风电、光伏(photovoltaics,PV)在新型电力系统中的渗透率日益增加,使得配电网电压波动加剧,而储能(energy storage,ES)、电动汽车(electric vehicles,EV)对降低配电网电压波动有重要作用。与此同时,智能电表、智能传感器以及改进的通信...风电、光伏(photovoltaics,PV)在新型电力系统中的渗透率日益增加,使得配电网电压波动加剧,而储能(energy storage,ES)、电动汽车(electric vehicles,EV)对降低配电网电压波动有重要作用。与此同时,智能电表、智能传感器以及改进的通信网络广泛部署,可获取的数据量越来越大,数据驱动技术兴起。提出了一种基于多智能体深度强化学习(multi-agent deep reinforcement learning,MADRL)的配电网双时间尺度有功-无功功率协调的电压控制策略。慢时间尺度下用双深度Q网络算法(double deep Q-network algorithm,DDQN)求解电容器组(capacitor banks,CBs)、有载调压变压器(on-line tap changer,OLTC)与ES有功-无功功率优化问题。快时间尺度下用具有注意力机制的经验增强多智能体柔性参与者-评论家算法(experience augmentation-multi-agent soft actor critic,EA-MASAC)调节PV、风机(wind turbine,WT)、静止无功补偿装置(static var compensator,SVC)的无功功率与EV的有功功率。最后,在IEEE-33节点系统上验证了所提方法的有效性。展开更多
现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power gene...现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power generation),针对数据中心冷热电联产系统,联合控制供电子系统和制冷子系统,优化用电成本、碳排放量和能效。DeepCCHP结合长、短期时间序列网络和深度强化学习方法对联合优化问题进行求解,实现前摄式的联合控制发电设备和制冷设备。在基于Trnsys软件的仿真环境中,通过阿里巴巴数据中心集群数据的训练和验证。实验结果表明,与基准算法相比,DeepCCHP算法可以节省最高40%的成本和28%的碳排放量,且能够在能源成本、碳排放和能效三者之间取得更好的折中与平衡。展开更多
文摘风电、光伏(photovoltaics,PV)在新型电力系统中的渗透率日益增加,使得配电网电压波动加剧,而储能(energy storage,ES)、电动汽车(electric vehicles,EV)对降低配电网电压波动有重要作用。与此同时,智能电表、智能传感器以及改进的通信网络广泛部署,可获取的数据量越来越大,数据驱动技术兴起。提出了一种基于多智能体深度强化学习(multi-agent deep reinforcement learning,MADRL)的配电网双时间尺度有功-无功功率协调的电压控制策略。慢时间尺度下用双深度Q网络算法(double deep Q-network algorithm,DDQN)求解电容器组(capacitor banks,CBs)、有载调压变压器(on-line tap changer,OLTC)与ES有功-无功功率优化问题。快时间尺度下用具有注意力机制的经验增强多智能体柔性参与者-评论家算法(experience augmentation-multi-agent soft actor critic,EA-MASAC)调节PV、风机(wind turbine,WT)、静止无功补偿装置(static var compensator,SVC)的无功功率与EV的有功功率。最后,在IEEE-33节点系统上验证了所提方法的有效性。
文摘现有的数据中心节能降碳优化方法没有综合考虑碳足迹涉及的能源输入、生产耗能以及废余利用等环节的耦合性,难以实现系统性节能降碳。为此,提出了一种基于深度强化学习的优化算法DeepCCHP(deep combined cooling,heating and power generation),针对数据中心冷热电联产系统,联合控制供电子系统和制冷子系统,优化用电成本、碳排放量和能效。DeepCCHP结合长、短期时间序列网络和深度强化学习方法对联合优化问题进行求解,实现前摄式的联合控制发电设备和制冷设备。在基于Trnsys软件的仿真环境中,通过阿里巴巴数据中心集群数据的训练和验证。实验结果表明,与基准算法相比,DeepCCHP算法可以节省最高40%的成本和28%的碳排放量,且能够在能源成本、碳排放和能效三者之间取得更好的折中与平衡。
