基于深度强化学习的含氢储能微网优化运行方法技术

本发明专利技术提出一种基于深度强化学习的含氢储能微网优化运行方法，利用线性插值法建立了电解槽效率特性模型，并将电解槽效率特性模型与燃气轮机、电化学储能、储氢罐和燃料电池等模型相结合，以微网运行成本为目标，构建含氢储能微网优化运行模型。最后采用深度确定性策略梯度算法求解微网优化运行这一序列决策问题。该方法考虑了电解槽的效率特性，可以充分利用氢储能容量，根据深度强化学习原理求解优化问题，降低了含氢储能微网的运行成本，且具有较好的泛化性。有较好的泛化性。有较好的泛化性。

【技术实现步骤摘要】
基于深度强化学习的含氢储能微网优化运行方法


[0001]本专利技术属于电力系统优化运行与调度
，尤其涉及一种基于深度强化学习的含氢储能微网优化运行方法。

技术介绍

[0002]随着“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”目标的提出，如何提高可再生能源利用率，减少碳排放成为当下的研究热点问题。然而，微网中大量的可再生能源具有间歇性和随机性，给微网的调度运行带来了巨大挑战。
[0003]目前，微网经济调度问题通常使用传统规划算法或启发式算法求解。然而，传统规划算法对于非线性、非凸等问题难以避免局部最优解，启发式算法可以解决非线性非凸问题，但存在收敛速度慢、泛化性不强等问题。且上述算法，常常依赖于对可再生能源出力与负荷波动不确定性的精确预测，无法适应源荷的动态变化。
[0004]深度强化学习是一种机器学习方法，具备感知环境能力和决策能力，可以感知环境中的不确定性。目前，深度强化学习已经在电网无功优化、电动汽车、电力市场等领域取得一定的效果。

技术实现思路

[0005]针对现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度强化学习的含氢储能微网优化运行方法，其特征在于：利用线性插值法建立电解槽效率特性模型，并将电解槽效率特性模型与燃气轮机、电化学储能、储氢罐和燃料电池模型相结合，以最小化微网运行成本为目标，构建含氢储能微网优化运行模型；并采用深度确定性策略梯度算法求解微网优化运行决策问题。2.根据权利要求1所述的基于深度强化学习的含氢储能微网优化运行方法，其特征在于，包括以下步骤：步骤S1：计算电解槽效率与输入功率，获取电解槽效率特性数据，利用查表线性插值的方法构建电解槽效率特性模型；步骤S2：以微网运行成本最小化为目标，构建包含光伏发电装置、微型燃气轮机、电化学储能以及电解槽、储氢罐和燃料电池组成的氢储能系统的含氢储能微网经济调度模型；步骤S3：利用深度确定性策略梯度算法优化微网运行成本。3.根据权利要求2所述的基于深度强化学习的含氢储能微网优化运行方法，其特征在于：步骤S1中利用查表线性插值的方法构建电解槽效率特性模型，具体包括：步骤S11：计算电解槽效率特性：电解槽效率η
el
由电压效率η
v
和电流效率η
i
两部分组成：η
el
＝η
i
η
v
η
v
＝(U
tn
/U
el
)*100％式中：I为电解槽的堆栈电流；U
tn
为理论分解电压；U
el
为电解电压；其中电解电压由以下式子算出：U
rev
(T,p)＝1.5184
‑
1.5421
×
10
‑3T+9.523
×
10
‑5TlnT+9.84
×
10
‑8T2U
ohm
＝IR
ii
式中：T为电解槽工作温度；U
rev
为电解水的可逆电压；U
ohm
为电解质自身电阻产生的电阻压降；分别为电解水产生的氢超电势、氧超电势；R
i
为电解质电阻；R为普适气体常数，F为法拉第常数；α
c
，α
a
分别为阴极和阳极的电荷传递系数；j
co
，j
ao
分别为阴极和阳极的交换电流密度；n
c
，n
a
分别为阴极、阳极的电子转移数；电解槽输入功率由以下式子算出：P
el
＝U
el
I；步骤S12：构建基于线性插值法的电解槽效率特性模型：取若干个计算出的功率效率数据对作为原始数据，形成数据表；通过查表以及线性插值的方式求出对应的电解槽效率：
式中：P0、P1分别为查表时数据表中离P
el
最近的两个功率值；η0、η1分别为P0、P1在数据表中对...

【专利技术属性】
技术研发人员：朱振山，翁智敏，叶成涛，陈哲盛，郑海林，吴诗雨，
申请(专利权)人：福州大学，
类型：发明
国别省市：