CN109902884A - 一种基于主从博弈策略的虚拟电厂优化调度方法 - Google Patents
一种基于主从博弈策略的虚拟电厂优化调度方法 Download PDFInfo
- Publication number
- CN109902884A CN109902884A CN201910238444.1A CN201910238444A CN109902884A CN 109902884 A CN109902884 A CN 109902884A CN 201910238444 A CN201910238444 A CN 201910238444A CN 109902884 A CN109902884 A CN 109902884A
- Authority
- CN
- China
- Prior art keywords
- formula
- moment
- virtual plant
- power
- value
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于主从博弈策略的虚拟电厂优化调度方法，其步骤包括：1分析及构建含多负荷类型的虚拟电厂模型；2基于现有的电力市场交易机制建立虚拟电厂交易模型；3建立考虑不确定性因素的风险成本模型；4采用主从博弈策略对虚拟电厂进行优化调度；5通过强化学习算法对优化调度模型进行求解。本发明考虑了虚拟电厂中分布式能源出力的波动性和负荷预测的不确定性，构建了虚拟电厂在电力市场中的经济调度模型，采用主从博弈策略和强化学习算法优化求解，从而达到提高虚拟电厂的生产效益、降低负荷购电成本的目的。
Description
技术领域
本发明涉及分布式电源优化运行领域，更具体地说本发明涉及一种基于主从博弈策略的虚拟电厂优化调度方法。
背景技术
近年来光伏电站、风力发电厂等清洁能源在中国发展迅速，由于分布式能源出力的不确定性，大规模的分布式能源接入配电网将会加剧电网负荷峰谷差，对其安全运行造成了一定的影响。另一方面随着电动汽车的急剧增长，电网的负荷类型也不再是单一的传统负荷，还具有时空不确定性的可控负荷。虚拟电厂技术作为一种新型的能源管理系统，越来越多的被应用到电力市场和电网运行中分布式能源协调管理之中。虚拟电厂的主要作用是协调控制多样化的分布式能源实现高质量的电能输出，采用合理的管理模式对于虚拟电厂的优化运营尤为重要。
现有的虚拟电厂优化调度方法有很多种：考虑分布式能源出力不确定性随机规划法和备用整定法，该类方法用来处理分布式能源出力的随机性和波动性取得了很好的效果，但为了保障供电可靠性，盲目地提高能源储备造成了不必要的浪费；两阶段优化调度方法，主要是采集虚拟电厂内部的发、售电信息以及外部的市场激励政策，进而构建经济调度模型和安全调度模型进行求解，该方法的缺点是需要以大规模不确定性因素准确的概率分布信息为前提，优化调度方式的精准性存在欠缺。
发明内容
本发明是为避免上述现有技术所存在的不足之处，提供一种基于主从博弈策略的虚拟电厂优化调度方法，以期能够为决策者提供最优的调度方案，从而达到提高虚拟电厂运营利益的目的。
为了达到上述目的，本发明所采用的技术方案为：
本发明一种基于主从博弈策略的虚拟电厂优化调度方法，所述虚拟电厂是由光伏电站、储能系统和电动汽车聚合商组成，其特点是，所述虚拟电厂优化调度的方法是按如下步骤进行：
步骤1、分析及构建含多负荷类型的虚拟电厂模型：
步骤1.1、设定光伏的概率密度函数为Beta分布，根据历史气象数据中各时段平均光照强度计算Beta分布的参数；并利用蒙特卡洛抽样随机产生光伏电站出力数据；
步骤1.2、采用硫酸铁锂电池作为储能单元，并构建储能系统的经济模型；
步骤1.3、根据电动汽车接入配电网的时刻表构建电动汽车的数学模型；
步骤1.4、根据负荷的重要程度，将用户L分为一级用户L1和二级用户L2，并根据负荷的可调度情况，将一级用户L1和二级用户L2中的负荷分为传统负荷和可调度负荷；
步骤2、基于电力市场交易机制，利用式(1)建立虚拟电厂交易模型：
式(1)中：表示t时刻虚拟电厂在日前电力市场DAM中的收益；ks表示虚拟电厂的备用容量；Pt VPP为t时刻虚拟电厂VPP的发电功率；和分别为t时刻虚拟电厂在日前电力市场DAM中的售电价格和购电价格；
步骤3、建立考虑不确定性因素的风险成本模型：
步骤3.1、采用蒙特卡洛模拟产生多个出力场景并计算期望值，从而将光伏出力及负荷需求的不确定性转化为确定性问题；
步骤3.2、利用式(2)得到t时刻虚拟电厂的风险成本Rt：
式(2)中：为t时刻电动汽车EV的充放电电价；为t时刻电动汽车EV电价的调整量；Pt EV为t时刻电动汽车EV的输出功率；ΔPt EV为t时刻电动汽车EV输出功率的调整量；和分别为t时刻虚拟电厂在实时电力市场的售电价格与购电价格；Pt RT+和Pt RT-分别为t时刻虚拟电厂在实时电力市场中的多投功率和少投功率；
步骤3.3、确定所述虚拟电厂风险成本模型的约束条件：
步骤3.3.1、利用式(3)建立功率平衡约束：
式(3)中：Pt PV代表t时刻光伏出力实际值；代表t时刻光伏出力预测值；Pt L代表t时刻负荷需求实际值；代表t时刻负荷需求预测值；ΔPt EV为t时刻电动汽车聚合商的调度电量；
步骤3.3.2、利用式(4)-式(6)建立电动汽车约束：
式(4)-式(6)中：和为t时刻电动汽车聚合商的最小输出功率和最大输出功率；为t时刻电动汽车聚合商的电池容量；和分别表示t时刻电动汽车聚合商SOC的上限和下限；ηEV代表电动汽车EV充放电效率；QEV代表电动汽车EV的电池总容量；ΔT为时间常数；
步骤3.3.3、利用式(7)和式(8)建立实时电力市场交易约束：
Pt RT-Pt RT+＝0 (8)
式(7)中：和分别为t时刻虚拟电厂在实时电力市场中交易功率的最小值和最大值；
步骤3.3.4、利用式(9)-式(11)建立电价约束：
式(9)-式(11)中：和分别为t时刻实时电力市场中购电价格的下限和售电价格的上限；和分别为t时刻电动汽车EV放电价格的下限和充电价格的上限；
步骤4、采用主从博弈策略对虚拟电厂进行优化调度：
步骤4.1、构建虚拟电厂经济收益模型及其约束条件：
步骤4.1.1、利用式(12)构建虚拟电厂经济收益模型G：
式(12)中，为t时刻电动汽车购电成本，并由式(13)获得；为t时刻一级用户和二级用户的购电成本之和，并由式(14)获得；为t时刻储能系统ES损耗成本；为t时刻光伏PV发电成本；
式(13)中：和分别表示t时刻电动汽车聚合商的售电价格和购电价格；
式(14)中：和分别为t时刻一级用户L1和二级用户L2中的柔性负荷电价；Pt L1和Pt L2为t时刻一级用户L1和二级用户L2中的柔性负荷功率；和为t时刻一级用户L1和二级用户L2中的传统负荷电价；和为t时刻一级用户L1和二级用户L2中的传统负荷功率；
步骤4.1.2、利用式(15)构建功率平衡约束：
步骤4.1.3、利用式(16)-式(18)构建储能系统约束：
式(16)-式(18)中：和分别代表t时刻储能系统ES充放电功率的上限和下限；为t时刻储能系统的SOC容量；和分别为储能系统SOC的上限和下限；ηES代表储能ES的充放电效率；QES代表储能系统ES的电池总容量；
步骤4.2、构建用户购电成本模型及其约束条件：
步骤4.2.1、利用式(19)建立用户购电成本模型C：
式(19)中，为电动汽车EV损耗成本，并由式(20)获得：
式(20)中：αEV表示电动汽车电池的损耗成本系数；
步骤4.2.2、利用式(21)和式(22)建立电动汽车约束：
步骤4.2.2、利用式(23)-式(26)建立用户功率约束：
式(23)-式(26)中：和分别为t时刻一级用户L1中柔性负荷功率的最小值和最大值；和分别为t时刻二级用户L2中柔性负荷功率的最小值和最大值；Pt L1,st和Pt L2,st分别为t时刻一级用户L1和二级用户L2柔性负荷的标准值；K为时间常数；
步骤4.3、采用主从博弈策略处理虚拟电厂与负荷之间主从阶梯结构的动态博弈结构：
步骤4.3.1、以虚拟电厂经济收益最大为主从博弈上层优化目标，得到如式(27)所示的数学表达式：
式(27)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的电价信息，其中表示虚拟电厂中第n个负荷的电价信息；为在第k次迭代过程中不同负荷购电量的一个已知解；
以用户购电成本最小为主从博弈下层优化目标，得到如式(28)所示的数学表达式示：
式(28)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的购电量，其中Pn表示虚拟电厂中内部第n个负荷的购电量；为在第k+1次迭代过程中不同负荷电价信息的一个已知解；
步骤4.3.2、初始化k＝1，根据光伏出力预测值和负荷需求预测值，设置的初始值；
步骤4.3.3、通过式(27)得到电价信息Xk+1；并令Xk+1赋值给
步骤4.3.4、通过式(28)得到购电量Pk+1；
步骤4.3.5、判断Xk+1和Pk+1的值是否均趋近于收敛，若收敛，则执行步骤5；否则，令k+1赋值给k，返回步骤4.3.3执行，直至达到收敛；
步骤5、通过强化学习算法对主从博弈优化调度模型进行求解：
步骤5.1、由先前经验得到Q矩阵并进行初始化：
线下学习阶段将Q矩阵中各元素(S,A)的初始值均设置为0；其中，S为学习主体的状态变量，A为学习主体的动作变量；
线上学习之前将Q矩阵中各元素(S,A)的初始值设置为线下学习后保留的可行值；
步骤5.2、利用式(29)将连续的状态变量S和动作变量A离散化并划分为M个区间，得到第z个学习主体的区间长度ΔPz：
式(29)中：和分别为学习主体的动作上限和动作下限；Mz表示第z个学习主体的区间个数；
步骤5.3、定义当前迭代次数为g，并初始化g＝1；根据光伏出力预测值和负荷需求预测值确定上层博弈模型的初始状态变量S1,g；
步骤5.4、根据当前第g次迭代学习主体所属的运行状态，结合式(27)选择第g次迭代的上层博弈模型中概率最优的行动变量A1,g＝(g,XEV,XL1,XL2,PES,ΔXEV,ΔPEV)，将A1,g赋值给S2,g，其中，S2,g为第g次迭代中博弈下层模型的状态变量；
步骤5.5、结合式(28)选择第g次迭代的下层博弈模型中概率最优的行动变量A2,g＝(g,PEV,PL1,PL2)；将A2,g赋值给S1,g；
步骤5.6、通过式(4)-式(11)以及式(13)-式(26)校验状态变量和行动变量，并剔除不满足约束条件的状态动作组合；
步骤5.7、通过式(30)和式(31)计算Q值的大小；
式(30)和式(31)中：Qi(S,a1,a2,…,aN)为第i个学习主体在状态S下执行动作a1,a2,…,aN后的Q值；S和S′分别为当前状态和动作后的状态；Sv为状态空间集；Ri为第i个学习主体由状态S转移到状态S′后得到的奖励函数；γ为折扣因子，且0＜γ＜1；p(S′|S,a1,a2,…,aN)为在状态S下动作a1,a2,…,aN发生后转移到状态S′的概率；αg为第g次迭代的学习因子；为第i个学习主体的值函数的第g+1次迭代值；为第i个学习主体的奖励函数的第g次迭代值；i＝1,2,…,N，N为强化学习主体的数量；σN(S′)主为第N个学习主体由状态S变为S′的动作变量；[σ1(S′),σ2(S′),…σN(S′)]为所有学习主体的一种混合动作情况；
步骤5.8通过式(13)-式(26)计算各学习主体奖励值的大小，同时对动作后的状态S′进行预测；
步骤5.9根据动作后的状态S′更新Q矩阵，并令状态S′赋值给S；
步骤5.10判断强化学习过程是否收敛，或Q值是否趋近于收敛；若收敛，则表示Q矩阵中的值即为优化调度的方案，否则将g+1赋值给g，返回步骤5.4执行，直至达到收敛。
与已有技术相比，本发明的有益效果体现在：
1、本发明考虑了光伏出力和负荷需求的不确定性，利用蒙特卡洛抽样模拟其出力场景并随机产生波动数据作为预测的误差值，从而使所建立的不确定数学模型能够更加准确的描述不确定信息，能够切实模拟分布式电源实际运行情况，更加准确的反映虚拟电厂实际收益。
2、本发明构建了虚拟电厂参与电力市场交易模型，能够实现能源的协调运行，提高了能源利用率，对虚拟电厂的经济调度与运行管理具有重要意义。
3、本发明考虑了负荷类型的多样性，虚拟电厂聚合电动汽车、一级用户和二级用户能够缓解光伏出力波动造成的风险成本，减少了投标偏差，提高了虚拟电厂的运营收益。
4、本发明采用主从博弈策略，管理电动汽车的充放电行为和柔性负荷的功率转移，能够实现电动汽车有序充电降低对电网造成的冲击。
5、本发明采用强化学习算法对主从博弈优化调度模型求解，将人工智能算法应用到电力能源的管理环节，实现了虚拟电厂的经济优化调度。
附图说明
图1为本发明所涉及的虚拟电厂系统结构图；
图2为本发明所涉及的虚拟电厂主从博弈策略图；
图3为本发明所涉及的基于主从博弈策略的虚拟电厂优化调度方法流程图。
具体实施方式
本实施例中，如图3所示，一种基于主从博弈策略的虚拟电厂优化调度方法考虑了虚拟电厂中分布式能源出力的波动性和负荷预测的不确定性，构建了虚拟电厂在电力市场中的经济调度模型，采用主从博弈策略和强化学习算法优化求解，从而达到提高虚拟电厂的生产效益、降低负荷购电成本的目的。具体的说，该方法是按如下步骤进行：
步骤1、分析及构建含多负荷类型的虚拟电厂模型：
本实施例中，如图1所示，虚拟电厂VPP在发电侧聚合了光伏发电系统和储能系统为电动汽车聚合商和用户提供电能，并且虚拟电厂VPP通过日前电力市场DAM交易电能，通过实时电力市场RTM平衡功率偏差；
步骤1.1、设定光伏的概率密度函数为Beta分布，根据历史气象数据中各时段平均光照强度计算Beta分布的参数；并利用蒙特卡洛抽样随机产生光伏电站出力数据；
光伏的概率密度函数可由式表示：
式(1)和(2)中：PPV为光伏发电系统实际功率；为光伏发电系统的装机容量；p和q分别为Beat分布的形状参数；
步骤1.2、采用硫酸铁锂电池作为储能单元，并构建储能系统的经济模型；
虚拟电厂在日常运行过程中只储能系统的损耗成本并由式(3)计算所得：
式(3)中：为储能系统损耗成本；αES为储能损耗成本系数；Pt ES代表储能的充放电功率；
步骤1.3、根据电动汽车接入配电网的时刻表构建电动汽车的数学模型；
本发明根据电动汽车充电时刻表建立了相对确定的系统模型：
式(4)中：为第j台电动汽车在t时刻的充放电功率；μj,t为布鲁变量表示电动汽车的充电状态；μj,t＝1表示签署协议的第j台电动汽车在t时刻保持入网状态；μj,t＝0表示处于离网状态；αj,t表示电动汽车受电价影响的充放电偏好；αj,t＝1表示签署协议的第i台电动汽车在t时刻处于功率传输状态；αj,t＝0表示没有功率输送；
步骤1.4、根据负荷的重要程度，将用户L分为一级用户L1和二级用户L2，并根据负荷的可调度情况，将一级用户L1和二级用户L2中的负荷分为传统负荷和可调度负荷；
一级用户由电量需求较大的工业和商业负荷组成，其用电高峰相对分散且电价高；二级用户由电量需求较小的居民负荷组成，用电高峰集中且电价低；传统负荷不参与虚拟电厂调度，必须优先满足；柔性负荷可以响应负荷电价的变化，调整自身用电需求。
步骤2、基于电力市场交易机制，利用式(5)建立虚拟电厂交易模型：
式(5)中：表示t时刻虚拟电厂在日前电力市场DAM中的收益；ks表示虚拟电厂的备用容量；Pt VPP为t时刻虚拟电厂VPP的发电功率；和分别为t时刻虚拟电厂在日前电力市场DAM中的售电价格和购电价格；
步骤3、建立考虑不确定性因素的风险成本模型：
步骤3.1、采用蒙特卡洛模拟产生多个出力场景并计算期望值，从而将光伏出力及负荷需求的不确定性转化为确定性问题；
针对预测过程中存在的误差，本发明采用高斯累积分布模拟预测功率的误差：
式(6)中，σ和μ为预测功率的统计平均值和标准偏差；P为实际功率。利用蒙特卡洛模拟随机产生光伏出力和负荷需求的波动数据，作为预测误差值，再加上预测值作为系统的实际数据。
步骤3.2、利用式(7)得到t时刻虚拟电厂的风险成本Rt：
式(7)中：为t时刻电动汽车EV的充放电电价；为t时刻电动汽车EV电价的调整量；Pt EV为t时刻电动汽车EV的输出功率；ΔPt EV为t时刻电动汽车EV输出功率的调整量；和分别为t时刻虚拟电厂在实时电力市场的售电价格与购电价格；Pt RT+和Pt RT-分别为t时刻虚拟电厂在实时电力市场中的多投功率和少投功率；
当虚拟电厂在电力交易过程中出现不平衡功率时，虚拟电厂采用激励电价的形式优先调度内部的电动汽车，对于电动汽车无法平衡的功率偏差则在实时电力市场中进行电量交易。
步骤3.3、确定虚拟电厂风险成本模型的约束条件：
步骤3.3.1、利用式(8)建立功率平衡约束：
式(8)中：Pt PV代表t时刻光伏出力实际值；代表t时刻光伏出力预测值；Pt L代表t时刻负荷需求实际值；代表t时刻负荷需求预测值；ΔPt EV为t时刻电动汽车聚合商的调度电量；
步骤3.3.2、利用式(9)-式(11)建立电动汽车约束：
式(9)-式(11)中：和为t时刻电动汽车聚合商的最小输出功率和最大输出功率；为t时刻电动汽车聚合商的电池容量；和分别表示t时刻电动汽车聚合商SOC的上限和下限；ηEV代表电动汽车EV充放电效率；QEV代表电动汽车EV的电池总容量；ΔT为时间常数；
步骤3.3.3、利用式(12)和式(13)建立实时电力市场交易约束：
Pt RT-Pt RT+＝0 (13)
式(12)中：和分别为t时刻虚拟电厂在实时电力市场中交易功率的最小值和最大值；
步骤3.3.4、利用式(14)-式(16)建立电价约束：
式(14)-式(16)中：和分别为t时刻实时电力市场中购电价格的下限和售电价格的上限；和分别为t时刻电动汽车EV放电价格的下限和充电价格的上限；
步骤4、采用主从博弈策略对虚拟电厂进行优化调度：
步骤4.1、构建虚拟电厂经济收益模型及其约束条件：
步骤4.1.1、利用式(17)构建虚拟电厂经济收益模型G：
式(17)中，为t时刻电动汽车购电成本，并由式(18)获得；为t时刻一级用户和二级用户的购电成本之和，并由式(19)获得；为t时刻储能系统ES损耗成本；为t时刻光伏PV发电成本；
式(18)中：和分别表示t时刻电动汽车聚合商的售电价格和购电价格；
式(19)中：和分别为t时刻一级用户L1和二级用户L2中的柔性负荷电价；Pt L1和Pt L2为t时刻一级用户L1和二级用户L2中的柔性负荷功率；和为t时刻一级用户L1和二级用户L2中的传统负荷电价；和为t时刻一级用户L1和二级用户L2中的传统负荷功率；
步骤4.1.2、利用式(20)构建功率平衡约束：
步骤4.1.3、利用式(21)-式(23)构建储能系统约束：
式(21)-式(23)中：和分别代表t时刻储能系统ES充放电功率的上限和下限；为t时刻储能系统的SOC容量；和分别为储能系统SOC的上限和下限；ηES代表储能ES的充放电效率；QES代表储能系统ES的电池总容量；
步骤4.2、构建用户购电成本模型及其约束条件：
步骤4.2.1、利用式(24)建立用户购电成本模型C：
式(24)中，为电动汽车EV损耗成本，并由式(25)获得：
式(25)中：αEV表示电动汽车电池的损耗成本系数；
步骤4.2.2、利用式(26)和式(27)建立电动汽车约束：
步骤4.2.2、利用式(28)-式(31)建立用户功率约束：
式(28)-式(31)中：和分别为t时刻一级用户L1中柔性负荷功率的最小值和最大值；和分别为t时刻二级用户L2中柔性负荷功率的最小值和最大值；Pt L1,st和Pt L2,st分别为t时刻一级用户L1和二级用户L2柔性负荷的标准值；K为时间常数；
步骤4.3、采用主从博弈策略处理虚拟电厂与负荷之间主从阶梯结构的动态博弈结构：
虚拟电厂主从博弈策略如图2所示，虚拟电厂VPP作为电价制定者处于领导地位，电动汽车EV、一级用户L1和二级用户L2作为电价响应者处于跟随地位，虚拟电厂VPP以自身收益最大为目标函数制定电价信息，并考虑系统功率平衡约束、电价条件约束、储能系统约束、电动汽车EV可调度容量约束以及电力市场交易约束；
用户作为跟随者根据电价信息以购电成本最小为目标函数制定电量采购计划，考虑柔性负荷转移量约束、电动汽车EV充放电速率约束、电动汽车EV充放电量约束以及用户功率约束，并将数据返还给虚拟电厂VPP，虚拟电厂VPP根据返还的数据以自身收益最大优化电价信息；
步骤4.3.1、以虚拟电厂经济收益最大为主从博弈上层优化目标，得到如式(27)所示的数学表达式：
式(32)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的电价信息，其中表示虚拟电厂中第n个负荷的电价信息；为在第k次迭代过程中不同负荷购电量的一个已知解；
以用户购电成本最小为主从博弈下层优化目标，得到如式(28)所示的数学表达式示：
式(33)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的购电量，其中Pn表示虚拟电厂中内部第n个负荷的购电量；为在第k+1次迭代过程中不同负荷电价信息的一个已知解；
步骤4.3.2、初始化k＝1，根据光伏出力预测值和负荷需求预测值，设置的初始值；
步骤4.3.3、通过式(32)得到电价信息Xk+1；并令Xk+1赋值给
步骤4.3.4、通过式(33)得到购电量Pk+1；
步骤4.3.5、判断Xk+1和Pk+1的值是否均趋近于收敛，若收敛，则执行步骤5；否则，令k+1赋值给k，返回步骤4.3.3执行，直至达到收敛；
步骤5、通过强化学习算法对主从博弈优化调度模型进行求解：
强化学习是机械学习中的一个领域，能够基于环境而行动，以谋求最大化利益。为使本领域技术人员更好理解本发明，简单对原理做一下铺垫。
强化学习的原理是通过将先前经验绘制成Q矩阵作为后续迭代计算的初始值。强化学习算法的值函数及迭代过程可由下式表示：
式(34)至(35)中：Q(S,a)为状态S下执行a操作的Q值；S和S’分别为当前状态和下一动作的状态；Sv为可行的状态变量空间集；R(S,S′,a)为状态S经过动作a转移到状态S’后得到的奖励函数；γ(0＜γ＜1)为折扣因子；p(S′|S,a)为在S状态下动作a发生后转移到状态S’的概率；Av为可行的动作变量空间集；g为迭代次数；αg为学习因子，表征更新迭代部分的信任程度。随着迭代次数的增加当Q值趋近于收敛时或者已经达到指定的迭代次数时终止迭代，得到最优的动作策略。
步骤5.1、由先前经验得到Q矩阵并进行初始化：
线下学习阶段将Q矩阵中各元素(S,A)的初始值均设置为0；其中，S为学习主体的状态变量，A为学习主体的动作变量；
线上学习之前将Q矩阵中各元素(S,A)的初始值设置为线下学习后保留的可行值；
步骤5.2、利用式(36)将连续的状态变量S和动作变量A离散化并划分为M个区间，得到第z个学习主体的区间长度ΔPz：
式(36)中：和分别为学习主体的动作上限和动作下限；Mz表示第z个学习主体的区间个数；
步骤5.3、定义当前迭代次数为g，并初始化g＝1；根据光伏出力预测值和负荷需求预测值确定上层博弈模型的初始状态变量S1,g；
步骤5.4、根据当前第g次迭代学习主体所属的运行状态，结合式(32)选择第g次迭代的上层博弈模型中概率最优的行动变量A1,g＝(g,XEV,XL1,XL2,PES,ΔXEV,ΔPEV)，将A1,g赋值给S2,g，其中，S2,g为第g次迭代中博弈下层模型的状态变量；
步骤5.5、结合式(33)选择第g次迭代的下层博弈模型中概率最优的行动变量A2,g＝(g,PEV,PL1,PL2)；将A2,g赋值给S1,g；
步骤5.6、通过式(9)-式(16)以及式(18)-式(31)校验状态变量和行动变量，并剔除不满足约束条件的状态动作组合；
步骤5.7、通过式(37)和式(38)计算Q值的大小；
式(37)和式(38)中：Qi(S,a1,a2,…,aN)为第i个学习主体在状态S下执行动作a1,a2,…,aN后的Q值；S和S′分别为当前状态和动作后的状态；Sv为状态空间集；Ri为第i个学习主体由状态S转移到状态S′后得到的奖励函数；γ为折扣因子，且0＜γ＜1；p(S′|S,a1,a2,…,aN)为在状态S下动作a1,a2,…,aN发生后转移到状态S′的概率；αg为第g次迭代的学习因子；为第i个学习主体的值函数的第g+1次迭代值；为第i个学习主体的奖励函数的第g次迭代值；i＝1,2,…,N，N为强化学习主体的数量；σN(S′)主为第N个学习主体由状态S变为S′的动作变量；[σ1(S′),σ2(S′),…σN(S′)]为所有学习主体的一种混合动作情况；
步骤5.8通过式(18)-式(31)计算各学习主体奖励值的大小，同时对动作后的状态S′进行预测；
步骤5.9根据动作后的状态S′更新Q矩阵，并令状态S′赋值给S；
步骤5.10判断强化学习过程是否收敛，或Q值是否趋近于收敛；若收敛，则表示Q矩阵中的值即为优化调度的方案，否则将g+1赋值给g，返回步骤5.4执行，直至达到收敛。
Claims (1)
1.一种基于主从博弈策略的虚拟电厂优化调度方法，所述虚拟电厂是由光伏电站、储能系统和电动汽车聚合商组成，其特征是，所述虚拟电厂优化调度的方法是按如下步骤进行：
步骤1、分析及构建含多负荷类型的虚拟电厂模型：
步骤1.1、设定光伏的概率密度函数为Beta分布，根据历史气象数据中各时段平均光照强度计算Beta分布的参数；并利用蒙特卡洛抽样随机产生光伏电站出力数据；
步骤1.2、采用硫酸铁锂电池作为储能单元，并构建储能系统的经济模型；
步骤1.3、根据电动汽车接入配电网的时刻表构建电动汽车的数学模型；
步骤1.4、根据负荷的重要程度，将用户L分为一级用户L1和二级用户L2，并根据负荷的可调度情况，将一级用户L1和二级用户L2中的负荷分为传统负荷和可调度负荷；
步骤2、基于电力市场交易机制，利用式(1)建立虚拟电厂交易模型：
式(1)中：表示t时刻虚拟电厂在日前电力市场DAM中的收益；ks表示虚拟电厂的备用容量；Pt VPP为t时刻虚拟电厂VPP的发电功率；和分别为t时刻虚拟电厂在日前电力市场DAM中的售电价格和购电价格；
步骤3、建立考虑不确定性因素的风险成本模型：
步骤3.1、采用蒙特卡洛模拟产生多个出力场景并计算期望值，从而将光伏出力及负荷需求的不确定性转化为确定性问题；
步骤3.2、利用式(2)得到t时刻虚拟电厂的风险成本Rt：
式(2)中：为t时刻电动汽车EV的充放电电价；为t时刻电动汽车EV电价的调整量；Pt EV为t时刻电动汽车EV的输出功率；ΔPt EV为t时刻电动汽车EV输出功率的调整量；和分别为t时刻虚拟电厂在实时电力市场的售电价格与购电价格；Pt RT+和Pt RT-分别为t时刻虚拟电厂在实时电力市场中的多投功率和少投功率；
步骤3.3、确定所述虚拟电厂风险成本模型的约束条件：
步骤3.3.1、利用式(3)建立功率平衡约束：
式(3)中：Pt PV代表t时刻光伏出力实际值；代表t时刻光伏出力预测值；Pt L代表t时刻负荷需求实际值；代表t时刻负荷需求预测值；ΔPt EV为t时刻电动汽车聚合商的调度电量；
步骤3.3.2、利用式(4)-式(6)建立电动汽车约束：
式(4)-式(6)中：和为t时刻电动汽车聚合商的最小输出功率和最大输出功率；为t时刻电动汽车聚合商的电池容量；和分别表示t时刻电动汽车聚合商SOC的上限和下限；ηEV代表电动汽车EV充放电效率；QEV代表电动汽车EV的电池总容量；ΔT为时间常数；
步骤3.3.3、利用式(7)和式(8)建立实时电力市场交易约束：
Pt RT-Pt RT+＝0 (8)
式(7)中：和分别为t时刻虚拟电厂在实时电力市场中交易功率的最小值和最大值；
步骤3.3.4、利用式(9)-式(11)建立电价约束：
式(9)-式(11)中：和分别为t时刻实时电力市场中购电价格的下限和售电价格的上限；和分别为t时刻电动汽车EV放电价格的下限和充电价格的上限；
步骤4、采用主从博弈策略对虚拟电厂进行优化调度：
步骤4.1、构建虚拟电厂经济收益模型及其约束条件：
步骤4.1.1、利用式(12)构建虚拟电厂经济收益模型G：
式(12)中，为t时刻电动汽车购电成本，并由式(13)获得；为t时刻一级用户和二级用户的购电成本之和，并由式(14)获得；为t时刻储能系统ES损耗成本；为t时刻光伏PV发电成本；
式(13)中：和分别表示t时刻电动汽车聚合商的售电价格和购电价格；
式(14)中：和分别为t时刻一级用户L1和二级用户L2中的柔性负荷电价；Pt L1和Pt L2为t时刻一级用户L1和二级用户L2中的柔性负荷功率；和为t时刻一级用户L1和二级用户L2中的传统负荷电价；Pt′L1和Pt′L2为t时刻一级用户L1和二级用户L2中的传统负荷功率；
步骤4.1.2、利用式(15)构建功率平衡约束：
(1±ks)Pt VPP＝Pt PV+Pt ES-Pt EV-Pt′L1-Pt′L2-Pt L1-Pt L2 (15)
步骤4.1.3、利用式(16)-式(18)构建储能系统约束：
式(16)-式(18)中：和分别代表t时刻储能系统ES充放电功率的上限和下限；为t时刻储能系统的SOC容量；和分别为储能系统SOC的上限和下限；ηES代表储能ES的充放电效率；QES代表储能系统ES的电池总容量；
步骤4.2、构建用户购电成本模型及其约束条件：
步骤4.2.1、利用式(19)建立用户购电成本模型C：
式(19)中，为电动汽车EV损耗成本，并由式(20)获得：
式(20)中：αEV表示电动汽车电池的损耗成本系数；
步骤4.2.2、利用式(21)和式(22)建立电动汽车约束：
步骤4.2.2、利用式(23)-式(26)建立用户功率约束：
式(23)-式(26)中：和分别为t时刻一级用户L1中柔性负荷功率的最小值和最大值；和分别为t时刻二级用户L2中柔性负荷功率的最小值和最大值；Pt L1,st和Pt L2,st分别为t时刻一级用户L1和二级用户L2柔性负荷的标准值；K为时间常数；
步骤4.3、采用主从博弈策略处理虚拟电厂与负荷之间主从阶梯结构的动态博弈结构：
步骤4.3.1、以虚拟电厂经济收益最大为主从博弈上层优化目标，得到如式(27)所示的数学表达式：
式(27)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的电价信息，其中表示虚拟电厂中第n个负荷的电价信息；为在第k次迭代过程中不同负荷购电量的一个已知解；
以用户购电成本最小为主从博弈下层优化目标，得到如式(28)所示的数学表达式示：
式(28)中：表示在第k+1次迭代过程中虚拟电厂中不同负荷的购电量，其中Pn表示虚拟电厂中内部第n个负荷的购电量；为在第k+1次迭代过程中不同负荷电价信息的一个已知解；
步骤4.3.2、初始化k＝1，根据光伏出力预测值和负荷需求预测值，设置的初始值；
步骤4.3.3、通过式(27)得到电价信息Xk+1；并令Xk+1赋值给
步骤4.3.4、通过式(28)得到购电量Pk+1；
步骤4.3.5、判断Xk+1和Pk+1的值是否均趋近于收敛，若收敛，则执行步骤5；否则，令k+1赋值给k，返回步骤4.3.3执行，直至达到收敛；
步骤5、通过强化学习算法对主从博弈优化调度模型进行求解：
步骤5.1、由先前经验得到Q矩阵并进行初始化：
线下学习阶段将Q矩阵中各元素(S,A)的初始值均设置为0；其中，S为学习主体的状态变量，A为学习主体的动作变量；
线上学习之前将Q矩阵中各元素(S,A)的初始值设置为线下学习后保留的可行值；
步骤5.2、利用式(29)将连续的状态变量S和动作变量A离散化并划分为M个区间，得到第z个学习主体的区间长度ΔPz：
式(29)中：和分别为学习主体的动作上限和动作下限；Mz表示第z个学习主体的区间个数；
步骤5.3、定义当前迭代次数为g，并初始化g＝1；根据光伏出力预测值和负荷需求预测值确定上层博弈模型的初始状态变量S1,g；
步骤5.4、根据当前第g次迭代学习主体所属的运行状态，结合式(27)选择第g次迭代的上层博弈模型中概率最优的行动变量A1,g＝(g,XEV,XL1,XL2,PES,ΔXEV,ΔPEV)，将A1,g赋值给S2,g，其中，S2,g为第g次迭代中博弈下层模型的状态变量；
步骤5.5、结合式(28)选择第g次迭代的下层博弈模型中概率最优的行动变量A2,g＝(g,PEV,PL1,PL2)；将A2,g赋值给S1,g；
步骤5.6、通过式(4)-式(11)以及式(13)-式(26)校验状态变量和行动变量，并剔除不满足约束条件的状态动作组合；
步骤5.7、通过式(30)和式(31)计算Q值的大小；
式(30)和式(31)中：Qi(S,a1,a2,…,aN)为第i个学习主体在状态S下执行动作a1,a2,…,aN后的Q值；S和S′分别为当前状态和动作后的状态；Sv为状态空间集；Ri为第i个学习主体由状态S转移到状态S′后得到的奖励函数；γ为折扣因子，且0＜γ＜1；p(S′|S,a1,a2,…,aN)为在状态S下动作a1,a2,…,aN发生后转移到状态S′的概率；αg为第g次迭代的学习因子；为第i个学习主体的值函数的第g+1次迭代值；为第i个学习主体的奖励函数的第g次迭代值；i＝1,2,…,N，N为强化学习主体的数量；σN(S′)主为第N个学习主体由状态S变为S′的动作变量；[σ1(S′),σ2(S′),…σN(S′)]为所有学习主体的一种混合动作情况；
步骤5.8通过式(13)-式(26)计算各学习主体奖励值的大小，同时对动作后的状态S′进行预测；
步骤5.9根据动作后的状态S′更新Q矩阵，并令状态S′赋值给S；
步骤5.10判断强化学习过程是否收敛，或Q值是否趋近于收敛；若收敛，则表示Q矩阵中的值即为优化调度的方案，否则将g+1赋值给g，返回步骤5.4执行，直至达到收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238444.1A CN109902884A (zh) | 2019-03-27 | 2019-03-27 | 一种基于主从博弈策略的虚拟电厂优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238444.1A CN109902884A (zh) | 2019-03-27 | 2019-03-27 | 一种基于主从博弈策略的虚拟电厂优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109902884A true CN109902884A (zh) | 2019-06-18 |
Family
ID=66953069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910238444.1A Pending CN109902884A (zh) | 2019-03-27 | 2019-03-27 | 一种基于主从博弈策略的虚拟电厂优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902884A (zh) |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110336274A (zh) * | 2019-07-01 | 2019-10-15 | 上海电力学院 | 增设虚拟电厂调节器的虚拟电厂运行方法 |
| CN110661277A (zh) * | 2019-09-24 | 2020-01-07 | 国网江苏省电力有限公司 | 一种基于敏感负荷接入的虚拟电厂日前调度方法 |
| CN110728406A (zh) * | 2019-10-15 | 2020-01-24 | 南京邮电大学 | 基于强化学习的多智能体发电优化调度方法 |
| CN111062632A (zh) * | 2019-12-24 | 2020-04-24 | 国网黑龙江省电力有限公司 | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 |
| CN111064184A (zh) * | 2019-12-03 | 2020-04-24 | 国网浙江嘉善县供电有限公司 | 基于区块化虚拟电厂的主动配电网运行控制方法 |
| CN111126551A (zh) * | 2019-12-25 | 2020-05-08 | 广东电科院能源技术有限责任公司 | 一种多投资主体模式下虚拟电厂的组合规划方法和装置 |
| CN111293777A (zh) * | 2019-11-15 | 2020-06-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种用于多站融合的电力运行不间断供电系统及方法 |
| CN111382939A (zh) * | 2020-03-06 | 2020-07-07 | 国网冀北电力有限公司 | 虚拟电厂资源优化配置方法、装置及设备 |
| CN111476414A (zh) * | 2020-04-07 | 2020-07-31 | 华北电力大学 | 一种光伏产消者优化决策方法 |
| CN111522311A (zh) * | 2020-04-21 | 2020-08-11 | 国网浙江省电力有限公司经济技术研究院 | 一种多主体能源系统参数计算、设备控制方法及相关装置 |
| CN112001752A (zh) * | 2020-08-18 | 2020-11-27 | 四川大学 | 基于有限理性的多虚拟电厂动态博弈交易行为分析方法 |
| CN112054513A (zh) * | 2020-08-20 | 2020-12-08 | 三峡大学 | 基于混合博弈的多微电网双层协调优化调度方法 |
| CN112270432A (zh) * | 2020-10-14 | 2021-01-26 | 国网四川省电力公司经济技术研究院 | 一种考虑多主体利益均衡的综合能源系统的能量管理方法 |
| CN112308334A (zh) * | 2020-11-12 | 2021-02-02 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
| CN112785337A (zh) * | 2021-01-22 | 2021-05-11 | 国网信息通信产业集团有限公司 | 一种应用于虚拟电厂的价格激励方法及装置 |
| CN112886567A (zh) * | 2020-12-28 | 2021-06-01 | 国网河北省电力有限公司 | 一种基于主从博弈的需求侧资源灵活性优化调度方法及系统 |
| CN113363973A (zh) * | 2021-06-16 | 2021-09-07 | 国网冀北电力有限公司检修分公司 | 一种热电联合调度方法及装置 |
| CN113642918A (zh) * | 2021-08-27 | 2021-11-12 | 东南大学 | 一种基于主从博弈的虚拟电厂调控方法、存储介质和装置 |
| CN113837449A (zh) * | 2021-08-31 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 虚拟电厂参与的电网系统集中优化调度方法 |
| CN113937781A (zh) * | 2021-09-28 | 2022-01-14 | 深圳供电局有限公司 | 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术 |
| CN114462727A (zh) * | 2022-04-14 | 2022-05-10 | 山东大学 | 基于多主体联合的新能源系统能源优化调度方法及系统 |
| CN115879983A (zh) * | 2023-02-07 | 2023-03-31 | 长园飞轮物联网技术(杭州)有限公司 | 虚拟电厂调度方法及其系统 |
| CN116859739A (zh) * | 2023-07-18 | 2023-10-10 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
| CN117239810A (zh) * | 2023-11-09 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 虚拟电厂电能调度方案获取方法、装置和设备 |
| CN117318166A (zh) * | 2023-08-09 | 2023-12-29 | 河海大学 | 考虑故障风险下基于合作博弈的多虚拟电厂低碳调度方法 |
| CN117522087A (zh) * | 2024-01-05 | 2024-02-06 | 中建科工集团有限公司 | 虚拟电厂资源配置方法、装置、设备及介质 |
| CN117541300A (zh) * | 2024-01-08 | 2024-02-09 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂交易管理方法、系统、设备及存储介质 |
| CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
| CN117810980A (zh) * | 2023-12-28 | 2024-04-02 | 南京理工大学 | 基于储能系统自由交易的光储虚拟网格博弈优化方法 |
| WO2024092954A1 (zh) * | 2022-11-02 | 2024-05-10 | 深圳先进技术研究院 | 基于深度强化学习的电力系统调控方法 |
| CN117541300B (zh) * | 2024-01-08 | 2024-06-04 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂交易管理方法、系统、设备及存储介质 |
-
2019
- 2019-03-27 CN CN201910238444.1A patent/CN109902884A/zh active Pending
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110336274B (zh) * | 2019-07-01 | 2022-12-09 | 上海电力学院 | 增设虚拟电厂调节器的虚拟电厂运行方法 |
| CN110336274A (zh) * | 2019-07-01 | 2019-10-15 | 上海电力学院 | 增设虚拟电厂调节器的虚拟电厂运行方法 |
| CN110661277A (zh) * | 2019-09-24 | 2020-01-07 | 国网江苏省电力有限公司 | 一种基于敏感负荷接入的虚拟电厂日前调度方法 |
| CN110661277B (zh) * | 2019-09-24 | 2022-10-11 | 国网江苏省电力有限公司 | 一种基于敏感负荷接入的虚拟电厂日前调度方法 |
| CN110728406A (zh) * | 2019-10-15 | 2020-01-24 | 南京邮电大学 | 基于强化学习的多智能体发电优化调度方法 |
| CN110728406B (zh) * | 2019-10-15 | 2022-07-29 | 南京邮电大学 | 基于强化学习的多智能体发电优化调度方法 |
| CN111293777A (zh) * | 2019-11-15 | 2020-06-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种用于多站融合的电力运行不间断供电系统及方法 |
| CN111064184A (zh) * | 2019-12-03 | 2020-04-24 | 国网浙江嘉善县供电有限公司 | 基于区块化虚拟电厂的主动配电网运行控制方法 |
| CN111062632B (zh) * | 2019-12-24 | 2023-04-18 | 国网黑龙江省电力有限公司 | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 |
| CN111062632A (zh) * | 2019-12-24 | 2020-04-24 | 国网黑龙江省电力有限公司 | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 |
| CN111126551B (zh) * | 2019-12-25 | 2021-09-03 | 南方电网电力科技股份有限公司 | 一种多投资主体模式下虚拟电厂的组合规划方法和装置 |
| CN111126551A (zh) * | 2019-12-25 | 2020-05-08 | 广东电科院能源技术有限责任公司 | 一种多投资主体模式下虚拟电厂的组合规划方法和装置 |
| CN111382939A (zh) * | 2020-03-06 | 2020-07-07 | 国网冀北电力有限公司 | 虚拟电厂资源优化配置方法、装置及设备 |
| CN111476414A (zh) * | 2020-04-07 | 2020-07-31 | 华北电力大学 | 一种光伏产消者优化决策方法 |
| CN111476414B (zh) * | 2020-04-07 | 2022-04-22 | 华北电力大学 | 一种光伏产消者优化决策方法 |
| CN111522311B (zh) * | 2020-04-21 | 2022-02-18 | 国网浙江省电力有限公司经济技术研究院 | 一种多主体能源系统参数计算、设备控制方法及相关装置 |
| CN111522311A (zh) * | 2020-04-21 | 2020-08-11 | 国网浙江省电力有限公司经济技术研究院 | 一种多主体能源系统参数计算、设备控制方法及相关装置 |
| CN112001752A (zh) * | 2020-08-18 | 2020-11-27 | 四川大学 | 基于有限理性的多虚拟电厂动态博弈交易行为分析方法 |
| CN112054513A (zh) * | 2020-08-20 | 2020-12-08 | 三峡大学 | 基于混合博弈的多微电网双层协调优化调度方法 |
| CN112270432B (zh) * | 2020-10-14 | 2023-02-28 | 国网四川省电力公司经济技术研究院 | 一种考虑多主体利益均衡的综合能源系统的能量管理方法 |
| CN112270432A (zh) * | 2020-10-14 | 2021-01-26 | 国网四川省电力公司经济技术研究院 | 一种考虑多主体利益均衡的综合能源系统的能量管理方法 |
| CN112308334B (zh) * | 2020-11-12 | 2022-11-08 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
| CN112308334A (zh) * | 2020-11-12 | 2021-02-02 | 国网江苏省电力有限公司南京供电分公司 | 一种基于主从合作博弈的多虚拟电厂联合优化调度方法 |
| CN112886567B (zh) * | 2020-12-28 | 2024-02-02 | 国网河北省电力有限公司 | 一种基于主从博弈的需求侧资源灵活性优化调度方法及系统 |
| CN112886567A (zh) * | 2020-12-28 | 2021-06-01 | 国网河北省电力有限公司 | 一种基于主从博弈的需求侧资源灵活性优化调度方法及系统 |
| CN112785337B (zh) * | 2021-01-22 | 2024-04-26 | 国网信息通信产业集团有限公司 | 一种应用于虚拟电厂的价格激励方法及装置 |
| CN112785337A (zh) * | 2021-01-22 | 2021-05-11 | 国网信息通信产业集团有限公司 | 一种应用于虚拟电厂的价格激励方法及装置 |
| CN113363973A (zh) * | 2021-06-16 | 2021-09-07 | 国网冀北电力有限公司检修分公司 | 一种热电联合调度方法及装置 |
| CN113642918B (zh) * | 2021-08-27 | 2024-05-10 | 东南大学 | 一种基于主从博弈的虚拟电厂调控方法、存储介质和装置 |
| CN113642918A (zh) * | 2021-08-27 | 2021-11-12 | 东南大学 | 一种基于主从博弈的虚拟电厂调控方法、存储介质和装置 |
| CN113837449A (zh) * | 2021-08-31 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 虚拟电厂参与的电网系统集中优化调度方法 |
| CN113837449B (zh) * | 2021-08-31 | 2023-08-18 | 国网江苏省电力有限公司南京供电分公司 | 虚拟电厂参与的电网系统集中优化调度方法 |
| CN113937781A (zh) * | 2021-09-28 | 2022-01-14 | 深圳供电局有限公司 | 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术 |
| CN114462727A (zh) * | 2022-04-14 | 2022-05-10 | 山东大学 | 基于多主体联合的新能源系统能源优化调度方法及系统 |
| CN114462727B (zh) * | 2022-04-14 | 2022-07-15 | 山东大学 | 基于多主体联合的新能源系统能源优化调度方法及系统 |
| WO2024092954A1 (zh) * | 2022-11-02 | 2024-05-10 | 深圳先进技术研究院 | 基于深度强化学习的电力系统调控方法 |
| CN115879983A (zh) * | 2023-02-07 | 2023-03-31 | 长园飞轮物联网技术(杭州)有限公司 | 虚拟电厂调度方法及其系统 |
| CN116859739B (zh) * | 2023-07-18 | 2024-05-14 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
| CN116859739A (zh) * | 2023-07-18 | 2023-10-10 | 哈尔滨工业大学 | 一种适用于电热联供型虚拟电厂的强化学习控制方法及控制系统 |
| CN117318166A (zh) * | 2023-08-09 | 2023-12-29 | 河海大学 | 考虑故障风险下基于合作博弈的多虚拟电厂低碳调度方法 |
| CN117239810B (zh) * | 2023-11-09 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 虚拟电厂电能调度方案获取方法、装置和设备 |
| CN117239810A (zh) * | 2023-11-09 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 虚拟电厂电能调度方案获取方法、装置和设备 |
| CN117810980A (zh) * | 2023-12-28 | 2024-04-02 | 南京理工大学 | 基于储能系统自由交易的光储虚拟网格博弈优化方法 |
| CN117810980B (zh) * | 2023-12-28 | 2024-06-04 | 南京理工大学 | 基于储能系统自由交易的光储虚拟网格博弈优化方法 |
| CN117522087A (zh) * | 2024-01-05 | 2024-02-06 | 中建科工集团有限公司 | 虚拟电厂资源配置方法、装置、设备及介质 |
| CN117522087B (zh) * | 2024-01-05 | 2024-05-03 | 中建科工集团有限公司 | 虚拟电厂资源配置方法、装置、设备及介质 |
| CN117541300A (zh) * | 2024-01-08 | 2024-02-09 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂交易管理方法、系统、设备及存储介质 |
| CN117541300B (zh) * | 2024-01-08 | 2024-06-04 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂交易管理方法、系统、设备及存储介质 |
| CN117674303A (zh) * | 2024-02-02 | 2024-03-08 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
| CN117674303B (zh) * | 2024-02-02 | 2024-05-14 | 华北电力大学 | 一种基于数据价值阈值的虚拟电厂并行控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902884A (zh) | 一种基于主从博弈策略的虚拟电厂优化调度方法 | |
| Hossain et al. | Modified PSO algorithm for real-time energy management in grid-connected microgrids | |
| Athari et al. | Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller | |
| CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
| CN109559035A (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
| Machlev et al. | A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles | |
| CN108347062A (zh) | 基于势博弈的微电网能量管理分布式多目标协同优化算法 | |
| CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
| CN111786422B (zh) | 基于bp神经网络的微电网参与上层电网实时优化调度方法 | |
| CN110138006A (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
| CN105868499B (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
| CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
| CN109872228A (zh) | 计及不确定性的柔性负荷聚合商参与电力市场投标方法 | |
| CN113098011A (zh) | 一种基于改进NashQ算法的风电调度方法及系统 | |
| CN109884888A (zh) | 一种基于非合作博弈的多楼宇微网模型预测调控方法 | |
| CN112821470A (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
| CN114256836A (zh) | 一种新能源电站共享储能的容量优化配置方法 | |
| Du et al. | Optimal whole-life-cycle planning for battery energy storage system with normalized quantification of multi-services profitability | |
| CN113765154A (zh) | 一种高弹性电网源网荷储多元协同优化控制方法 | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
| CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
| CN115730747A (zh) | 一种综合能源系统多主体利益分配方法及其应用 | |
| CN115018376A (zh) | 一种考虑新型电力系统特征的负荷调控优化方法 | |
| Feng et al. | Design and Development of Household Solar-Heat-Storage Coordination Control Software Module | |
| Tan et al. | Real-time coordinated management of PHEVs at residential level via MDPs and game theory |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |
|
| RJ01 | Rejection of invention patent application after publication |