引用本文

 

黄博南, 王勇, 李玉帅, 刘鑫蕊, 杨超. 基于分布式神经动态优化的综合能源系统多目标优化调度. 自动化学报, 2022, 48(7): 1718−1736 doi: 10.16383/j.aas.c200168

Huang Bo-Nan, Wang Yong, Li Yu-Shuai, Liu Xin-Rui, Yang Chao. Multi-objective optimal scheduling of integrated energy systems based on distributed neurodynamic optimization. Acta Automatica Sinica, 2022, 48(7): 1718−1736 doi: 10.16383/j.aas.c200168

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200168?viewType=HTML

文章简介

关键词

综合能源系统, 分布式多目标优化, 递归神经网络

摘   要

研究了基于神经动态优化的综合能源系统(Integrated energy systems, IES)分布式多目标优化调度问题. 首先, 将IES元件单元(包含负荷)作为独立的决策主体, 联合考量其运行成本和排放成本, 并计及多能源设备间的传输损耗, 提出了IES多目标优化调度模型, 该模型可描述为一类非凸多目标优化问题. 其次, 针对此类问题的求解, 提出了一种基于神经动力学系统的分布式多目标优化算法, 该算法基于动态权重的神经网络模型, 可以解决不可分离的不等式约束问题. 该算法计算负担小, 收敛速度快, 并且易于硬件实现. 仿真结果表明, 所提算法能同时协调综合能源系统的经济性和环境性这两个冲突的目标, 且获得了整个帕累托前沿, 有效降低了综合能源系统的污染物排放量和综合运行成本.

引   言

随着全球能源危机的加剧, 包含太阳能、风能等新能源, 并整合了电、气、热等多元产、用能源形式的综合能源系统, 凭借其节能、环保和灵活等特点受到了世界各国的广泛关注. 近年来, 国内外学者针对有关综合能源系统的各种关键理论与工程技术, 如优化调度、发电预测、协同控制等, 开展了大量的科学研究和理论分析工作并得到了丰硕的研究成果.

与已有电、气、热等单一供能系统一样, 在综合能源系统的运行过程中, 如何实现其优化调度是人们最为关注的问题之一, 即如何在满足各机组单元运行约束的前提下, 通过优化分配负荷需求并合理安排产能计划实现系统运行总成本(经济成本、环境成本等)最低. 近年来, 针对综合能源系统的优化调度问题, 国内外科研学者提出了许多成熟的解决办法, 其总体上可以分为两类, 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启发式算法, 如迭代法、牛顿法和遗传算法等. 1)解析式算法, 如: 文献[5]提出了一种混合整数优化方法解决具有多不确定性的综合能源系统调度问题; 2)启发式算法, 如: 文献[6]提出了一种基于直接搜索方法(Direet search method, DSM)的解决综合能源系统经济调度问题的新方法, 该算法可以处理发电机的非线性特性所带来的问题. 集中式算法在获得最优解方面具有一定优势, 但存在单点故障敏感、通信负担较大和隐私泄露等缺点. 较之于集中式方法, 分布式方法可以利用稀疏的通信网络结构实现网络内各组件的分散式协作, 可有效提高系统的鲁棒性和灵活性, 并兼具保护隐私等优点. 因此, 近年来基于分布式方法研究综合能源系统的优化调度问题, 已经成为国内外学术界的研究热点. 文献[7]提出了一种智能能源枢纽的分布式综合需求响应算法, 但它需要一个中央价格协调器和一个集中的通信网络来更新当地的能源需求信息, 因而认为该算法是一种非完全分布式的方法; 文献[8]针对多能源系统的优化调度问题提出了一种基于一致性的分布式方法; 文献[9]提出了一种针对多能源需求的两层分布式优化策略, 以优化生产者的利润和用户的舒适度. 然而, 文献[8]和文献[9]仅考虑了全局等式和局部不等式约束, 没有讨论电力线路传输约束等耦合约束; 文献[10]提出了一种综合能源系统经济运行的分布式优化方法, 以适应间歇性可再生能源发电. 但是它无法解决全局耦合的不可分离不等式约束, 所以没有考虑电网传输损耗等因素的影响. 值得指出的是, 已有的研究成果大部分都是只考虑系统运行经济性的综合能源系统单目标分布式优化调度方法, 而在兼顾系统经济性与环境友好性的多目标分布式优化调度策略的研究尚较为不足. 近期, 在多目标分布式优化理论研究方面, 文献[11]中提出了一种基于次梯度的多目标分布式优化算法, 并讨论了权重向量的选择与帕累托前沿(Pareto front)近似误差之间的关系. 但是基于次梯度的方法需要减小步长才能得到精确的解, 这可能会限制算法的性能. 文献[12]和文献[13]分别提出了基于迭代增广拉格朗日协调技术和扩散策略的多目标分布式优化算法, 但是其算法处理的约束为等式约束和线性的不等式约束, 无法处理更具一般性的约束. 针对一类带有一般性约束的非线性优化问题, 文献[14]提出了一种基于切换拓扑的多目标分布式神经动态优化方法. 该方法可以有效处理更为一般的约束, 且较之于现有多目标分布式优化方法具有可并行计算、收敛速度快和易于硬件实现的优点. 但是该算法在权向量的选取上采用了人为选定方式, 因而无法覆盖整个权向量空间, 且要求目标问题为凸优化问题. 然而, 综合能源系统的多目标优化调度问题具有耦合性强和约束一般性强等特点, 并且在考虑能量传输损耗特性等因素时, 会造成目标问题具有非凸特性, 因此上述所提算法不能直接应用于求解此类问题.

针对一类综合能源系统的优化调度问题, 本文提出了一种基于分布式神经动态优化的多目标优化调度方法. 首先, 建立了此类综合能源系统兼顾系统经济性与环境友好性的多目标优化调度模型, 该模型除考虑了系统能量平衡和设备特性约束等一般性约束外, 还同时考虑了系统能量传输损耗与网络传输约束, 因而不同于大部分已有分布式优化方法, 本文需要解决的是一类非凸的多目标优化问题; 其次, 针对此类问题, 本文提出了一种基于动态权重的分布式神经动态优化算法, 该算法不仅可以有效处理文献[10]和文献[15]中无法解决的全局耦合不可分离不等式约束, 进而解决能量传输损耗因素带来的非凸问题, 而且可在动态权重系统的指导下生成不断变化的权向量, 使得智能体输出轨迹可涵盖整个帕累托前沿, 进而有效解决此类非凸多目标优化问题; 此外, 该算法仅要求每个智能体与自己邻居节点交互部分信息来计算本地最优解, 具有较高的灵活性和隐私性等优势. 最后, 本文搭建了15节点的综合能源MATLAB仿真测试系统, 通过2个仿真算例, 验证了算法的正确性和有效性.

图 1  本文所考虑的综合能源系统结构图

图 3  所提出的分布式方法在IES的实现过程

图 5  电热气系统的物理拓扑图

作者简介

黄博南

东北大学信息科学与工程学院副教授. 主要研究方向为神经动力学分析, 复杂网络, 多智能系统及其在智能电网和能源互联网中的应用. 本文通信作者.

E-mail: huangbonan@ise.neu.edu.cn

王   勇

东北大学信息科学与工程学院硕士研究生. 主要研究方向为分布式优化和神经动力学方法, 以及其在微电网、智能电网和能源互联网中的应用.

E-mail: 1870504@stu.neu.edu.cn

李玉帅

美国丹佛大学电气与计算机工程系博士后研究员, 主要研究方向为分布式控制和优化, 机器学习及其在微电网、智能电网和能源互联中的应用.

E-mail: yushuaili@ieee.org

刘鑫蕊

东北大学信息科学与工程学院副教授. 主要研究方向为电网信息物理系统、配电网故障诊断及自愈控制, 模糊控制, 网络控制, 清洁能源消纳控制.

E-mail: liuxinrui@ise.neu.edu.cn

杨   超

国网辽宁省电力有限公司信息通信分公司工程师. 主要研究方向为电力物联网, 人工智能, 电网大数据挖掘.

E-mail: yangchaoneu@163.com

相关文章

[1]  吴孙勇, 王力, 李天成, 孙希延, 蔡如华. 基于分布式有限感知网络的多伯努利目标跟踪. 自动化学报, 2022, 48(5): 1370-1384. doi: 10.16383/j.aas.c200481

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200481?viewType=HTML

[2]  孙秋野, 王一帆, 杨凌霄, 张化光. 比特驱动的瓦特变革—信息能源系统研究综述. 自动化学报, 2021, 47(1): 50-63. doi: 10.16383/j.aas.c200634

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200634?viewType=HTML

[3]  熊珞琳, 毛帅, 唐漾, 孟科, 董朝阳, 钱锋. 基于强化学习的综合能源系统管理综述. 自动化学报, 2021, 47(10): 2321-2340. doi: 10.16383/j.aas.c210166

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210166?viewType=HTML

[4]  张化光, 孙宏斌, 刘德荣, 王剑辉, 孙秋野. 分布式信息能源系统理论与应用专题序言. 自动化学报, 2020, 46(9): 1767-1770.

http://www.aas.net.cn/cn/article/id/ba649489-99b0-45da-8be0-ed223160bd8e?viewType=HTML

[5]  胡旭光, 马大中, 郑君, 张化光, 王睿. 基于关联信息对抗学习的综合能源系统运行状态分析方法. 自动化学报, 2020, 46(9): 1783-1797. doi: 10.16383/j.aas.c200171

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200171?viewType=HTML

[6]  李玉帅, 李天义, 高炜, 高文忠. 基于异步动态事件触发通信策略的综合能源系统分布式协同优化运行方法. 自动化学报, 2020, 46(9): 1831-1843. doi: 10.16383/j.aas.c200172

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200172?viewType=HTML

[7]  滕菲, 单麒赫, 李铁山. 智能船舶综合能源系统及其分布式优化调度方法. 自动化学报, 2020, 46(9): 1809-1817. doi: 10.16383/j.aas.c200176

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200176?viewType=HTML

[8]  张俊, 高文忠, 张应晨, 郑心湖, 杨柳青, 郝君, 戴潇潇. 运行于区块链上的智能分布式电力能源系统：需求、概念、方法以及展望. 自动化学报, 2017, 43(9): 1544-1554. doi: 10.16383/j.aas.2017.c160744

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160744?viewType=HTML

[9]  杨娟, 陆阳, 黄镇谨. 基于二进神经网络的0/1分布系统可靠性分析. 自动化学报, 2014, 40(7): 1472-1480. doi: 10.3724/SP.J.1004.2014.01472

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.01472?viewType=HTML

[10]  闵海波, 刘志国, 刘源, 王仕成, 杨艳丽. 切换网络拓扑下Euler-Lagrange系统的分布式协调控制. 自动化学报, 2013, 39(7): 1003-1010. doi: 10.3724/SP.J.1004.2013.01003

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01003?viewType=HTML

[11]  彭钧敏, 王佳楠, 叶旭东. 不确定型网络系统的分布式自适应跟踪控制器. 自动化学报, 2013, 39(10): 1729-1735. doi: 10.3724/SP.J.1004.2013.01729

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01729?viewType=HTML

[12]  郑毅, 李少远. 网络信息模式下分布式系统协调预测控制. 自动化学报, 2013, 39(11): 1778-1786. doi: 10.3724/SP.J.1004.2013.01778

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01778?viewType=HTML

[13]  刘源, 闵海波, 王仕成, 张金生, 刘志国. 时延网络中 Euler-Lagrange 系统的分布式自适应协调控制. 自动化学报, 2012, 38(8): 1270-1279. doi: 10.3724/SP.J.1004.2012.01270

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2012.01270?viewType=HTML

[14]  张亮, 黄曙光, 胡荣贵. 线性合成的双粒度 RNN 集成系统. 自动化学报, 2011, 37(11): 1402-1406. doi: 10.3724/SP.J.1004.2011.01402

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2011.01402?viewType=HTML

[15]  李鸿儒, 顾树生. 一种递归神经网络的快速并行算法. 自动化学报, 2004, 30(4): 516-522.

http://www.aas.net.cn/cn/article/id/16277?viewType=HTML

[16]  张奇志, 贾永乐, 周雅莉. 噪声有源反馈控制的递归神经网络方法. 自动化学报, 2000, 26(增刊B): 111-115.

http://www.aas.net.cn/cn/article/id/16495?viewType=HTML

[17]  侯增广, 吴沧浦. 一种基于动态规划策略的离散动态大系统递阶优化神经网络. 自动化学报, 1999, 25(1): 45-51.

http://www.aas.net.cn/cn/article/id/16777?viewType=HTML

[18]  王福利, 李明忠. 基于线性化神经网络的一类非线性系统优化迭代控制. 自动化学报, 1999, 25(3): 421-424.

http://www.aas.net.cn/cn/article/id/16701?viewType=HTML

[19]  侯增广, 高慧琪, 吴沧浦. 基于神经网络的一类大系统动态递阶优化方法. 自动化学报, 1998, 24(2): 160-165.

http://www.aas.net.cn/cn/article/id/16878?viewType=HTML

[20]  李玉桥, 万百五, 梁天培. 基于神经网络的工业大系统辨识及稳态递阶优化方法. 自动化学报, 1996, 22(2): 175-181.

http://www.aas.net.cn/cn/article/id/17204?viewType=HTML