一种基于深度强化学习算法的虚拟电厂在线优化调度方法技术

一种基于深度强化学习算法的虚拟电厂在线优化调度方法，包括：S1、采集虚拟电厂历史运行数据；S2、建立内外双层综合优化调度模型，在外层定义深度强化学习DDPG算法的相关参数，并加入李雅普诺夫漂移量，在内层建立优化模型；S3、利用历史数据对DDPG算法进行训练直至收敛；S4、采集虚拟电厂实时运行数据；S5、基于采集的实时数据，调用训练成熟的DDPG算法对具有高度时序性的资源进行优化调度；S6、求解内层优化模型对剩余的风电光伏、可控负荷等资源进行调度；S7、整合DDPG算法的动作与优化模型的结果，得到最终调度方案，并获得最优经济收益。本发明专利技术通过对虚拟电厂中的可调度资源进行时序性解耦，结合深度强化学习算法与优化模型，提高了虚拟电厂在线优化调度效率。

【技术实现步骤摘要】

本专利技术涉及一种虚拟电厂在线优化调度方法，该利用深度强化学习算法与传统优化模型相结合，并计及排队论中的李雅普诺夫优化方法，实现对虚拟电厂内部各资源的实时最优调度。本专利技术属于一种针对虚拟电厂优化调度领域的新方法。

技术介绍

1、随着传统能源的枯竭和环境保护的迫切需要，再加上国民经济对电力需求的不断升级，近年来，对可再生能源开发利用的研究正不断深入。然而，传统电力系统正面临诸多考验。一方面，随着可再生能源发电的广泛接入,其严重的不确定性给电力系统的优化调度带来了巨大压力。另一方面，日趋多样的用电需求使如何继续保证电源质量、安全供电，成为电力系统建设中的重要目标。

2、虚拟电厂(vpp)作为一种区域分布式资源的整合管理方法，其可通过先进的测量、通信和控制技术，聚合不同类型和位置的分布式电源进行虚拟发电。同时，vpp通过对其内部的各种资源进行优化调度，实现源荷侧的协调运行，使新能源发电资源得到合理配置和高效利用。

3、然而，vpp内部各资源的复杂性为其优化调度过程带来了巨大压力，源荷协同的高效优化调度方法具有重要的现实意义与应用价值。本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤S1所述的虚拟电厂历史运行数据包括：虚拟电厂区域的历史平均风速、历史光照强度、历史可控负荷量、历史基础负荷量、与外电网交互的历史购电电价、历史售电电价。

3.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤S2所述在模型外层定义深度强化学习算法的动作集与动作空间、状态集与状态空间、奖励、折扣率，由以下子步骤组成：

4.根据权利要求1所述...

【技术特征摘要】

1.一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤s1所述的虚拟电厂历史运行数据包括：虚拟电厂区域的历史平均风速、历史光照强度、历史可控负荷量、历史基础负荷量、与外电网交互的历史购电电价、历史售电电价。

3.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤s2所述在模型外层定义深度强化学习算法的动作集与动作空间、状态集与状态空间、奖励、折扣率，由以下子步骤组成：

4.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤s2所述在智能体的奖励中加入李雅普诺夫漂移量，保持在线调度的长期稳定，具体步骤为：

5.根据权利要求1所述的一种基于深度强化学习算法的虚拟电厂在线优化调度方法，其特征在于，步骤s3所述的建立优化模型包括以下子步骤：

6.根据权利要求1所述的一种基于深度强化学习算法的...

【专利技术属性】
技术研发人员：史恩豪，冯昌森，张有兵，王容天，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：