CN119482631A 基于多智能体学习的源网荷储综合调度方法 （南京深度智控科技有限公司）

基于多智能体学习的源网荷储综合调度方法一种基于多智能体学习的源网荷储综合调间的能量流动参数，并基于CFD仿真模型构建包含电动汽车与建筑物之间的双向能量流动的能汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对电池SOC和建筑物能耗之间的非线性关系进行预测，以输出电池SOC变化趋基于充放电优化策略优化电动汽车与建筑物之2获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动汽车以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模通过多智能体强化学习基于所述充放电优化策略优化电动汽车与建筑物之间的双向电速率，所述自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量流动所述获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动数学模型建立电动汽车电池与建筑物之间的能量流动模型，所述能量流动模型包括电池;式中，soc(t)为电动汽车在t时刻的电池充电状态，Soc(t-1)为电动汽车在t_1时刻的;式中，pcnarge(t)为t时刻的充电功率，Qora(t)为建筑物在t时刻的总负荷数据，述获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动汽车与通过CFD热效应模型计算流体力学模拟电池充放电过程中产生的热效应，得到热效应;3基于所述能量流动模型与热效应模拟结果建立电动汽车与建筑物之间的双向能量流;式中，Erora(t)为t时刻的总能量流动，表示电动汽车与建筑物之间的综合能量交换，述以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非线性关系进行预测，以输出电池历史能量流动参数构建训练数据集，所述历史能量流动参数为历史第一时间段内的电池通过ANFIS算法构建ANFIS模型，并基于所述历史能量流动参数对所述ANFIS模型进行训练，以调整所述ANFIS模型的模糊规则和神经网络中的权重，同时通过误差函数最小化述以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非线性关系进行预测，以输出电池调用所述训练后的ANFIS模型对所述电动汽车的电池SOC和建筑物负荷数据进行处理，以基于建筑物负荷数据波动和电池SOC的变化趋势动态调整充电速率和时间窗，优化电动述输出层用于输出预测的额充电速率和时间窗调整参数，所述训练后的ANFIS模型预测与;4述通过多智能体强化学习基于所述充放电优化策略优化电动汽车与建筑物之间的双向能建立用于描述每个智能体基于所述能量流动参数自优化调整行为的M练后的MARL模型联合所述Q值更新算法对多个智能所述电动汽车与建筑物之间的双向能源流动模型的;;式中，proral(t)为建筑物空调系统在t时刻的总负荷，Qo真模型构建包含电动汽车与建筑物之间的双向能量流动的能量交优化策略预测模块，用于以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非线性能源流调度模块，用于通过多智能体强化学习基于所电速率，所述自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量流动5所述处理器用于根据所述指令进行操作以执行根据权利要求1_7任一项所述方法的步6电现有的源网荷储调度方法在处理双向能源流时，较难应对充放电状态的高度不确定获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神通过多智能体强化学习基于所述充放电优化策略优化电动汽车与建筑物之间的7及充电速率，所述自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量所述获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含池SOC变化以及建筑物负荷数据与充电速率的式中，soc(t)为电动汽车在t时刻的电池充电状态，Soc(t-1)为电动汽车在t_1时通过CFD热效应模型计算流体力学模拟电池充放电过程中产生的热效应，得到热基于所述能量流动模型与热效应模拟结果建立电动汽车与建筑物之间的双向能[0011]进一步的，所述以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能8耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非线性关系通过ANFIS算法构建ANFIS模型，并基于所述历史能量流动参数对所述ANFIS模型[0012]进一步的，所述以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非线性关系调用所述训练后的ANFIS模型对所述电动汽车的电池SOC和建筑物负荷数据进行模糊规则生成并输出规则，所述解模糊化层用于通过加权平均将模糊化输出转换为预测式中，Soc(t+1)为预测的电动汽车9所述电动汽车与建筑物之间的双向能源流动模型的CFD仿真模型构建包含电动汽车与建筑物之间的双向能量流动的优化策略预测模块，用于以所述能量交互动态模型以及所述电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对所述电池SOC和建筑物能耗之间的非及充电速率，所述自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量所述处理器用于根据所述指令进行操作以执行第一方面所述方通过获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含输出优化后的双向能源流调度方案。该方法通过自适应神经模糊推理模型对电池SOC和建电池SOC变化以及建筑物负荷数据与充电式中，soc(t)为电动汽车在t时刻的电池充电状态，Soc(t-1)为电动汽车在t_1时取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动汽车与建筑步骤S112，通过CFD热效应模型计算流体力学模拟电池充放电过程中产生的热效[0028]步骤S120，以能量交互动态模型以及电动汽车的电池SOC和建筑能耗作为自适应[0029]其中，自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量流能量交互动态模型以及电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输进行训练，以调整ANFIS模型的模糊规则和神经网络中的权重，同时通过误差函数最小化能量交互动态模型以及电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输式中，Soc(t+1)为预测的电动汽车[0038]步骤S132，通过反复更新Q值控制智能体学习最优行为策略，对MARL模型进行训间的能量流动参数，并基于CFD仿真模型构建包含电动汽车与建筑物之间的双向能量流动的能量交互动态模型，再以能量交互动态模型以及电动汽车的电池SOC和建筑能耗作为自方法通过自适应神经模糊推理模型对电池SOC和建筑物能耗之间的非线性关系进行预测，[0044]在具体的实施例中，本发明提供的基于多智能体学习的式中，soc(t)为电动汽车在t时刻的电池充电状态，Soc(t-1)为电动汽车在t_1时为电动汽车与建筑物之间的空间距离。该表达式描述了建筑物负荷数据与充电速率之间的关系，随着建筑物的负荷需求和电动汽车与建筑物之间的距离变化，分析能量流动的热传递过程，CFD模拟有助于理解电池在充放电过程中如何影响整体能量描述了电池内热传导过程中的温度变化，通过CFD仿真可以预测电池在充放电过程中因热[0071]训练算法采用梯度下降法或其他优化算法来调整ANFIS模型中的参数，使得误差式中，Soc(t+1)为预测的电动汽车调度装置与上文描述的基于多智能体学习的源网荷储综[0099]动力学模型建立模块用于获取电动汽车与建筑物之间的能量流动参数，并基于CFD仿真模型构建包含电动汽车与建筑物之间的双向能量流动的[0100]优化策略预测模块用于以能量交互动态模型以及电动汽车的电池SOC和建筑能耗作为自适应神经模糊推理模型的输入，对电池SOC和建筑物能耗之间的非线性关系进行预[0101]能源流调度模块用于通过多智能体强化学习基于充放电优化策略优化电动汽车电速率，自适应神经模糊推理模型为基于ANFIS算法进行构建以及基于历史能量流动参数数学模型建立电动汽车电池与建筑物之间的能量流动模型，能量流动模型包括电池SOC变式中，soc(t)为电动汽车在t时刻的电池充电状态，Soc(t-1)为电动汽车在t_1时通过CFD热效应模型计算流体力学模拟电池充放电过程中产生的热效应，得到热[0108]基于能量流动模型与热效应模拟结果建立电动汽车与建筑物之间的双向能量流于建筑物负荷数据波动和电池SOC的变化趋势动态调整充电速率和时间窗，优化电动汽车式中，Soc(t+1)为预测的电动汽车练后的MARL模型联合Q值更新算法对多个智能[0121]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0122]这里所描述的计算机可读