本發(fā)明涉及能源調(diào)度，更具體地，涉及一種分布式能源調(diào)度系統(tǒng)的自適應(yīng)多目標(biāo)優(yōu)化方法及裝置。

背景技術(shù)：

1、隨著全球能源結(jié)構(gòu)轉(zhuǎn)型的加速，可再生能源在能源系統(tǒng)中的比例顯著提升，分布式能源系統(tǒng)成為現(xiàn)代能源結(jié)構(gòu)的重要組成部分。分布式能源系統(tǒng)由多種能源形式(如太陽能、風(fēng)能、儲能裝置等)組成，具有分布式和動態(tài)化。這類系統(tǒng)不僅要滿足用戶負荷需求，還需要協(xié)調(diào)運行成本、能源效率和系統(tǒng)穩(wěn)定性之間的平衡。然而，由于可再生能源的間歇性、用電負荷的不確定性，以及設(shè)備運行狀態(tài)的動態(tài)變化，分布式能源調(diào)度面臨極大的復(fù)雜性和不確定性，亟需有效的優(yōu)化調(diào)度方法以確保系統(tǒng)的高效穩(wěn)定運行。

2、目前，分布式能源調(diào)度的方法主要以單一目標(biāo)優(yōu)化為主，例如以運行成本最小化或能源利用效率最大化為目標(biāo)。這些方法在單一優(yōu)化目標(biāo)的應(yīng)用場景下取得了一定的成效，但難以滿足分布式能源系統(tǒng)中多個目標(biāo)的綜合需求。近年來，部分研究嘗試采用多目標(biāo)優(yōu)化算法，如基于權(quán)重分配的加權(quán)優(yōu)化方法或pareto最優(yōu)解的方法，以實現(xiàn)對多個優(yōu)化目標(biāo)的權(quán)衡。然而，這些方法通常缺乏自適應(yīng)機制，無法根據(jù)系統(tǒng)狀態(tài)的動態(tài)變化靈活調(diào)整優(yōu)化策略，且在應(yīng)對動態(tài)負荷波動、設(shè)備故障或環(huán)境變化時表現(xiàn)出明顯不足。同時，現(xiàn)有方法在大規(guī)模數(shù)據(jù)處理和實時調(diào)度能力方面也存在計算效率低下和魯棒性不足的問題，難以滿足實際應(yīng)用需求。因此，現(xiàn)有技術(shù)在多目標(biāo)綜合優(yōu)化及應(yīng)對動態(tài)變化方面仍有較大的改進空間。

技術(shù)實現(xiàn)思路

1、本發(fā)明為克服現(xiàn)有分布式能源調(diào)度技術(shù)存在的缺乏自適應(yīng)機制，且計算效率和魯棒性低的缺陷，提出如下技術(shù)方案：

2、第一個方面，本發(fā)明提出一種分布式能源調(diào)度系統(tǒng)的自適應(yīng)多目標(biāo)優(yōu)化方法，包括：

3、s1：分別以調(diào)度成本、能源利用效率和系統(tǒng)穩(wěn)定性作為優(yōu)化目標(biāo)，構(gòu)建分布式能源調(diào)度系統(tǒng)的多目標(biāo)優(yōu)化的綜合目標(biāo)函數(shù)；

4、s2：獲取分布式能源調(diào)度系統(tǒng)的運行數(shù)據(jù)；

5、s3：根據(jù)運行數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)調(diào)整綜合目標(biāo)函數(shù)的參數(shù)權(quán)重，并利用遺傳算法和粒子群優(yōu)化算法對綜合目標(biāo)函數(shù)進行更新，生成候選調(diào)度方案；

6、s4：迭代執(zhí)行s2～s3，直至達到最大迭代次數(shù)或綜合目標(biāo)函數(shù)收斂，生成最終的調(diào)度方案。

7、作為優(yōu)選的技術(shù)方案，通過加權(quán)求和，構(gòu)建分布式能源調(diào)度系統(tǒng)的多目標(biāo)優(yōu)化的綜合目標(biāo)函數(shù)，其表達式如下所示：

8、

9、其中，n為優(yōu)化目標(biāo)的總數(shù)；fi(x)表示第i個優(yōu)化目標(biāo)的函數(shù)值，表示當(dāng)前調(diào)度方案在優(yōu)化目標(biāo)i上的評估值；ωi為第i個優(yōu)化目標(biāo)的權(quán)重。

10、作為優(yōu)選的技術(shù)方案，根據(jù)下式，調(diào)整綜合目標(biāo)函數(shù)的參數(shù)權(quán)重：

11、

12、其中，ωi(t+1)表示第i個優(yōu)化目標(biāo)在第t+1次迭代中的權(quán)重值；為第i個優(yōu)化目標(biāo)的初始權(quán)重值；δωi(t)為動態(tài)調(diào)整量；α為調(diào)節(jié)因子；fi(t)表示第i個優(yōu)化目標(biāo)在當(dāng)前迭代中的函數(shù)值，表示當(dāng)前調(diào)度方案在該目標(biāo)上的評估結(jié)果。

13、作為優(yōu)選的技術(shù)方案，各個優(yōu)化目標(biāo)的在當(dāng)前迭代中的函數(shù)值fi(t)包括：

14、調(diào)度成本目標(biāo)函數(shù)值：

15、

16、其中，l(t)為當(dāng)前時刻的系統(tǒng)負荷，lmax為系統(tǒng)允許的最大負荷，c(t)為當(dāng)前時刻的電價；

17、能源效率目標(biāo)函數(shù)值：

18、

19、其中，r(t)為前時刻的可再生能源發(fā)電量，rmax為可再生能源的最大發(fā)電量，s(t)為當(dāng)前時刻儲能系統(tǒng)的可用容量，smax為儲能系統(tǒng)的最大容量；

20、系統(tǒng)穩(wěn)定性目標(biāo)函數(shù)值：

21、

22、其中，g(t)為當(dāng)前時刻電網(wǎng)的穩(wěn)定性值，包括頻率偏移量和/或電壓波動范圍；gmax為電網(wǎng)允許的最大穩(wěn)定性值；q(t)為當(dāng)前時刻系統(tǒng)中的設(shè)備故障數(shù)量；qmax為系統(tǒng)可容忍的最大故障數(shù)量。

23、作為優(yōu)選的技術(shù)方案，根據(jù)以下調(diào)整規(guī)則，對綜合目標(biāo)函數(shù)的參數(shù)權(quán)重進行動態(tài)調(diào)整：

24、當(dāng)系統(tǒng)負荷值超過預(yù)設(shè)閾值時，增加調(diào)度成本和系統(tǒng)穩(wěn)定性的目標(biāo)權(quán)重；

25、當(dāng)可再生能源發(fā)電量超過預(yù)設(shè)閾值時，減少調(diào)度成本和系統(tǒng)穩(wěn)定性的目標(biāo)權(quán)重；

26、當(dāng)電網(wǎng)穩(wěn)定性參數(shù)低于預(yù)設(shè)閾值或設(shè)備故障數(shù)量超過預(yù)設(shè)閾值時，增加系統(tǒng)穩(wěn)定性和調(diào)度成本的目標(biāo)權(quán)重。

27、作為優(yōu)選的技術(shù)方案，利用遺傳算法和粒子群優(yōu)化算法對綜合目標(biāo)函數(shù)進行更新，生成候選調(diào)度方案，包括：

28、初始化種群，隨機生成多個候選調(diào)度方案，每個方案由分布式能源系統(tǒng)中調(diào)度參數(shù)組成，包括分布式發(fā)電功率、儲能設(shè)備充放電功率及負荷分配比例；

29、通過粒子群優(yōu)化算法更新每個候選調(diào)度方案的速度和位置，其中速度更新公式為：

30、vi(t+1)＝ω·vi(t)+c1·rand1·(pbesti-xi(t))+c2·rand2(gbest-xi(t))

31、位置更新公式為：

32、xi(t+1)＝xi(t)+vi(t+1)

33、其中，xi(t)表示第i個候選調(diào)度方案的當(dāng)前參數(shù)值，包括分布式發(fā)電功率、儲能設(shè)備充放電功率和負荷分配比例；vi(t)表示第i個候選調(diào)度方案參數(shù)的調(diào)整幅度；ω為慣性權(quán)重；c1和c2為加速因子，rand1和rand2為在[0,1]范圍內(nèi)的隨機數(shù)，pbesti為第i個調(diào)度方案的歷史最優(yōu)參數(shù)，gbest為全局最優(yōu)參數(shù)；

34、根據(jù)候選調(diào)度方案的適應(yīng)度，從候選調(diào)度方案選擇父代方案，其表達式如下所示：

35、

36、其中，fi(x)為第i個候選調(diào)度方案的適應(yīng)度值，根據(jù)第i個子目標(biāo)函數(shù)計算得出；

37、隨機選擇交叉點k，根據(jù)下式，對選擇的父代方案進行交叉操作，生成子代方案：

38、offspring1＝(p1[1:k],p2[k+1:n])

39、offspring2＝(p2[1:k],p1[k+1:n])

40、其中，p1和p2為父代方案，offspring1和offspring2為子代方案；

41、設(shè)置變異概率，根據(jù)下式，對每個子代方案的調(diào)度參數(shù)進行變異，對子代方案進行更新：

42、

43、作為優(yōu)選的技術(shù)方案，在s3之前，方法還包括構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，包括：

44、設(shè)置深度神經(jīng)網(wǎng)絡(luò)的輸入層，該輸入層用于接收包括負荷需求、電網(wǎng)狀態(tài)、可再生能源發(fā)電量和儲能狀態(tài)的實時輸入特征；

45、設(shè)置多層隱藏層，該隱藏層通過非線性激活函數(shù)捕捉輸入特征與優(yōu)化目標(biāo)權(quán)重之間的復(fù)雜關(guān)聯(lián)；

46、設(shè)置輸出層，該輸出層用于輸出各優(yōu)化目標(biāo)的動態(tài)權(quán)重調(diào)整值。

47、作為優(yōu)選的技術(shù)方案，在構(gòu)建深度神經(jīng)網(wǎng)絡(luò)之后，方法還包括對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，包括：

48、選擇包含不同負荷、電網(wǎng)狀態(tài)、可再生能源發(fā)電量和儲能狀態(tài)條件的歷史數(shù)據(jù)作為訓(xùn)練樣本；

49、基于訓(xùn)練樣本，采用反向傳播算法和梯度下降算法進行對深度神經(jīng)網(wǎng)絡(luò)的參數(shù)進行優(yōu)化，調(diào)整網(wǎng)絡(luò)權(quán)重和偏置值，直至使得深度神經(jīng)網(wǎng)絡(luò)輸出的權(quán)重調(diào)整值滿足理想目標(biāo)值。

50、作為優(yōu)選的技術(shù)方案，當(dāng)綜合目標(biāo)函數(shù)滿足下式時，判斷綜合目標(biāo)函數(shù)收斂：

51、|fbest(t)-fbest(t-1)|<∈

52、其中，fbest(t)是當(dāng)前迭代的最優(yōu)解，∈為預(yù)設(shè)的收斂閾值。

53、第二個方面，本發(fā)明還提出一種電子設(shè)備，所述電子設(shè)備包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執(zhí)行所述程序時實現(xiàn)如第一個方面中任一方案所述的分布式能源調(diào)度系統(tǒng)的自適應(yīng)多目標(biāo)優(yōu)化方法所執(zhí)行的操作。

54、本發(fā)明的有益效果至少包括：

55、本發(fā)明通過將調(diào)度成本、能源利用效率和系統(tǒng)穩(wěn)定性作為優(yōu)化目標(biāo)，構(gòu)建綜合目標(biāo)函數(shù)，并通過動態(tài)調(diào)整目標(biāo)權(quán)重的機制，使調(diào)度方案能夠?qū)崟r響應(yīng)系統(tǒng)負荷變化、可再生能源發(fā)電量波動、電網(wǎng)狀態(tài)變化等動態(tài)環(huán)境；同時結(jié)合遺傳算法和粒子群優(yōu)化算法的優(yōu)勢，遺傳算法提供全局搜索能力，粒子群優(yōu)化算法提升局部收斂精度，兩者協(xié)同作用有效提高了優(yōu)化效率和精度，增強了算法的魯棒性，從而確保在復(fù)雜多變的分布式能源系統(tǒng)中實現(xiàn)高效、穩(wěn)定的調(diào)度優(yōu)化。