本發明涉及的是城市區域綜合能源系統多層級智能體建模與分析領域的技術,具體是一種自主推理型多層級綜合能源智能體建模方法及系統。
背景技術:
1、城市是生產、消費、交換的集中場所,呈現出能源消費強度大、碳排放高等特點。城市綜合能源系統能夠整合多種能源,提高能源利用效率,有力支持城市能源的可靠、高效、環保供應。
2、城市綜合能源系統中包含多種能源資源、能源設備以及參與方,這些因素共同構成一個復雜且動態的系統,需要高效的調度、控制和優化,以保障能源的可靠高效供應。傳統的中心化調度和控制方法涉及大量能源主體共同參與并需要高度協同運行,難以應對大規模綜合能源系統的復雜性和不確定性,面對復雜系統時求解調度決策復雜度高、求解計算緩慢的問題。
3、智能體是能夠感知環境、做出決策并與其他智能體進行通信的單元結構。在電力能源領域中,系統中的“智能體”指的是具備一定智能和自主決策能力的電力設備、能源資源或能量管理系統。這些智能體通過感知環境、交換信息,并根據系統的整體目標和約束條件,進行自主決策和協作,以優化電力系統的運行效率、穩定性和可靠性。
4、現有技術文件1(cn117852710a)公開了一種多園區綜合能源系統協同優化調度方法及系統,對單個園區綜合能源系統進行建模,并結合內部能源市場出清機制,建立多園區綜合能源系統的整體模型;以多園區綜合能源系統整體運行成本最低為優化目標,建立系統經濟運行目標函數;將多園區綜合能源系統的整體模型轉換為多智能體系統的馬爾科夫博弈模型,并將系統經濟運行目標函數轉化為獎勵函數,建立多智能體強化學習任務;采用分解多智能體深度策略梯度算法對所述多智能體強化學習任務進行求解,得到系統的優化調度策略。其不足之處在于,此方法主要依賴于獎勵函數的設計和強化學習算法的收斂性,可能導致在面對大規模混合整數規劃問題時效率不高,且難以保證全局優化效果。
5、現有技術文件2(cn114091879a)公開了一種基于深度強化學習的多園區能源調度方法和系統,s1:構建分布式園區綜合能源系統模型,提出一種以最優經濟運行為目標的分布式園區綜合能源系統優化調度架構,并對各園區之間的能源交互進行設計,分為多園區共享層和單園區消納層;s2:在所提架構的基礎上,用基于多智能體的深度強化學習算法解決綜合能源系統的動態調度問題,搭建分布式園區綜合能源系統的多智能體深度強化學習框架;s3:以實時獎勵函數代替目標函數,利用各園區內的智能體與環境互動,尋找分布式園區綜合能源系統最優調度策略,避免傳統能源調度方式中無法實時響應源和荷隨機變動的問題;s4:將測試集數據用于訓練后的智能體進行調度決策,并將其獲得的目標成本與經由線性化處理后的綜合能源系統模型通過求解器獲得的目標成本進行比較,證明算法的有效性。其不足之處在于,該方法雖然能夠處理源荷的隨機變化,但在面對復雜的系統約束和大量整數變量時,模型的求解精度和速度仍有限;該方法基于多智能體強化學習實現調度問題求解,多智能體交互可能產生安全可行域外的綜合能源調度結果。
技術實現思路
1、本發明針對現有多智能體綜合能源系統的建模與求解方法無法充分利用多源異構數據和缺乏自主推理能力的不足,提出一種多源數據融合的自主推理型綜合能源系統圖譜學習建模方法,融合來自能源生產、傳輸、儲存、消費等多個系統的異構數據源,構建全面描述城市區域綜合能源系統的多智能體協調運行的數學優化模型,而后構建其決策圖譜化表達模型,設計基于圖卷積神經網絡模型的圖深度學習方法對決策圖譜進行自主推理,挖掘全局優化調度模型內的物理約束與決策結果之間的圖映射聯系。將自主推理得到的規律和約束信息編碼為參數化的決策圖譜模型,作為全局優化調度問題的輸入,從而將求解綜合能源系統多智能體優化調度問題轉變為圖譜映射函數,求解多智能體單元的最優協同調度策略。
2、本發明采用如下的技術方案。本發明的第一方面提供了一種自主推理型多層級綜合能源智能體建模方法及系統,包括以下步驟:
3、步驟1:根據綜合能源系統的結構進行各個多智能體園區的劃分,得到多個智能體單元;
4、步驟2:對得到的每個智能體單元進行運行優化建模,優化目標為總體運行成本最低;
5、步驟3:將具有混合整數規劃結構的全局優化調度模型轉變為待定參數的二分圖譜;
6、步驟4:基于圖卷積運算以及伯努利條件生成損失函數,通過圖深度學習尋找具有最優參數的二分圖譜;
7、步驟5:將原優化調度模型通過圖譜映射到易求解的圖譜模型上進行求解,得到整數變量的取值,并使用求解剩余僅含有連續變量的全局優化子問題。
8、優選地,步驟1中,按照不同能量形式的設備來劃分不同的設備代理商,并將其定義為一個智能體單元。
9、優選地,步驟2,每個智能體單元分別以經濟最優對控制的設備進行優化調度,智能體單元包括電力運行智能體(electricityagent,ea)和燃氣能源智能體(gasagent,ga)。
10、優選地,步驟3中,具體步驟如下:
11、步驟3.1:對建立的區域綜合能源系統全局優化調度模型進行自主推理型圖譜構建,抽象為最簡優化模型的形式。
12、步驟3.2:將上述綜合能源系統優化調度模型的最簡優化模型構建為圖譜映射模型。
13、優選地,步驟3.2中,將節點被分為兩個互不相交的集合,其中一個集合表示決策變量,另一個集合表示約束條件。構造二分圖,其中節點類型包括變量節點、等式約束節點,不等式約束節點。同時,將變量邊界約束、整數約束、等式約束和不等式約束標志歸入變量節點的屬性值。通過獨熱編碼方法將非數值屬性納入二分圖結構,參與圖譜卷積運算;
14、優選地,步驟4中,在獲取到描述混合整數規劃問題的二分圖數據后,采用圖卷積神經網絡構造條件生成模型,實現從二分圖數據中學習生成高質量的智能體功率分配問題可行解,為更優目標函數的可行解賦值更大的概率分配。模型預測中表示的不確定性用于固定多智能體優化模型的大部分整數變量的取值,剩余的子混合整數規劃問題則可以基于現有求解器搭載的分支定界法進行快速求解,從而獲得高質量的可行解分配。
15、優選地,二分圖數據作為模型輸入數據,圖卷積神經網絡用于推斷輸入二分圖結構的節點嵌入向量,而后采用多層感知機模塊以輸入混合整數規劃問題為條件獨立的0-1整數變量取值概率分布,運算包括圖卷積運算和多層感知機運算,輸出數值范圍為0-1之間的整數變量取值概率分布:
16、
17、其中:
18、a為輸入圖譜數據的鄰接矩陣,
19、λ為系數,
20、in為單位矩陣,
21、為度矩陣,
22、h為輸入圖數據的特征向量,
23、w為全連接層的系數矩陣。
24、優選地,除了輸入數據a之外,其余變量為圖譜映射模型中待學習的參數,即圖譜模型的內參。圖譜學習的目的用圖譜模型的內參和映射結構來代替全局優化問題的求解,因此圖譜學習需要找到最優的內參,基于圖深度學習算法訓練圖譜映射模型,求解最優的圖譜參數,基于伯努利條件分布,設計損失函數為
25、
26、式中:
27、ωij代表第i個樣本中第j個可行解的權重參數,
28、θ表示圖譜模型的內參,即n表示數據集的樣本總數,ni表示第i個樣本中可行解的個數,mi表示第i個樣本的二分圖,
29、為可行解xi,j的生成概率,反映可行解對目標函數的貢獻,定義為:
30、
31、式中:
32、d表示決策變量的第d維度的取值,i表示決策變量的總維度,即所有時刻所有園區的設備調度決策個數。
33、優選地,步驟5中,具體步驟包括:
34、步驟5.1:應用訓練完成后的圖譜模型求解區域綜合能源系統優化調度模型,分別將電、熱、燃氣負荷需求,光伏發電功率預測等參數輸入圖譜模型,由圖譜模型輸出每個智能體園區的功率調度計劃的整數變量取值。
35、步驟5.2:固定圖譜映射模型的整數變量取值,求解剩余只含有連續變量的綜合能源系統優化調度模型,獲得全局調度方案。
36、本發明的第二方面提供了一種多源數據融合的自主推理型圖譜學習建模系統,用于運行所述的一種多源數據融合的自主推理型圖譜學習建模方法,包括:
37、多智能體劃分模塊:按能量類型劃分城市區域多智能體單元;
38、全局優化調度模塊:利用智能體內部約束和共同約束的限制建立城市區域多智能體綜合能源系統優化調度模型;
39、圖譜映射模型:對城市區域多智能體綜合能源系統優化調度模型進行二分圖譜構建;
40、圖譜求解模型:將原優化調度模型通過圖譜映射到易求解的圖譜模型上進行快速求解。
41、與現有技術相比,本發明的有益效果至少包括:通過建立城市區域綜合能源系統多層級智能體決策圖譜的映射關系,實現快速精確的優化,提高了求解效率,降低了對算法參數調整的依賴,能夠在更大規模的綜合能源系統中實現更為精確和穩定的全局優化,可以對區域綜合能源系統具有大規模整數變量的優化問題進行降維,減少決策的復雜度,有效指導本地調度問題的解決,特別是對于非連續決策域的智能體,如儲能和電容器組,這種方法更為適用;圖譜的表達還提高了系統的靈活性和適應性,使得系統可以輕松遷移到設備參數不同但結構相似的其他多層級智能體系統。通過融合多源異構數據源、自主推理發現規律約束以及圖譜學習建模等技術,本發明通過構建二分圖譜并使用圖卷積神經網絡直接對圖譜數據進行學習和優化,能夠有效捕獲復雜系統內在的物理機理,能夠更有效地處理復雜的系統約束和大規模整數變量問題,本發明采用圖神經網絡和自主推理來直接從數據中學習系統的物理規律和約束,、提高了多智能體調度決策的準確性和魯棒性,可以在優先保證求解精度情況下提高多智能體交互迭代收斂速度,實現了對混合整數規劃問題的高質量快速求解,大幅度提高了調度決策的實時性和準確性,有效支持大規模系統的實時動態調度。