[发明专利]基于多智能体协同的多微网能量管理方法、系统和电子设备

权利要求书

1.一种基于多智能体协同的多微网能量管理方法，其特征在于，包括以下步骤：

步骤S1：基于异质微网特征，建立多微网的优化方程；

步骤S2：基于电动汽车集群的到达/离开和充电量不确定性，通过集成学习方法，获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出；

步骤S3：基于多微网新能源能量输出和负荷的不确定性，建立盒式约束；通过极限转化方法对该盒式约束进行不确定量转化，获得鲁棒对等模型，通过对偶理论将该鲁棒对等模型进行线性化操作，将所述多微网的优化方程转化为易解模型；

步骤S4：设置输入参数，通过分布式计算框架，求解所述易解模型，获得多微网能量优化结果；所述输入参数包括电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出；

其中，步骤S1包括：

步骤S101：基于异质微网特征，通过式

建立多微网运行总成本最小化的方程；

步骤S102：通过式

和

建立针对式(1)的成本描述方程；

式中，N_MG表示多微网系统中包含的微网个数，t为调度时刻，T为调度时刻总数，N_Gi表示微网i中包含的分布式发电机总数，表示微网i的第j个分布式发电机t调度时刻出力情况，N_Bi表示微网i中包含的储能设备总数，表示微网i中第j个储能设备在t调度时刻的释能总量，表示微网i中第j个储能设备在t调度时刻的储能总量，表示微网i中第j个电动汽车在t调度时刻的释能总量，表示微网i中第j个电动汽车在t调度时刻的储能总量，表示微网i和j传输能量的成本系数，表示微网i和j之间传输的能量，并以正负号表示传输方向，表示t调度时刻主电网的卖电价，表示t调度时刻主电网的买电价，表示微网i在t调度时刻同主电网交易时的卖电量，表示微网i在t调度时刻同主电网交易时的买电量；和为分布式发电机的成本系数，为储能设备的折旧成本系数，为微网i中第j辆电动汽车的置换成本，为微网i中第j辆电动汽车在其能量周期中的能量吞吐量；

步骤S103：基于异质微网特征，建立多微网的约束条件；该约束条件包括：

平衡约束，通过式

获得；为微网i第n台可再生能源发电机组t调度时刻的发电量，为微网i在t调度时刻的总负荷；

微网i与微网j的能量交互约束，通过式

和

获得；和为微网i和微网j进行不同流向交互时的能量上限，u_j为状态变量，有0和1两个取值；

分布式发电机约束，通过式

和

获得；和为分布式发电机t调度时刻出力上下限，和为分布式发电机爬坡上下限；

储能设备约束，通过式

和

获得；和分别为储能设备充电效率和放电效率，和为储能设备容量上下限，u_Bj为电池状态变量，有0和1两个取值；

电动汽车约束，通过式

和

获得；式中，t_arr,j为电动汽车j的到达时间，t_dep,j为电动汽车j的为电动汽车j的离开时间，和为储能设备容量上下限，u_EVj为电池状态变量，有0和1两个取值；

步骤S2中所述的获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出包括：

步骤S201：通过支持向量机、长短期记忆神经网络和随机森林，对输入的特征贡献度进行分析，获得辅助特征选择结果；

步骤S202：分析支持向量机、长短期记忆神经网络和随机森林的误差分布，选择误差分布最大的作为第一层预测模型；

步骤S203：划分原始数据集，并使用交叉验证方式，分别获得支持向量机、长短期记忆神经网络和随机森林的最优超参数；

步骤S204：通过划分后的原始数据集，训练所述第一层预测模型，输出训练结果，生成训练后数据集；

步骤S205：通过训练后数据集，训练通过随机森林建立的第二层预测模型，获得电动汽车集群的到达/离开预测时间和充当储能设备期间的预测能量输出；

其中，步骤S3包括：

步骤S301：通过式

  和

获得新能源不确定集和负荷不确定集，基于该新能源不确定集和负荷不确定集建立盒式约束；式中，为预测量，为鲁棒可调参数，为盒式约束限值，Γ_t为可调鲁棒参数约束值；

步骤S302：通过极限转化方法对所述盒式约束进行不确定量转化，获得鲁棒对等模型；

步骤S303：通过式

  和

对所述鲁棒对等模型进行线性化操作，将所述多微网的优化方程转化为易解模型；步骤S4中的输入参数还包括：微网个数、调度时刻数、新能源出力数据、电网买/卖电价和微网内设备参数。