(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111108863.7 (22)申请日 2021.09.2 2 (71)申请人 上海电机学院 地址 200240 上海市闵行区江川路690号 (72)发明人 崔高扬　王鸿　孙霞　林翰　 周显利　葛琼宇　李佩樾　王致杰　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 叶敏华 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种区域综合能源容 量优化控制方法 (57)摘要 本发明涉及一种区域综合能源容量优化控 制方法， 包括： 收集历史气象数据， 并按照季节进 行数据划分， 得到不同季节样本数据， 通过聚类 分析， 结合遗传小波神经网络算法， 构建得到新 能源出力预测模 型； 根据区域 综合能源系统的架 构， 对区域综合能源系统进行智 能体划分， 建立 得到以多智能体间利益均衡为目标的联合博弈 决策模型； 基于新能源出力预测模型的输出值， 使用考虑Nash博弈均衡的Q学习算法求解联合博 弈决策模型， 得到区域综合能源系统中各能源容 量优化值； 根据区域综合能源系统中各能源容量 优化值， 对各能源进行协调控制。 与现有技术相 比， 本发明通过精确预测区域 综合能源系统的出 力， 能够对区域综合能源系统进行准确可靠的容 量优化控制。 权利要求书3页 说明书9页 附图3页 CN 114219195 A 2022.03.22 CN 114219195 A 1.一种区域综合能源容 量优化控制方法， 其特 征在于， 包括以下步骤： S1、 收集历史气象数据， 并按照季节进行数据划分， 得到不同季节样本数据， 通过聚类 分析， 结合遗传小 波神经网络算法， 构建得到新能源出力预测模型； S2、 根据区域综合能源系统 的架构， 对区域综合能源系统进行智能体划分， 建立得到以 多智能体间利益均衡为目标的联合博 弈决策模型； S3、 基于新能源出力预测模型的输出值， 使用考虑Nash博弈均衡的Q学习算法求解联合 博弈决策模型， 得到区域综合能源系统中各能源容 量优化值； S4、 根据区域综合能源系统中各能源容 量优化值， 对各能源进行协调控制。 2.根据权利要求1所述的一种区域综合 能源容量优化控制方法， 其特征在于， 所述步骤 S1具体包括以下步骤： S11、 收集历史气象数据， 并按照 春、 夏、 秋、 冬四个季节对历史气象数据进行分类， 得到 四个季节样本数据， 其中， 所述历史气象数据包括 光照强度、 环境温度、 环境湿度和风速； S12、 分别 对四个季节样本数据进行聚类分析， 构建四个季节样本数据对应的新能源出 力预测模型； S13、 采用遗传小波神经网络对步骤S12中构建的新能源出力预测模型进行求解， 得到 新能源出力预测值。 3.根据权利要求2所述的一种区域综合 能源容量优化控制方法， 其特征在于， 所述步骤 S12具体采用K均值聚类算法进行聚类分析。 4.根据权利要求2所述的一种区域综合 能源容量优化控制方法， 其特征在于， 所述新 能 源出力预测模型包括光伏出力预测模型和风电出力预测模型， 所述光伏出力预测模型和风 电出力预测模 型均采用BP神经网络结构， 所述光伏出力预测模型的输入层节 点数量为4， 光 照强度、 环境温度、 环境湿度和风速为输入向量， 光伏出力预测模型 的输出为光伏的出力， 即输出层节 点为1； 所述风电出力预测模 型的输入层节 点数量为3， 风速、 环 境温度和环 境湿 度为输入向量， 风电出力预测模型的输出为 风电的出力， 即输出层节点 为1。 5.根据权利要求2所述的一种区域综合 能源容量优化控制方法， 其特征在于， 所述步骤 S2具体包括以下步骤： S21、 建立不同智能体模型， 包括RIES(Regional  Integrated  Energy System， 区域综 合能源系统)模型、 PG(Power  Grid， 电网)模型、 GS(Gas  Company， 燃气公司)模型和EU (Energy User， 能源用户)模型； S22、 根据PG、 RIES、 EU三 者之间的博 弈， 确定多智能体博 弈模型。 6.根据权利要求5所述的一种区域综合能源容量优化控制方法， 其特征在于， 所述RIES 负责多综合能源微网内燃气轮机、 光伏发电设备、 风力发电设备、 储电设备的合理优化； PG 负责向区域综合能源系统提供一定额度的电力， 并回购多余的电力； EU为区域综合能源系 统中主要固定能耗承担者， 同时负责必要时段的负荷削减， 还包括电动汽车(Electric   Vehicles， EV)的充放电控制； GS负责向区域综合能源系统提供燃气， 以供RIES的燃气轮机 发电和EU的气负荷使用。 7.根据权利要求6所述的一种区域综合能源容量优化控制方法， 其特征在于， 所述RIES 的收入包括与EU直接交易所得收入和向PG出售电力所得收入， 所述 RIES的支出包括 从PG处 购电和接受EU放电而支付的费用、 以及自身产电的开销， 所述RIES模型 具体为：权　利　要　求　书 1/3 页 2 CN 114219195 A 2其中， NT为调度时段总数， PB(t)为t时刻微网系统向上级电网的购电价格， PPG(t)为t时 刻微网向上级电网的购电功率， CCCHP(t)和CGHP(t)分别为t时刻燃气三联供系统与燃气热泵 的燃料成本， CHS(t)为t时刻储热设备的损耗成本， 为t时刻RIES智能体内可控机组 的启停成本， 为t时刻RIES智能体的运维成本， CE(t)为燃气轮机在t时刻的碳排放 量， I(t)为燃气 轮机在t时刻的工作状态， 处于工作状况的话值为 1， 停机状态为0， 为按天 进行平均分配后碳 排放限额， pe为市场上碳 排放交易的价格。 8.根据权利要求7所述的一种区域综合能源容量优化控制方法， 其特征在于， 所述PG的 收入源于向RIES、 EU出售电量时， 二者需要支付的电力费用和服务费， 所述PG支出为PG在运 营、 设备投入以及电网维护方面所花费的成本； 所述EU的模型包括经济收益模型和满意度模型， 其中， 经济收益为向RIES和PG买电的 费用、 向GS购买燃气的费用减去EV向PG放电和空调、 冰箱 参加PG的需求响应获得收益， 满意 度取决于空调、 冰箱 参加PG的需求响应前后的负荷大小之差和启用气负荷供热使用得到燃 气的量。 9.根据权利要求8所述的一种区域综合 能源容量优化控制方法， 其特征在于， 所述多智 能体博弈模型具体为： PG处于顶层的位置， 颁布价格； RIES则作为区域价格的制定者， 属 于 上层的决定者； 而EU属于下层的跟随者； PG通过推出合适的分时计价策略以及用户参与需求响应的激励策略， 而后与RIES和EU 交互， 以获取自我利益的较大化； RIES通过优化向PG进能的策略， 管理区域内的各种产能和储能设备， 合理安排出力， 制 定合适的电力价格并与EU交 互， 实现自己收益 最大化； EU则根据PG颁布的电力价格以及所属区域中的RIES所制定的电力价格， 合理安排用 能， 在合适时机安排EV放能以及参与需求响应， 力求在确保基本的满意度的前提下实现总 成本的较小化。 10.根据权利要求9所述的一种区域综合能源容量优化控制方法， 其特征在于， 所述步 骤S3具体包括以下步骤： S31、 初始化Q值表， 线下预学习阶段Q值表中各元素(s， a)的初值均取为0； 在线学习阶 段将其初值 化为预学习保留的可 行Q值表； S32、 将连续状态和动作变量离散化， 组成(状态， 动作)对值函数， 离散化的主要目的是 配合Q学习算法进行学习， 对结果精度产生影响可忽略不计， 并通过马尔可夫模拟产生样 本， 结合决策层的多智能体利益Nash均衡目标， 选取当前所属的运行状态、 并根据当前状态 结合行动选择概率， 以确定当前动策略在状态空间的选取部分， 将各时段内的系统的光伏 出力/负荷需求的实际数值、 燃气三联供系统/燃气热泵/电制冷机机组的出力、 储能设备的 充放功率、 电动汽车的充放功率作为状态输入； 上述变量均为连续变量， 为配合Q学习方法， 将上述变量离散化为区间形式， 将所属时权　利　要　求　书 2/3 页 3 CN 114219195 A 3