基于双层模仿学习的多园区综合能源系统分布式协同优化调度

程义; 李更丰

doi:10.7500/AEPS20220507005

您当前的位置：

首页 >

文章列表页 >

基于双层模仿学习的多园区综合能源系统分布式协同优化调度

学术研究 | 更新时间：2025-06-16

- 基于双层模仿学习的多园区综合能源系统分布式协同优化调度
- Distributed Collaborative Optimal Dispatch of Multi-park Integrated Energy System Based on Bilayer Imitation Learning
- 电力系统自动化 2022年46卷第24期页码：16-25
- 作者机构：
  
  西安交通大学电气工程学院，陕西省西安市 710049
- 作者简介：
  
  程义(1995—)，男，硕士，主要研究方向：人工智能在电力能源系统中的应用。E-mail：Mr_ChengYi@163.com
  李更丰(1984—)，男，通信作者，博士，副教授，主要研究方向：综合能源系统的可靠性评估、新能源接入等。E-mail：gengfengli@mail.xjtu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(51977168)
- DOI：10.7500/AEPS20220507005
  中图分类号：
- 收稿：2022-05-07，
  
  修回：2022-08-08，
  
  网络出版：2022-09-07，
  
  纸质出版：2022-12-25
- 稿件说明：
移动端阅览
程义,李更丰.基于双层模仿学习的多园区综合能源系统分布式协同优化调度[J].电力系统自动化,2022,46(24):16-25.

CHENG Yi,LI Gengfeng.Distributed Collaborative Optimal Dispatch of Multi-park Integrated Energy System Based on Bilayer Imitation Learning[J].Automation of Electric Power Systems,2022,46(24):16-25.
程义,李更丰.基于双层模仿学习的多园区综合能源系统分布式协同优化调度[J].电力系统自动化,2022,46(24):16-25. DOI： 10.7500/AEPS20220507005.

CHENG Yi,LI Gengfeng.Distributed Collaborative Optimal Dispatch of Multi-park Integrated Energy System Based on Bilayer Imitation Learning[J].Automation of Electric Power Systems,2022,46(24):16-25. DOI： 10.7500/AEPS20220507005.

摘要

针对多园区综合能源系统协同调度存在的源荷及电价等多重不确定性因素和隐私保护问题，提出一种分布式协同双层优化模型。模型上层采用通信神经网络依据即时信息决策各园区储能动作，通过模仿学习进行监督式训练，使智能体获得预测决策一体化功能；下层由各园区采用交替方向乘子法进行分布式优化，得到其他设备动作及园区间电力交互量，形成当前时段完整的多园区分布式协同优化运行方案，并提出了考虑上级电网实时电价和多园区系统供求关系的园区间交易机制以保障各园区利益。算例证明所提方法不依赖于对源荷及电价等不确定性因素的准确预测，能够在保护各园区数据隐私的前提下达到与理论最优策略接近的性能。

Abstract

Aiming at the multiple uncertainty factors such as source-load and electricity price as well as privacy protection problems in the collaborative dispatch of multi-park integrated energy system

a bilayer distributed collaborative optimization model is proposed. The upper layer of the model adopts the communication neural network (CommNet) to decide the energy storage actions of each park based on real-time information

and conducts supervised training through imitation learning

enabling the agent to obtain the integrated function of prediction and decision-making. In the lower layer

each park adopts the alternating direction method of multipliers (ADMM) to carry out distributed optimization

and obtains the actions of other equipment and the power interaction between the parks

forming a complete multi-park distributed collaborative optimal operation scheme for the current period. This paper also proposes an inter-park transaction mechanism considering the real-time electricity price of the upper power grid and the supply and demand relationship of the multi-park integrated energy system to protect the interests of each park. The numerical example proves that the proposed method does not rely on the accurate prediction of the uncertainty factors such as source-load and electricity price

and can achieve performance close to the theoretically optimal strategy on the premise of protecting the data privacy in each park.

关键词

Keywords

references

LI Z M ， XU Y . Optimal coordinated energy dispatch of a multi-energy microgrid in grid-connected and islanded modes ［J］. Applied Energy ， 2018 ， 210 ： 974 - 986 .

YANG Z ， HU J J ， AI X ， et al . Transactive energy supported economic operation for multi-energy complementary microgrids ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 1 ）： 4 - 17 .

骆钊，卢涛，马瑞，等 . 可再生能源配额制下多园区综合能源系统优化调度［J］. 电力自动化设备， 2021 ， 41 （ 4 ）： 8 - 14 .

LUO Zhao ， LU Tao ， MA Rui ， et al . Optimal scheduling of multi-park integrated energy system under renewable portfolio standard ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 4 ）： 8 - 14 .

ZHANG C L ， AHMAD M ， WANG Y Q . ADMM based privacy-preserving decentralized optimization ［J］. IEEE Transactions on Information Forensics and Security ， 2019 ， 14 （ 3 ）： 565 - 580 .

何帅，刘念，盛超群，等 . 多能源枢纽联合运行的㶲损最小化分布式优化调度［J］. 电力系统自动化， 2021 ， 45 （ 9 ）： 28 - 37 .

HE Shuai ， LIU Nian ， SHENG Chaoqun ， et al . Distributed optimal scheduling for minimizing exergy loss based on joint operation of multiple energy hubs ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 9 ）： 28 - 37 .

吴福保，刘晓峰，孙谊媊，等 . 基于冷热电联供的多园区博弈优化策略［J］. 电力系统自动化， 2018 ， 42 （ 13 ）： 68 - 75 .

WU Fubao ， LIU Xiaofeng ， SUN Yiqian ， et al . Game optimization strategy for multiple parks based on combined cooling， heating and power ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 13 ）： 68 - 75 .

王家怡，高红均，刘友波，等 . 考虑风电不确定性的交直流混合配电网分布式优化运行［J］. 中国电机工程学报， 2020 ， 40 （ 2 ）： 550 - 563 .

WANG Jiayi ， GAO Hongjun ， LIU Youbo ， et al . A distributed operation optimization model for AC/DC hybrid distribution network considering wind power uncertainty ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 2 ）： 550 - 563 .

HE C ， WU L ， LIU T Q ， et al . Robust co-optimization scheduling of electricity and natural gas systems via ADMM ［J］. IEEE Transactions on Sustainable Energy ， 2017 ， 8 （ 2 ）： 658 - 670 .

JI Y ， WANG J H ， XU J C ， et al . Real-time energy management of a microgrid using deep reinforcement learning ［J］. Energies ， 2019 ， 12 （ 12 ）： 1 - 21 .

张自东，邱才明，张东霞，等 . 基于深度强化学习的微电网复合储能协调控制方法［J］. 电网技术， 2019 ， 43 （ 6 ）： 1914 - 1921 .

ZHANG Zidong ， QIU Caiming ， ZHANG Dongxia ， et al . A coordinated control method for hybrid energy storage system in microgrid based on deep reinforcement learning ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1914 - 1921 .

李航，李国杰，汪可友 . 基于深度强化学习的电动汽车实时调度策略［J］. 电力系统自动化， 2020 ， 44 （ 22 ）： 161 - 167 .

LI Hang ， LI Guojie ， WANG Keyou . Real-time dispatch strategy for electric vehicles based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 22 ）： 161 - 167 .

杨挺，赵黎媛，刘亚闯，等 . 基于深度强化学习的综合能源系统动态经济调度［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 39 - 47 .

YANG Ting ， ZHAO Liyuan ， LIU Yachuang ， et al . Dynamic economic dispatch for integrated energy system based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 39 - 47 .

彭刘阳，孙元章，徐箭，等 . 基于深度强化学习的自适应不确定性经济调度［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 33 - 42 .

PENG Liuyang ， SUN Yuanzhang ， XU Jian ， et al . Self-adaptive uncertainty economic dispatch based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 33 - 42 .

杨照，黄少伟，陈颖 . 基于多智能体强化学习的多园区综合能源系统协同优化运行研究［J］. 电工电能新技术， 2021 ， 40 （ 8 ）： 1 - 10 .

YANG Zhao ， HUANG Shaowei ， CHEN Ying . Research on cooperative optimal operation of multi-park integrated energy system based on multi-agent reinforcement learning ［J］. Advanced Technology of Electrical Engineering and Energy ， 2021 ， 40 （ 8 ）： 1 - 10 .

张津源，蒲天骄，李烨，等 . 基于多智能体深度强化学习的分布式电源优化调度策略［J/OL］. 电网技术［ 2021-10-29 ］. https：//doi.org/10.13335/j.1000-3673.pst.2021.1737 https://doi.org/10.13335/j.1000-3673.pst.2021.1737 .

ZHANG Jinyuan ， PU Tianjiao ， LI Ye ， et al . Research on optimal dispatch strategy of distributed generators based on multi-agent deep reinforcement learning ［J/OL］. Power System Technology ［ 2021-10-29 ］. https：//doi.org/10.13335/j.1000-3673.pst.2021.1737 https://doi.org/10.13335/j.1000-3673.pst.2021.1737 .

李宏仲，吕勇荡 . 数据驱动下的日前市场发电商智能决策方法［J/OL］. 电网技术［ 2022-03-05 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=DWJS20220301005&uniplatform=NZKPT&v=qD 8pKR4Ao-BPDJiX6PaIUt8YeNWkj34eoJ55UKsIOUAo8rLkL pUMf6ebCMoq0wsa https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DWJS20220301005&uniplatform=NZKPT&v=qD8pKR4Ao-BPDJiX6PaIUt8YeNWkj34eoJ55UKsIOUAo8rLkLpUMf6ebCMoq0wsa .

LI Hongzhong ， LÜ Yongdang . Data-driven intelligent decision-making method for day-ahead market power generation companies ［J/OL］. Power System Technology ［ 2022-03-05 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAP J&dbname=CAPJLAST&filename=DWJS20220301005&uni platform=NZKPT&v=qD8pKR4Ao-BPDJiX6PaIUt8YeNW kj34eoJ55UKsIOUAo8rLkLpUMf6ebCMoq0wsa https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DWJS20220301005&uniplatform=NZKPT&v=qD8pKR4Ao-BPDJiX6PaIUt8YeNWkj34eoJ55UKsIOUAo8rLkLpUMf6ebCMoq0wsa .

聂欢欢，张家琦，陈颖，等 . 基于双层强化学习方法的多能园区实时经济调度［J］. 电网技术， 2021 ， 45 （ 4 ）： 1330 - 1336 .

NIE Huanhuan ， ZHANG Jiaqi ， CHEN Ying ， et al . Real-time economic dispatch of community integrated energy system based on a double-layer reinforcement learning method ［J］. Power System Technology ， 2021 ， 45 （ 4 ）： 1330 - 1336 .

黄子硕，何桂雄，闫华光，等 . 园区级综合能源系统优化模型功能综述及展望［J］. 电力自动化设备， 2020 ， 40 （ 1 ）： 10 - 18 .

HUANG Zishuo ， HE Guixiong ， YAN Huaguang ， et al . Overview and prospect of optimization model function for community-scale integrated energy system ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 1 ）： 10 - 18 .

于一潇，杨佳峻，杨明，等 . 基于深度强化学习的风电场储能系统预测决策一体化调度［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 132 - 140 .

YU Yixiao ， YANG Jiajun ， YANG Ming ， et al . Prediction and decision integrated scheduling of energy storage system in wind farm based on deep reinforcement learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 132 - 140 .

王玉彬，董伟，陈源奕，等 . 基于数据驱动的家庭能量实时经济调控方法［J］. 电力系统自动化， 2022 ， 46 （ 13 ）： 21 - 29 .

WANG Yubin ， DONG Wei ， CHEN Yuanyi ， et al . Data-driven real-time economic regulation method for household energy ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 13 ）： 21 - 29 .

HUANG B ， WANG J H . Deep-reinforcement-learning-based capacity scheduling for PV-battery storage system ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 3 ）： 2272 - 2283 .

兰鹏，沈晓东，吴刚，等 . 基于交替方向乘子法的输-配-天然气系统分布式优化调度［J］. 电力系统自动化， 2021 ， 45 （ 23 ）： 21 - 30 .

LAN Peng ， SHEN Xiaodong ， WU Gang ， et al . Distributed optimal scheduling for transmission-distribution-natural-gas system based on alternating direction method of multipliers ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 23 ）： 21 - 30 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向电网辅助服务的虚拟储能电厂分布式优化控制方法

计及两级碳排放权交易市场影响的电-碳分散协同优化调度

基于VSG的风光水火储系统频率调节深度强化学习方法