【技术实现步骤摘要】
本专利技术涉及多能源互补供电，具体涉及一种基于深度强化学习的多能源互补供能优化方法及装置。
技术介绍
1、在社会经济发展的浪潮中，对能源的需求稳步增长。然而，化石燃料的稀缺性和日益增长的环境问题，包括全球气候变化，使得传统能源不适合可持续发展。发展绿色低碳清洁能源体系对发达国家和发展中国家都有积极且具有统计学意义的影响。在实际应用中，基于绿色清洁能源的发电系统，如风电、太阳能发电、水电等，显示出独特的优势。尽管如此，太阳能、风能、热能表现出波动性和随机性，对电网稳定性和安全性提出了挑战。为了应对这些挑战，此类发电系统中通常采用储能装置，以平滑输出功率并减少可再生能源发电对电网的不利影响。优化多能源互补系统中各种能源的容量配置是为电网提供可靠稳定的供电环境的关键前提。
2、相关技术中，一般都聚焦于模型的优化求解，给出一个长期稳定情况下的优化模型，而忽略了对各种能源的容量配置的瞬时优化以及动态优化，而极度的追求最优配置会在实践中不可避免的造成突发运行事故，如瞬时电力供应不足。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于深度强化学习的多能源互补供能优化方法及装置，以解决因忽略了对各种能源的容量配置的瞬时优化以及动态优化，极度的追求最优配置会在实践中不可避免的造成突发运行事故的问题。
2、根据第一方面，本实施例提供一种基于深度强化学习的多能源互补供能优化方法，方法包括：
3、基于风能设备、太阳能设备、水力发电设备、燃气发电设备、存储电池、负载构
4、基于能量约束条件，计算目标区域内的风能装机容量、太阳能装机容量、电池容量；
5、基于风力发电功率、太阳能发电功率、水力发电功率、燃气发电功率、负载功率，计算能量损失率和能量损失量；
6、基于风能设备、太阳能设备、存储电池的单位容量购置成本和单位发电收益以及风能装机容量、太阳能装机容量和电池容量，计算风能设备、太阳能设备、存储电池的总购置成本、总发电收益和多能源互补系统经济成本；
7、将风能装机容量、太阳能装机容量、水力发电功率、燃气发电功率和电池发电功率作为状态参数，将风能装机容量调整量、太阳能装机容量调整量作为动作参数，并利用能量损失率、能量损失量和多能源互补系统经济成本建立奖励函数；
8、基于状态参数、动作参数、能量损失率、能量损失量、奖励函数和多能源互补系统经济成本，生成多能源互补供能优化模型；
9、基于风速、太阳辐射强度、水流量、负载的历史数据，生成随机数据，并利用历史数据和随机数据对多能源互补供能优化模型进行训练，再通过遗传算法对多能源互补供能优化模型中的超参数进行优化，以得到训练好的多能源互补供能优化模型；
10、利用训练好的多能源互补供能优化模型，对风能设备或太阳能设备或水力发电设备或燃气发电设备或存储电池中的一种或几种能源设备的容量进行优化配置。
11、通过执行上述实施方式，考虑多种不同类型能源设备的发电功率，并计算能量损失率和能量损失量，并得到状态参数和动作参数，生成多能源互补供能优化模型，以及建立多种不同能源设备的能源约束条件，并通过遗传算法对多能源互补供能优化模型进行优化，有利于对多种不同类型能源设备的容量进行优化配置，最终可以实现对各种能源容量配置的瞬时优化以及动态优化，提升了瞬时电力供应能力。
12、在一种可选的实施方式中，基于能量约束条件，计算目标区域内的风能装机容量、太阳能装机容量、电池容量通过如下公式执行：
13、风能装机容量的能量约束条件为：
14、cw≤cw,max；
15、其中，cw为目标区域的风能装机容量；cw,max为目标区域内可规划建设的最大风能装机容量；
16、太阳能装机容量的能量约束条件为：
17、cpv≤cpv,max；
18、其中，cpv为太阳能装机容量；cpv,max为目标区域内可规划建设的最大太阳能装机容量；
19、电池容量的能量约束条件为：
20、
21、其中，cbat,max是电池的最大总容量；cbat是目标区域内电池的总容量；pdis,.max是电池的最大放电功率；pch,max是电池的最大充电功率；sbat,min是电池实时容量约束的下限值；sbat,max是电池实时容量约束的上限值，pbat(t)是预设时刻为t时的电池发电功率，sbat(t)是预设时刻为t时的电池电量。
22、通过执行上述实施方式，可以建立风能装机容量、太阳能装机容量、电池容量的能量约束条件，最终有利于后续计算多能源互补系统经济成本。
23、在一种可选的实施方式中，能量损失率通过如下公式计算：
24、
25、其中，lpsp(t)为预设时刻t时的能量损失率，pload(t)为预设时刻t时的负载功率，pw(t)为预设时刻t时的风力发电功率，ppv(t)为预设时刻t时的太阳能发电功率，ph(t)为预设时刻t时的水力发电功率，pbat(t)为预设时刻t时的电池发电功率，phph(t)为预设时刻t时的燃气发电功率。
26、通过执行上述实施方式，计算能量损失率，有利于后续计算多能源互补系统经济成本，以便于生成多能源互补供能优化模型。
27、在一种可选的实施方式中，能量损失量通过如下公式计算：
28、ew(t)＝pw(t)+ppv(t)+ph(t)+phph(t)-pload(t)；
29、其中，ew(t)为预设时刻t时的能量损失量，pw(t)为预设时刻t时的风力发电功率，ph(t)为预设时刻t时水力发电功率，ppv(t)为预设时刻t时的太阳能发电功率，phph(t)为预设时刻t时的燃气发电功率，pload(t)预设时刻t时的负载功率。
30、通过执行上述实施方式，计算能量损失量，有利于后续计算多能源互补系统经济成本，以便于生成多能源互补供能优化模型。
31、在一种可选的实施方式中，风能设备、太阳能设备、存储电池的总购置成本、总发电收益和多能源互补系统经济成本，分别通过如下公式计算：
32、c(t)＝ca(t)+c0(t)；
33、ca(t)＝cw·cw,ap+cpv·cpv,ap+cbat·cbat,ap；
34、c0(t)＝∑(pw(t)cw,op+ppv(t)cpv,op+pbat(t)cbat,op)；
35、其中，cw为风能装机容量，cpv为太阳能装机容量，cbat为电池容量,cw,ap为风能设备的单位容量购置成本，cpv,ap为太阳能设备的单位容量购置成本，cbat,ap存储电池的单位容量购置成本，cw,op为风能设备的单位发电收益，cpv,op为太阳能设备的单位发电收益，cbat,op为存储电池的单位发电收益，c本文档来自技高网...
【技术保护点】
1.一种基于深度强化学习的多能源互补供能优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述基于能量约束条件，计算目标区域内的风能装机容量、太阳能装机容量、电池容量通过如下公式执行：
3.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述能量损失率通过如下公式计算：
4.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述能量损失量通过如下公式计算：
5.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述风能设备、所述太阳能设备、所述存储电池的总购置成本、总发电收益和所述多能源互补系统经济成本，分别通过如下公式计算：
6.根据权利要求5所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，基于多能源互补系统经济成本在时间上呈现的突变性，所述多能源互补系统经济成本，还通过如下公式计算：
7.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征
8.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，基于所述状态参数、所述动作参数、所述能量损失率、所述能量损失量、所述多能源互补系统经济成本和所述奖励函数，生成多能源互补供能优化模型，包括：
9.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，基于风速、太阳辐射强度、水流量、负载的历史数据，生成随机数据，并利用所述历史数据和所述随机数据对所述多能源互补供能优化模型进行训练，再通过遗传算法对所述多能源互补供能优化模型中的超参数进行优化，以得到训练好的多能源互补供能优化模型，包括：
10.根据权利要求9所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，基于遗传算法中的选择、交叉和变异操作生成(θμ,θQ,θμ′,θQ′)对应奖励值Q的最大权重向量，包括：
11.一种基于深度强化学习的多能源互补供能优化装置，其特征在于，所述装置包括：
12.一种多能源互补系统，其特征在于，包括：
13.一种计算机设备，其特征在于，包括：
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至10中任一项所述的基于深度强化学习的多能源互补供能优化方法。
...【技术特征摘要】
1.一种基于深度强化学习的多能源互补供能优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述基于能量约束条件，计算目标区域内的风能装机容量、太阳能装机容量、电池容量通过如下公式执行：
3.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述能量损失率通过如下公式计算：
4.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述能量损失量通过如下公式计算：
5.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，所述风能设备、所述太阳能设备、所述存储电池的总购置成本、总发电收益和所述多能源互补系统经济成本，分别通过如下公式计算：
6.根据权利要求5所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，基于多能源互补系统经济成本在时间上呈现的突变性，所述多能源互补系统经济成本，还通过如下公式计算：
7.根据权利要求1所述的基于深度强化学习的多能源互补供能优化方法，其特征在于，利用所述能量损失率、所述能量损失量和所述多能源互补系统经济成本建立奖励函数，通过如下公式计算：
8.根据权利要求1所述...
【专利技术属性】
技术研发人员：柴博，唐壮，李杰，王轶申，刘思言，杨玉强，丰佳，
申请(专利权)人：国网智能电网研究院有限公司，
类型：发明
国别省市：
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。