[发明专利]基于深度强化学习的微电网储能调度方法及装置及设备

权利要求书

1.基于深度强化学习的微电网储能调度方法，其特征在于，包括如下步骤：

首先，依据所控新能源微电网建立与之对应的仿真模型，并依据微电网仿真模型将微电网储能调度转换为马尔可夫决策问题，以此建立储能系统智能体及对应的观测状态量、动作值以及奖励函数；

然后，根据微电网日前的新能源发电、负荷及电价数据训练建立的储能系统智能体，在训练中，储能系统智能体从环境获得的奖励达到稳定后，保存网络参数并结束训练；

最后，将已训练好的储能系统智能体用于微电网储能系统的实时调度，在以小时计的各个能量调度时间储能系统根据微电网实时的发电量和负荷需求进行充放电控制。

2.根据权利要求1所述的基于深度强化学习的微电网储能调度方法，其特征在于：建立微电网仿真模型包括以下子步骤：

(1.1)建立储能系统模型：使用动态模型来表示储能系统，P_b(t)表示在每个时间t储能系统的充电或放电功率，储能系统电量状态用SOC(t)表示，则储能系统的SOC动态模型为：

其中，ξ、η分别表示储能系统的放电效率和充电效率，同时在任一时刻，储能系统只能充电或者放电或者闲置；E_c代表的是储能系统的容量；Δt表示储能充电或放电的时间间隔；

(1.2)设定限制条件：对于建立的储能模型，对其充放电功率P_b(t)，荷电状态SOC加以限制：

P_bmin≤P_b(t)≤P_bmax (2)

SOC_min≤SOC(t)≤SOC_max (3)

其中，P_bmin、P_bmax分别表示储能系统充放电功率的最小值和最大值；SOC_min、SOC_max分别表示储能系统电量状态SOC(t)的最小值和最大值，且SOC_max小于等于1，SOC_min大于等于0；

(1.3)设定微电网功率平衡限制：功率平衡关系如下：

P_balance(t)＝P_renew(t)-P_load(t) (4)

P_net(t)＝P_balance(t)+P_b(t) (5)

其中，P_renew为t时刻微电网中分布式新能源的总输出功率，P_load为t时刻微电网中负荷的功率需求，P_balance为可再生能源功率与负荷功率需求的差值，若P_balance大于0则表示可再生能源发电量过剩，反之则表示可再生能源发电量不足；P_b(t)为正表示储能系统发出功率，为负表示储能系统吸收功率；P_net为微电网与主电网交易的功率，若为正，表示微电网向主电网输出功率，为负则表示微电网向主电网购电。