[發明專利]耦合極端學習機的全工況分布式供能系統運行優化方法

在審

• 申請號: 202110957122.X
• 申請日: 2021-08-19
• 公開（公告）號: CN113837439A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 翟保豫;馬濤;李星;高丙團;李遠梅
• 申請（專利權）人: 國網新疆電力有限公司電力科學研究院;東南大學;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00
• 代理公司: 烏魯木齊合縱專利商標事務所 65105
• 代理人: 周星瑩;湯潔

本發明涉及分布式供能系統運行優化方法技術領域，是一種耦合極端學習機的全工況分布式供能系統運行優化方法，包括構建基于極端學習機的設備擬合模型、雙層運行優化模型；通過KKT條件和對偶理論將基于設備擬合模型的雙層運行優化模型轉換為單層優化模型；采用混合整數規劃方法來求解單層優化運行模型，獲得全工況分布式供能系統的最優運行策略。本發明采用極端學習機模型來擬合替代設備的非線性模型，建立雙層運行優化模型，并用KKT條件和對偶理論將雙層優化模型轉換為單層優化模型，最后采用混合整數規劃方法求解單目標優化模型，從而求得最優運行策略，提高系統能效，并能降低模型的計算復雜度，更加準確地反映系統的輸入輸出特性。

技術領域

本發明涉及分布式供能系統運行優化方法技術領域，是一種耦合極端學習機的全工況分布式供能系統運行優化方法。

背景技術

隨著能源形式的改革和發展，分布式供能系統已成為人類社會能源的主要承載形式之一。而分布式供能系統是由能源生產、轉換和存儲環節，以及終端用戶構成。針對分布式供能系統的運行研究，首先需構建系統的輸入輸出轉換關系，此轉換關系表征能源的耦合關系，能源耦合特性使得系統運行具有一定的復雜性。現有的研究中，大多是基于簡單的線性化模型來進行研究，在一定程度上過于簡化。因此需要考慮系統中各設備的能源消耗的工況特性，研究基于各工況條件下的分布式供能系統運行優化方法。

在系統的運行優化中，若考慮系統中設備的精細化輸入輸出特性，則需要引入設備的全工況耦合模型。然而，與傳統的線性模型對比，考慮設備全工況特性的耦合模型的引入，會導致模型增加非線性，模型的復雜度會大大地增加，計算量相應增加。

發明內容

本發明提供了一種耦合極端學習機的全工況分布式供能系統運行優化方法，克服了上述現有技術之不足，為了降低復雜模型的計算量，提高模型的求解速度，本發明提出極端學習機來擬合替代設備的復雜非線性模型，并建立雙層運行優化模型，結合極端學習機模型、KKT條件、對偶理論和混合整數規劃方法來實現系統的運行優化求解。

本發明的技術方案是通過以下措施來實現的：一種耦合極端學習機的全工況分布式供能系統運行優化方法，包括以下步驟：

步驟S1：考慮全工況分布式供能系統設備的全工況性能，構建基于極端學習機的設備擬合模型；

步驟S2：上層以綜合利用效率最大為目標，下層以全工況分布式供能系統運行總成本最低為目標，構建雙層運行優化模型；

步驟S3：通過KKT條件和對偶理論將基于設備擬合模型的雙層運行優化模型轉換為單層優化模型；采用混合整數規劃方法來求解單層優化運行模型，獲得全工況分布式供能系統的最優運行策略。

下面是對上述發明技術方案的進一步優化或/和改進：

上述進一步，所述步驟S1包括以下步驟：

S1.1：建立基于極端學習機的設備擬合模型，用極端學習機模型來代替系統中設備的多階非線性出力模型，當有樣本輸入時，采用激活函數和連接權值逼近樣本目標值，即：

Hw＝T (1)

式(1)中，H為隱層節點的輸出，w為神經網絡的輸出權重，T為神經網絡的輸出；式(2)中，wⁱⁿ為輸入層連接權重，x為輸入值，b為各隱層單元的偏置，w_n為各隱層單元的輸出權值，t為輸出值；

S1.2：通過求解式(3)得到網絡輸出權值，

w^*＝(H^TH+CI)^-1H^TT (3)

式(3)中，w^*為輸出權值，H為隱層節點的輸出，C為系數，I為單位矩陣，T為期望輸出；