(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 CN A(43)申请公布日 2021.01.12(21)申请号 2.8G06Q 10/04 (2012.01)G06N 3/04 (2006.01)(22)申请日 2020.09.01(71)申请人 广西大学地址 广西壮族自治区南宁市大学东路100号(72)发明人 殷林飞杨自豪高放(74)专利代理机构 南宁启创知识产权代理事务所(特殊普通合伙) 45122代理人 谢美萱(51)Int.Cl.H02J 3/00 (2006.01)H02J 3/38 (2006.01)H02J 3/28 (2006.01)G06Q 50/06 (2012.01)G06Q 10/06 (2012.01)权利要求书2页 说明书5页 附图2页(54)发明名称一种多步图神经网络自适应动态规划的光 伏发电管理方法(57)摘要本发明提出一种多步图神经网络自适应动 态规划的光伏发电管理方法，该方法包括图神经 网络方法和多步自适应动态规划方法，能有效解 决户用光伏发电在家庭能量管理中的多目标规 划问题。

本发明所提方法由图模型网模块、图评 价网模块和图控制网模块三个基本模块组成，其 中每个模块的核心结构均为图神经网络。首先， 本发明所提多步图神经网络自适应动态规划方 法将大量的光伏发电数据形成可视化图片，并建 立光伏发电数据模型。然后，将形成的光伏发电 数据模型通过多步自适应动态规划方法对光伏 A 发电系统进行实时控制与优化，提升光伏发电效8 率。 9 1 7 1 2 2 1 1N C CN A权利要求书1/2页1.一种多步图神经网络自适应动态规划的光伏发电管理方法，其特征在于，该方法在 基于神经网络的自适应动态规划的基础上添加图神经网络，能用图片的形式将大量光伏发 电数据进行可视化处理，并在该方法的基础上增加了多步自适应动态规划方法，对光伏发 电数据进行实时控制与优化，并对系统进行下一时刻的预测，该方法在使用过程中的主要 步骤为：(1)将本发明提出的图神经网络方法作用于大量的光伏发电数据，形成可视化图片，建 立光伏发电数据模型；(2)将本发明提出的多步自适应动态规划方法对光伏发电系统进行实时分析优化以及 对系统下一时刻进行预测，并输出控制信号。

2.如权利要求1所述的一种多步图神经网络自适应动态规划的光伏发电管理方法，其 特征在于，所述步骤(1)中提出的图神经网络方法；图神经网络把大量光伏发电数据形成可 视化图片，建立光伏发电数据模型；基于图神经网络的工作流程：(1)图神经网络首先从光伏发电数据中提取数据特征：h ＝f(x ，x ，h ，x )ν ν co[ν] ne[ν] ne[ν]o ＝g(h ，x)ν ν νν表示节点；h表示状态嵌入，包含每个节点的领域信息，是节点ν的s维向量，它可以用ν 来产生输出o ；f为一个参数函数，在所有节点之间共享，并根据输入领域更新节点状态；gν 是另一个参数函数，描述输出是如何产生的；x ，x ，h 和x 分别是节点ν的特征，边的特征，状态以及ν邻近节点的特征；ν co[ν] ne[ν] ne[ν](2)利用数据特征来初始化节点的表示，建立图神经网络的光伏发电数据模型：A 表示节点ν与其邻近节点的连接；h 表示节点ν的状态；b表示偏置；为收集节点ν的邻νν 域信息；z和r分别是更新门和复位门；σ和tanh分别表示函数和双曲正切函数，表示Z Z r r 元素相乘运算；W，U，W ，U ，W和U 是待学习的参数矩阵；(3)将数据信息在图中传播，通过完全连接层获得光伏发电数据模型：得到节点的最终表示并形成可视化图片。

3.如权利要求1所述的一种多步图神经网络自适应动态规划的光伏发电管理方法，其 特征在于，所述步骤(2)中提出的多步自适应动态规划方法由图模型网模块、图评价网模块22 CN A权利要求书2/2页 和图控制网模块三个基本模块组成，其具体步骤为：第一步：获取光伏发电系统的当前状态Δf1；将x(k)输入图控制网模块1，输出控制动作u(k)；将x(k)和u(k)输入图评价网模块0，输出J[x(k)]；将x(k)和u(k)输入图模型网模块1，输出x(k+1)，预测下一时刻的状态；将x(k+1)输入图评价网模块1，输出J[x(k+1)]；第二步：获取光伏发电系统x(k+1)时的状态Δf2；将x(k+1)输入图控制网模块2，输出控制动作u(k+1)；将x(k+1)和u(k+1)输入图模型网模块2，输出x(k+2)，预测下一时刻的状态；将x(k+2)输入图评价网模块2，输出J[x(k+2)]；第n步：获取光伏发电系统x(k+n-1)时的状态Δfn；将x(k+n-1)输入图执行网模块n，输出控制动作u(k+1)；将x(k+n-1)和u(k+n-1)输入图模型网模块n，输出x(k+n)，预测下一时刻的状态；将x(k+n)输入图评价网模块n，输出J[x(k+n)]；多步自适应动态规划算法进行后，可以在线更新光伏发电系统的控制策略，并预测系 统下一时刻的状态，对光伏发电能量管理的多目标规划问题进行优化控制。

33 CN A说明书1/5页一种多步图神经网络自适应动态规划的光伏发电管理方法 技术领域 [0001] 本发明属于电力系统新能源领域，涉及一种光伏发电管理方法，适用于光伏发电 在家庭能量管理中的多目标规划与控制问题。 背景技术 [0002] 户用光伏是指安装在家庭屋顶的小型光伏发电装置，因其不会浪费土地资源，能 源来源绿色环保，低成本以及较少功率传输损耗的优点，是分布式发电当中的不二之选。然 而，当户用光伏发电接入家庭后，会造成功率的波动问题。与此同时，户用光伏产生的电能 必然会导致电能分配问题。 [0003] 目前，国内外已有众多学者对户用光伏发电和家庭能量管理方面开展研究。在户 用光伏发电方面，有学者提出了近似最优的存储控制算法，将住宅光伏发电系统与储能系 统相结合对电力系统负荷曲线进行调峰，从而降低用户的消费。有学者为解决屋顶光伏系 统普及所带来的电能质量和可靠性问题，尤其是光伏发电超出家庭需求的问题，提出了一 种确定住宅系统中光伏逆变器有功功率和无功功率设定点的方法。有学者通过负荷聚集商 数学模型的建立，从而调整家庭用电计划，以降低用户的电力支出。

在能量管理方面，一种 以自动化和智能化为目标的虚拟社区的参与形式可管理智能电网当中能源共享过程中的 生产消费者，得到更高的经济收益。 [0004] 综上所述，在户用光伏发电方面，上述研究大多采用储能装置与户用光伏逆变器 无功调节相配合的方式来解决该问题。但是这种方式的实际成本比较高，并且光伏利用率 也较低。在能量管理方面，不少文献采取的大多是对多户家庭进行集中管理或者控制，单户 家庭用电的经济性不高，也未能获得在家庭单元中减少负荷波动的效果。而且若对于户用 光伏发电采用就近消纳、其余并网的模式，还可能产生功率不平衡的问题。 [0005] 在上述研究的基础上，本发明提出一种基于人工智能方法的光伏发电管理机制， 该方法可将大量的光伏发电数据形成可视化图片，降低功率波动、节省电力成本的优点，能 有效解决户用光伏在家庭能量管理中的多目标规划与控制问题。 发明内容 [0006] 本发明提出一种多步图神经网络自适应动态规划的光伏发电管理方法。该方法将 自适应动态规划方法运用到光伏发电管理中，同时提出了一种新的控制与优化方法，即多 步自适应动态规划方法。其次，在多步自适应动态规划的基础上添加图神经网络，形成多步 图神经网络自适应动态规划方法。

[0007] 当户用光伏发电接入家庭后，会导致功率波动以及电能分配问题。针对功率波动 问题，又兼顾经济效益，在家庭日负荷能量模型中，结合多步图神经网络自适应动态规划方 法，建立了考虑户用光伏发电的家庭能量管理方法。首先，基于实际数据，建立负荷电气学 模型，能够反映居民负荷用电特性。接着，搭建居民负荷行为学模型，并基于威布尔分布获 得每一小时家庭负荷大小概率模型。最后，通过二者的综合得到单户家庭日负荷曲线。本文44 CN A说明书2/5页 采取的负荷电气学模型为指数模型： [0008] [0009] 式中：P 为负荷的有功功率；U为供电电压；P 为负荷额定有功功率；U 表示系统额s00 定电压幅值。Z ,I ,P为待求常数参数，幂指数α可由(2)式计算：p p p [0010] [0011] 负荷行为模型中，必须先确定有效用电人数n ，如(3)式所示：t [0012] [0013] 式中：n为家庭人数；w＝0为周末，w＝1为工作日；P 为从状态i到状态j的概率。计i,j 算状态转移概率如(4)所示： [0014] [0015] 式中：n 为从i转移到j的事件数目；N表示状态总数。

i,j [0016] 而居民负荷的开关状态S 如(5)式确定：1 [0017] [0018] 式中：n(t)为居民在t时刻有效用电人数；P (t)为居民日负荷使用概率；1为开启，1 0为关闭。最后，通过威布尔概率密度函数得到家庭日负荷概率模型。 [0019] 一种多步图神经网络自适应动态规划的光伏发电管理方法中包含了图模型网模 块、图评价网模块以及图控制网模块三个基本模块，其中每个基本模块的核心结构均为图 神经网络。图神经网络将大量光伏发电数据形成可视化图片，建立光伏发电数据模型，其实 现的步骤为： [0020] (1)图神经网络首先从光伏发电数据中提取数据特征： [0021] h ＝f(x ,x ,h ,x ) (6)νν co[ν] ne[ν] ne[ν] [0022] 且ο＝g(h ,x)，ν表示节点；h 表示状态嵌入，包含每个节点的领域信息，是节点ννν νν 的s维向量，它可以用来产生输出ο；f为一个参数函数，在所有节点之间共享，并根据输入ν 领域更新节点状态；g是另一个参数函数，描述输出是如何产生的； [0023] x ，x ，h 和x 分别是节点ν的特征，边的特征，状态以及ν邻近节点的特ν co[ν] ne[ν] ne[ν] 征； [0024] (2)利用数据特征来初始化节点的表示，建立图神经网络的光伏发电数据模型： [0025] [0026]55 CN A说明书3/5页 [0027] [0028] [0029] [0030] A 表示节点ν与其邻近节点的连接，h 表示节点ν的状态，b表示偏置； 收集节点ννν 的邻域信息，z和r分别是更新门和复位门；σ和tanh分别表示函数和双曲正切函数，Z Z r r 表示元素相乘运算；W，U，W ，U ，W和U 是待学习的参数矩阵； [0031] (3)将数据信息在图中传播，通过完全连接层获得光伏发电数据模型： [0032] [0033] 为了使得功率波动尽可能小且经济效益尽可能大，多步自适应动态规划方法对储 能单元充放电容量进行调控，尽可能地降低家庭负荷波动，同时保证经济效益最佳。

多步自 适应动态规划方法的目标函数设定为： [0034] [0035] [0036] 式(6)和式(7)中： 为家庭日负荷的平均值；P (t)为调整后的家庭日负荷的小时H 值；P (t)为每小时的储能量；S(t)为对应实时电价，分为峰值和谷值。p [0037] 家庭能量不能够超出电池容量的覆盖范围。因此，约束条件为： [0038] 0≤P(t)-P (t)≤P (14)Hpmax [0039] 式中：P(t)为调整前实时功率值。 [0040] 将光伏发电数据模型以及家庭日负荷概率模型作为多步自适应动态规划的输入， 其具体步骤为： [0041] 第一步： [0042] 获取光伏发电系统的当前状态Δf1； [0043] 将x(k)输入图控制网模块1，输出控制动作u(k)； [0044] 将x(k)和u(k)输入图评价网模块0，输出J[x(k)]； [0045] 将x(k)和u(k)输入图模型网模块1，输出x(k+1)，预测下一时刻的状态； [0046] 将x(k+1)输入图评价网模块1，输出J[x(k+1)]； [0047] 第二步： [0048] 获取光伏发电系统x(k+1)时的状态Δf2； [0049] 将x(k+1)输入图控制网模块2，输出控制动作u(k+1)； [0050] 将x(k+1)和u(k+1)输入图模型网模块2，输出x(k+2),预测下一时刻的状态； [0051] 将x(k+2)输入图评价网模块2，输出J[x(k+2)]； [0052] 第n步： [0053] 获取光伏发电系统x(k+n-1)时的状态Δfn； [0054] 将x(k+n-1)输入图执行网模块n，输出控制动作u(k+1)；66 CN A说明书4/5页 [0055] 将x(k+n-1)和u(k+n-1)输入图模型网模块n,输出x(k+n),预测下一时刻的状态； [0056] 将x(k+n)输入图评价网模块n，输出J[x(k+n)]； [0057] 多步自适应动态规划方法进行后，根据输出可以在线更新光伏发电系统的控制策 略，并预测系统下一时刻的状态。

根据日负荷波动、购电售电费用进行多目标规划，通过储 能单元对白天未消纳的光伏发电进行储能，并在夜间释放电能进行供电，对于余电进行并 网售卖。通过多步图神经网络自适应动态规划方法对光伏发电能量管理的多目标规划问题 进行优化控制。 附图说明 [0058] 图1是本发明方法的多步图神经网络自适应动态规划方法结构示意图。 [0059] 图2是本发明方法的一种多步图神经网络自适应动态规划的光伏发电管理流程 图。 具体实施方式 [0060] 本发明提出的一种多步图神经网络自适应动态规划的光伏发电管理方法，结合附 图详细说明如下： [0061] 图1是本发明方法的多步图神经网络自适应动态规划方法结构示意图。该方法主 要有图控制网模块、图模型网模块和图评价网模块三个基本模块组成，每个模块的核心结 构均为图神经网络。多步图神经网络自适应动态规划方法是以神经网络自适应动态规划为 基础，将图神经网络融入到神经网络动态规划方法中去，形成图神经网络自适应动态规划 方法。传统的神经网络自适应动态规划方法，是采用神经网络的方式拟合或逼近哈密尔顿- 雅克比-贝尔曼方程，实现均由基本的人工神经网络，当系统复杂程度变高、系统模型无法 获取或系统具有重大迟滞环节时，传统人工神经网络难以逼近系统函数，从而有必要设计 更为智能的自适应动态规划方法。

由于多步策略的加入，系统的预测能力也得到了进一步 提升，加速了收敛过程；并且能实时的更新学习结果，有助于系统控制与优化性能的提升。 [0062] 图2是本发明方法的一种多步图神经网络自适应动态规划的光伏发电管理流程 图。多步图神经网络自适应动态规划方法包括图神经网络方法以及多步自适应动态规划方 法，图神经网络作用于大量的光伏发电数据形成可视化图片，建立光伏发电数据模型： [0063] [0064] 式中：h 表示状态嵌入，包含每个节点的领域信息，是节点ν的s维向量，它可以用ν 来产生输出ο；x表示节点ν的特征。ν ν [0065] 基于威布尔分布将负荷电气学模型以及居民负荷行为学模型结合得到家庭日负 荷概率模型，其中负荷电气学模型为指数模型： [0066] [0067] 式中：P 为负荷的有功功率；U为供电电压；P 为负荷额定有功功率；U 表示系统额s00 定电压幅值。Z ,I 和P为待求常数参数，幂指数α可计算为：p p p77 CN A说明书5/5页 [0068] [0069] 负荷行为模型中，必须先确定有效用电人数n ，如下式所示：t [0070] [0071] 式中：n为家庭人数；w＝0为周末，w＝1为工作日；P 为从状态i到状态j的概率。

计i,j 算状态转移概率如下： [0072] [0073] 式中：n 为从i转移到j的事件数目；N表示状态总数。i,j [0074] 而居民负荷的开关状态S可确定为：1 [0075] [0076] 式中：n(t)为居民在t时刻有效用电人数；P (t)为居民日负荷使用概率；1为开启，1 0为关闭。 [0077] 将光伏发电数据模型以及家庭日负荷概率模型作为多步自适应动态规划的输入 根据输出可以在线更新光伏发电系统的控制策略，并预测系统下一时刻的状态。根据日负 荷波动、购电售电费用进行多目标规划，通过储能单元对白天未消纳的光伏发电进行储能， 并在夜间释放电能进行供电，对于余电进行并网售卖。通过多步图神经网络自适应动态规 划方法对光伏发电能量管理的多目标规划问题进行优化控制。88 CN A说明书附图1/2页图199 CN A说明书附图2/2页图21010