本發(fā)明涉及的是城市區(qū)域綜合能源系統(tǒng)多層級智能體建模與分析領(lǐng)域的技術(shù)，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(tǒng)。

背景技術(shù)：

1、城市是生產(chǎn)、消費(fèi)、交換的集中場所，呈現(xiàn)出能源消費(fèi)強(qiáng)度大、碳排放高等特點(diǎn)。城市綜合能源系統(tǒng)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(huán)保供應(yīng)。

2、城市綜合能源系統(tǒng)中包含多種能源資源、能源設(shè)備以及參與方，這些因素共同構(gòu)成一個復(fù)雜且動態(tài)的系統(tǒng)，需要高效的調(diào)度、控制和優(yōu)化，以保障能源的可靠高效供應(yīng)。傳統(tǒng)的中心化調(diào)度和控制方法涉及大量能源主體共同參與并需要高度協(xié)同運(yùn)行，難以應(yīng)對大規(guī)模綜合能源系統(tǒng)的復(fù)雜性和不確定性，面對復(fù)雜系統(tǒng)時求解調(diào)度決策復(fù)雜度高、求解計算緩慢的問題。

3、智能體是能夠感知環(huán)境、做出決策并與其他智能體進(jìn)行通信的單元結(jié)構(gòu)。在電力能源領(lǐng)域中，系統(tǒng)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(shè)備、能源資源或能量管理系統(tǒng)。這些智能體通過感知環(huán)境、交換信息，并根據(jù)系統(tǒng)的整體目標(biāo)和約束條件，進(jìn)行自主決策和協(xié)作，以優(yōu)化電力系統(tǒng)的運(yùn)行效率、穩(wěn)定性和可靠性。

4、現(xiàn)有技術(shù)文件1(cn117852710a)公開了一種多園區(qū)綜合能源系統(tǒng)協(xié)同優(yōu)化調(diào)度方法及系統(tǒng)，對單個園區(qū)綜合能源系統(tǒng)進(jìn)行建模，并結(jié)合內(nèi)部能源市場出清機(jī)制，建立多園區(qū)綜合能源系統(tǒng)的整體模型；以多園區(qū)綜合能源系統(tǒng)整體運(yùn)行成本最低為優(yōu)化目標(biāo)，建立系統(tǒng)經(jīng)濟(jì)運(yùn)行目標(biāo)函數(shù)；將多園區(qū)綜合能源系統(tǒng)的整體模型轉(zhuǎn)換為多智能體系統(tǒng)的馬爾科夫博弈模型，并將系統(tǒng)經(jīng)濟(jì)運(yùn)行目標(biāo)函數(shù)轉(zhuǎn)化為獎勵函數(shù)，建立多智能體強(qiáng)化學(xué)習(xí)任務(wù)；采用分解多智能體深度策略梯度算法對所述多智能體強(qiáng)化學(xué)習(xí)任務(wù)進(jìn)行求解，得到系統(tǒng)的優(yōu)化調(diào)度策略。其不足之處在于，此方法主要依賴于獎勵函數(shù)的設(shè)計和強(qiáng)化學(xué)習(xí)算法的收斂性，可能導(dǎo)致在面對大規(guī)?；旌险麛?shù)規(guī)劃問題時效率不高，且難以保證全局優(yōu)化效果。

5、現(xiàn)有技術(shù)文件2(cn114091879a)公開了一種基于深度強(qiáng)化學(xué)習(xí)的多園區(qū)能源調(diào)度方法和系統(tǒng)，s1：構(gòu)建分布式園區(qū)綜合能源系統(tǒng)模型，提出一種以最優(yōu)經(jīng)濟(jì)運(yùn)行為目標(biāo)的分布式園區(qū)綜合能源系統(tǒng)優(yōu)化調(diào)度架構(gòu)，并對各園區(qū)之間的能源交互進(jìn)行設(shè)計，分為多園區(qū)共享層和單園區(qū)消納層；s2：在所提架構(gòu)的基礎(chǔ)上，用基于多智能體的深度強(qiáng)化學(xué)習(xí)算法解決綜合能源系統(tǒng)的動態(tài)調(diào)度問題，搭建分布式園區(qū)綜合能源系統(tǒng)的多智能體深度強(qiáng)化學(xué)習(xí)框架；s3：以實(shí)時獎勵函數(shù)代替目標(biāo)函數(shù)，利用各園區(qū)內(nèi)的智能體與環(huán)境互動，尋找分布式園區(qū)綜合能源系統(tǒng)最優(yōu)調(diào)度策略，避免傳統(tǒng)能源調(diào)度方式中無法實(shí)時響應(yīng)源和荷隨機(jī)變動的問題；s4：將測試集數(shù)據(jù)用于訓(xùn)練后的智能體進(jìn)行調(diào)度決策，并將其獲得的目標(biāo)成本與經(jīng)由線性化處理后的綜合能源系統(tǒng)模型通過求解器獲得的目標(biāo)成本進(jìn)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(jī)變化，但在面對復(fù)雜的系統(tǒng)約束和大量整數(shù)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(qiáng)化學(xué)習(xí)實(shí)現(xiàn)調(diào)度問題求解，多智能體交互可能產(chǎn)生安全可行域外的綜合能源調(diào)度結(jié)果。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對現(xiàn)有多智能體綜合能源系統(tǒng)的建模與求解方法無法充分利用多源異構(gòu)數(shù)據(jù)和缺乏自主推理能力的不足，提出一種多源數(shù)據(jù)融合的自主推理型綜合能源系統(tǒng)圖譜學(xué)習(xí)建模方法，融合來自能源生產(chǎn)、傳輸、儲存、消費(fèi)等多個系統(tǒng)的異構(gòu)數(shù)據(jù)源，構(gòu)建全面描述城市區(qū)域綜合能源系統(tǒng)的多智能體協(xié)調(diào)運(yùn)行的數(shù)學(xué)優(yōu)化模型，而后構(gòu)建其決策圖譜化表達(dá)模型，設(shè)計基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的圖深度學(xué)習(xí)方法對決策圖譜進(jìn)行自主推理，挖掘全局優(yōu)化調(diào)度模型內(nèi)的物理約束與決策結(jié)果之間的圖映射聯(lián)系。將自主推理得到的規(guī)律和約束信息編碼為參數(shù)化的決策圖譜模型，作為全局優(yōu)化調(diào)度問題的輸入，從而將求解綜合能源系統(tǒng)多智能體優(yōu)化調(diào)度問題轉(zhuǎn)變?yōu)閳D譜映射函數(shù)，求解多智能體單元的最優(yōu)協(xié)同調(diào)度策略。

2、本發(fā)明采用如下的技術(shù)方案。本發(fā)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(tǒng)，包括以下步驟：

3、步驟1：根據(jù)綜合能源系統(tǒng)的結(jié)構(gòu)進(jìn)行各個多智能體園區(qū)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(jìn)行運(yùn)行優(yōu)化建模，優(yōu)化目標(biāo)為總體運(yùn)行成本最低；

5、步驟3：將具有混合整數(shù)規(guī)劃結(jié)構(gòu)的全局優(yōu)化調(diào)度模型轉(zhuǎn)變?yōu)榇▍?shù)的二分圖譜；

6、步驟4：基于圖卷積運(yùn)算以及伯努利條件生成損失函數(shù)，通過圖深度學(xué)習(xí)尋找具有最優(yōu)參數(shù)的二分圖譜；

7、步驟5：將原優(yōu)化調(diào)度模型通過圖譜映射到易求解的圖譜模型上進(jìn)行求解，得到整數(shù)變量的取值，并使用求解剩余僅含有連續(xù)變量的全局優(yōu)化子問題。

8、優(yōu)選地，步驟1中，按照不同能量形式的設(shè)備來劃分不同的設(shè)備代理商，并將其定義為一個智能體單元。

9、優(yōu)選地，步驟2，每個智能體單元分別以經(jīng)濟(jì)最優(yōu)對控制的設(shè)備進(jìn)行優(yōu)化調(diào)度，智能體單元包括電力運(yùn)行智能體(electricityagent，ea)和燃?xì)饽茉粗悄荏w(gasagent，ga)。

10、優(yōu)選地，步驟3中，具體步驟如下：

11、步驟3.1：對建立的區(qū)域綜合能源系統(tǒng)全局優(yōu)化調(diào)度模型進(jìn)行自主推理型圖譜構(gòu)建，抽象為最簡優(yōu)化模型的形式。

12、步驟3.2：將上述綜合能源系統(tǒng)優(yōu)化調(diào)度模型的最簡優(yōu)化模型構(gòu)建為圖譜映射模型。

13、優(yōu)選地，步驟3.2中，將節(jié)點(diǎn)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(gòu)造二分圖，其中節(jié)點(diǎn)類型包括變量節(jié)點(diǎn)、等式約束節(jié)點(diǎn)，不等式約束節(jié)點(diǎn)。同時，將變量邊界約束、整數(shù)約束、等式約束和不等式約束標(biāo)志歸入變量節(jié)點(diǎn)的屬性值。通過獨(dú)熱編碼方法將非數(shù)值屬性納入二分圖結(jié)構(gòu)，參與圖譜卷積運(yùn)算；

14、優(yōu)選地，步驟4中，在獲取到描述混合整數(shù)規(guī)劃問題的二分圖數(shù)據(jù)后，采用圖卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造條件生成模型，實(shí)現(xiàn)從二分圖數(shù)據(jù)中學(xué)習(xí)生成高質(zhì)量的智能體功率分配問題可行解，為更優(yōu)目標(biāo)函數(shù)的可行解賦值更大的概率分配。模型預(yù)測中表示的不確定性用于固定多智能體優(yōu)化模型的大部分整數(shù)變量的取值，剩余的子混合整數(shù)規(guī)劃問題則可以基于現(xiàn)有求解器搭載的分支定界法進(jìn)行快速求解，從而獲得高質(zhì)量的可行解分配。

15、優(yōu)選地，二分圖數(shù)據(jù)作為模型輸入數(shù)據(jù)，圖卷積神經(jīng)網(wǎng)絡(luò)用于推斷輸入二分圖結(jié)構(gòu)的節(jié)點(diǎn)嵌入向量，而后采用多層感知機(jī)模塊以輸入混合整數(shù)規(guī)劃問題為條件獨(dú)立的0-1整數(shù)變量取值概率分布，運(yùn)算包括圖卷積運(yùn)算和多層感知機(jī)運(yùn)算，輸出數(shù)值范圍為0-1之間的整數(shù)變量取值概率分布：

16、

17、其中：

18、a為輸入圖譜數(shù)據(jù)的鄰接矩陣，

19、λ為系數(shù)，

20、in為單位矩陣，

21、為度矩陣，

22、h為輸入圖數(shù)據(jù)的特征向量，

23、w為全連接層的系數(shù)矩陣。

24、優(yōu)選地，除了輸入數(shù)據(jù)a之外，其余變量為圖譜映射模型中待學(xué)習(xí)的參數(shù)，即圖譜模型的內(nèi)參。圖譜學(xué)習(xí)的目的用圖譜模型的內(nèi)參和映射結(jié)構(gòu)來代替全局優(yōu)化問題的求解，因此圖譜學(xué)習(xí)需要找到最優(yōu)的內(nèi)參，基于圖深度學(xué)習(xí)算法訓(xùn)練圖譜映射模型，求解最優(yōu)的圖譜參數(shù)，基于伯努利條件分布，設(shè)計損失函數(shù)為

25、

26、式中：

27、ωij代表第i個樣本中第j個可行解的權(quán)重參數(shù)，

28、θ表示圖譜模型的內(nèi)參，即n表示數(shù)據(jù)集的樣本總數(shù)，ni表示第i個樣本中可行解的個數(shù)，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(biāo)函數(shù)的貢獻(xiàn)，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(qū)的設(shè)備調(diào)度決策個數(shù)。

33、優(yōu)選地，步驟5中，具體步驟包括：

34、步驟5.1：應(yīng)用訓(xùn)練完成后的圖譜模型求解區(qū)域綜合能源系統(tǒng)優(yōu)化調(diào)度模型，分別將電、熱、燃?xì)庳?fù)荷需求，光伏發(fā)電功率預(yù)測等參數(shù)輸入圖譜模型，由圖譜模型輸出每個智能體園區(qū)的功率調(diào)度計劃的整數(shù)變量取值。

35、步驟5.2：固定圖譜映射模型的整數(shù)變量取值，求解剩余只含有連續(xù)變量的綜合能源系統(tǒng)優(yōu)化調(diào)度模型，獲得全局調(diào)度方案。

36、本發(fā)明的第二方面提供了一種多源數(shù)據(jù)融合的自主推理型圖譜學(xué)習(xí)建模系統(tǒng)，用于運(yùn)行所述的一種多源數(shù)據(jù)融合的自主推理型圖譜學(xué)習(xí)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(qū)域多智能體單元；

38、全局優(yōu)化調(diào)度模塊：利用智能體內(nèi)部約束和共同約束的限制建立城市區(qū)域多智能體綜合能源系統(tǒng)優(yōu)化調(diào)度模型；

39、圖譜映射模型：對城市區(qū)域多智能體綜合能源系統(tǒng)優(yōu)化調(diào)度模型進(jìn)行二分圖譜構(gòu)建；

40、圖譜求解模型：將原優(yōu)化調(diào)度模型通過圖譜映射到易求解的圖譜模型上進(jìn)行快速求解。

41、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果至少包括：通過建立城市區(qū)域綜合能源系統(tǒng)多層級智能體決策圖譜的映射關(guān)系，實(shí)現(xiàn)快速精確的優(yōu)化，提高了求解效率，降低了對算法參數(shù)調(diào)整的依賴，能夠在更大規(guī)模的綜合能源系統(tǒng)中實(shí)現(xiàn)更為精確和穩(wěn)定的全局優(yōu)化，可以對區(qū)域綜合能源系統(tǒng)具有大規(guī)模整數(shù)變量的優(yōu)化問題進(jìn)行降維，減少決策的復(fù)雜度，有效指導(dǎo)本地調(diào)度問題的解決，特別是對于非連續(xù)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(dá)還提高了系統(tǒng)的靈活性和適應(yīng)性，使得系統(tǒng)可以輕松遷移到設(shè)備參數(shù)不同但結(jié)構(gòu)相似的其他多層級智能體系統(tǒng)。通過融合多源異構(gòu)數(shù)據(jù)源、自主推理發(fā)現(xiàn)規(guī)律約束以及圖譜學(xué)習(xí)建模等技術(shù)，本發(fā)明通過構(gòu)建二分圖譜并使用圖卷積神經(jīng)網(wǎng)絡(luò)直接對圖譜數(shù)據(jù)進(jìn)行學(xué)習(xí)和優(yōu)化，能夠有效捕獲復(fù)雜系統(tǒng)內(nèi)在的物理機(jī)理，能夠更有效地處理復(fù)雜的系統(tǒng)約束和大規(guī)模整數(shù)變量問題，本發(fā)明采用圖神經(jīng)網(wǎng)絡(luò)和自主推理來直接從數(shù)據(jù)中學(xué)習(xí)系統(tǒng)的物理規(guī)律和約束，、提高了多智能體調(diào)度決策的準(zhǔn)確性和魯棒性，可以在優(yōu)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(shí)現(xiàn)了對混合整數(shù)規(guī)劃問題的高質(zhì)量快速求解，大幅度提高了調(diào)度決策的實(shí)時性和準(zhǔn)確性，有效支持大規(guī)模系統(tǒng)的實(shí)時動態(tài)調(diào)度。