随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-...随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-GNN)的混合储能系统自适应频率调节方法,旨在提高多时间尺度下的电网频率调节性能。该方法创新性地将量子计算与深度强化学习和图神经网络相结合,克服了传统方法在处理高维状态空间和复杂时空依赖性方面的局限性。QE-DRL-ST-GNN采用量子状态编码来表示系统状态,利用量子图的卷积提取时空特征,并通过量子变分算法优化强化学习策略。此外,本研究还设计了一种自适应量子电路生成机制,可以根据系统的动态特性自动调整量子电路结构。案例分析结果表明,与传统的量子增强深度强化学习(quantum-enhanced deep reinforcement learning,QE-DRL)方法相比,QE-DRL-ST-GNN方法在极端情况下频率偏差控制在0.05 Hz,而传统DRL方法为0.15 Hz,提高了66.67%;在调节时间方面,QE-DRL-ST-GNN方法在复杂场景中仅需1.67 s,比传统DRL方法缩短47%;与传统DRL方法的83%相比,QE-DRL-ST-GNN方法在极端情况下提高了13%。展开更多
文摘随着可再生能源的大规模并网,电力系统频率调节面临前所未有的挑战。本研究提出了一种基于量子增强深度强化学习和时空图神经网络(quantum-enhanced deep reinforcement learning and spatio-temporal graph neural networks,QE-DRL-ST-GNN)的混合储能系统自适应频率调节方法,旨在提高多时间尺度下的电网频率调节性能。该方法创新性地将量子计算与深度强化学习和图神经网络相结合,克服了传统方法在处理高维状态空间和复杂时空依赖性方面的局限性。QE-DRL-ST-GNN采用量子状态编码来表示系统状态,利用量子图的卷积提取时空特征,并通过量子变分算法优化强化学习策略。此外,本研究还设计了一种自适应量子电路生成机制,可以根据系统的动态特性自动调整量子电路结构。案例分析结果表明,与传统的量子增强深度强化学习(quantum-enhanced deep reinforcement learning,QE-DRL)方法相比,QE-DRL-ST-GNN方法在极端情况下频率偏差控制在0.05 Hz,而传统DRL方法为0.15 Hz,提高了66.67%;在调节时间方面,QE-DRL-ST-GNN方法在复杂场景中仅需1.67 s,比传统DRL方法缩短47%;与传统DRL方法的83%相比,QE-DRL-ST-GNN方法在极端情况下提高了13%。
