本发明涉及系统优化调度方法，主要涉及一种基于lstm神经网络的分层能源系统优化调度方法，具体涉及一种基于lstm神经网络聚合电动汽车负荷的电力系统分层优化调度方法。
背景技术：
1、随着能源危机和环境问题的日益严重，电动汽车已成为未来能源安全、节能环保的重要途径和发展趋势。然而，电动汽车的广泛使用将对电网调度产生影响。由于单个ev的功率较小，单独调度无法响应电力系统的调度需求，因此有必要利用负荷聚合商将电动汽车聚合控制，形成大功率、大容量的可调度负荷资源，这样才能具备参与电力系统运行和提供辅助服务的基础条件。在此背景下，负荷聚合商如何制定优化调度管理策略，对柔性负荷进行管理调度并在分布式电力市场中进行能源交易，就成为了亟需研究的问题。
技术实现思路
1、针对上述负荷聚合商如何制定优化调度管理策略，如何对柔性负荷进行管理调度并在分布式电力市场中进行能源交易的的技术问题，本技术方案提供一种基于lstm神经网络的分层能源系统优化调度方法，在基于长短期记忆(lstm)混合模型预测日前市场基本负荷、电动汽车负荷的基础上，提出一种贯穿整个电力系统的能源调度模型；所建模型不仅考虑电动汽的聚合控制，还考虑负荷聚合商之间的p2p电力交易的集中优化调度；通过对电动汽车负荷制定不同的调度策略，研究在不同的能源层面、不同的目标函数和约束条件下，电动汽车负荷和负荷聚合商之间的p2p电力交易对电网调度产生的影响；能有效的解决上述问题。
2、本发明通过以下技术方案实现：
3、一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于，包括以下步骤：
4、步骤1：负荷预测，采用lstm网络预测目标电动汽车负荷；
5、步骤2：基于lstm网络对目标电动汽车负荷预测的结果，建立电动汽车负荷优化调度模型，以便减少预测负荷曲线和实际负荷曲线之间的误差；
6、步骤3：对电动汽车负荷优化调度模型，可认为负荷聚合商充分掌握电动汽车的状态信息，因此采用ga遗传算法的集中优化方法对步骤2中电动汽车负荷优化调度模型求解；
7、步骤4：考虑交易双方利益最大化，建立电动汽车能源交易模型；
8、步骤5：电动汽车能源交易模型为分布式优化模型，因此采用改进粒子群算法对电动汽车能源交易模型求解，得到全局最优解作为结果；
9、对于求解变量销售电量为x＝{x1,x2,…,xd}，目标函数为min{f(x)}的优化问题，标准粒子群算法粒子更新公式如下：
10、vid(t+1)＝w1vid(t)+c1r1(pbestid-xid(t))+c2r2(gbestd-xid(t))；
11、xid(t+1)＝xid(t)+vid(t+1)；
12、式中，vid(t+1)和xid(t+1)分别为粒子i在t+1的位置和速度；vid(t)和xid(t)分别为粒子i在t的位置和速度；w是惯性权重，标准粒子群算法中w随迭代次数线性递减；pbestid为粒子自身历史经验；gbestd为粒子群体经验；c1和c2为学习因子，通常取值为2；r1和r2是[0，1]均匀分布的随机数。
13、进一步的，步骤5中所述的采用改进粒子群算法对电动汽车能源交易模型求解，具体操作步骤包括：
14、步骤5.1：初始化粒子状态，粒子为交易市场销售电量；
15、随机生成一定数量的粒子，每个粒子代表一个解，即搜索空间中的一个点；每个粒子都有位置和速度两个属性；
16、步骤5.2：计算适应度函数值，即计算目标函数的取值；
17、步骤5.3：更新粒子速度和位置；
18、根据粒子当前的位置和速度，以及全局最优和局部最优的信息，来更新每个粒子的速度和位置；其中，全局最优是所有粒子历史上找到的最优解，局部最优则是某个粒子在邻域内找到的最优解；
19、改进粒子群算法采用新的自适应粒子速度和位置更新策略，更新公式如下：
20、
21、上式中，pad为粒子平均维度信息；
22、步骤5.4：更新全局最优和局部最优；
23、在更新完每个粒子的速度和位置之后，重新计算全局最优和局部最优；若某个粒子找到了比当前局部最优更好的解，则将其设为新的局部最优；若某个粒子找到了比当前全局最优更好的解，则将其设为新的全局最优；
24、步骤5.5：判断是否满足停止条件；
25、判断当前的粒子群是否达到预设的最大迭代次数，若是，则满足停止条件；
26、或者判断当前的粒子群的适应度函数值是否已经足够小，若是，则满足停止条件；
27、步骤5.6：返回全局最优解；
28、若粒子群满足停止条件，则返回全局最优解作为结果；若否，则回到步骤5.3继续迭代。
29、进一步的，步骤1中所述的lstm网络中每个lstm单元包含3个控制门：输入门、遗忘门和输出门；输入门决定有多少电流输入数据输入到记忆单元，遗忘门决定保留细胞的历史状态信息，输出门控制有多少存储单元状态值需要输出到当前输出值；具体流程如下：
30、it＝σ(wxixt+whiht-1+wcict-1+bi)；
31、ft＝σ(wxfxt+whfht-1+wcfct-1+bf)；
32、ct＝ftct-1+ittan(wxcxt+whcht-1+bc)；
33、ot＝σ(wxoxt+whoht-1+wcoct-1+bo)；
34、yt＝ottanct；
35、式中，xt为输入数据，yt为输出值，ct为存储单元状态，b为偏移矩阵，wxi、wxf、wxc、wxo均为xt的偏移矩阵，whi、whf、whc、who均为ht-1的偏移矩阵，wci、wcf、wco均为ct-1的偏移矩阵，it为t时刻输入门的输出，ft为遗忘门的输出，ot为输入门的输出，σ采用sigmoid函数；更新后的细胞状态由两部分组成：(a)当前新输入产生的信息；(b)前一时刻的旧细胞状态信息。
36、进一步的，步骤1中所述的采用lstm网络预测日前市场的电动汽车负荷，具体的操作步骤包括：
37、步骤1.1：数据准备；准备时间序列数据集，包括历史数据和对应的目标值；将数据集划分为训练集和测试集，确保模型在未来数据上的泛化能力；
38、步骤1.2：特征工程；对数据进行特征工程归一化处理；
39、步骤1.3：构建lstm模型；定义lstm模型的结构，包括神经元的数量、层数、激活函数；设置模型的损失函数和优化器，在时间序列预测任务中使用均方误差作为损失函数；
40、步骤1.4：模型训练；使用训练集对lstm模型进行训练，反向传播算法更新模型参数；使用验证集来调整超参数，防止过拟合；
41、步骤1.5：模型预测；使用训练好的lstm模型对测试集或未来数据进行预测；将预测结果与实际值进行比较，评估模型的性能；
42、步骤1.6：模型评估；使用评价指标均方根误差、平均绝对误差来评估模型的预测精度。
43、进一步的，步骤1.2所述的归一化处理是将数据缩放到一个标准范围内，消除不同特征之间由于量纲不同而导致的权重差异；
44、采用最小-最大缩放方法对数据进行归一化处理，缩放后的数据范围在[0,1]之间；首先，计算每个特征的最小值zmin和最大值zmax；其次，对每个特征值应用如下的最小-最大缩放公式：
45、
46、式中，z为特征值，zmin为特征值的最小值，zmax为特征值的最大值，f为归一化之后的特征值。
47、进一步的，步骤2所述的电动汽车负荷优化调度模型的目标函数为：
48、
49、式中，n为电动汽车的数量；l(t)为当地基本负荷；和分别为第j辆电动汽车在时段t的充电和放电速率；lfore(t)为时段t的预测负荷；δt为调度周期。
50、进一步的，步骤2所述的电动汽车负荷优化调度模型的约束条件包括电动汽车soc约束、电动汽车充放电约束、电动汽车到达和离开时的电池容量约束；具体的为：
51、电动汽车soc约束：
52、
53、式中，为在时段t第j辆ev的电池荷电状态；ηc和ηd分别为电动汽车的充电和放电效率；和分别为soc的上下限值；
54、电动汽车充放电约束：
55、
56、
57、式中，和分别为最大充电和放电速率；tarrive,j为第j辆电动汽车到达充电站的时间；
58、电动汽车到达和离开时的电池容量约束：
59、
60、式中，为到达充电站时第j辆电动汽车soc状态；dj为第j辆电动汽车每日的行驶距离；w为电动汽车行驶时的能量消耗；c为电动汽车的总能耗；为第j辆电动汽车出发前期望能支持下一段行程的soc状态值。
61、进一步的，步骤3所述的ga遗传算法的核心在于种群的演化过程，通过不断地选择、交叉、变异操作，使得种群中的个体越来越适应问题的目标函数或适应度函数，直到达到最优解；
62、对电动汽车负荷优化调度模型求解包括以下步骤：
63、步骤3.1：初始化；随机生成种群，每个个体表示一个解；
64、步骤3.2：评价；根据问题的目标函数或适应度函数对种群中的每个个体进行评价；
65、步骤3.3：选择；按照个体的适应度值选择出较好的个体作为父代，保留到下一代；
66、步骤3.4：交叉；通过交叉操作，将不同的父代基因组合起来产生新的后代；
67、步骤3.5：变异；在交叉操作之后，对一些个体进行变异操作以增加种群的多样性；
68、步骤3.6：替换；通过选择、交叉、变异操作，在新一代中替代掉一部分较差的个体；
69、步骤3.7：终止条件判断；达到了预设的停止准则，则结束算法，输出最优解；否则返回步骤3.2，继续迭代。
70、进一步的，步骤4所述的交易双方利益最大化的目标函数具体为：
71、
72、由于买方的购电成本和卖方的售电收入等同，将上式简化如下：
73、
74、pspq＝pbpq；
75、cp(psp)＝ap(psp)2+bp(psp)+dp；
76、
77、式中，pspq、pbpq分别为卖方p销售给买方q的电量及买方q向卖方p购买的电量；和psp为卖方销售电量的上限值和下限值；和pbq为买方q购买电量的上限值和下限值；λpq为卖方p和买方q之间的交易价格；cp(·)为卖方p生产电力的成本函数，ap、bp、dp分别为成本二次函数系数；psp为卖方p出售的总电量；pbq为买方q购买的总电量；uq(·)为买方q购买电量的效用函数；gq、hq、kq分别为效用二次函数系数；ns和nb为卖家和买家的数量。
78、有益效果
79、本发明提出的一种基于lstm神经网络的分层能源系统优化调度方法，与现有技术相比较，其具有以下有益效果：
80、(1)本发明在基于长短期记忆网络混合模型对负荷进行预测的基础上，假设负荷聚合商可通过调度可控柔性负荷来减小实际负荷与预测负荷的误差，并根据制定的负荷调度策略与电力运营商之间进行点对点电力交易，运用改进粒子群算法求解双方可获得的最大利益。
81、(2)本发明的方法考虑了电动汽车群体的不确定性，引入了lstm神经网络预测方法，建立了lstm神经网络预测模型。然后基于预测结果，采用电动汽车负荷优化调度模型，考虑电动汽车充放电策略，提出了一种新的负荷优化调度模型，调度电动汽车负荷以确保预测负荷曲线和实际负荷曲线之间的误差最小化。同时采用电动汽车能源交易模型，确保买卖双方利益最大化。本发旨在研究在能源消费层、能源调度层等不同的能源层面、不同的目标函数和约束条件下，制定电动汽车负荷协调调度策略，从而实现电力系统经济效益和环境效益最优。
1.一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤5中所述的采用改进粒子群算法对电动汽车能源交易模型求解，具体操作步骤包括：
3.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤1中所述的lstm网络中每个lstm单元包含3个控制门：输入门、遗忘门和输出门；输入门决定有多少电流输入数据输入到记忆单元，遗忘门决定保留细胞的历史状态信息，输出门控制有多少存储单元状态值需要输出到当前输出值；具体流程如下：
4.根据权利要求1或3所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤1中所述的采用lstm网络预测日前市场的电动汽车负荷，具体的操作步骤包括：
5.根据权利要求4所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤1.2所述的归一化处理是将数据缩放到一个标准范围内，消除不同特征之间由于量纲不同而导致的权重差异；
6.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤2所述的电动汽车负荷优化调度模型的目标函数为：
7.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤2所述的电动汽车负荷优化调度模型的约束条件包括电动汽车soc约束、电动汽车充放电约束、电动汽车到达和离开时的电池容量约束；具体的为：
8.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤3所述的ga遗传算法的核心在于种群的演化过程，通过不断地选择、交叉、变异操作，使得种群中的个体越来越适应问题的目标函数或适应度函数，直到达到最优解；
9.根据权利要求1所述的一种基于lstm神经网络的分层能源系统优化调度方法，其特征在于：步骤4所述的交易双方利益最大化的目标函数具体为：
