分布式优化调度方法

船舶航运污染是阻碍海洋经济发展、海洋强国建设的瓶颈问题. 智能船舶为航运业绿色环保发展提供了重要手段. 为进一步开发船载新能源, 提升能源综合利用效率, 降低船舶航运污染排放, 本文构建以能量优化调度系统为核心、以能源转换中心为枢纽的智能船舶综合能源系统; 考虑其特有的动力系统负荷需求、航行低污染排放量标准以及电?热多能流耦合供能特性, 建立智能船舶综合能源系统能量优化调度目标函数及相关约束条件; 并基于宽度学习、带有广义噪声的多智能体分布式优化相关理论, 提出可快速准确地预测全航程各时段负荷需求、可容纳复杂干扰的分布式优化调度方法, 实现高效的智能船舶综合能源系统能量优化调度, 保障智能船舶经济、可靠、稳定航行. 仿真分析验证了所提出智能船舶综合能源系统分布式优化调度方法的有效性.     

含电动汽车的智能配电网优化调度研究综述

常规的经济调度已不能满足可再生新能源和电动汽车随机接入所带来的挑战。为了解决接入配电网电动汽车数量逐渐增多和分布式电源并网问题。本文对含电动汽车的智能配电网优化调度进行了详细的分析。首先简要分析了电动汽车接入对电网造成的影响。其次本文从电动汽车接入电网的类型、电动汽车参与优化调度的目标、优化调度模型以及优化调度建模方法四个研究方面详细分析了电动汽车与智能配电网协调优化调度。从优化调度的结果分析可知,把电动汽车考虑进智能配电网的优化调度中能够有效的降低配电网的运行成本,使得车主的充电费用减少,并且提高了分布式电源的利用率。然后对大数据技术在智能配电网优化中的应用进行了简要的介绍。最后对电动汽车与智能配电网协调优化调度提出了展望。     

基于信-能复合调制的多母线直流 微电网电流边缘控制策略

尽管直流微电网内新能源的分布式电流均衡控制已经得到了广泛的研究,但实际直流微电网中的通信线路往往是不可靠或者不存在的.基于此,提出一种在无传统通信网络环境下的多母线直流微电网的电流边缘控制策略,以实现电流均衡.首先,设计面向直流微电网的信息-能量复合调制(information-energy dual modulation, IEDM)策略,消除传统的通信设备和通信网络线路,实现新能源电源之间的信息交互.其次,构建多母线直流微电网的状态方程模型,进而将其转化为标准的异构多智能体模型.基于此模型,提出直流微电网内二级控制器的多智能体H_∞边缘协同控制策略,同时基于IEDM策略,设计周期性动态事件触发通信协议.最后,通过半实物仿真测试系统验证所提出的基于信息-能量复合调制的多母线直流微电网的电流边缘控制策略的有效性.     

基于深度强化学习的随机资源受限多项目动态调度策略

目前对于随机工期的分布式资源受限多项目调度问题（SDRCMPSP）的研究较少且大多数为静态调度方案,无法针对环境的变化实时地对策略进行调整优化,及时响应频繁发生的动态因素。为此建立了最小化总拖期成本为目标的随机资源受限多项目动态调度DRL模型,设计了相应的智能体交互环境,采用强化学习中的DDDQN算法对模型进行求解。实验首先对算法的超参数进行灵敏度分析,其次将最优组合在活动工期可变和到达时间不确定两种不同条件下对模型进行训练及测试,结果表明深度强化学习算法能够得到优于任意单一规则的调度结果,有效减少随机资源受限多项目期望总拖期成本,多项目调度决策优化提供良好的依据。     

微电网的电流均衡/电压恢复自适应动态规划策略研究

含多类型分布式电源的微电网已经成为了未来电力系统的重要发展方向,其中风能和光能在降低化石能源消耗和二氧化碳排放等方面有着极大优势,考虑二者之间强互补性的协同调度已被广泛研究.但风/光协同调度的微电网多关注分钟级的调度或优化问题而非风/光波动下秒级的实时电流按容量比例精准分担,简称电流均衡,而精准电流均衡有助于可再生能源的高比例消纳.因此,本文提出了基于自适应动态规划的微电网电流均衡和电压恢复控制策略.首先,构建包含风电整流型电能变换器和光电升压型电能变换器的广义风光拓扑同胚升压变换器模型,其提供了后续控制器设计的模型基础.其次,本文将电流均衡和电压恢复问题转化为最优控制问题,基于此,每个能源主体的目标函数转化为获取最优控制变量和最小电压/电流控制偏差,进而转化为求解哈密顿?雅克比?贝尔曼(Hamilton-Jacobi-Bellman,HJB)方程问题.基于此,提出了基于贝尔曼准则的分布式自适应动态规划控制策略以求取HJB方程的数值解,最终实现电流均衡和电压恢复.最后仿真结果验证了所提分布式自适应动态规划控制策略的有效性.     

微电网的电流均衡/电压恢复自适应动态规划策略研究

含多类型分布式电源的微电网已经成为了未来电力系统的重要发展方向,其中风能和光能在降低化石能源消耗和二氧化碳排放等方面有着极大优势,考虑二者之间强互补性的协同调度已被广泛研究.但风/光协同调度的微电网多关注分钟级的调度或优化问题而非风/光波动下秒级的实时电流按容量比例精准分担,简称电流均衡,而精准电流均衡有助于可再生能源的高比例消纳.因此,本文提出了基于自适应动态规划的微电网电流均衡和电压恢复控制策略.首先,构建包含风电整流型电能变换器和光电升压型电能变换器的广义风光拓扑同胚升压变换器模型,其提供了后续控制器设计的模型基础.其次,本文将电流均衡和电压恢复问题转化为最优控制问题,基于此,每个能源主体的目标函数转化为获取最优控制变量和最小电压/电流控制偏差,进而转化为求解哈密顿?雅克比?贝尔曼(Hamilton-Jacobi-Bellman,HJB)方程问题.基于此,提出了基于贝尔曼准则的分布式自适应动态规划控制策略以求取HJB方程的数值解,最终实现电流均衡和电压恢复.最后仿真结果验证了所提分布式自适应动态规划控制策略的有效性.     

微电网耦合碳捕集封存与需求响应的多时间尺度鲁棒优化调度

随着可再生能源的普及,微电网成为了一个可持续能源供应的重要工具。然而,由于其源荷多不确定性和碳排放挑战,优化调度成为了一个难题。本文提出了一种基于储液式碳捕集封存和需求响应的多时间尺度鲁棒优化调度方法,旨在降低微电网的碳排放和提高其运行性能。该方法在日前阶段以1小时时间间隔进行调度,采用鲁棒优化处理不确定性中的低频分量,同时结合碳捕集技术和需求响应以促进调度计划的低碳经济性。日内阶段以15分钟时间间隔进行调度,采用模型预测控制跟踪并滚动修正日前鲁棒经济调度计划,以应对源荷预测误差和不确定性中的高频分量,确保微电网实际功率平衡。仿真分析表明,这种方法可以显著降低微电网的总成本和碳排放量,提高了微电网的运行性能和可持续性。     

多源多变换微电网系统建模与动态稳定分析方法

微电网内部电力电子变换器接口型分布式电源广泛存在.电力电子接口微源具备与传统电力系统电源拓扑结构、控制方法和动态特性的差异性,控制方法的多样性、电力电子接口微源高渗透率将给低惯量微电网的协调控制和安全稳定运行带来严峻的挑战.多类型微源、多类型负荷在微电网内混合共存,可能引发源源耦合交互、负荷间交互以及源荷交互,不同特性的设备间相互作用将重新塑造区别与传统电力系统的动态响应特性,并诱发稳定性问题.本文首先归纳总结可再生能源渗透率不断提升下多源多变换微电网典型运行特性和存在的稳定性问题,详细阐述了含风光柴储多源多变换接口的微电网模块化动态建模方法.在此基础上,给出了用于微电网动态稳定分析的特征值分析方法和基本步骤.以珠海东澳岛多源多变换智能微电网为对象,基于提出的动态建模方法和动态稳定分析方法,给出建模与分析讨论结果.论文对多源多变换微电网系统动态稳定分析方法的论述可为微电网的广泛推广和应用提供建模和分析理论基础.     

Distributed Secondary Control and Optimal Power Sharing in Microgrids

We address the control problem of microgrids and present a fully distributed control system which consists of primary controller, secondary controller, and optimal active power sharing controller. Different from the existing control structure in microgrids, all these controllers are implemented as local controllers at each distributed generator. Thus, the requirement for a central controller is obviated. The performance analysis of the proposed control systems is provided, and the finite-time convergence properties for distributed secondary frequency and voltage controllers are achieved. Moreover, the distributed control system possesses the optimal active power sharing property. In the end, a microgrid test system is investigated to validate the effectiveness of the proposed control strategies.      

基于深度强化学习的资源受限条件下的DIDS任务调度优化方法

在节点性能有限的边缘计算环境下进行分布式入侵检测系统(distributed intrusion detection system, DIDS)的任务分配,是一种典型的资源受限任务调度问题.针对该问题,提出基于深度强化学习的DIDS低负载任务调度方案.该方案将任务调度过程描述为马尔科夫决策过程(Markov decision process, MDP)并建立模型的相关空间和价值函数,找到保持DIDS低负载状态的最优策略.针对状态和动作空间过大且高维连续的问题,提出通过深度循环神经网络进行函数拟合.实验表明,所提出方案可使DIDS在网络变化中动态调节调度策略,保持系统整体的低负载,而安全指标没有明显降低.     

源荷不确定冷热电联供微网能量调度的建模与学习优化

针对含光伏,微型燃气轮机组等分布式能源的冷热电联供微网系统,研究源荷双侧不确定情况下多类型能量调度动态优化问题.首先,针对光伏出力和异类负荷的随机不确定性,将光伏和负荷的变化描述为连续马尔科夫过程;然后以决策时刻,负荷需求以及分布式能源出力的离散值为状态分量,以微型燃气轮机组启停行动和储能充放行动为动作分量,在分时电价模式下,以降低包括购电成本,燃料代价,启停代价等在内的日运行成本为调度优化目标,将源荷不确定冷热电联供微网系统调度动态优化问题描述为马尔科夫决策过程模型,并引入强化学习方法对该问题进行策略求解.最后通过算例仿真对不同策略进行了比较,验证了优化方法的有效性.     

A negotiation framework for linked combinatorial optimization problems

We tackle the challenge of applying automated negotiation to self-interested agents with local but linked combinatorial optimization problems. Using a distributed production scheduling problem, we propose two negotiation strategies for making concessions in a joint search space of agreements. In the first strategy, building on Lai and Sycara (Group Decis Negot 18(2):169–187, 2009), an agent concedes on local utility in order to achieve an agreement. In the second strategy, an agent concedes on the distance in an attribute space while maximizing its local utility. Lastly, we introduce a Pareto improvement phase to bring the final agreement closer to the Pareto frontier. Experimental results show that the new attribute-space negotiation strategy outperforms its utility-based counterpart on the quality of the agreements and the Pareto improvement phase is effective in approaching the Pareto frontier. This article presents the first study of applying automated negotiation to self-interested agents each with a local, but linked, combinatorial optimization problem.     

Decentralized Control for Residential Energy Management of a Smart Users' Microgrid with Renewable Energy Exchange

This paper presents a decentralized control strategy for the scheduling of electrical energy activities of a microgrid composed of smart homes connected to a distributor and exchanging renewable energy produced by individually owned distributed energy resources. The scheduling problem is stated and solved with the aim of reducing the overall energy supply from the grid, by allowing users to exchange the surplus renewable energy and by optimally planning users' controllable loads. We assume that each smart home can both buy/sell energy from/to the grid taking into account time-varying non-linear pricing signals. Simultaneously, smart homes cooperate and may buy/sell locally harvested renewable energy from/to other smart homes. The resulting optimization problem is formulated as a non-convex non-linear programming problem with a coupling of decision variables in the constraints. The proposed solution is based on a novel heuristic iterative decentralized scheme algorithm that suitably extends the Alternating Direction Method of Multipliers to a non-convex and decentralized setting. We discuss the conditions that guarantee the convergence of the presented algorithm. Finally, the application of the proposed technique to a case study under several scenarios shows its effectiveness.