[发明专利]一种考虑源荷储互动的虚拟电厂能量协同优化方法

说明书

本发明属于电力系统优化调度领域，具体涉及一种考虑源荷储互动的虚拟电厂能量协同优化方法。本发明基于电力系统在线运行状态数据采集，设计了一种采用竞争深度Q网络(dueling deep Q network，DDQN)结构的无模型深度强化学习(deep reinforcement learning，DRL)方法，在实际光伏出力、日负荷波动情况下，以蓄电池和可中断负荷配合进行能量优化。首先构建了基于DDQN的虚拟电厂(virtual power plant，VPP)体系结构，接着将VPP的能量管理问题公式化为马尔科夫决策过程(Markov decision process，MDP)，分别定义了状态、动作和奖励函数。最后将基于DDQN的DRL算法应用到具有最大累积奖励的MDP求解中进行训练与验证，以获得最大利益下蓄电池与可中断负荷优化结果。

专利领域

本发明属于电力系统优化调度领域，具体涉及一种考虑源荷储互动的虚拟电厂能量协同优化方法。

背景技术

2016年能源局发布的《能源生产和消费革命战略》中明确表示2030年全国非化石能源发电占比要达到15％，2050年则要超过50％。在此背景下以分布式电源(distributedgenerator,DG)为主的发电行业迅速发展，所占比重逐年增长。DG发电具有很多优点如靠近用户侧弥补了集中式发电的不足，降低了输送损耗，但是，DG由于存在容量小、数量大、分布不均等问题，使得接入会给电网的稳定运行带来了潮流改变、谐波变化、电压闪变等技术难题，大电网往往限制其接入。有文献明确指出单纯的从源源协调，源荷、源储互动等方面进行研究难以实现智能电网的发展需求，只有源荷储全面互动、协调平衡才能适应智能电网的发展需求。虚拟电厂可以有效地将DG、储能系统、可控负荷、电动汽车等分布式能源(distributed energy resources,DERs)聚合及协调优化，作为一个特殊电厂进行统一管理并参与电力市场调度。但现有的VPP能量管理方面的研究主要是以运行成本最低或收益最大为目标，采用线性、动态规划或启发式算法来实现优化求解，但是这种优化方式依赖于物理模型或数学模型的准确建立，求解时间长，在分布式能源出力不确定、负荷随机波动等实际情况下，传统解法所得结果与实际电网运行需求具有较大误差。所以，需要一种不需要精确建模、能快速求解的考虑源荷储互动的虚拟电厂能量协同优化方法。

发明内容

1、一种考虑源荷储互动的虚拟电厂能量协同优化方法主要包含如下步骤：

步骤A.提出虚拟电厂能量管理系统架构，对含有光-蓄-荷的互补系统构建虚拟电厂优化调度模型，并提出系统约束条件；

步骤B.构建用于VPP能量管理的马尔科夫决策模型，确定智能体决策所需的输入状态空间s_t与动作空间A_t以及设置智能体与环境交互的奖励函数R_t+1；

步骤C.构建基于DDQN算法的虚拟电厂能量优化管理模型，进行智能体训练；

步骤D.通过在线运行状态数据采集，输入状态送给训练后的智能体，智能体根据接受状态给出蓄电池以及可中断负荷功率优化结果。

2、步骤A中虚拟电厂优化调度模型具体为：

目标在满足安全约束条件下，研究的目标函数为所有优化时间段内总收益最大，即

式中，T为优化周期本文取一天96个15min；分别表示购、售电价格；为可中断负荷补偿单位成本；为购、售电功率，同一时刻仅存在购电或售电一种情况；可中断负荷切断补偿功率。

考虑如下约束：

1)功率平衡约束

本发明的未考虑系统网损，因此系统功率应满足约束为：