本发明涉及电力调度优化的，尤其是指一种基于改进状态势博弈的热电厂能量管理优化方法。
背景技术：
1、近年来，微电网可高效地集成分布式能源，提高可再生能源的渗透率。随着可再生能源的大规模接入，微电网的运行成本随之增加，微电网的高质量稳定运行将面临更高的挑战。
2、如何高效地实现能量管理是保证微电网安全、稳定、经济运行的核心。微电网能量管理系统运行优化方法主要包括传统的数学规划方法、智能优化算法以及博弈论方法。从传统数学规划方法视野，强化区间线性规划方法(白牧可,王越,唐巍等.基于区间线性规划的区域综合能源系统日前优化调度[j].电网技术，2017，41(12)：3963-3970.)求解了区域综合能源系统日前经济优化调度模型。基于混合整数线性规划能量管理方法的模型(bakaras,a.h g.adaptive mixed-integer linear programming-based energy managementsystem of fast charging station with nuclear–renewable hybrid energy system[j].energies，2023，16(2):)参考自适应控制模型，以实现充电站的广泛性能。上述传统数学规划方法仅能求出优化问题的局部最优解，且结果强烈依赖于初始值。相比之下智能优化算法具有全局优化性能，其鲁棒性和通用性更强且更适于进行并行计算。利用遗传算法解决电动汽车参与的智能微电网的能量管理问题(ramin t，adrian i，milad g.a geneticalgorithm optimization approach for smart energy management of microgrids[j].renewable energy，2022，197：852-863.)，有效地降低了运行成本。蚁群-强化学习进行微电网群之间的能量优化调度(刘惕乾.基于电价激励的社区微电网优化调度研究[d].华中科技大学,2023.)。博弈论主要应用于研究各主体如何通过优化自身决策从而使得自身利益最大的问题，相较传统数学规划方法和智能优化算法的区别在于各主体之间的决策具有相互影响的作用。面向微电网源–储–荷互动的分布式多目标优化算法研究(王侨侨，曾君，刘俊峰等.面向微电网源–储–荷互动的分布式多目标优化算法研究[j].中国电机工程学报，2020，40(05)：1421-1432.)基于势博弈理论，建立源-储-荷分布式优化模型，结合多目标粒子群算法和约束支配原则对模型进行求解。基于状态势博弈理论建立微电网源-网-荷-储交互优化模型，有效协调个体利益和主体利益的一致性，与势博弈相比具有更高的求解精度和求解效率。基于状态势博弈的电力系统分布式经济调度方法(梁易乐，刘锋，梅生伟.基于状态势博弈的电力系统分布式经济调度方法[j].系统科学与数学，2016，36(03)：413-425.)兼顾全网功率平衡约束与网络传输功率限制,同时实现主体间通信量极小化。
3、目前，基于状态势博弈的源网荷储互动优化调度方法及系统，还存在一定局限性，其方法通过获取微网中各类设备的相关数据，构建微网个体的状态势博弈的局中人，将源网荷储互动优化问题转化为一个状态势博弈模型，采用完全分布式算法对状态势博弈模型进行求解。但其方案：1)未充分考虑新能源的出力不确定性，会造成一定程度的能源资源浪费以及系统成本增加；2)未充分考虑用户侧灵活性资源，仅简单的将用户负荷考虑为存在上下限的主体，实际上用户负荷具有多样性，负荷可细分为基础负荷、可中断负荷、可转移负荷以及可平移负荷；3)不适用于存在周期性约束的主体参与能量管理，实际上系统内存在此类设备例如：可平移符合、可转移负荷、储能、电动汽车等。
技术实现思路
1、本发明的目的在于克服现有技术的缺点与不足，提出了一种基于改进状态势博弈的热电厂能量管理优化方法，考虑风光不确定性引入机会约束模型，最后采用分布式的方式得到博弈最优解，保证了热电厂个体的自主性、智能性和一致性。
2、为实现上述目的，本发明所提供的技术方案为：基于改进状态势博弈的热电厂能量管理优化方法，包括以下步骤：
3、s1：分析热电厂各设备能源产生、储存和转换的特性，结合传感器、转换器、控制器和管理器构建热电厂分布式结构框图，并利用热电厂内光伏阵列输出功率、用户负荷用电的历史数据和历史气象数据作为输入，通过双重选择循环神经网络预测模型，得到热电厂内光伏阵列输出功率和用户负荷用电的预测数据；其中，所述热电厂分布式结构框图展示了热电厂各设备之间的连接关系、能量流动路径以及控制信号的传递方式，所述设备包括光伏阵列、燃气蒸汽联合循环机组、上级电网、用户负荷、电动汽车和储能；
4、s2：获取热电厂内数据，将热电厂内各设备映射为状态势博弈的局中人，此博弈还包括状态空间、效益函数、动作变量和转移函数这四要素，为满足具有周期性约束局中人的约束条件，对状态势博弈进行改进，具体是将其参数和运算拓展成长度为24的列向量并进行运算，得到能用于热电厂能量管理优化的改进状态势博弈模型；其中，所述数据包括预测数据和热电厂内设备相关数据；所述相关数据包括各设备的维护成本系数，燃气蒸汽联合循环机组的最大、最小输出功率、天然气消耗系数，向上级电网购电限制，负荷可调度时段及大小，储能设备的容量、初始荷电状态和充放电效率，电动汽车的容量、用电需求、初始荷电状态、可充放电时段和充放电效率；
5、s3：采用完全分布式算法求解基于改进状态势博弈的热电厂能量管理优化模型，得到热电厂各设备的博弈最优解即出力方案，根据热电厂分布式结构框图，将博弈最优解分配到各设备进行调度，以实现能源的高效利用和管理优化。
6、进一步，在步骤s1中，所述用户负荷包括可转移负荷、可平移负荷、可中断负荷和基础负荷；所述电动汽车作为热电厂内特殊设备，充电时充当储能设备，体现出蓄电池功能，放电时充当负荷，体现其出行功能；所述热电厂内各设备通过管理器进行信息传递与交流，通过公共连接点与运营商进行功率交换。
7、进一步，在步骤s1中，获取预测数据的具体操作步骤如下：
8、s11：收集热电厂内光伏阵列输出功率和用户负荷用电的历史数据和历史气象数据，其中，所述气象数据包括热电厂内的辐照度、温度和湿度；
9、s12：对收集到的历史数据进行深度融合和预处理，具体是通过精确的数据筛选，确保选取的数据能够有效利用，并将选取的数据划分为训练集和测试集，为模型的训练和验证提供高质量的数据样本；
10、s13：对数据进行融合处理后，根据光伏阵列和用户负荷的需求和数据特性，构建出精准可靠的双重选择循环神经网络预测模型；
11、s14：利用筛选出的测试集和训练集对上述双重选择循环神经网络预测模型进行充分的评估与训练，不断优化模型的参数和结构，确保其能够准确捕捉数据中的规律；
12、s15：运用训练完成的双重选择循环神经网络预测模型进行预测，得到24时内光伏阵列输出功率和用户负荷用电计划的预测数据。
13、进一步，在步骤s2中，所述局中人、状态空间、效益函数、动作变量和转移函数的具体情况如下：
14、a、局中人：
15、将热电厂内各设备映射为状态博弈中的局中人，热电厂内所有局中人用集合n表示，n＝{pv,gs,es,ev,linter,ltrans,lshift,lbasic,ug}，包括光伏阵列局中人pv、燃气蒸汽联合循环机组局中人gs、储能局中人es、电动汽车局中人ev、可中断负荷局中人linter、可转移负荷局中人ltrans、可平移负荷局中人lshift、基础负荷lbasic和上级电网局中人ug；
16、b、状态空间：
17、任意局中人i的状态空间xi包括功率变量[pi]24×1和上、下越限估计量和[ei]24×1，i∈n，优化周期t＝24h，用下标[]24×1表示长度为24的列向量，具体如下：
18、b1、功率变量：
19、热电厂内各局中人的功率变量满足各自约束条件，按照约束条件是否具有周期性将局中人分为两类：一类是仅具有简单上下限约束的局中人，包括光伏阵列、燃气蒸汽循环机组、可中断负荷、基础负荷和上级电网；另一类是具有周期性约束的局中人，包括储能、电动汽车，可转移负荷和可平移负荷；
20、b2、越限估计量：
21、热电厂内的全局功率平衡约束如下：
22、
23、式中，[pi]24×1表示局中人i在优化周期内的出力情况，[0]24×1为元素全为0长度为24的列向量，将上等式约束等效为不等式约束：
24、
25、引入上、下越限估计量量化以上两不等式的逾越程度，即：
26、
27、由此，上、下越限估计量的约束等效为下式，以上过程将全局约束转换成对各局中人的本地越限估计量本地约束；
28、
29、c、效益函数：
30、以经济收入为正，用电消费为负构建热电厂内各局中人的收益函数ci，根据各局中人自身越限估计量决定设置罚函数
31、
32、式中，μ为罚因子，分别为t时局中人i的上、下越限估计量；将罚函数添加到收益函数中构建局中人i的效益函数ji如下：
33、
34、最终构建状态势博弈的全局势函数φ如下：
35、
36、d、动作变量：
37、热电厂内任意局中人i的动作变量ai包括该局中人的功率变量修正量[δpi]24×1以及局中人i传递给局中人j的关于不等式约束的上、下越限估计和采用梯度下降法制定动作变量的变化量：
38、
39、式中，ε为迭代步长，为动作变量的变化量，由此制定动作变量的变化规则：
40、
41、式中，分别为动作变量[δpi]24×1、和的变化量，c′i(pi)为局中人i收益函数ci的导数，分别为局中人i传递给自身的上、下越限估计量的变化量；
42、e、转移函数，公式如下：
43、
44、式中，分别为下一次迭代的功率变量、上越限估计量、下越限估计量。
45、进一步，在步骤s2中，由于光伏阵列输出功率存在不确定性，故引入机会约束理论构建光伏阵列输出功率的不确定性模型，具体如下：
46、光伏阵列实际输出功率ppv,t由预测值wpv,t和随机误差组成：
47、
48、σpv,t＝0.02wpv,t+0.2epv
49、式中，随机误差服从正态分布，σpv,t为t时刻正态分布的标准差，epv为光伏阵列的装机容量；
50、由于光伏阵列输出功率的不确定性，按照预测值出力时会以预设概率不满足功率平衡约束，采用机会约束方法描述光伏阵列输出功率不确定性下功率平衡约束如下所示：
51、pr{ppv,t+pgs,t+pug,t-pes,t-pev,t-pload,t≥0}≥η
52、式中，η为置信概率水平，ppv,t、pgs,t、pug,t、pes,t、pev,t、pload,t分别为t时刻时，光伏阵列、燃气蒸汽联合循环机组、上级电网、储能、电动汽车和用户负荷的出力情况；
53、最后，将上述约束转换成如下不等式约束：
54、
55、式中，为标准正态分布的反函数。
56、进一步，在步骤s3中，所述完全分布式算法的具体操作步骤如下：
57、s31：初始化状态空间，设置博弈开始时各局中人决策变量、上越线估计量、下越线估计量和动作变量，设定纳什均衡和功率平衡的收敛条件；
58、s32：基于梯度下降法制定的决策变量制定规则来更新各局中人的决策变量；
59、s33：基于决策变量，根据状态转移函数更新各局中人的状态空间；
60、s34：纳什均衡判断，由各局中人的效益函数判断各局中人更新后的状态空间是否达到纳什均衡，若判断各局中人更新后的状态空间达到纳什均衡，则执行下一步，否则继续更新决策变量、状态空间直至达到纳什均衡的收敛条件；
61、s35：功率平衡判断，判断热电厂的总功率是否达到功率平衡，若判断热电厂的总功率达到功率平衡，则执行下一步，否则增大罚因子，转至步骤s32继续更新决策变量和状态空间直至达到纳什均衡以及功率平衡的收敛条件，至此，优化结束，得到博弈最优解，即各设备的最优出力；
62、s36：根据热电厂分布式结构框图内包含设备即局中人之间功率流、通讯流、控制流、信息与数据流的连接关系，将步骤s35中的博弈最优解即各设备的最优出力分配到热电厂内各设备进行调度。
63、本发明与现有技术相比，具有如下优点与有益效果：
64、1、本发明考虑新能源出力不确定性，引入机会约束降低由新能源出力波动产生的资源浪费以及系统成本。
65、2、本发明充分考虑用户侧灵活性资源，将用户负荷划分成基础负荷以及其它柔性负荷，柔性负荷在优化过程中具有的储能“充放电”功能，参与微电网的能量管理具有和实际储能一样的功能，能够有效提高可再生能源的消纳水平，减少弃风光量。
66、3、本发明将状态势博弈中的决策变量、动作变量以及其它相关参数和运算拓展成长度为优化周期的列向量，由此解决对厂内具有周期性约束的主体的约束，此举使得状态势博弈模型更适用于具有多样性主体参与的系统。
1.基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，在步骤s1中，所述用户负荷包括可转移负荷、可平移负荷、可中断负荷和基础负荷；所述电动汽车作为热电厂内特殊设备，充电时充当储能设备，体现出蓄电池功能，放电时充当负荷，体现其出行功能；所述热电厂内各设备通过管理器进行信息传递与交流，通过公共连接点与运营商进行功率交换。
3.根据权利要求1所述的基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，在步骤s1中，获取预测数据的具体操作步骤如下：
4.根据权利要求3所述的基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，在步骤s2中，所述局中人、状态空间、效益函数、动作变量和转移函数的具体情况如下：
5.根据权利要求4所述的基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，在步骤s2中，由于光伏阵列输出功率存在不确定性，故引入机会约束理论构建光伏阵列输出功率的不确定性模型，具体如下：
6.根据权利要求5所述的基于改进状态势博弈的热电厂能量管理优化方法，其特征在于，在步骤s3中，所述完全分布式算法的具体操作步骤如下：
