信息能源系统自-互-群立体协同优化方法

胡杰,孙秋野,胡旌伟,张化光  

(东北大学信息科学与工程学院,辽宁省 沈阳市 110819)

摘要

可再生能源高速发展、信息智能技术深度融合以及终端用能的多样化需求使得能源生产、分配及消费形式都呈现出时空异步、信能融合、多能互补以及智物协同的新趋势,这使得终端信息能源系统的平衡、协同、管控必须与之相适应。根据终端、拓扑网络以及综合能源管理云平台的特性,该文首先设计了自适应嵌入式信息能源智能终端,提出基于有限智能需求的边缘智能策略,以及多智能终端之间互协作策略,最终基于云平台提出拓扑网络与云平台纵向联合能源调配方案。构建了端-网-云立体协同架构以及自-互-群的立体管控策略,实现了综合能源系统不同层级资源协同优化调度,保障大规模动态信息能源系统的安全高效运行。

关键词 : 信息能源耦合网络;智能终端;边缘智能;自-互-群;端-网-云

基金项目:国家重点研发计划(2018YFA070145);国家自然科学基金重点项目(61433004);国家自然科学基金(61573094);中央大学基础研究基金(N140402001)。 National Key Research and Development Program of China (2018YFA070145); National Natural Science Foundation of China-Key Program (61433004);National Natural Science Foundation of China(61573094) ; Fundamental Research Funds for the Central Universities (N140402001).

0 引言

近年来,随着能源互联网和现代信息科学技术的不断发展,人类正逐步从以煤炭、石油等化石能源为主的能源系统,过渡到以可再生能源为主,多元化、绿色化的综合能源系统[1]。可再生能源有着取之不尽用之不竭以及清洁环保等优势,但是同样存在着随机性、波动性以及在地理上分散与生产不连续等缺点。高渗透率的分布式可再生能源的使用,对于可再生能源发电的电网电能质量以及故障检测等都带来了很大的负面影响[2-4]。因此,加快新能源技术创新和体制改革,实现可再生能源真正的有效利用是非常有必要的。

2014年,习近平总书记主持召开中央财经领导小组第六次会议强调积极推动我国能源生产与能源消费革命。2016年国务院通过《能源发展“十三五”规划》,李克强总理提出要着力在可再生能源开发利用特别是新能源并网技术和储能、微网技术上取得突破,全面建设“互联网+”智慧能源,提升电网系统调节水平,增加新能源消纳能力。发展智慧能源,打造具有智慧特征的能源系统。正如文献[5]中所说,目前学者们对于“智慧能源”的研究,着重强调智慧能源的技术特征[6-7]以及商业特征[8-9]。而智慧能源的发展更重要的应该是智能化技术,其中包括通信技术、控制技术以及智能优化等。而要形成智能控制的前提,必须有可控制的对象,本文的研究控制对象即具有智能性的终端能源硬件设备—智能终端。通过智能终端实现可再生能源之间信息共享,以信息流控制能量流,实现可再生能源的最大程度消纳。

与此同时,为了应对能源终端用户对于不同能源形式的用能需求,能源的生产、分配以及消费形式都呈现出了时空异步、信能融合、多能互补以及智物协同的新趋势[10-13]。这就对终端信息能源系统的平衡、协同以及管控提出了巨大的挑战。如何在通信、计算、信息处理等能力有限的条件下,完成综合能源系统的能量调度,实现能源绿色高效利用成为全球广为关注的焦点问题[14-16]

本文从优化调度的角度,首先构造了自-互-群立体协同优化体系,接着分别从综合能源区域的自优化、互优化以及群优化3个角度,在不同层级构建优化目标及优化策略,详述智能终端的立体自-互-群协同优化方法,进而实现信息能源系统安全高效 运行。

1 自-互-群协同优化体系

信息能源系统的自-互-群协同优化体系如图1所示。自优化主要依托智能终端设备,对于端内进行纵向电-气-热-冷等多能互补,横向源-荷-储协同优化。对于边缘区域,包含有智能数据处理优化的功能,能够进行区域自优化。优化以单区域自身经济性为优化目标,通过端内源-荷-储-转4个方面,自行趋优。

图1 综合能源系统的自-互-群立体协同优化方法示意图
Fig.1 Diagram of self-mutual-group collaborative optimization method for integrated-energy systems

在自优化的基础之上,互优化则是通过相邻智能终端区域进行邻端协同优化以及通过博弈等手段,寻求基于邻居范围内的优化。区别于单端的协调局限,互优化能充分利用邻居区域的能源和信息,进行局部优化。而邻端之间的互优化在满足多端系统稳定的前提下,寻求局部以各自经济性为目标的优化方法。但其属于小范围内的优化方法,单纯依托这一层级,虽能突破单一终端的承受范围,达到局部优化的目的,但对于系统的紧急状况,以及能量余度较大的情况,互优化无法满足要求。

在终端智能自优化与邻居终端互优化基础上,群优化通过云平台技术,和智能终端交互进行能量调度,以及全局多时间尺度的多目标优化方法实现全局优化,群优化层级一般只在紧急情况进行调用。建立这样的立体优化体系将能解决目前信息能源系统所普遍存在的两大问题。

1)在能源调度层面:对于所有情况均通过云平台实现全局能量优化调度将造成资源的浪费。而进行分层能源优化调度,不同层级之间的各级调控目标和调控手段不同,所得到的信息不同。在通信、计算及信息处理能力不足的情况下,如何达到既定优化目的,这也是本文的重点。

2)在数据计算层面:伴随着网络节点的不断增多,所产生的数据将海量增长,在造成网络通信延迟等问题的同时,也会导致计算中心的计算设备处理数据过程中所产生的能耗也不断提升。建立基于边缘智能的信息能源系统,从边缘智能化出发,将优化任务进行下达,保障系统安全实施前提下,缓解网络延迟,降低能耗。

构建信息能源系统的自-互-群协同优化架构,在正常与临界状态时进行自-互优化体系,于紧急情况调动云平台实现全局能量多目标优化调度。依托边缘智能,实现数据边缘计算处理,减轻系统网络传输压力;通过分级优化的方法,在有限信息通信以及信息处理能力的情况下,进行能量优化调度,保证系统安全高效运行。

2 自优化

2.1 自学习智能终端

信息能源耦合网络的终端设备主要指监控装置。早期配用电网的监控装置,都是为了实现某一特定功能而设立的装置,例如电压监视仪、故障录波仪以及谐波分析仪等众多监测仪器[2],导致电网中的监控装置种类繁多,且数量众多,伴随着带来了维护困难、资金浪费等众多问题。随着电力市场的不断改革推进,智能电表成为了智能电网的数据采集的基本装置,起到了采集原始电能数据、计量和传输的作用,是实现信息集成、分析优化和信息展现的基础[17]

智能电表是智能电网的终端,除了基本用电量的计量功能以外,它还具有用电信息存储、双向多种费率计量功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化功能,可以实现远程抄表、远程送电和断电,大大提高用电管理和服务水 平[18]。智能电表是售电、停电、电能质量综合管理等功能模块的信息来源,它将整个营配系统的故障定位及电能监控深入到供电末端[19]。针对目前的智能电表终端,可以看出,其对于信息仍不具备自行处理的能力,智能性并不足够。智能电表仍然需要接收远程的系统调控信息,进行实际的控制操作,对于环境乃至用户,其仍然只具备感知以及采集的作用。面对综合能源耦合网络日趋复杂的网络信息关系,对于智能电表等装置的进一步进化,开发更具智能性的终端设备是实现智能电网的必经之路。与已有智能电表相比,新一代智能终端设备,应额外具备以下几个 特点。

1)在数据处理上,能实现向上级传递知识的能力。并不局限于单纯的数据传递,实现由数据到知识的转化,即对数据进行预处理。

2)在数据感知上,应实现进一步升级,实现从态势感知到自主认知的过程。针对当前所监测的实时数据,经过自处理后,若判断为正常状态或临界状态,则智能终端进行自处理;若判断为紧急状态,则上传至上层控制中心。

3)在实时控制上,能实现自主采取控制手段的功能。并不局限于远程的集中控制中心进行调控,最终实现目前的装置自动化到智能化的转变。

智能终端监测的为一个小型综合能源区域,可能包含电-气-热等多种能源形式,以及源-荷-储3个组成部分。基于智能终端的综合能源区域结构如图2所示。包含单能的源/荷/储装备,以及含有燃气轮机、电锅炉、气泵等多能耦合的装备。因此,终端内的自优化包含单源的源-荷-储协同优化以及电-气-热等多能互补的协同优化策略。

图2 基于智能终端综合能源系统结构图
Fig.2 The structure of the intelligent terminal based integrated- energy systems

2.2 端内“源-荷-储”协同优化

通过智能终端,采取“多源互补”、“端荷共享”以及“源储交互”和 “荷储互协”的手段,共同实现智能终端内部“源-荷-储”协同优化。

1)多源互补:通过多种分布式新能源的时空特性(例如风力发电和光伏发电具有明显的间歇性和随机性),进行多源互补,以有余而补不足,降低单品质新能源的出力波动性对整个网络的安全运行的影响。

2)端荷共享:通过智能终端反馈给用户实时能源价格以及智能制定激励机制来引导用户改变当前消费模式,从而降低用户用能成本,进一步达到整个大电网削峰填谷的目的。

3)源储交互:储能装置通常具有两种状态,即充电和放电。其一般由储能单元与双向的变流器一起构成,储能单元根据系统的调度指令,来决定充放电的状态。通过储能与电源进行交互,抑制新能源发电的波动性,增强网络稳定性。

4)荷储互协:储能除了在放电状态时实现源储交互之外,还会在充电状态实现荷储互协。在较长的时间尺度上,储能装置通过负荷监测以及荷储互协,实现削峰填谷的目的。通过“低储高发”的模式来进行套利,进而提升经济性。

2.3 基于能量枢纽的多能互补策略

多能互补协同优化技术根据用户侧对能源的实际需求情况,通过能源转换设备实现多种能源(电、气、热等)的互联互补。更好地实现不同能源系统间的能源交互,以有余补不足,达到节约成本以及网络稳定的优化目的。在以往的多能互补协同优化研究中,能量枢纽作为典型的多能互补技术被广泛地研究 [20-21], 模型如下所示。

ξ为各个能源种类的集合,α,β,…ω为集合ξ上的各个元素:α,β,… ,ωξ={电 、气、热、冷…}

其中L表示输出的能量,P表示输入的能量,C为多能转换矩阵。能量枢纽在能源互联网中扮演着重要角色,从优化的角度来看,实现多能源系统综合优化的本质是将分立的子空间优化问题,转变为一个更大的全空间优化问题。其价值体现在以下几方面。

1)经济性:通过能源之间的互补互济,避免在能源规划时进行重复投资,而造成资金浪费。不同能源的梯级利用,能有效提升能源的利用效率。

2)灵活性:各种能源之间相互转变,用户在选择的时候可以选取自己认为比较经济的能源形式达到既定的目标。因此,能量枢纽能有效提升用能系统的灵活性。

3)可靠性:由于终端多能系统之间存在着多种能量转换渠道。在某一通道发生故障时,能够通过其他能源形式对该种能源进行能量供应补充,不至于因为某一条通道的堵塞而导致系统的崩溃。

4)互补性:不同能源的不同时空特性导致能源系统之间各有优劣。通过能量枢纽能实现个系统之间进行劣势互补,取长补短。多能源之间互补,平抑能源供应的波动,另一方面增加系统经济性。

通过智能终端与能量枢纽之间的交互利用,对不同能源进行交互实现能量互补,提高系统经济性。至此,针对端内自优化部分,系统输入多种能源形式的源-荷-储系统状态,通过内部源-荷-储-转且内部能量稳定为前提,以区域自运行经济性作为目标函数。数学形式如下所示:

图3 能源区域自优化运行示意图
Fig.3 Operation diagram of self-optimizing of energy region

其中: i,j∈ ( p,g,h),Gij表示能源i与能源j之间的能量传递,Hi表示能源网内评价该能源网络的能量稳定性指标; f(∑ Gij)表示关于Gij的函数;Hi-minHi-max分别表示能源i网络稳定裕度的下限和上限。自优化运行示意图如图3所示。

3 互优化

3.1 多智能终端分布式协同优化

每个智能终端对应的监控并控制一个小型的能源区域,通过网络将各个综合能源区域进行连接,并形成能源互联网。对于网络稳定性,单智能终端的调节能力终将有限,同时为了实现智能终端的即插即用,基于多智能终端分布式协同控制方法就显得尤为重要。

智能终端网络节点的插入,将导致网络节点输出不稳定以及网络拓扑结构的改变,进而可能导致整个电网的电压、频率的不稳定,最后影响电网的稳定性。每一个智能终端即可看作为一个智能体,针对多智能终端的分布式协同控制即为多智能体的分布式协同控制。针对电网,主要表现为电压、频率等的一致性控制。针对综合能源系统,根据所需要实现的目标,通过更改通信协议以及建立新的协议形式来达到目的。

基于图论的知识,称G=(V,E,A) 为一个加权有向图[22]。其中 V= {v 1,v2,…,vn}表示图G的节点集合,有限集合 I= {1 ,2,…,n}表示节点的指标集, EV×V表示图G的边,A=[aij] 是图G的以aij为元素的非负邻接矩阵,其中aij≥0表示节点vivj之间的连接权重。有向对(vi,vj)表示图G的边,当且仅当第i个节点能直接接收到第j个节点的信息时,(v i,vj) E, 此时节点i称作父节点,节点j称作子节点,否则(vj,vjE ∉,。当(vi,vj)E ∈,时有aij>0,否则aii=0。由于不存在自环的情况,则对于所有的 Ii∈ ,都有aii=0。

对于多智能体系统中的单个智能体i的状态可以表示为zi(t)=ui,若所有智能体的状态最终趋于相等,则表示为ij,且 t→∞。 在多智能体一致性控制中,一致性协议是重点研究对象。这里仅介绍基本的连续时间的分布式一致性协议。

zi(t)表示第i个智能体(智能终端)的状态信息。状态信息是用来表示智能体进行协调控制所需要的信息,针对电网通常是电压、频率等信息,针对气网、热网其通常表示压强、流速等信息。

Ni表示第i个智能体的邻域集定义如下:

则基于连续时间的一致性协议如下:

通过对一致性协议进行设计,使得系统能够更快地达到全网一致。多智能终端之间的互优化,基于能量守恒,达到全网电压、频率等一致的稳定前提下,通过改进控制方法与一致性协议相结合,增强系统鲁棒性以及快速响应的能力。

3.2 多终端分布式非合作博弈

伴随着能源市场的不断改革,开放程度不断提高,多终端之间可以通过通信线路进行信息交互。在假设各智能终端为自私且理智的前提下,各终端都希望自身得到更多的利益,多终端之间的互优化同时也可以看作多智能终端之间的博弈问题。同时存在着生产者和消费者的身份,多终端相互之间以及与能源供应商之间进行价格博弈使多方利益最大化,即为典型的非合作博弈场景。

非合作博弈存在着两种典型的数学规范表达式:标准型博弈和混合策略博弈。分别应用于静态博弈与动态博弈[23]。市场价格应属于动态变化过程,介绍混合策略博弈如下。

混合策略博弈含有3个必备组分[24]:1)独立博弈局中人: N= {1 ,2,…,N}; 2)博弈参与者i的混合策略,且 ∀iN,σimφ,策略集合σ={σ 1m,σ 2m,…,σnm}; 3)服从概率密度分布规律下的期望收益:

混合型博弈的数学形式为:

非合作博弈的均衡为纳什均衡,对于博弈Γ,存在策略反应集合满f足条件下有:

则 为纳什均衡, 且∀iN,σ i=σi时,

同时由于多能之间存在能量耦合,以及存在多种交易策略,使得纳什均衡解存在但并不唯一,这也是目前多种能源系统中博弈的难点问题。

综上,互优化通过相邻终端之间进行能量传输Sij'满足功率盈亏Sij,初步报价ρij通过博弈形成价格ρij',并于协同控制保证EPCC点的能量指标Kij达到正常,降低系统的运营成本。数学表达形式如下:

互优化运行示意图如图4所示。

图4 能源区域互优化运行示意图
Fig.4 Operation diagram of mutual-optimizing of energy region

4 群优化

4.1 智能终端-云平台联合能源调度

基于智能终端的信息能源系统的自优化以及互优化是基于单端能源区域和相邻多端能源区域之间实现的优化方法。除此之外,还需要对全局网络进行统筹优化,全终端云平台全局优化能源调度。云计算可将新能源模拟的计算任务分布到由大量计算机构成的资源集合上,使用户能够按需获取计算能力、存储空间和信息服务[25]。基于综合能源网络的云平台结构示意图如图5所示。

各个能源系统通过智能终端、能源路由器以及虚拟化平台连接起来,构成统一的混合云平台。利用调度总线,实现资源的分配、调度和管理工作。针对综合能源系统,云平台主要起到负荷预测、能源质量检测与控制和需求侧管理与响应等作用。

1)负荷预测:通过存储海量的历史数据与实时采集数据以及高水平的计算能力,云平台使负荷预测更加精确,且适应于各种事件维度和空间。

图5 综合能源系统云平台结构示意图
Fig.5 Structural sketch of cloud platform for integrated-energy systems

2)用能质量检测:用能质量指综合能源系统的能源特征、网络性能以及用户用能体验的保障。随着分布式能源的广泛接入,数据采集规模增大,势必要用到云平台的高水平计算能力。

3)需求侧管理与响应:用户不仅是能源的消费者,同时也是生产者。基于云平台的精准地负荷预测,将对用户用能等行为存在很重要的意义。

综合能源系统的群优化,最重要的是面对海量数据,借助云平台的超强计算能力,以信息流控制能量流,做出精准的能源调度方案。

4.2 多时间尺度全局多目标优化

在实际信息能源系统中,其数据相对于电力系统往往因多种原因而处于不同时间断面。随着能源体系的不断改革,可再生能源的大量接入,明显存在的一个问题即优化控制的周期会显著不同,这就使得信息能源网络呈现出较强多时间尺度的特性。

对于全局能源网络进行优化时,需充分考虑网络的时空异构性和网络结构的变化性。其中多时空特性主要表现在两个方面[26]:①对于海量的量测装置,大部分设备并不存在校时功能,进而导致获得这些数据将并不在同一时间断面上,这就加大了优化难度。②可再生能源的大量渗透,存在着间歇式出力的特点,比较依赖自然条件,且变化较频繁,因此其优化控制应在短时间内完成,而很多传统设备在短时间内可能无法调节完成。因此针对全局的优化,必须建立在多时间尺度之上。

全局优化框架除了建立在多时间尺度上之外,还应该属于跨网多目标优化的范畴[27]。对于综合能源系统的多目标优化,主要考虑以下几个方面。

1)经济性:以经济性为目标,主要包含运行维护成本COM、电/气/热等多能交易成本Cp/Cg/Ch(初始投资成本属于建立过程,在此不考虑)。其中维护成本建立如下:

其中:Coi,jPt,j,outi=p,g,h,j=a,b,c,且p,g,h分别代表 电、气、热,a,b,c分别表示电、气、热的装置设备。Coi,j表示第i种能源设备j单位输出能量的运行维护费用;Pt,j,out表示t时段内设备的出力,Δt表示t时段内设备的出力时间。

2)负荷切除最少:在紧急情况,对于出现能量冗余的情况,默认为主网具有足够的能源消纳能力,能对于多余能量进行吸收消纳;在出现大面积能源掉落的情况下,即能源供需不平衡情况,必须采取负荷切除的方法。此时电、热、气多能负荷切除量应达到最小,即Lexc(p,h,g)应达到最小。

3)系统的可靠性:在网络进行电热气进行交互的过程中,引入系统的可靠性指标。不同能源网络进行能量转换传输的时候转换量Sij满足线路要求,确保在上下界之间。

至此,关于信息能源系统的群优化,在输入全局能源网络的能量状态以及各个转换设备及储能设备等的容量为前提,在遇到紧急情况(如自然灾害等),依托云平台进行多能跨网、多时间尺度、多目标的全局优化能源调度。其数学表达如下:

在一般情况,不调用群优化这一层级,通过自-互实现经济稳定,且各个能源区域实现经济最优。云平台群能源优化调度示意图如图6所示。

图6 能源系统群优化运行示意图
Fig.6 Operation diagram of group-optimizing of energy systems

5 结论

本文提出了基于智能终端的综合能源系统的自-互-群立体协同优化体系,其运行流程总结如图7所示。分别从智能终端端内源-荷-储协同优化和多能协同互补,邻居终端间分布式协同和分布式博弈策略以及全局能源终端间通过云计算进行能源调度和多时间尺度全局多目标优化的方面,整体以经济性与网络稳定等多方面为优化目标,保障信息能源系统的安全高效运行。

图7 自-互-群优化体系运行流程图
Fig.7 Flow chart of self-mutual-group optimization systems

参考文献

[1] 李华东,李勇,李文博.考虑源网荷互动的虚拟发电厂分布式协同控制[J].电气传动,2019,49(3):72-77.

Li Huadong,Li Yong,Li Wenbo.Distributed cooperative control for virtual power plants considering interaction of source,network and load[J].Electric Drive,2019,49(3):72-77(in Chinese).

[2] 刘广一,史迪,朱文东,等.云雾协同优化控制和软件定义应用技术[J].电力信息与通信技术,2016,14(3):89-95.

Liu Guangyi,Shi Di,Zhu Wendong,et al.Cloud-fog coordination optimization and control and software defined application technology[J].Electric Power Information and Communication Technology,2016,14(3):89-95 (in Chinese).

[3] F.Blaabjerg,R.Teodorescu,M.Liserre and A.V.Timbus.Overview of control and grid synchronization for distributed power generation systems[J].IEEE Transactions on Industrial Electronics,2006,53(5):1398-1409.

[4] 孙秋野.能源互联网[M].北京:科学出版社,2015.

[5] 王宁,郭水文.智慧能源系统研究的学术进展及其应用述评[J].重庆大学学报(社会科学版):2019(5).

Wang Ning,Guo Shuiwen.A review of the academic progress and application of smart energy system research[J].Journal of Chongqing University(Social Science Edition),2019(5) (in Chinese).

[6] 谢秉正.中国智慧城市建设纵论[M].南京:江苏科学技术出版社,2013.

[7] 冯庆东.能源互联网与智慧能源[M].北京:机械工业出版社,2015.

[8] 刘建平.智慧能源我们这一万年[M].北京:中国电力出版社,2013.

[9] 吴文辉.互联网+商业顶层设计[M].北京:中华工商联合出版社,2015.

[10] 孙秋野,于晓婷,王睿,等.基于天然气动态模型的电-气耦合网络稳定控制策略研究[J].中国科学:技术科学,2019,49(4):479-490.

Sun Qiuye,Yu Xiaoting,Wang Rui,et al.Research on stability control strategy of electricity-gas coupling network based on dynamic model of natural gas network[J].Scientia Sinica (Technologica),2019,49(4):479-490 (in Chinese).

[11] 易文飞,张艺伟,黄永章,等.考虑综合需求侧响应的区域性综合能源系统运行优化[J].华北电力大学学报(自然科学版),2019,46(3):33-41.

Yi Wenfei,Zhang Yiwei,Huang Yongzhang,et al.Operational optimization of regional integrated energy system considering integrated demand side response[J].Journal of North China Electric Power University,2019,46(3):33-41 (in Chinese).

[12] Li Yushuai,Zhang Huaguang,Liang Xiaodong,et al.Event triggered based distributed cooperative energy management for multi-energy systems[J].IEEE Transactions on Industrial Informatics,2019,15(4):2008-2022.

[13] Zhou Jianguo,Zhang Huaguang,Sun Qiuye,et al.Event-based distributed active power sharing control for interconnected AC and DC microgrids[J].IEEE Transactions on Smart Grid,2018,9(6):6815-6828.

[14] 甘中学,朱晓军,王成,等.泛能网—信息与能量耦合的能源互联网[J].中国工程科学,2015,17(9):98-104.

Gan Zhongxue,Zhu Xiaojun,Wang Cheng,et al.Ubiquitous energy internet—new energy internet coupling with information and energy[J].Engineering Sciences,2015,17(9):98-104(in Chinese).

[15] 贾宏杰,王丹,徐宪东,等.区域综合能源系统若干问题研究[J].电力系统自动化,2015,39(7):198-207.

Jia Hongjie,Wang Dan,Xu Xiandong,et al.Research on some key problems related to integrated energy systems[J].Automation of Electric Power Systems,2015,39(7):198-207(in Chinese).

[16] 孙宏斌,郭庆来,潘昭光.能源互联网:理念、架构与前沿展望[J].电力系统自动化,2015,39(19):1-8.

Sun Hongbin,Guo Qinglai,Pan Zhaoguang.Energy internet:concept,architecture and frontier outlook[J].Automation of Electric Power Systems,2015,39(19):1-8(in Chinese).

[17] 王思彤,周晖,袁瑞铭,等.智能电表的概念及应用[J].电网技术,2010,34(4):17-23.

Wang Sitong,Zhou Hui,Yuan Ruiming,et al.Concept and application of smart meter[J].Power System Technology,2010,34(4):17-23(in Chinese).

[18] 冯语晴,杨建华,黄磊,等.配电网智能化评价指标体系研究[J].电网与清洁能源,2017,33(3):84-90.

Feng Yuqing,Yang Jianhua,Huang Lei,et al.Study on evaluation index system of intelligent distribution networks[J].Power System and Clean Energy,2017,33(3):84-90(in Chinese).

[19] 张毅威,丁超杰,闵勇,等.欧洲智能电网项目的发展与经验[J].电网技术,2014,38(7):1717-1723.

Zhang Yiwei,Ding Chaojie,Min Yong,et al.Development and experiences of smart grid projects in Europe [J].Power System Technology,2014,38(7):1717-1723(in Chinese).

[20] 王毅,张宁,康重庆.能源互联网中能量枢纽的优化规划与运行研究综述及展望[J].中国电机工程学报,2015,35(22):5669-5681.

Wang Yi,Zhang Ning,Kang Chongqing.Review and prospect of optimal planning and operation of energy hub in energy internet[J].Proceedings of the CSEE,2015,35(22):5669-5681(in Chinese).

[21] M.Geidl,G.Andersson.Optimal power flow of multiple energy carriers[J].IEEE Transactions on Power Systems,2007,22(1):145-155.

[22] 孙凤兰.多智能体网络的一致性研究[D].武汉:华中科技大学,2012.

[23] 孙秋野,滕菲,张化光.能源互联网及其关键控制问题 [J].自动化学报,2017,43(2):176-194.

Sun Qiuye,Teng Fei,Zhang Huaguang.Energy internet and its key control issues[J].Acta Automatica Sinica,2017,43(2):176-194(in Chinese).

[24] 梅生伟,刘锋,魏韡.工程博弈论基础及电力系统应用[M].北京:科学出版社,2016.

[25] 胡菊,靳双龙,宋宗朋,等.基于云计算的全球可再生能源资源精细化评估方法[J].电力信息与通信技术,2016,14(3):25-29.

Hu Ju,Jin Shuanglong,Song Zongpeng,et al.A refine assessment method of global renewable energy resources based on cloud computing[J].Electric Power Information and Communication Technology,2016,14(3):25-29 (in Chinese).

[26] 王冰玉,孙秋野,马大中,等.能源互联网多时间尺度的信息物理融合模型[J].电力系统自动化,2016,40(17):13-21.

Wang Bingyu,Sun Qiuye,Ma Dazhong,et al.A cyber physical model of the energy internet based on multiple time scales[J].Automation of Electric Power Systems,2016,40(17):13-21 (in Chinese).

[27] 周钰童,华亮亮,黄伟,等.计及电热交易的区域综合能源多目标优化配置[J].现代电力,2019(4):24-30.

Zhou Yutong,Hua Liangliang,Huang Wei,et al.Multiobjective optimal allocation of regional integrated energy considering electric-heat transaction[J].Modern Electric Power,2019(4):24-30(in Chinese).

Three-dimensional Self-mutual-group Collaborative Optimization Method for Information-energy Systems

HU Jie,SUN Qiuye,HU Jingwei,ZHANG Huaguang

(College of Information Science and Engineering,Northeastern University,Shenyang 110819,Liaoning Province,China)

Abstract:With the rapid development of renewable energy,the deep integration of information and intelligent technology with material systems,and the diversified demand for terminal energy,the forms of energy production,distribution,and consumption have changed dramatically,showing new trends that are asynchronous in time and space.The balance,coordination,and control of terminal information-energy systems must be adapted accordingly.Toward this objective,this paper proposes a self-mutual-group-based three-dimensional collaborative optimization method.To solve the problem of heterogeneous systems and poor real-time scheduling for information-energy coupling in network terminal equipment,we introduce an adaptive embedded intelligent terminal and then present an edge computing collaborative architecture based on this intelligent terminal.The proposed approach uses a multiintelligent terminal cooperation strategy to address the variable topology of the information energy network and adapt to realtime changes in users’ needs,as well as to realize mutual optimization of multiple terminals and improve the stability of the information energy network.A vertical joint energy allocation scheme is applied to the topological network and cloud platform.The matched three-dimensional combinations of the terminal-network-cloud collaborative architecture and the self-mutual-group layer-by-layer management and control strategy are shown to ensure the safe and efficient operation of large-scale dynamic information-energy systems.

Keywords:information energy coupled network; intelligent terminal; edge intelligent; self-mutual-group; terminal-networkcloud

胡杰

作者简介:

胡杰(1995),男,博士,研究方向为能源互联网,分布式协同控制,E-mail:hujie_neu@foxmail.com。

孙秋野(1977),男,教授,博士生导师,研究方向为电力系统,电气工程及其自动化,能源互联网,微电网等,E-mail:sunqiuye@mail.neu.edu.cn。

胡旌伟(1990),男,博士,研究方向为能源互联网,能源市场,非侵入式监测,E-mail:hjw_neu@outlook.com。

张化光(1959),男,教授,博士生导师,研究方向为自适应动态规划、模糊控制、网络控制、混沌控制、能源互联网,E-mail:zhanghuaguang@mail.neu.edu.cn。

(责任编辑 张鹏)

  • 目录

    图1