【技术实现步骤摘要】
基于强化学习的综合能源系统需求响应方法、系统及设备
本专利技术涉及电力领域，尤其涉及一种基于强化学习的综合能源系统需求响应方法、系统及设备。
技术介绍
能源生产、消费和节能是当今电力和能源工业面临的许多最紧迫问题的根源。电能需求加速上升，而生产和输送能源能力的增长速度要慢得多。因此，更有效地管理和利用所产生的电能对持续的繁荣发展和生活质量至关重要。其中用以减少用电的活动或项目包括：1)提高用电效率以及节能；2)更有效地管理电力负荷。在提高用能效率方面，现有研究包括开发高用能效率的建筑物和建筑材料、更节能的用电设备等。在负荷用电管理方面，由于智能家电的出现，住宅市场的用电量正在发生根本性的变化。智能电网框架下智能电器的一个关键需求是需求响应(DR)。总的来说，目前的需求响应方法有以下两种：直接负载控制(DLC)和基于价格的控制(PBC)。基于DLC的需求响应涉及电力公司在负荷高峰时段关闭选定的电器用于处理短期紧急情况，例如电力系统的高频偏差。然而，DLC通常会给能源消费者带来一些不便。由于他们的特殊需求可能得不到满足，...
【技术保护点】
1.基于强化学习的综合能源系统需求响应方法，其特征在于，包括以下步骤：/nS1：根据用电设备的用能特性对用电设备进行分类，基于分类结果构建综合能源系统需求响应优化函数；/nS2：获取未来24小时的环境变量预测值以及用电设备的用电数据预测值；其中，用电设备的用电数据预测值包括状态数据预测值以及能耗数据预测值；/nS3：采用队列数据结构对用电设备的用电数据预测值进行储存，队列数据结构中每一台用电设备的用电数据预测值为一列数据；/nS4：构建用电设备能耗预测模型；/nS5：将未来24小时的环境变量预测值以及队列数据结构中每一列数据作为训练集对用电设备能耗预测模型进行训练，得到未来...
【技术特征摘要】
1.基于强化学习的综合能源系统需求响应方法，其特征在于，包括以下步骤：
S1：根据用电设备的用能特性对用电设备进行分类，基于分类结果构建综合能源系统需求响应优化函数；
S2：获取未来24小时的环境变量预测值以及用电设备的用电数据预测值；其中，用电设备的用电数据预测值包括状态数据预测值以及能耗数据预测值；
S3：采用队列数据结构对用电设备的用电数据预测值进行储存，队列数据结构中每一台用电设备的用电数据预测值为一列数据；
S4：构建用电设备能耗预测模型；
S5：将未来24小时的环境变量预测值以及队列数据结构中每一列数据作为训练集对用电设备能耗预测模型进行训练，得到未来24小时新的用电设备能耗数据预测值，并判断是否满足迭代停止条件，若否，将未来24小时新的用电设备能耗数据预测值保存至队列数据结构中，对队列数据结构进行更新，重新执行步骤S5；若是，将未来24小时新的用电设备能耗数据预测值输入到综合能源系统需求响应优化函数进行求解，得到综合能源系统的需求响应。
2.根据权利要求1所述的基于强化学习的综合能源系统需求响应方法，其特征在于，根据用电设备的用能特性将用电设备分为：固定负荷设备、可中断负荷设备以及可平移负荷设备。
3.根据权利要求2所述的基于强化学习的综合能源系统需求响应方法，其特征在于，只考虑可中断负荷设备以及可平移负荷设备，构建综合能源系统需求响应优化函数。
4.根据权利要求1所述的基于强化学习的综合能源系统需求响应方法，其特征在于，队列数据结构中每列数据存储有n天的用电设备的用电数据，每天新增的用电设备的用电数据添加到每列数据最后一位时，位于每列数据最前一位的用电设备的用电数据将被清除，每个数据列的长度为n×24。
5.根据权利要求1所述的基于强化学习的综合能源系统需求响应方法，其特征在于，判断满足迭代停止条件的具体过程为:
根据每次得到未来24小时新的用电设备能耗数据预测值计算未来24小时的用电设备单日用电成本Cbuf，判断下列条件是否满足：
|Cbuf-C|＜ε
其中，Cbuf为C的子集，ε为阈值。
6.根据权利要求1所述的基于强化学习的综合能源系统需求响应方法，其特征在于，用电设备能耗预测模型包括输入层、输出层以及隐含层，其中，输入层具有...
【专利技术属性】
技术研发人员：郭祚刚，雷金勇，袁智勇，徐敏，谈赢杰，白浩，叶琳浩，王琦，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。