一种多模态分布式多目标分层智能大规模IES加速调度方法

一种多模态分布式多目标分层智能大规模ies加速调度方法
技术领域
1.本发明属于电力系统、新型电力系统与大规模ies的调度领域，尤其涉及到一种多模态分布式多目标分层智能的加速调度方法。


背景技术：

2.针对大规模综合能源系统ies的多模态分布式多目标分层的加速调度问题，多目标优化的决策空间中存在多个符合约束条件的局部/全局最优帕累托解集，但是在最后的多目标优化之后，只得到一个最优帕累托解集，这使得最终的解集没有多样性，不能满足决策者的需求，让大规模互联电力系统的加速调度失去了多样性。
3.另外，现有的多模态分布式多目标分层智能调度方法没有分组功能，不能解决大规模的综合能源系统加速调度问题。
4.因此，提出一种多模态分布式多目标分层智能大规模ies加速调度方法，该方法能够将多模态的特性保留下来，在大规模综合能源系统ies的多模态分布式多目标分层加速调度的问题中，不仅能保证系统的私密性和鲁棒性，还能为大规模综合能源系统ies的加速调度提供多样化的选择；在方法的迭代过程中加入量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程，来解决优化速度过慢的问题。
5.本发明采用了colshade算法，该算法是由javier gurrola-ramos，arturo hernandez-aguirre和oscar dalmau-cedeno三位科学家在19-24july 2020，ieee congress on evolutionary computation上所发表的colshade for real-world single-objective constrained optimization problems，提出了一种colshade算法，并成功在cec 2020竞赛中获奖。该算法比起现有的智能优化算法更加优秀，能够很好的解决现实中多目标约束优化问题。


技术实现要素：

6.本发明提出一种多模态分布式多目标分层智能大规模ies加速调度方法，该方法将多层分布式多目标一致性方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多模态多目标智能方法进行结合，用于大规模综合能源系统ies的加速调度；能对清洁能源进行有效地利用，解决部分地区弃风、弃光、弃水严重的问题，能求得多模态特性的解，能够克服非多层分布式方法用于大规模系统时计算速度慢和收敛性差的缺点，能提升求解速度，保障求解过程的私密性，减少能源的消耗，运用加速过程提高整个方法的收敛速度，缩短收敛时间，针对多目标多模态问题提供更加多样化的解集；所提方法在使用过程中的步骤为：
7.步骤(1)：构建大规模综合能源系统ies的最优潮流模型，以能源消耗和碳排放量为目标，遵循大规模综合能源系统ies调度的等式约束、大规模综合能源系统ies调度的功率不等式约束、大规模综合能源系统ies调度的备用不等式约束；
8.最小化能源消耗和碳排放量目标的目标函数为：
[0009][0010]
其中，f1(x)为总能源消耗；f2(x)为碳排放量；为在t时刻第i台常规发电机机组的能源消耗；为在t时刻第j台风力发电机组的能源消耗；为在t时刻第z台太阳能光伏发电机组的能源消耗；为在t时刻第k台水力发电机组的能源消耗；为在t时刻第l台地热能发电机组的能源消耗；为在t时刻第i台常规发电机机组的碳排放量；n
ge
为常规发电机机组的数量；n
we
为风力发电机组的数量；n
pe
为太阳能光伏发电机组的数量；n
he
为水力发电机组的数量；n
oe
为地热能发电机组的数量；t为目标函数的统计时间；而且满足：
[0011][0012]
其中，为t时刻第i台常规发电机机组的发电量；为t时刻第j台风力发电机组的发电量；为t时刻第z台太阳能风力发电机组的发电量；为t时刻第k台水力发电机组的发电量；为t时刻第l台地热能发电机组的发电量；ai为第i台常规发电机机组能源消耗系数二次项；bi为第i台常规发电机机组能源消耗系数一次项；ci为第i台常规发电机机组能源消耗系数常数项；dj为第j台风力发电机组的单位发电能源消耗；ez为第z台太阳能光伏发电机组的单位发电能源消耗；gk为第k台水力发电机组的单位发电能源消耗；m
l
为第l台地热能发电机组的单位发电能源消耗；αi为第i台常规发电机机组碳排放系数的二次项；βi为第i台常规发电机机组碳排放系数的一次项；γi为第i台常规发电机机组碳排放系数的常数项；
[0013]
大规模综合能源系统ies调度的等式约束为：
[0014][0015]
大规模综合能源系统ies调度的功率不等式约束为：
[0016][0017]
其中，为在t时刻的预测负荷值；为第i台常规发电机机组的发电量的下限；为第i台常规发电机机组的发电量的上限；为第j台风力发电机组的发电量的下限；为第j台风力发电机组的发电量的上限；为第z台太阳能光伏发电机组的发电量的下限；为第z台太阳能光伏发电机组的发电量的上限；为第k台水力发电机组的发电量的下限；为第k台水力发电机组的发电量的上限；为第l台地热能发电机组的发电量的下限；为第l台地热能发电机组的发电量的上限；为第t-1时刻常规发电机机组的发电量；为第t时刻常规发电机机组的发电量；为常规发电机机组向下的爬坡值；为常规发电机机组向上的爬坡值；t
60
为60分钟；
[0018]
大规模综合能源系统ies调度的备用不等式约束为：
[0019]
[0020]
其中，为在t时刻风力发电机机组的正旋转备用值；为在t时刻第j台风力发电机机组的正旋转备用值；为在t时刻风电机组的负旋转备用值；为在t时刻第j台风力发电机机组的负旋转备用值；为在t时刻太阳能光伏发电机组的正旋转备用值；为在t时刻第z台太阳能光伏发电机组的正旋转备用值；为在t时刻太阳能光伏发电机组的负旋转备用值；为在t时刻第z台太阳能光伏发电机组的负旋转备用值；为在t时刻水力发电机机组的正旋转备用值；为在t时刻第k台水力发电机机组的正旋转备用值；为在t时刻水电机组的负旋转备用值；为在t时刻第k台水力发电机机组的负旋转备用值；为在t时刻地热能发电机机组的正旋转备用值；为在t时刻第l台地热能发电机机组的正旋转备用值；为在t时刻地热能发电机组的负旋转备用值；为在t时刻第l台地热能发电机机组的负旋转备用值；l
w+
％为风力发电机机组中负荷正旋转备用需求系数；l
w-％为风力发电机机组中负荷负旋转备用需求系数；l
p+
％为太阳能光伏发电机组中负荷正旋转备用需求系数；l
p-％为太阳能光伏发电机组中负荷负旋转备用需求系数；l
h+
％为水力发电机机组中负荷正旋转备用需求系数；l
h-％为水力发电机机组中负荷负旋转备用需求系数；l
o+
％为地热能发电机机组中负荷正旋转备用需求系数；l
o-％为地热能发电机机组中负荷负旋转备用需求系数；wu％为风电发电机机组正旋转备用需求系数；wd％为风电发电机机组负旋转备用需求系数；pu％为太阳能光伏发电机组的正旋转备用需求系数；pd％为太阳能光伏发电机组的负旋转备用需求系数；hu％为水电发电机机组正旋转备用需求系数；hd％为水电发电机机组负旋转备用需求系数；ou％为地热能发电机机组正旋转备用需求系数；od％为地热能发电机机组负旋转备用需求系数；t
10
为10分钟；
[0021]
步骤(2)：利用多模态多目标智能方法解决多模态特性和多目标加速调度的问题，确定每一分层的最大迭代步数n；首先判断当前迭代的代数是否满足n《n
10
或n-n
10
《n《n，若满足此条件，则采用colshade方法，选择搜索能力优秀的个体去广泛地探索空间以寻找最优解；若不满足该条件，则利用量子和模糊逻辑的全连接层嵌入式自关注网络的方法执行加速过程；其次利用特殊的选择机制增加选择压力、提高多样性、加快收敛速度；最后利用特殊拥挤距离，同时考虑决策空间和目标空间中候选解的距离，得到解集之间互不支配的最优帕累托集合，解决调度问题中的多模态特性，提供更多样的候选解同时利用膝关节点和膝关节区域的特性，在没有偏好的情况下提供最恰当的最优解决方案；
[0022]
把公式(1)中的f1(x)和f2(x)分别作为二维坐标系的横轴坐标和纵轴坐标,考虑到其多模态的特性，在决策空间和目标空间求得一系列的可行解后，再对可行解进行多模态多目标优化得到合适的最优帕累托解集，步骤为：
[0023]
步骤2.1：设置初始迭代时刻t＝1；
[0024]
步骤2.2：将相互矛盾的两个目标量作为二维坐标系的横轴和纵轴，放在同一个坐标系中进行考虑；
[0025]
步骤2.3：参数初始化，另多模态多目标的迭代次数n＝0；
[0026]
步骤2.4：在可行解的范围内生成一个大小为m的种群；
[0027]
步骤2.5：判断当前迭代的次数是否满足n《n
10
或n-n
10
《n《n，n
10
为加速阶段之前的
和加速阶段之后的迭代次数；若满足n《n
10
或n-n
10
《n《n，则继续运用多模态多目标智能方法进行迭代，若不满足n《n
10
或n-n
10
《n《n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络，执行加速过程；
[0028]
步骤2.6：若满足n《n
10
或n-n
10
《n《n，在整个空间中嵌入colshade方法确定搜索空间中个体的选择标准；
[0029]
步骤2.6.1：首先对个体的约束条件和目标函数进行分开处理，公式如下(6)、(7)和(8)所示:
[0030]
svc(x,∈g)＝τ(x)+ε(x,∈g)
ꢀꢀꢀ
(6)
[0031][0032][0033]
其中，svc为colshade方法搜到的可行解的个体，∈g为等式约束的容差向量，∈
j,g
为容差向量的一个分量，hj(x)为第j个等式约束，gi(x)为第i个不等式约束，τ(x)为函数gi(x)最大约束之和，ε(x,∈g)为函数hj(x)与容差向量之差的最大和；
[0034]
步骤2.6.2：根据公式(9)判断个体的可行性与最优性；
[0035][0036]
其中，∈f为最终公差，fes
∈
是公差允许的适应度评估的最大次数，fes为公差，∈
j,g+1
为更新后的容差分量；
[0037]
步骤2.7：利用colshade方法对个体的参数进行改进后生成能够适应约束问题的参数对个体进行levyfight飞行突变，进行非支配排序的操作；
[0038]
步骤2.8：若不满足n《n
10
或n-n
10
《n《n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程；
[0039]
步骤2.8.1：输入n
agent
个m维的决策变量和相应的目标函数值；
[0040]
步骤2.8.2：据n
agent
个智能体的加权总目标函数值，通过模糊逻辑策略将智能体划分为四个模糊逻辑子集；每个智能体都被基于加权总目标函数值的模糊规则分类到类别z
p
中；第p个智能体加权总目标函数值f
t,p
为：
[0041]ft,p
＝ρ1f1(x)+ρ2f2(x)
[0042][0043]
其中ρ1、ρ2分别任目标函数f1(x)、f2(x)对应的加权参数值；模糊规则分类得到的第p个智能体的类别z
p
为：
[0044]
[0045]
其中f
t max
和f
t min
分别是加权总目标函数值的最大值和最小值，子集a、b、c、d是四个模糊逻辑子集，子集a到d分别具有h
agent，a
、h
agent，b
、h
agent，c
和h
agent，d
个智能体，0＜p≤n
agent
；
[0046]
步骤2.8.3：为防止输入全连接层嵌入式自关注网络的数据被过度合成并导致全连接层嵌入式自关注网络的训练过度拟合，选择每个子集中16％的个体进入两位量子通用门；每个被选中的个体通过一个两位量子通用门进入四个模糊子集，每个通用量子门q
1bit
为：
[0047][0048]
其中，θ,λ和是费利克斯
·
布洛赫参数，θ为布洛赫球极角，为布洛赫球相对相位，λ为布洛赫球全局相位；双位量子通用门q
2bit
是两个单位量子通用门的张量积，为：
[0049][0050]
其中q
1,1bit
和q
2,1bit
为两个单位量子通用门，θ1、θ2、λ1、λ2、和分别为q
1,1bit
的布洛赫球极角、q
2,1bit
的布洛赫球极角、q
1,1bit
的布洛赫球全局相位、q
2,1bit
的布洛赫球全局相位、q
1,1bit
的布洛赫球相对相位和q
2,1bit
的布洛赫球相对相位；
[0051]
步骤2.8.4：以四个模糊子集为数据集运用动量随机梯度下降法训练四个全连接层嵌入式自关注网络，输入随机选取的加权总目标函数值，得到相应的决策变量值，并为下一次迭代提供输入；输入和输出分别是加权总目标函数值和决策变量；
[0052]
步骤2.8.5：将预测的决策变量限制在边界u表示决策变量的第u维元素，和分别表示第t时段决策变量的第u维元素的下限和上限；输出经过边界限制的决策变量值作为多层多目标分布式一致性方法下一次迭代过程决策变量的初始值；
[0053]
步骤2.9：寻找到最优帕累托前沿上的膝关节点和膝关节区域；
[0054]
步骤2.10：根据非支配排序、识别膝关节点和膝关节区域以及特殊拥挤距离进行环境选择得到更优的m个个体；
[0055]
步骤2.11：判断迭代次数，如果不满足迭代次数则令n＝n+1返回步骤2.5继续迭代，直到满足迭代次数；如果满足迭代步数则进行步骤2.12；
[0056]
步骤2.12：得到保留多模态特性的最优帕累托解集，根据决策者的偏好选择合适的解；
[0057]
步骤(3)：利用多层分布式多目标一致性方法解决大规模综合能源系统ies调度的问题，将大规模综合能源系统ies划分为多个区域，每个区域都看成一个智能体进行单独的优化，独自完成各自的优化问题之后，不用交换各个区域的内部变量，只用交换各个区域之间的边界信息则能够实现整体的优化，保证了系统的私密性，加快大规模综合能源系统ies
解决问题的速度，步骤为：
[0058]
步骤3.1：输入已经预测好的负荷数据，并另各区域优化初始迭代步数k＝0；
[0059]
步骤3.2：结合智能体的拓扑结构进行边界变量和目标变量的交换；
[0060]
步骤3.3：求出各机组的有功出力；
[0061]
步骤3.4：对有功出力进行修正；
[0062]
步骤3.5：求出有功偏差值；
[0063]
步骤3.6：判断有功偏差是否符合要求，如果不符合要求则令k＝k+1，继续返回步骤3.2进行迭代；如果符合要求，则结束，得到各区域的最佳发电量；
[0064]
步骤(4)：利用多层分布式多目标一致性方法解决大规模综合能源系统ies分层调度的问题，将第一步划分的区域视为第一层，在第一层划分的区域内部再次进行区域的划分，将再次划分的区域分成两个小组，一组为参与调度的发电机组，另一组为参与调度的除发电机组外的其他能源，将这两个小组进行多模态多目标分布式优化调度，第一层各区域内部划分的第二层区域解决问题时是并行的，能使因为大规模综合能源系统ies不断增大而降低的解决问题的速度加快；而且能够对区域进行多次的分层，降低庞大复杂的大规模综合能源系统ies解决问题的难度，步骤为：
[0065]
步骤4.1：将第一层内的区域1、区域2、区域3计算得到的最佳发电量作为负荷值分别输入到第二层；
[0066]
步骤4.2：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域1的第二层：区域11、区域12、区域13；对区域2的第二层：区域21、区域22、区域23；对区域3的第三层：区域31、区域32、区域33进行处理；
[0067]
步骤4.3：将区域11、区域12、区域13、区域21、区域22、区域23、区域31、区域32、区域33计算得到的最佳发电量作为负荷值分别输入到第三层；
[0068]
步骤4.4：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域11的第三层：区域111、区域112、区域113；对区域12的第三层：区域121、区域122、区域123；对区域13的第三层：区域131、区域132、区域133；对区域21的第三层：区域211、区域212、区域213；对区域22的第三层：区域221、区域222、区域223；对区域23的第三层：区域231、区域232、区域233；对区域31的第三层：区域311、区域312、区域313；对区域32的区域321、区域322、区域323；对区域33的第三层：区域331、区域332、区域333进行并行处理；
[0069]
步骤4.5：将区域111、区域112、区域113、区域121、区域122、区域123、区域131、区域132、区域133、区域211、区域212、区域213、区域221、区域222、区域223、区域231、区域232、区域233、区域311、区域312、区域313、区域321、区域322、区域323、区域331、区域332、区域333计算得到的最佳发电量作为负荷值分别输入到第四层；
[0070]
步骤4.6：对第三层的子区域进行分组，利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域111的第四层：小组1111、小组1112；对区域112的第四层：小组1121、小组1122；对区域113的第四层：小组1131、小组1132；对区域121的第四层：小组1211、小组1212；对区域122的第四层：小组1221、小组1222；对区域123的第四层：小组1231、小组1232；对区域131的第四层：小组1311、小组1312；对区域132的第四层：小组1321、小组1322；对区域133的第四层：小组1331、小组1332；对区域211的第四层：小组2111、小组2112；对于区域212的第四层：小组2121、小组2122；对区域213的第四层：小组2131、小组2132；对区域221的第四
层：小组2211、小组2212；对区域222的第四层：小组2221、小组2222；对区域223的第四层：小组2231、小组2232；对区域231的第四层：小组2311、小组2312；对区域232的第四层：小组2321、小组2322；对区域233的第四层：小组2331、小组2332；对区域311的第四层：小组3111、小组3112；对区域312的第四层：小组3121、小组3122；对区域313的第四层：小组3131、小组3132；对区域321的第四层：小组3211、小组3212；对区域322的第四层：小组3221、小组3222；对区域323的第四层：小组3231、小组3232；对区域331的第四层：小组3311、小组3312；对区域332的第四层：小组3321、小组3322；对区域333的第四层：小组3331、小组3332进行并行处理；
[0071]
步骤4.7：将各区域并行计算得到的最佳发电量作为负荷输入到下一层，并利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法解决；
[0072]
步骤4.8：判断是否满足条件，若条件不满足，则令t＝t+1转入步骤2.2继续进行迭代；若条件满足，迭代结束，输出各区域的最佳发电量。
[0073]
本发明相对于现有技术具有以下优点及效果：
[0074]
(1)能对清洁能源进行有效地利用，解决部分地区弃风、弃光、弃水严重的问题；针对清洁能源大量并入电网从而导致难以消纳的问题，提出了有效的方法；
[0075]
(2)为大规模综合能源系统ies调度问题搭建了多模态分布式多目标分层分组的智能方法的框架；不能分组的智能方法尚不能解决大规模的综合能源系统调度问题。
[0076]
(3)引入了多模态的概念，在以往的电力系统的调度中不仅存在着多目标的问题而且还存在着多模态的问题，使得处理问题时存在多个符合约束条件的方案，但是在之前的调度中没有考虑到其的多模态特性；
[0077]
(4)本发明基于大规模综合能源系统ies的调度问题上对第三层的每个子区域进行了分组，能够有效降低庞大复杂的大规模综合能源系统ies解决问题的难度。
[0078]
(5)在多模态分布式多目标分层智能大规模ies的调度问题上引入了量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程，提高方法的计算速度和调度速度。
附图说明
[0079]
图1是本发明方法的分布式分层示意图。
[0080]
图2是本发明方法的分布式多模态多目标示意图。
[0081]
图3是本发明方法的分布式多模态多目标加速调度方法的流程图。
[0082]
图4是本发明方法的整体流程图。
具体实施方式
[0083]
本发明提出的一种多模态分布式多目标分层智能大规模统ies加速调度方法，结合附图详细说明如下：
[0084]
图1是本发明方法的分布式分层示意图。首先将大规模综合能源系统ies划分为三个区域，分别是区域1、区域2、区域3，此为第一层；其次将区域1划分为区域11、区域12、区域13，将区域2划分为区域21、区域22、区域23，将区域3划分为区域31、区域32、区域33，此为第二层；然后将第二层的区域又进行区域的划分，划分为区域111、区域112、区域113、区域121、区域122、区域123、区域131、区域132、区域133、区域211、区域212、区域213、区域221、
区域222、区域223、区域231、区域232、区域233、区域311、区域312、区域313、区域321、区域322、区域323、区域331、区域332、区域333，此为第三层。最后将第三层的每个子区域进行分组，划分为小组1111、小组1112、小组1121、小组1122、小组1131、小组1132、小组1211、小组1212、小组1221、小组1222、小组1231、小组1232、小组1311、小组1312、小组1321、小组1322、小组1331、小组1332、小组2111、小组2112、小组2121、小组2122、小组2131、小组2132、小组2211、小组2212、小组2221、小组2222、小组2231、小组2232、小组2311、小组2312、小组2321、小组2322、小组2331、小组2332、小组3111、小组3112、小组3121、小组3122、小组3131、小组3132、小组3211、小组3212、小组3221、小组3222、小组3231、小组3232、小组3311、小组3312、小组3321、小组3322、小组3331、小组3332进行并行处理；。每一层的各个智能体都是独自解决问题，不交换内部信息，只进行外部信息的交换，保证了系统的私密性。同时每一层各个智能体解决问题时都是并行的，提升了大规模综合能源系统ies解决问题的速度。实现了大规模综合能源系统ies分布式分层调度。
[0085]
图2是本发明方法的分布式多模态多目标示意图。以区域112内部的第四层分组为例，小组1121、小组1122中的每个区域都被看成一个智能体，独自解决问题，每个区域的目标空间的最优帕累托前沿对应着决策空间的多个最优帕累托解集，体现了多模态特性，利用多目标多模态的智能方法解决了综合能源调度系统的多模态调度问题，体现调度的多样性。
[0086]
图3是本发明方法的分布式多模态多目标加速调度方法的流程图。分布式多模态多目标方法的基本思想是将多目标问题的多模特性保留下来，为决策者提供多样性的最优帕累托解集进行选择，通过交换各智能体区域的边界区域进行整体的调度，其具体步骤为：
[0087]
步骤1：参数初始化，另多模态多目标优化迭代次数n＝0；
[0088]
步骤2：将相互矛盾的两个目标量作为二维坐标系的横轴和纵轴，放在同一个坐标系中进行考虑；
[0089]
步骤3：在可行解的范围内生成一个大小为m的种群；
[0090]
步骤4：判断当前迭代的次数是否满足n《n
10
或n-n
10
《n《n，n
10
为加速阶段之前的和加速阶段之后的迭代次数；若满足n《n
10
或n-n
10
《n《n，则继续运用多模态多目标智能方法进行迭代，若不满足n《n
10
或n-n
10
《n《n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络，执行加速过程；
[0091]
步骤5：若满足n《n
10
或n-n
10
《n《n，在整个空间中嵌入colshade方法确定搜索空间中个体的选择标准；
[0092]
步骤5.1：首先对个体的约束条件和目标函数进行分开处理，公式为:
[0093]
svc＝(x,∈g)＝τ(x)+ε(x,∈g)
[0094][0095][0096]
其中，svc为colshade方法搜到的可行解的个体，∈g为等式约束的容差向量，∈
j,g
为容差向量的一个分量，hj(x)为第j个等式约束，gi(x)为第i个不等式约束，τ(x)为函数gi(x)最大约束之和，ε(x,∈g)为函数hj(x)与容差向量之差的最大和；
[0097]
步骤5.2：根据下式判断个体的可行性与最优性；
[0098][0099]
其中，∈f为最终公差，fes
∈
是公差允许的适应度评估的最大次数，fes为公差，∈
j,g+1
为更新后的容差分量；
[0100]
步骤6：利用colshade方法对个体的参数进行改进后生成能够适应约束问题的参数对个体进行levyfight飞行突变，进行非支配排序的操作；
[0101]
步骤7：若不满足n《n
10
或n-n
10
《n《n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程；
[0102]
步骤7.1：输入n
agent
个m维的决策变量和相应的目标函数值；
[0103]
步骤7.2：据n
agent
个智能体的加权总目标函数值，通过模糊逻辑策略将智能体划分为四个模糊逻辑子集；每个智能体都被基于加权总目标函数值的模糊规则分类到类别z
p
中；第p个智能体加权总目标函数值f
t,p
为：
[0104]ft,p
＝ρ1f1(x)+ρ2f2(x)
[0105][0106]
其中ρ1、ρ2分别任目标函数f1(x)、f2(x)对应的加权参数值；模糊规则分类得到的第p个智能体的类别z
p
为：
[0107][0108]
其中f
t max
和f
t min
分别是加权总目标函数值的最大值和最小值，子集a、b、c、d是四个模糊逻辑子集，子集a到d分别具有h
agent，a
、h
agent，b
、h
agent，c
和h
agent，d
个智能体，0＜p≤n
agent
；
[0109]
步骤7.3：为防止输入全连接层嵌入式自关注网络的数据被过度合成并导致全连接层嵌入式自关注网络的训练过度拟合，选择每个子集中16％的个体进入两位量子通用门；每个被选中的个体通过一个两位量子通用门进入四个模糊子集，每个通用量子门q
1bit
为：
[0110][0111]
其中，θ,λ和是费利克斯
·
布洛赫参数，θ为布洛赫球极角，为布洛赫球相对相位，λ为布洛赫球全局相位；双位量子通用门q
2bit
是两个单位量子通用门的张量积，为：
[0112][0113]
其中q
1,1bit
和q
2,1bit
为两个单位量子通用门，θ1、θ2、λ1、λ2、和分别为q
1,1bit
的布洛赫球极角、q
2,1bit
的布洛赫球极角、q
1,1bit
的布洛赫球全局相位、q
2,1bit
的布洛赫球全局相位、q
1,1bit
的布洛赫球相对相位和q
2,1bit
的布洛赫球相对相位；
[0114]
步骤7.4：以四个模糊子集为数据集运用动量随机梯度下降法训练四个全连接层嵌入式自关注网络，输入随机选取的加权总目标函数值，得到相应的决策变量值，并为下一次迭代提供输入；输入和输出分别是加权总目标函数值和决策变量；
[0115]
步骤7.5：将预测的决策变量限制在边界u表示决策变量的第u维元素，和分别表示第t时段决策变量的第u维元素的下限和上限；输出经过边界限制的决策变量值作为多层多目标分布式一致性方法下一次迭代过程决策变量的初始值；
[0116]
步骤8：寻找到最优帕累托前沿上的膝关节点和膝关节区域；
[0117]
步骤9：根据非支配排序、识别膝关节点和膝关节区域以及特殊拥挤距离进行环境选择得到更优的m个个体；
[0118]
步骤10：判断迭代次数，如果不满足迭代次数则令n＝n+1，并返回步骤4继续迭代，直到满足迭代次数；如果满足迭代次数则进行下一步；
[0119]
步骤11：得到保留多模态特性的最优帕累托解集，根据决策者的偏好选择合适的解；
[0120]
步骤12：输入已经预测好的负荷数据，并另初始迭代步数k＝0；
[0121]
步骤13：结合智能体的拓扑结构进行边界变量和目标变量的交换；
[0122]
步骤14：求出各机组的有功出力；
[0123]
步骤15：对有功出力进行修正；
[0124]
步骤16：求出有功偏差值；
[0125]
步骤17：判断有功偏差是否符合要求，如果不符合要求，则令k＝k+1并返回步骤11进行迭代；如果符合要求，则结束，得到各区域的最佳发电量。
[0126]
图4是本发明方法的整体流程图。其具体步骤为：
[0127]
步骤1：设置初始迭代时刻t＝1；
[0128]
步骤2：输入预测负荷值，并另初始迭代步数k＝0；
[0129]
步骤3：将大规模综合能源系统ies划分为区域1、区域2、区域3把每个区域都看成一个智能体；
[0130]
步骤4：利用图3中的分布式多模态多目标方法对第一层的区域1、区域2、区域3进行处理；
[0131]
步骤5：将区域1、区域2、区域3计算得到的最佳发电量作为负荷值分别输入到第二
层；
[0132]
步骤6：利用图3中的分布式多模态多目标方法对区域1的第二层：区域11、区域12、区域13；对区域2的第二层：区域21、区域22、区域23；对区域3的第三层：区域31、区域32、区域33进行处理；
[0133]
步骤7：将区域11、区域12、区域13、区域21、区域22、区域23、区域31、区域32、区域33计算得到的最佳发电量作为负荷值分别输入到第三层；
[0134]
步骤8：利用图3中的分布式多模态多目标方法对区域11的第三层：区域111、区域112、区域113；对区域12的第三层：区域121、区域122、区域123；对区域13的第三层：区域131、区域132、区域133；对区域21的第三层：区域211、区域212、区域213；对区域22的第三层：区域221、区域222、区域223；对区域23的第三层：区域231、区域232、区域233；对区域31的第三层：区域311、区域312、区域313；对区域32的区域321、区域322、区域323；对区域33的第三层：区域331、区域332、区域333进行并行处理；
[0135]
步骤9：将区域111、区域112、区域113、区域121、区域122、区域123、区域131、区域132、区域133、区域211、区域212、区域213、区域221、区域222、区域223、区域231、区域232、区域233、区域311、区域312、区域313、区域321、区域322、区域323、区域331、区域332、区域333计算得到的最佳发电量作为负荷值分别输入到第四层；
[0136]
步骤10：利用图3中的分布式多模态多目标方法对区域111的第四层：小组1111、小组1112；对区域112的第四层：小组1121、小组1122；对区域113的第四层：小组1131、小组1132；对区域121的第四层：小组1211、小组1212；对区域122的第四层：小组1221、小组1222；对区域123的第四层：小组1231、小组1232；对区域131的第四层：小组1311、小组1312；对区域132的第四层：小组1321、小组1322；对区域133的第四层：小组1331、小组1332；对区域211的第四层：小组2111、小组2112；对于区域212的第四层：小组2121、小组2122；对区域213的第四层：小组2131、小组2132；对区域221的第四层：小组2211、小组2212；对区域222的第四层：小组2221、小组2222；对区域223的第四层：小组2231、小组2232；对区域231的第四层：小组2311、小组2312；对区域232的第四层：小组2321、小组2322；对区域233的第四层：小组2331、小组2332；对区域311的第四层：小组3111、小组3112；对区域312的第四层：小组3121、小组3122；对区域313的第四层：小组3131、小组3132；对区域321的第四层：小组3211、小组3212；对区域322的第四层：小组3221、小组3222；对区域323的第四层：小组3231、小组3232；对区域331的第四层：小组3311、小组3312；对区域332的第四层：小组3321、小组3322；对区域333的第四层：小组3331、小组3332进行并行处理；
[0137]
步骤11：将各区域并行计算得到的最佳发电量作为负荷输入到下一层，并利用图3中的分布式多模态多目标方法解决。

技术特征：
1.一种多模态分布式多目标分层智能大规模ies加速调度方法，其特征在于，该方法将多层分布式多目标一致性方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多模态多目标智能方法进行结合，用于大规模综合能源系统ies的加速调度；能对清洁能源进行有效地利用，解决部分地区弃风、弃光、弃水严重的问题，能求得多模态特性的解，能够克服非多层分布式方法用于大规模系统时计算速度慢和收敛性差的缺点，能提升求解速度，保障求解过程的私密性，减少能源的消耗，运用加速过程提高整个方法的收敛速度，缩短收敛时间，针对多目标多模态问题提供更加多样化的解集；所提方法在使用过程中的步骤为：步骤(1)：构建大规模综合能源系统ies的最优潮流模型，以能源消耗和碳排放量为目标，遵循大规模综合能源系统ies调度的等式约束、大规模综合能源系统ies调度的功率不等式约束、大规模综合能源系统ies调度的备用不等式约束；最小化能源消耗和碳排放量目标的目标函数为：其中，f1(x)为总能源消耗；f2(x)为碳排放量；为在t时刻第i台常规发电机机组的能源消耗；为在t时刻第j台风力发电机组的能源消耗；为在t时刻第z台太阳能光伏发电机组的能源消耗；为在t时刻第k台水力发电机组的能源消耗；为在t时刻第l台地热能发电机组的能源消耗；为在t时刻第i台常规发电机机组的碳排放量；n
ge
为常规发电机机组的数量；n
we
为风力发电机组的数量；n
pe
为太阳能光伏发电机组的数量；n
he
为水力发电机组的数量；n
oe
为地热能发电机组的数量；t为目标函数的统计时间；而且满足：其中，为t时刻第i台常规发电机机组的发电量；为t时刻第j台风力发电机组的发电量；为t时刻第z台太阳能风力发电机组的发电量；为t时刻第k台水力发电机组的发电量；为t时刻第l台地热能发电机组的发电量；a
i
为第i台常规发电机机组能源消耗系数二次项；b
i
为第i台常规发电机机组能源消耗系数一次项；c
i
为第i台常规发电机机组能源消耗系数常数项；d
j
为第j台风力发电机组的单位发电能源消耗；e
z
为第z台太阳能光伏发电机组的单位发电能源消耗；g
k
为第k台水力发电机组的单位发电能源消耗；m
l
为第l台地热能发电机组的单位发电能源消耗；α
i
为第i台常规发电机机组碳排放系数的二次项；
β
i
为第i台常规发电机机组碳排放系数的一次项；γ
i
为第i台常规发电机机组碳排放系数的常数项；大规模综合能源系统ies调度的等式约束为：大规模综合能源系统ies调度的功率不等式约束为：其中，为在t时刻的预测负荷值；为第i台常规发电机机组的发电量的下限；为第i台常规发电机机组的发电量的上限；为第j台风力发电机组的发电量的下限；为第j台风力发电机组的发电量的上限；为第z台太阳能光伏发电机组的发电量的下限；为第z台太阳能光伏发电机组的发电量的上限；为第k台水力发电机组的发电量的下限；为第k台水力发电机组的发电量的上限；为第l台地热能发电机组的发电量的下限；为第l台地热能发电机组的发电量的上限；为第t-1时刻常规发电机机组的发电量；为第t时刻常规发电机机组的发电量；为常规发电机机组向下的爬坡值；为常规发电机机组向上的爬坡值；t
60
为60分钟；大规模综合能源系统ies调度的备用不等式约束为：
其中，为在t时刻风力发电机机组的正旋转备用值；为在t时刻第j台风力发电机机组的正旋转备用值；为在t时刻风电机组的负旋转备用值；为在t时刻第j台风力发电机机组的负旋转备用值；为在t时刻太阳能光伏发电机组的正旋转备用值；为在t时刻第z台太阳能光伏发电机组的正旋转备用值；为在t时刻太阳能光伏发电机组的负旋转备用值；为在t时刻第z台太阳能光伏发电机组的负旋转备用值；为在t时刻水力发电机机组的正旋转备用值；为在t时刻第k台水力发电机机组的正旋转备用值；为在t时刻水电机组的负旋转备用值；为在t时刻第k台水力发电机机组的负旋转备用值；为在t时刻地热能发电机机组的正旋转备用值；为在t时刻第l台地热能发电机机组的正旋转备用值；为在t时刻地热能发电机组的负旋转备用值；为在t时刻第l台地热能发电机机组的负旋转备用值；l
w+
％为风力发电机机组中负荷正旋转备用需求系数；l
w-％为风力发电机机组中负荷负旋转备用需求系数；l
p+
％为太阳能光伏发电机组中负荷正旋转备用需求系数；l
p-％为太阳能光伏发电机组中负荷负旋转备用需求系数；l
h+
％为水力发电机机组中负荷正旋转备用需求系数；l
h-％为水力发电机机组中负荷负旋转备用需求系数；l
o+
％为地热能发电机机组中负荷正旋转备用需求系数；l
o-％为地热能发电机机组中负荷负旋转备用需求系数；w
u
％为风电发电机机组正旋转备用需求系数；w
d
％为风电发电机机组负旋转备用需求系数；p
u
％为太阳能光伏发电机组的正旋转备用需求系数；p
d
％为太阳能光伏发电机组的负旋转备用需求系数；h
u
％为水电发电机机组正旋转备用需求系数；h
d
％为水电发电机机组负旋转备用需求系数；o
u
％为地热能发电机机组正旋转备用需求系数；o
d
％为地热能发电机机组负旋转备用需求系数；t
10
为10分钟；
步骤(2)：利用多模态多目标智能方法解决多模态特性和多目标加速调度的问题，确定每一分层的最大迭代步数n；首先判断当前迭代的代数是否满足n<n
10
或n-n
10
<n<n，若满足此条件，则采用colshade方法，选择搜索能力优秀的个体去广泛地探索空间以寻找最优解；若不满足该条件，则利用量子和模糊逻辑的全连接层嵌入式自关注网络的方法执行加速过程；其次利用特殊的选择机制增加选择压力、提高多样性、加快收敛速度；最后利用特殊拥挤距离，同时考虑决策空间和目标空间中候选解的距离，得到解集之间互不支配的最优帕累托集合，解决调度问题中的多模态特性，提供更多样的候选解同时利用膝关节点和膝关节区域的特性，在没有偏好的情况下提供最恰当的最优解决方案；把公式(1)中的f1(x)和f2(x)分别作为二维坐标系的横轴坐标和纵轴坐标,考虑到其多模态的特性，在决策空间和目标空间求得一系列的可行解后，再对可行解进行多模态多目标优化得到合适的最优帕累托解集，步骤为：步骤2.1：设置初始迭代时刻t＝1；步骤2.2：将相互矛盾的两个目标量作为二维坐标系的横轴和纵轴，放在同一个坐标系中进行考虑；步骤2.3：参数初始化，另多模态多目标的迭代次数n＝0；步骤2.4：在可行解的范围内生成一个大小为m的种群；步骤2.5：判断当前迭代的次数是否满足n<n
10
或n-n
10
<n<n，n
10
为加速阶段之前的和加速阶段之后的迭代次数；若满足n<n
10
或n-n
10
<n<n，则继续运用多模态多目标智能方法进行迭代，若不满足n<n
10
或n-n
10
<n<n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络，执行加速过程；步骤2.6：若满足n<n
10
或n-n
10
<n<n，在整个空间中嵌入colshade方法确定搜索空间中个体的选择标准；步骤2.6.1：首先对个体的约束条件和目标函数进行分开处理，公式如下(6)、(7)和(8)所示:svc(x,∈
g
)＝τ(x)+ε(x,∈
g
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)(6)其中，svc为colshade方法搜到的可行解的个体，∈
g
为等式约束的容差向量，∈
j，g
为容差向量的一个分量，h
j
(x)为第j个等式约束，g
i
(x)为第i个不等式约束，τ(x)为函数g
i
(x)最大约束之和，ε(x，∈
g
)为函数h
j
(x)与容差向量之差的最大和；步骤2.6.2：根据公式(9)判断个体的可行性与最优性；其中，∈
f
为最终公差，fes
∈
是公差允许的适应度评估的最大次数，fes为公差，∈
j，g+1
为更新后的容差分量；
步骤2.7：利用colshade方法对个体的参数进行改进后生成能够适应约束问题的参数对个体进行levyfight飞行突变，进行非支配排序的操作；步骤2.8：若不满足n<n
10
或n-n
10
<n＜n，则进入量子和模糊逻辑的全连接层嵌入式自关注网络加速的加速过程；步骤2.8.1：输入n
agent
个m维的决策变量和相应的目标函数值；步骤2.8.2：据n
agent
个智能体的加权总目标函数值，通过模糊逻辑策略将智能体划分为四个模糊逻辑子集；每个智能体都被基于加权总目标函数值的模糊规则分类到类别z
p
中；第p个智能体加权总目标函数值为：f
t，p
＝ρ1f1(x)+ρ2f2(x)其中ρ1、ρ2分别任目标函数f1(x)、f2(x)对应的加权参数值；模糊规则分类得到的第p个智能体的类别z
p
为：其中f
tmax
和f
tmin
分别是加权总目标函数值的最大值和最小值，子集a、b、c、d是四个模糊逻辑子集，子集a到d分别具有h
agent，a
、h
agent，b
、h
agent，c
和h
agent，d
个智能体，0<p≤n
agent
；步骤2.8.3：为防止输入全连接层嵌入式自关注网络的数据被过度合成并导致全连接层嵌入式自关注网络的训练过度拟合，选择每个子集中16％的个体进入两位量子通用门；每个被选中的个体通过一个两位量子通用门进入四个模糊子集，每个通用量子门q
1bit
为：其中，θ，λ和是费利克斯
·
布洛赫参数，θ为布洛赫球极角，为布洛赫球相对相位，λ为布洛赫球全局相位；双位量子通用门q
2bit
是两个单位量子通用门的张量积，为：其中q
1，1bit
和q
2，1bit
为两个单位量子通用门，θ1、θ2、λ1、λ2、和分别为q
1，1bit
的布洛赫球极角、q
2，1bit
的布洛赫球极角、q
1，1bit
的布洛赫球全局相位、q
2，1bit
的布洛赫球全局相位、q
1，1bit
的布洛赫球相对相位和q
2，1bit
的布洛赫球相对相位；步骤2.8.4：以四个模糊子集为数据集运用动量随机梯度下降法训练四个全连接层嵌入式自关注网络，输入随机选取的加权总目标函数值，得到相应的决策变量值，并为下一次迭代提供输入；输入和输出分别是加权总目标函数值和决策变量；
步骤2.8.5：将预测的决策变量限制在边界u表示决策变量的第u维元素，和分别表示第t时段决策变量的第u维元素的下限和上限；输出经过边界限制的决策变量值作为多层多目标分布式一致性方法下一次迭代过程决策变量的初始值；步骤2.9：寻找到最优帕累托前沿上的膝关节点和膝关节区域；步骤2.10：根据非支配排序、识别膝关节点和膝关节区域以及特殊拥挤距离进行环境选择得到更优的m个个体；步骤2.11：判断迭代次数，如果不满足迭代次数则令n＝n+1返回步骤2.5继续迭代，直到满足迭代次数；如果满足迭代步数则进行步骤2.12；步骤2.12：得到保留多模态特性的最优帕累托解集，根据决策者的偏好选择合适的解；步骤(3)：利用多层分布式多目标一致性方法解决大规模综合能源系统ies调度的问题，将大规模综合能源系统ies划分为多个区域，每个区域都看成一个智能体进行单独的优化，独自完成各自的优化问题之后，不用交换各个区域的内部变量，只用交换各个区域之间的边界信息则能够实现整体的优化，保证了系统的私密性，加快大规模综合能源系统ies解决问题的速度，步骤为：步骤3.1：输入已经预测好的负荷数据，并另各区域优化初始迭代步数k＝0；步骤3.2：结合智能体的拓扑结构进行边界变量和目标变量的交换；步骤3.3：求出各机组的有功出力；步骤3.4：对有功出力进行修正；步骤3.5：求出有功偏差值；步骤3.6：判断有功偏差是否符合要求，如果不符合要求则令k＝k+1，继续返回步骤3.2进行迭代；如果符合要求，则结束，得到各区域的最佳发电量；步骤(4)：利用多层分布式多目标一致性方法解决大规模综合能源系统ies分层调度的问题，将第一步划分的区域视为第一层，在第一层划分的区域内部再次进行区域的划分，将再次划分的区域分成两个小组，一组为参与调度的发电机组，另一组为参与调度的除发电机组外的其他能源，将这两个小组进行多模态多目标分布式优化调度，第一层各区域内部划分的第二层区域解决问题时是并行的，能使因为大规模综合能源系统ies不断增大而降低的解决问题的速度加快；而且能够对区域进行多次的分层，降低庞大复杂的大规模综合能源系统ies解决问题的难度，步骤为：步骤4.1：将第一层内的区域1、区域2、区域3计算得到的最佳发电量作为负荷值分别输入到第二层；步骤4.2：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域1的第二层：区域11、区域12、区域13；对区域2的第二层：区域21、区域22、区域23；对区域3的第三层：区域31、区域32、区域33进行处理；步骤4.3：将区域11、区域12、区域13、区域21、区域22、区域23、区域31、区域32、区域33计算得到的最佳发电量作为负荷值分别输入到第三层；步骤4.4：利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域11的第三层：区域111、区域112、区域113；对区域12的第三层：区域121、区域122、区域123；对区域13的第三层：区域131、区域132、区域133；对区域21的第三层：区域211、区域212、区域213；对区域22
的第三层：区域221、区域222、区域223；对区域23的第三层：区域231、区域232、区域233；对区域31的第三层：区域311、区域312、区域313；对区域32的区域321、区域322、区域323；对区域33的第三层：区域331、区域332、区域333进行并行处理；步骤4.5：将区域111、区域112、区域113、区域121、区域122、区域123、区域131、区域132、区域133、区域211、区域212、区域213、区域221、区域222、区域223、区域231、区域232、区域233、区域311、区域312、区域313、区域321、区域322、区域323、区域331、区域332、区域333计算得到的最佳发电量作为负荷值分别输入到第四层；步骤4.6：对第三层的子区域进行分组，利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法对区域111的第四层：小组1111、小组1112；对区域112的第四层：小组1121、小组1122；对区域113的第四层：小组1131、小组1132；对区域121的第四层：小组1211、小组1212；对区域122的第四层：小组1221、小组1222；对区域123的第四层：小组1231、小组1232；对区域131的第四层：小组1311、小组1312；对区域132的第四层：小组1321、小组1322；对区域133的第四层：小组1331、小组1332；对区域211的第四层：小组2111、小组2112；对于区域212的第四层：小组2121、小组2122；对区域213的第四层：小组2131、小组2132；对区域221的第四层：小组2211、小组2212；对区域222的第四层：小组2221、小组2222；对区域223的第四层：小组2231、小组2232；对区域231的第四层：小组2311、小组2312；对区域232的第四层：小组2321、小组2322；对区域233的第四层：小组2331、小组2332；对区域311的第四层：小组3111、小组3112；对区域312的第四层：小组3121、小组3122；对区域313的第四层：小组3131、小组3132；对区域321的第四层：小组3211、小组3212；对区域322的第四层：小组3221、小组3222；对区域323的第四层：小组3231、小组3232；对区域331的第四层：小组3311、小组3312；对区域332的第四层：小组3321、小组3322；对区域333的第四层：小组3331、小组3332进行并行处理；步骤4.7：将各区域并行计算得到的最佳发电量作为负荷输入到下一层，并利用步骤2.1到步骤2.10和步骤3.1到步骤3.6的方法解决；步骤4.8：判断是否满足条件，若条件不满足，则令t＝t+1转入步骤2.2继续进行迭代；若条件满足，迭代结束，输出各区域的最佳发电量。

技术总结
本发明提出一种多模态分布式多目标分层智能大规模IES加速调度方法，该方法将多层分布式多目标一致性方法、量子和模糊逻辑的全连接层嵌入式自关注网络加速方法和多模态多目标智能方法进行结合，用于大规模综合能源系统IES的加速调度。本发明将大规模综合能源系统IES划分为三个区域，对每一个子区域的内部再次划分为四个层级，随后将第四层的子区域分成2个小组，其中一组为参与调度的发电机组，另一组为参与调度的除发电机组外的其他综合能源。所提方法中多层分布式多目标一致性方法能够用于解决大规模综合能源系统IES规模增大和智能体数量增多时系统的鲁棒性和信息私密性问题。所提方法能够加速大规模综合能源系统IES的调度速度。的调度速度。的调度速度。


技术研发人员：殷林飞 叶泳孜 卢泉
受保护的技术使用者：广西大学
技术研发日：2023.06.25
技术公布日：2023/9/9