在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,...在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,分别建立了日前分布鲁棒优化、日内滚动优化和日内实时优化模型:日前优化在考虑风电、光伏和负荷的预测误差的基础上,以最小期望总成本优化燃气轮机的启停状态、电池充放电设备的功率和储能的能量参考值,并基于线性决策规则和对偶理论转化为混合整数规划进行求解;日内优化根据日前优化的参考值和最新的预测信息,以总运行成本最低重新优化燃气轮机和储能的功率;实时优化根据日内滚动优化的参考值和实时的预测信息,以总运行成本最低再次重新优化燃气轮机和储能的功率,并将第一个控制时段的指令下发。最后,算例结果表明所提出的多时间尺度能量管理策略能有效地兼顾新型电池充换电站的运行经济性和鲁棒性。展开更多
针对配电网可观测率低、可调节设备特性多样导致的电压调控难题,提出一种面向局部可观测场景的多时间尺度电压调控方法。首先,构建部分可观测的电压调控马尔可夫决策模型,并在模型中引入拓扑变化场景,以描述局部可观测情况下配电网运行...针对配电网可观测率低、可调节设备特性多样导致的电压调控难题,提出一种面向局部可观测场景的多时间尺度电压调控方法。首先,构建部分可观测的电压调控马尔可夫决策模型,并在模型中引入拓扑变化场景,以描述局部可观测情况下配电网运行状态与控制动作之间的动态关系。然后,采用双深度Q网络(double deep Q-network,DDQN)和孪生延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法分别训练离散和连续调节设备的电压调控智能体,实现多时间尺度电压调节。通过在训练过程中引入多样拓扑数据,使智能体能在变拓扑条件下学习调控策略,以提升其控制鲁棒性;同时,为解决引入多样拓扑场景造成的训练不均衡问题,提出基于拓扑重要度的采样策略以提升智能体训练收敛性。算例对比与分析验证了该方法在变拓扑条件下电压调控的有效性和优越性。展开更多
文摘在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,分别建立了日前分布鲁棒优化、日内滚动优化和日内实时优化模型:日前优化在考虑风电、光伏和负荷的预测误差的基础上,以最小期望总成本优化燃气轮机的启停状态、电池充放电设备的功率和储能的能量参考值,并基于线性决策规则和对偶理论转化为混合整数规划进行求解;日内优化根据日前优化的参考值和最新的预测信息,以总运行成本最低重新优化燃气轮机和储能的功率;实时优化根据日内滚动优化的参考值和实时的预测信息,以总运行成本最低再次重新优化燃气轮机和储能的功率,并将第一个控制时段的指令下发。最后,算例结果表明所提出的多时间尺度能量管理策略能有效地兼顾新型电池充换电站的运行经济性和鲁棒性。
文摘针对配电网可观测率低、可调节设备特性多样导致的电压调控难题,提出一种面向局部可观测场景的多时间尺度电压调控方法。首先,构建部分可观测的电压调控马尔可夫决策模型,并在模型中引入拓扑变化场景,以描述局部可观测情况下配电网运行状态与控制动作之间的动态关系。然后,采用双深度Q网络(double deep Q-network,DDQN)和孪生延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法分别训练离散和连续调节设备的电压调控智能体,实现多时间尺度电压调节。通过在训练过程中引入多样拓扑数据,使智能体能在变拓扑条件下学习调控策略,以提升其控制鲁棒性;同时,为解决引入多样拓扑场景造成的训练不均衡问题,提出基于拓扑重要度的采样策略以提升智能体训练收敛性。算例对比与分析验证了该方法在变拓扑条件下电压调控的有效性和优越性。
