CN106651214A - 基于强化学习的微电网电能分配方法 - Google Patents
基于强化学习的微电网电能分配方法 Download PDFInfo
- Publication number
- CN106651214A CN106651214A CN201710003962.6A CN201710003962A CN106651214A CN 106651214 A CN106651214 A CN 106651214A CN 201710003962 A CN201710003962 A CN 201710003962A CN 106651214 A CN106651214 A CN 106651214A
- Authority
- CN
- China
- Prior art keywords
- micro
- capacitance sensor
- value
- electric energy
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 title claims abstract description 15
- 230000002787 reinforcement Effects 0.000 title abstract description 5
- 230000006399 behavior Effects 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 11
- 238000004146 energy storage Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 3
- 230000001172 regenerating effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
基于强化学习的微电网电能分配方法,涉及微电网。解决微电网电能交易控制的问题,提供一种基于强化学习的微电网电能交易系统。根据其他微电网和发电厂的电能交易值以及自身的储电量等信息,采用强化学习算法,选择每次交易的最优电能值。微电网根据每次交易的即时回报进行信息更新,并对下一次交易策略做出不同的调整。该方法不需预测周边各微电网的耗电模型和产电模式,可适应动态智能电网场景,通过智能学习获取最优的电量买卖值,从而提高微电网整体效益和电能利用率,并降低对电厂总体电能需求。
Description
技术领域
本发明涉及微电网,尤其是涉及一种基于强化学习的微电网电能分配方法。
背景技术
微电网的提出是用于整合可再生能源、降低电网成本及提供更好电网质量。微电网包括有源负载、可再生能源发电机及电能存储设备,且可以通过变电站与主电网相连。
如果微电网中的本地产能和储能无法满足需求时,可以和主电网进行交易,购买电能;反之,当微电网中有多余的电能时,也可以卖给主电网[S.M.Amin andB.F.Wollenberg,“Toward a smart grid:Power delivery for the 21st century,”IEEEPower Energy Mag.,vol.3,no.5,pp.34–41,Sep./Oct.2005.]。[Z.Wang,B.Chen,J.Wang,et al.,“Coordinated energy management of networked microgrids in distributionsystems,”IEEE Trans.on Smart Grid,6(1):45-53,2015.]阐述了一种基于分层结构的主电网和微电网之间的互动交易。[W.Saad,Z.Han,H.V.Poor,and T.Basar,“Game-theoreticmethods for the smart grid:An overview of microgrid systems,demand-sidemanagement,and smart grid communications,”IEEE Signal Process.Mag.,vol.29,no.5,pp.86–105,Sep.2012.]指出主电网与微电网通过变电站进行交易过程中,由于两者距离较远,消耗、转换以及运输成本高,而地理位置临近的微电网之间的交易可以平衡电能的供需要求,并减少微电网对主电网的依赖,从而降低电网成本。[W.Saad,Z.Han,andH.V.Poor,“Coalitional game theory for cooperative microgrid distributionnetworks,”in Proc.IEEE Int.Conf.Commun.Workshop(ICC),Kyoto,Japan,Jun.2011,pp.1–5.]将博弈论应用于微电网之间的交易,通过合作减少损失从而达到全局成本最小化。[Pipattanasomporn M,Feroze H,Rahman S.Multi-agent systems in a distributedsmart grid:Design and implementation[C]//Power Systems Conference andExposition,2009.PSCE'09.IEEE/PES.IEEE,2009:1-8.]用拍卖算法模拟微电网的交易,即微电网之间通过多次的相互协商,找到双方都可接受的交易价格。[L.Xiao,N.B.Mandayam,and H.V.Poor,"Prospect Theoretic Analysis of Energy Exchange AmongMicrogrids,"IEEE Trans.Smart Grids,vol.6,no.1,pp.63-72,Jan.2015.]将前景理论用于微电网的能量交换,每个微电网应该考虑自己的利益,即每个交易者都是主观的,在电能低时不会冒险卖出或在电价高时不会买入。
在电能交易中,存在一些变量,包括可再生能源的产量、本地需求量等。[M.Fathiand H.Bevrani,“Adaptive energy consumption scheduling for connectedmicrogrids under demand uncertainty,”IEEE Trans.on Power Delivery,28(3):1576-1583,2013.]提出采用自适应的能量消费计划解决不确定的能量需求,用在线随机迭代方式来模拟需求的随机性。由于可再生能源(风能)的产能与天气有关,产能不会发生骤变,即相邻时隙的产能有一定的关系,[Kuznetsova E,Li Y F,Ruiz C,et al.Reinforcementlearning for microgrid energy management[J].Energy,2013,59:133-146.]将可再生能源(风能)的产量模拟为马尔可夫过程。
发明内容
本发明目的为了解决微电网电能交易控制的问题,提供一种基于强化学习的微电网电能分配方法。
本发明包括以下步骤:
1)设置:
N个微电网用户MG和一个发电厂PP;
微电网用户之间的交易价格ρ-(买的价格)、ρ+(卖的价格)以及微电网用户和发电厂PP之间的交易价格ρp -(买的价格)、ρp +(卖的价格);
微电网用户MG最大储能值E和一次交易的最大交易值M;
微电网各电能值的增益g;
2)微电网用户MGx初始化学习因子γ、折扣因子β和最大时隙m,选择最优动作的概率p,设置Q值表、V值表值为0;
3)微电网用户MGx在k时隙的状态s,并根据Q值表,选择最优行为ax;
4)微电网用户MGy在k时隙的状态s,根据greedy策略选择可行交易行为下所能达到最大效益值的行为ay;
5)微电网用户MGx观察其他微电网用户当前时隙所采用行为ay,结合自身的行为ax与MGy进行交易,并计算本次信息传输的即时回报ux;
6)更新微电网用户MGx的状态以及强化学习下Q学习算法的Q值表、V值表;
7)微电网用户MGx重复步骤3)-6),直到找到最优策略。
在步骤1)中,所述N可为3,3个微电网用户分两类:采用强化学习下Q学习方法的微电网用户MGx和其他2个用户(统称为用户MGy),发电厂PP无论何时都可与微电网进行交易,为促进微电网用户MG之间进行交易,设置即能保证优先与MGy进行交易,在MGy不可用情况下与PP交易;所述微电网用户MG最大储能值E和最大交易值M分别为E=10,M=2,各个电量值增益g=[1,2.25,4,4.15,4.25,4.35,4.45,4.55,5.26,6.65]表示电量值变化,采取的交易值a具体含义如下公式所示:
在步骤2)中,所述Q值表是一个二维矩阵Q(Sx,Ax),其中Sx是一个非空集合,表示微电网用户MGx的所有可能状态集合,Ax表示MGx所有可能行为的集合;所述V值表是一个一维向量,表示在每个状态sx∈S下的最大Q值,即
在步骤3)中,所述状态sx包括MGx当前电量值以及观察到MGy采取的动作ay,即微电网MGx的状态sx=(Storex,ay),Storex∈Store={1,...,E},采取的动作即交易值ay∈Ay,Ay表示MGy所有可能行为的集合;所述最优行为表示的是在当前状态sx下,按照使得值函数Q(sx,ax)最大的行为ax,即ax∈Ax。
在步骤4)中,所述可行交易行为是指当前状态下MGy根据greedy策略和最优选择概率p选择所有可行动作值中所达到最大效益值的动作ay。
在步骤5)中,所述即时回报ux包括MG之间或者MG与PP之间的交易获益Ct、MGx一次交易的增益差值Δg以及是否满足正常供电要求的奖惩Cn,如下公式所示:
ux(ax,ay)=Δg+Ct+Cn,其中Δg=g(sx+ax)-g(sx)
上式中Stemp表示微电网MG当前的存储的电量值,Use_need表示每时隙正常需求量,能够满足则给奖励,否则进行惩罚。
在步骤6)中,Q学习算法的Q值表、V值表更新算法表示如下:
Q(Sx k,Ax k)=(1-γ)Q(Sx k,Ax k)+γ(ux+βV(Sx k+1))
在步骤7)中,所述最优策略指的是每个状态下,使得累计回报函数最大化。
与已有的微电网交易方法不同,本发明基于强化学习实现交易控制,从而达到电能交换的目的。该方法中微电网通过不断学习环境,决定是否与其他微电网交易及交易量,随着迭代学习的延续,最终使得自身的收益最大化。
与现有的方法(指背景技术中所述方法)不同,本发明的目的在于解决微电网电能交易控制的问题,提供一种基于强化学习的微电网电能交易系统。根据其他微电网和发电厂的电能交易值以及自身的储电量等信息,采用强化学习算法,选择每次交易的最优电能值。微电网根据每次交易的即时回报进行信息更新,并对下一次交易策略做出不同的调整。该方法不需预测周边各微电网的耗电模型和产电模式,可适应动态智能电网场景,通过智能学习获取最优的电量买卖值,从而提高微电网整体效益和电能利用率,并降低对电厂总体电能需求。
具体实施方式
1)设置3个微电网用户MG,一个发电厂PP,微电网用户之间的交易价格ρ-(买的价格)、ρ+(卖的价格)以及微电网用户和发电厂PP之间的交易价格(买的价格)、(卖的价格),设置微电网用户MG最大储能值E和一次交易的最大交易值M,微电网各电能值的增益g;
2)微电网用户MGx初始化学习因子γ、折扣因子β和最大时隙m,选择最优动作的概率p,设置Q值表、V值表值为0;
3)微电网用户MGy在k时隙的状态根据greedy策略选择可行交易行为下所能达到最大效益值的行为ay;
4)微电网用户MGx在k时隙观察当前状态并根据Q值表,选择此状态下最优行为ax;
5)微电网用户MGx观察其他微电网用户当前时隙所采用行为ay,结合自身的行为ax与MGy进行交易,并计算交易之后的即时回报ux:ux(ax,ay)=Δg+Ct+Cn;
6)微电网用户MGx观察下一个时隙状态sx k+1;
7)微电网用户更新Q值表和V值表:
8)当前时隙k=k+1;
9)判断当前时隙k是否已是Q学习的最大时隙m,若是,则结束学习,否则重复2)-9)。
本发明涉及微电网电能交易系统,属于智能电网领域。本发明目的在于解决微电网电能交易控制的问题,提供一种基于强化学习的微电网电能交易系统。根据其他微电网和发电厂的电能交易值以及自身的储电量等信息,采用强化学习算法,选择每次交易的最优电能值。微电网根据每次交易的即时回报进行信息更新,并对下一次交易策略做出不同的调整。该方法不需预测周边各微电网的耗电模型和产电模式,可适应动态智能电网场景,通过智能学习获取最优的电量买卖值,从而提高微电网整体效益和电能利用率,并降低对电厂总体电能需求。
Claims (8)
1.基于强化学习的微电网电能分配方法,其特征在于包括以下步骤:
1)设置:
N个微电网用户MG和一个发电厂PP;
微电网用户之间的买的价格ρ-、卖的价格ρ+以及微电网用户和发电厂PP之间的买的价格卖的价格
微电网用户MG最大储能值E和一次交易的最大交易值M;
微电网各电能值的增益g;
2)微电网用户MGx初始化学习因子γ、折扣因子β和最大时隙m,选择最优动作的概率p,设置Q值表、V值表值为0;
3)微电网用户MGx在k时隙的状态s,并根据Q值表,选择最优行为ax;
4)微电网用户MGy在k时隙的状态s,根据greedy策略选择可行交易行为下所能达到最大效益值的行为ay;
5)微电网用户MGx观察其他微电网用户当前时隙所采用行为ay,结合自身的行为ax与MGy进行交易,并计算本次信息传输的即时回报ux;
6)更新微电网用户MGx的状态以及强化学习下Q学习算法的Q值表、V值表;
7)微电网用户MGx重复步骤3)-6),直到找到最优策略。
2.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤1)中,所述N为3,3个微电网用户分两类:采用强化学习下Q学习方法的微电网用户MGx和其他2个用户,统称为用户MGy,发电厂PP无论何时都与微电网进行交易,为促进微电网用户MG之间进行交易,设置即能保证优先与MGy进行交易,在MGy不可用情况下与PP交易;所述微电网用户MG最大储能值E和最大交易值M分别为E=10,M=2,各个电量值增益g=[1,2.25,4,4.15,4.25,4.35,4.45,4.55,5.26,6.65]表示电量值变化,采取的交易值a具体含义如下公式所示:
3.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤2)中,所述Q值表是一个二维矩阵Q(Sx,Ax),其中Sx是一个非空集合,表示微电网用户MGx的所有可能状态集合,Ax表示MGx所有可能行为的集合;所述V值表是一个一维向量,表示在每个状态sx∈S下的最大Q值,即
4.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤3)中,所述状态sx包括MGx当前电量值以及观察到MGy采取的动作ay,即微电网MGx的状态sx=(Storex,ay),Storex∈Store={1,...,E},采取的动作即交易值ay∈Ay,Ay表示MGy所有可能行为的集合;所述最优行为表示的是在当前状态sx下,按照使得值函数Q(sx,ax)最大的行为ax,即
5.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤4)中,所述可行交易行为是指当前状态下MGy根据greedy策略和最优选择概率p选择所有可行动作值中所达到最大效益值的动作ay。
6.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤5)中,所述即时回报ux包括MG之间或者MG与PP之间的交易获益Ct、MGx一次交易的增益差值Δg以及是否满足正常供电要求的奖惩Cn,如下公式所示:
ux(ax,ay)=Δg+Ct+Cn,其中Δg=g(sx+ax)-g(sx)
上式中Stemp表示微电网MG当前的存储的电量值,Use_need表示每时隙正常需求量,能够满足则给奖励,否则进行惩罚。
7.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤6)中,Q学习算法的Q值表、V值表更新算法表示如下:
Q(Sx k,Ax k)=(1-γ)Q(Sx k,Ax k)+γ(ux+βV(Sx k+1))
8.如权利要求1所述基于强化学习的微电网电能分配方法,其特征在于在步骤7)中,所述最优策略指的是每个状态下,使得累计回报函数最大化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003962.6A CN106651214A (zh) | 2017-01-04 | 2017-01-04 | 基于强化学习的微电网电能分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003962.6A CN106651214A (zh) | 2017-01-04 | 2017-01-04 | 基于强化学习的微电网电能分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651214A true CN106651214A (zh) | 2017-05-10 |
Family
ID=58844178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710003962.6A Pending CN106651214A (zh) | 2017-01-04 | 2017-01-04 | 基于强化学习的微电网电能分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651214A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109672200A (zh) * | 2018-12-11 | 2019-04-23 | 北京交通大学 | 城轨交通地面超级电容储能系统分布式协调控制优化方法 |
CN111431216A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江嘉善县供电有限公司 | 一种采用q学习的高比例光伏微网无功均分控制方法 |
CN111815369A (zh) * | 2020-07-31 | 2020-10-23 | 上海交通大学 | 一种基于深度强化学习的多能源系统能量调度方法 |
TWI763087B (zh) * | 2020-10-21 | 2022-05-01 | 國立清華大學 | 基於強化學習的點對點能源共享方法及裝置 |
US20220230243A1 (en) * | 2021-01-20 | 2022-07-21 | National Tsing Hua University | Method and apparatus for renewable energy allocation based on reinforcement learning |
-
2017
- 2017-01-04 CN CN201710003962.6A patent/CN106651214A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347149A (zh) * | 2018-09-20 | 2019-02-15 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109347149B (zh) * | 2018-09-20 | 2022-04-22 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
CN109672200A (zh) * | 2018-12-11 | 2019-04-23 | 北京交通大学 | 城轨交通地面超级电容储能系统分布式协调控制优化方法 |
CN109672200B (zh) * | 2018-12-11 | 2021-04-06 | 北京交通大学 | 城轨交通地面超级电容储能系统分布式协调控制优化方法 |
CN111431216A (zh) * | 2020-03-18 | 2020-07-17 | 国网浙江嘉善县供电有限公司 | 一种采用q学习的高比例光伏微网无功均分控制方法 |
CN111431216B (zh) * | 2020-03-18 | 2024-06-04 | 国网浙江省电力有限公司嘉善县供电公司 | 一种采用q学习的高比例光伏微网无功均分控制方法 |
CN111815369A (zh) * | 2020-07-31 | 2020-10-23 | 上海交通大学 | 一种基于深度强化学习的多能源系统能量调度方法 |
CN111815369B (zh) * | 2020-07-31 | 2023-07-21 | 上海交通大学 | 一种基于深度强化学习的多能源系统能量调度方法 |
TWI763087B (zh) * | 2020-10-21 | 2022-05-01 | 國立清華大學 | 基於強化學習的點對點能源共享方法及裝置 |
US20220230243A1 (en) * | 2021-01-20 | 2022-07-21 | National Tsing Hua University | Method and apparatus for renewable energy allocation based on reinforcement learning |
US11861702B2 (en) | 2021-01-20 | 2024-01-02 | National Tsing Hua University | Method and apparatus for renewable energy allocation based on reinforcement learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651214A (zh) | 基于强化学习的微电网电能分配方法 | |
Foruzan et al. | Reinforcement learning approach for optimal distributed energy management in a microgrid | |
Han et al. | Incentivizing prosumer coalitions with energy management using cooperative game theory | |
Maity et al. | Simulation and pricing mechanism analysis of a solar-powered electrical microgrid | |
Mediwaththe et al. | Game-theoretic electric vehicle charging management resilient to non-ideal user behavior | |
CN110276698B (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
Subramanian et al. | A two-layer model for dynamic pricing of electricity and optimal charging of electric vehicles under price spikes | |
Samadi et al. | Load scheduling and power trading in systems with high penetration of renewable energy resources | |
Yi et al. | Coordinated operation strategy for a virtual power plant with multiple DER aggregators | |
Ahmadi et al. | Evaluating the effectiveness of normal boundary intersection method for short-term environmental/economic hydrothermal self-scheduling | |
Gao et al. | A multiagent competitive bidding strategy in a pool-based electricity market with price-maker participants of WPPs and EV aggregators | |
An et al. | A distributed and resilient bargaining game for weather-predictive microgrid energy cooperation | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
Gjorgiev et al. | A new model for optimal generation scheduling of power system considering generation units availability | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN112202206A (zh) | 一种基于势博弈的多能源微网分布式调度方法 | |
CN106329568A (zh) | 户商型光伏发电经济调度控制系统 | |
Kilkki et al. | Optimizing residential heating and energy storage flexibility for frequency reserves | |
CN114970191A (zh) | 一种基于势博弈的电网交通系统日前分布鲁棒调度方法 | |
Montanari et al. | Prosumers as aggregators in the dezent context of regenerative power production | |
Montanari et al. | Real time market models and prosumer profiling | |
Zareen et al. | Optimal strategies modeling in electricity market for electric vehicles integration in presence of intermittent resources | |
CN114977160A (zh) | 微网群优化运行策略生成方法、系统、设备及存储介质 | |
Zhang et al. | Optimal Scheduling Strategies of the Virtual Power Plant Considering Different Development Stages of the Electricity Market |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170510 |
|
WD01 | Invention patent application deemed withdrawn after publication |