CN110599032A - 一种灵活电源的深度斯坦伯格自适应动态博弈方法 - Google Patents

一种灵活电源的深度斯坦伯格自适应动态博弈方法 Download PDF

Info

Publication number
CN110599032A
CN110599032A CN201910859368.6A CN201910859368A CN110599032A CN 110599032 A CN110599032 A CN 110599032A CN 201910859368 A CN201910859368 A CN 201910859368A CN 110599032 A CN110599032 A CN 110599032A
Authority
CN
China
Prior art keywords
power supply
deep
flexible power
algorithm
adaptive dynamic
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.)
Withdrawn
Application number
CN201910859368.6A
Other languages
English (en)
Inventor
殷林飞
吴云智
黄天蔚
罗仕逵
谢佳兴
孙志响
高放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN201910859368.6A priority Critical patent/CN110599032A/zh
Publication of CN110599032A publication Critical patent/CN110599032A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种灵活电源的深度斯坦伯格自适应动态博弈方法，该方法将斯坦伯格博弈模型作为框架，以深度自适应动态规划算法作为核心算法，并将深度神经网络替换了自适应动态规划算法中原有的神经网络。本发明中的深度自适应动态博弈算法布置于灵活电源中，同时考虑传统发电厂和负荷消费者(用户)对灵活电源的影响，可以有效解决微电网在运行中存在的能量分布不合理、整体效益较低的问题。本发明提出的方法可以通过让每个灵活电源与传统发电厂和负荷消费者在共同的微电网之间进行博弈，从而设计出合理的利益引导策略，在追求灵活电源自身效益最大化的同时，实现微电网中供给侧与需求侧的双赢。

Description

一种灵活电源的深度斯坦伯格自适应动态博弈方法
技术领域
本发明属于电力系统发电调度技术领域，特别涉及一种用于灵活电源(如电动汽车、分布式电源)的基于深度斯坦伯格自适应动态博弈的电力系统最优调度方法。
背景技术
近年，伴随着国家对新能源发电的重视和智能电网技术的不断普及，我国各种新能源的发电量和电能质量都在不断提高。但是，传统的发电厂(如火力发电厂、水力发电厂)仍是我国主要的电能来源，它们作为传统的主要受益方，往往难以与近几年才出现的各种灵活电源(如电动汽车、分布式电源)达成公平合理的调度协议，这不仅产生了能源的浪费，而且也对解决电力调度中的利益问题造成了困难。因此，在当前市场情况下如何让灵活电源有效地参与到微电网的电力调度中以实现传统发电厂与灵活电源的双赢成为了一个值得研究的问题。
合理的电力调度方法可以满足微电网中电能的按需分配，在保证电力系统安全稳定运行的同时，实现传统发电厂和灵活电源发电成本的最小化和微电网经济收益的最大化。目前在处理传统发电厂与灵活电源之间电力调度问题上的主要方法有如下几个：
(1)选取多个发电厂作为非合作博弈的参与者，采用经典的粒子群算法搜寻各决策者的最优策略，在追求经济收益最大化的同时，还将污染物排放状况作为目标函数，在一定程度上了减少了电力调度对环境的影响。
(2)让传统发电厂、灵活电源和用户同时作为决策者参与三阶段斯坦伯格博弈，通过逆向回归法和拉格朗日乘数法来求得子博弈精炼纳什均衡解，最终得到每个决策者的最优决策。
(3)以微电网购电成本最小化和传统发电厂收益最大化作为目标函数，将微电网视为博弈中的领导者，同时将传统发电厂和风、光伏、地热电厂视为博弈中的跟随者，并采用种群优化算法来求得最优斯坦伯格-纳什均衡解，缓解了微电网与各发电厂的利益冲突。
从上面的分析中不难看出，业内的研究者已经从多层次对电力系统中电力调度问题进行了研究，但是在可靠性、自适应性和高效性上仍存在一些问题：
(1)没有充分考虑到电力系统运行的稳定性和可靠水平。系统安全可靠地运行是实现电能最优调度的前提。
(2)采用固定的纯数学模型和算法对博弈问题进行求解，缺乏灵活性，不能进行自主学习，难以满足电力调度中复杂多变的情况。
(3)部分种群优化算法运用在电力调度技术中还不够成熟，收益效果并不稳定，某些情况下其产生的最优决策收益还不如传统的经济调度收益。
发明内容
本发明的目的在于将一种斯坦伯格博弈模型作为框架的深度自适应动态博弈方法运用到电力系统的电能调度中，该方法能够充分发挥斯坦伯格博弈模型结构上的特点和深度神经网络在智能性和高效性上的优势，快速准确地求得灵活电源的最优发电量，实现微电网内电能的合理分配和收益的最大化。
为了达到上述目标，本发明提出一种灵活电源的深度斯坦伯格自适应动态博弈方法，其步骤为：
步骤(1)：获取该方法所需的传统发电厂、灵活电源和微电网电力调度系统的原始数据和相关参数；
步骤(2)：建立斯坦伯格主从博弈模型，将传统发电厂视为博弈中的领导者，将灵活电源和负荷消费者视为博弈中的跟随者，Ug.i为第i个传统发电厂的目标函数，Uf.i为第i个灵活电源的目标函数，Uc.i为第i个负荷消费者的目标函数；传统发电厂的目标函数Ug.i的具体表达式为：
上式中，T为调度时间的长度，Yg.i.t为第i个传统发电厂的发电量，pg.i.t为第i个传统发电厂的上网电价，fg(Yg.i.t)为第i个传统发电厂的成本函数，具体表达式为：其中ai、bi和ci为成本系数；
灵活电源的目标函数Uf.i的具体表达式为：
上式中，T为调度时间的长度，Yf.i.t为第i个灵活电源的发电量，pf.i.t为第i个灵活电源的上网电价，ff(Yf.i.t)为第i个灵活电源的折旧成本函数，具体表达式为其中Cba.i为第i个灵活电源的固定投资成本，Tba.i为第i个灵活电源的年运行时间，r为年折旧率，k为灵活电源的使用年限，PN.i为第i个灵活电源的额定输出功率；
负荷消费者的目标函数Uc.i的具体表达式为：
上式中，T为负荷消费者的用电时间，Lg.i.t和Cg.i.t分别为负荷消费者从传统发电厂处购得的电量和单位购电费用，Lf.i.t和Cf.i.t分别为负荷消费者从灵活电源处购得的电量和单位购电费用，Sc.i(Lg.i.t,Cg.i.t)和Sc.i(Lf.i.t,Cf.i.t)为负荷消费者通过微电网分别在传统发电厂和灵活电源处购电的满意度函数。
对于传统发电厂，存在机组出力约束：
Pg.min≤Pg.t≤Pg.max (4)
上式中，Pg.min和Pg.max分别为发电机组的最小和最大出力，Pg.t为机组的实时出力；
对于灵活电源，存在最大出力约束：
0≤Pf.t≤Pf.max (5)
上式中，Pf.max为灵活电源的最大出力，Pf.t为灵活电源的实时出力；
对于整个电网，在任意一个时间点，存在功率平衡条件：
上式中，Ng为传统发电厂的总数，Nf为灵活电源的总数，N'g为从传统发电厂处购电的负荷消费者总数，N'f为从灵活电源处购电的负荷消费者总数，Llose为微电网的电能损耗；
对于负荷消费者，存在最少必要用电负荷约束：
上式中，Lmin为微电网中全时段必要用电负荷(如通信设备和应急设备)的最低容量；
步骤(3)：构建深度自适应动态博弈方法，该方法采用斯坦伯格博弈模型作为框架，把自适应动态规划算法中原有的神经网络替换为深度神经网络，在进行预学习时，需要利用调度效果较优的算法得到的离线训练数据对深度神经网络进行一层一层地训练，训练完成后，再利用在线学习的数据对深度神经网络进行微调以达到最优。深度神经网络是由有限个受限玻尔兹曼机逐层堆叠而成的，受限玻尔兹曼机是一种浅层的双层神经网络的结构生成模型，包含第一层可见层V和第二层隐藏层K，二者均服从伯努利分布，令vm为可见层里的可见元、kn为隐藏层里的隐含元，并假设所有可见元和隐含元均为二值变量，即vm,kn∈{0,1}，则深度神经网络的一个受限玻尔兹曼机的能量函数为：
上式中，Wmn为连接权重，am和bn分别为可见元m和隐含元n的偏置。若能量较低，则网络处于较理想的状态，最终得到的收益就更好。此时(v,k)的联合概率分布公式为：
上式中，配分函数用于作归一化因子。由于各个隐含元的激活条件是独立的，同样，对于给定的隐含元状态，可见元的激活概率同样是条件独立的。其中，隐藏元的激活概率为：
上式中，激活函数为同理，可见元的激活概率为：
深度斯坦伯格自适应动态博弈方法的智能体包含深度动态博弈网络、深度评价网络和深度执行网络。自适应深度学习的神经网络有着数据依赖的特点，即自适应深度学习的灵活电源动态博弈方法对系统的表征能力需要被训练；
步骤(4)：存储由粒子群优化算法产生的训练数据，对深度斯坦伯格自适应动态博弈方法进行离线训练，达到设定的迭代次数后退出训练；利用在线实时数据对网络进行微调，以获取智能体的最优知识矩阵；
步骤(5)：输入当前实时数据(Yg.i.t，pg.i.t，Yf.i.t，pf.i.t，Lg.i.t，Cg.i.t，Lf.i.t，Cf.i.t)并设定最大迭代次数，计算完成后输出灵活电源的最优决策(最优发电量)。
附图说明
图1是本发明方法的流程示意图。
图2是本发明方法的博弈关系结构图。
图3是本发明方法中深度斯坦伯格自适应动态博弈算法的结构示意图。
具体实施方式
本发明提出的一种灵活电源的深度斯坦伯格自适应动态博弈方法，结合附图详细说明如下：
图1是本发明方法的流程示意图，具体包括以下步骤：
步骤(1)：获取并设定系统参数和原始数据；
步骤(2)：建立斯坦伯格动态博弈模型，确定博弈中各决策主体的目标函数，其中传统发电厂的目标函数Ug.i的具体表达式为：
上式中，T为调度时间的长度，Yg.i.t为第i个传统发电厂的发电量，pg.i.t为第i个传统发电厂的上网电价，fg(Yg.i.t)为第i个传统发电厂的成本函数，具体表达式为：其中ai、bi和ci为成本系数；
灵活电源的目标函数Uf.i的具体表达式为：
上式中，T为调度时间的长度，Yf.i.t为第i个灵活电源的发电量，pf.i.t为第i个灵活电源的上网电价，ff(Yf.i.t)为第i个灵活电源的折旧成本函数，具体表达式为：其中Cba.i为第i个灵活电源的固定投资成本，Tba.i为第i个灵活电源的年运行时间，r为年折旧率，k为灵活电源的使用年限，PN.i为第i个灵活电源的额定输出功率；
负荷消费者的目标函数Uc.i的具体表达式为：
上式中，T为负荷消费者的用电时间，Lg.i.t和Cg.i.t分别为负荷消费者从传统发电厂处购得的电量和单位购电费用，Lf.i.t和Cf.i.t分别为负荷消费者从灵活电源处购得的电量和单位购电费用，Sc.i(Lg.i.t,Cg.i.t)和Sc.i(Lf.i.t,Cf.i.t)为负荷消费者通过微电网分别在传统发电厂和灵活电源处购电的满意度函数；
对于传统发电厂，存在机组出力约束：
Pg.min≤Pg.t≤Pg.max (15)
上式中，Pg.min和Pg.max分别为发电机组的最小和最大出力，Pg.t为机组的实时出力；
对于灵活电源，存在最大出力约束：
0≤Pf.t≤Pf.max (16)
上式中，Pf.max为灵活电源的最大出力，Pf.t为灵活电源的实时出力；
对于整个电网，在任意一个时间点，存在功率平衡条件：
上式中，Ng为传统发电厂的总数，Nf为灵活电源的总数，N'g为从传统发电厂处购电的负荷消费者总数，N'f为从灵活电源处购电的负荷消费者总数，Llose为微电网的电能损耗；
对于负荷消费者，存在最少必要用电负荷约束：
上式中，Lmin为微电网中全时段必要用电负荷(如通信设备和应急设备)的最低容量；
步骤(3)：构建深度自适应动态博弈算法并进行预学习，算法的智能体包含三个深度神经网络：深度动态博弈网络、深度评价网络和深度执行网络。该深度神经网络是由有限个受限玻尔兹曼机逐层堆叠而成的，在运行前按照流程逐层输入数据进行离线训练，其步骤包括：
步骤①：输入训练数据；
步骤②：领导者和跟随者先后做出决策，并计算各自的目标函数值；
步骤③：根据目标函数值计算奖励函数并将结果反馈至智能体中，更新知识矩阵；
步骤④：若迭代次数k未达到设定的最大值kmax，则领导者根据斯坦伯格动态博弈算法修改最优策略，同时迭代次数k＝k+1；
步骤⑤：重复步骤②、步骤③和步骤④，直至迭代次数达到设定的最大值，此时将获得最新知识矩阵；
步骤⑥：利用在线学习的数据对算法进行微调，优化知识矩阵，并将最优知识矩阵传送至深度神经网络中。
步骤(4)：输入实时数据，运行算法(该过程与预学习过程一致，这里不再赘述)，最终输出对应灵活电源的最优决策(最优发电量)。
图2是本发明方法的博弈关系结构图。博弈的参与者有传统发电厂、灵活电源和负荷消费者，其中传统发电厂和灵活电源作为微电网的供给侧向作为需求侧的负荷消费者提供电能。传统发电厂是博弈中的领导者，灵活电源和负荷消费者是博弈中的跟随者，领导者与跟随者进行顺序博弈决策，领导者先做出决策，跟随者根据领导者做出的决策选择对自己最优的策略；灵活电源和负荷消费者作为跟随者，他们在领导者做出决策后在同一个时间段内做出决策。
图3是本发明方法中深度斯坦伯格自适应动态博弈算法的结构示意图。整个智能体包含三个深度神经网络，即深度动态博弈网络、深度评价网络和深度执行网络；决策集由预学习过程产生，在线运行时也可以通过学习不断更新决策集；在灵活电源根据算法输出的最优决策来调整自身发电量后，微电网中各决策体的效益会反馈至智能体的三个神经网络中，通过计算奖励函数值的大小来优化内部的知识矩阵，实现算法的智能自主学习。

Claims (4)

1.一种灵活电源的深度斯坦伯格自适应动态博弈方法，其特征在于，可以根据目标微电网的实时负荷需求与传统发电厂的有功出力来调控灵活电源的有功输出；该方法在使用过程中的主要步骤为：
(1)构建博弈模型，将目标微电网划分成传统发电厂、灵活电源和负荷消费者共三个决策主体，对于每一个决策主体，确定各自的目标函数；
(2)建立一种深度自适应动态博弈算法模型，并将传统算法的神经网络替换为深度神经网络；
(3)采用调度效果较优的算法进行预学习，为深度自适应神经网络提供训练数据；
(4)依据步骤(2)的模型对从步骤(3)中提取部分训练数据，采用深度自适应动态博弈算法对提取到的数据进行离线训练，获取智能体内神经网络的最优知识矩阵；
(5)利用实时数据在深度自适应动态博弈算法中进行迭代计算，并在线更新知识矩阵，最终得到微电网中灵活电源的最优决策矩阵。
2.如权利要求1所述的一种灵活电源的深度斯坦伯格自适应动态博弈方法，其特征在于，所述步骤(1)中的灵活电源有三种工作模式：发电模式、用电模式和待机模式，且该灵活电源可以根据系统的需求随时进入或退出电网。
3.如权利要求1所述的一种灵活电源的深度斯坦伯格自适应动态博弈方法，其特征在于，所述步骤(2)中的深度动态博弈算法模型是以斯坦伯格博弈模型作为框架搭建的；该算法模型设置在灵活电源的电力调度控制器中，其输入值为微电网的实时负荷需求、传统发电厂的发电量和其它电源的发电量，输出值为各个灵活电源的最佳决策(最优发电量)。
4.如权利要求1所述的一种灵活电源的深度斯坦伯格自适应动态博弈方法，其特征在于，所述步骤(4)中的深度自适应动态博弈算法进行离线训练后，还需要利用在线学习的数据对算法进行微调。
CN201910859368.6A 2019-09-11 2019-09-11 一种灵活电源的深度斯坦伯格自适应动态博弈方法 Withdrawn CN110599032A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910859368.6A CN110599032A (zh) 2019-09-11 2019-09-11 一种灵活电源的深度斯坦伯格自适应动态博弈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910859368.6A CN110599032A (zh) 2019-09-11 2019-09-11 一种灵活电源的深度斯坦伯格自适应动态博弈方法

Publications (1)

Publication Number Publication Date
CN110599032A true CN110599032A (zh) 2019-12-20

Family

ID=68858858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910859368.6A Withdrawn CN110599032A (zh) 2019-09-11 2019-09-11 一种灵活电源的深度斯坦伯格自适应动态博弈方法

Country Status (1)

Country Link
CN (1) CN110599032A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553476A (zh) * 2020-04-30 2020-08-18 汪科道 基于记忆分值的神经网络训练方法、装置及存储介质
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449925A (zh) * 2018-10-29 2019-03-08 国网甘肃省电力公司 一种多目标联合优化调度的自适应动态规划方法
CN109784554A (zh) * 2019-01-03 2019-05-21 山东科技大学 一种基于主从博弈的电力系统最优调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449925A (zh) * 2018-10-29 2019-03-08 国网甘肃省电力公司 一种多目标联合优化调度的自适应动态规划方法
CN109784554A (zh) * 2019-01-03 2019-05-21 山东科技大学 一种基于主从博弈的电力系统最优调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
包涛等: "反映实时供需互动的 Stackelberg 博弈模型及其强化学习求解", 《中国电机工程学报》 *
张自东等: "基于深度强化学习的微电网复合储能协调控制方法", 《电网技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553476A (zh) * 2020-04-30 2020-08-18 汪科道 基于记忆分值的神经网络训练方法、装置及存储介质
CN111553476B (zh) * 2020-04-30 2023-12-01 上海个元科技有限公司 基于记忆分值的神经网络训练方法、装置及存储介质
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
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

Similar Documents

Publication Publication Date Title
WO2022048127A1 (zh) 一种电热泵-热电联合系统的优化调控方法及系统
CN111242443B (zh) 基于深度强化学习的能源互联网中虚拟电厂经济调度方法
Li et al. A novel bi-level robust game model to optimize a regionally integrated energy system with large-scale centralized renewable-energy sources in Western China
CN111881616A (zh) 一种基于多主体博弈的综合能源系统的运行优化方法
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
CN114256836B (zh) 一种新能源电站共享储能的容量优化配置方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
CN112001752A (zh) 基于有限理性的多虚拟电厂动态博弈交易行为分析方法
Liu et al. Research on bidding strategy of thermal power companies in electricity market based on multi-agent deep deterministic policy gradient
CN112036625A (zh) 一种电力市场背景下基于主从博弈的新能源消纳方法
CN111682536A (zh) 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN110599032A (zh) 一种灵活电源的深度斯坦伯格自适应动态博弈方法
Liu et al. Optimal dispatch strategy of virtual power plants using potential game theory
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN115514014A (zh) 一种含高比例风电的新型电力系统灵活性资源供需博弈优化调度方法
Yin et al. Deep Stackelberg heuristic dynamic programming for frequency regulation of interconnected power systems considering flexible energy sources
CN116451880B (zh) 一种基于混合学习的分布式能源优化调度方法及装置
CN112734116A (zh) 一种含分布式储能的主动配电网优化调度方法
CN117117878A (zh) 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法
CN116885714A (zh) 一种电力市场均衡方法、系统、设备及存储介质
Jin et al. Research on energy management of microgrid in power supply system using deep reinforcement learning
CN110991928A (zh) 一种多微能源网的综合能源系统能量管理方法及系统
CN106600078A (zh) 一种基于新能源发电预测的微网能量管理方案
CN116542137A (zh) 一种分布式资源协同调度的多智能体强化学习方法
CN116307029A (zh) 促进多虚拟网格间源储荷协调的双层优化调度方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191220