CN112448396A - 一种虚拟电厂自趋优负荷跟踪控制方法 - Google Patents

一种虚拟电厂自趋优负荷跟踪控制方法 Download PDF

Info

Publication number
CN112448396A
CN112448396A CN202011281425.6A CN202011281425A CN112448396A CN 112448396 A CN112448396 A CN 112448396A CN 202011281425 A CN202011281425 A CN 202011281425A CN 112448396 A CN112448396 A CN 112448396A
Authority
CN
China
Prior art keywords
power plant
virtual power
load
formula
optimization
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.)
Granted
Application number
CN202011281425.6A
Other languages
English (en)
Other versions
CN112448396B (zh
Inventor
吴清
李志勇
邵洁
任天鸿
闫晓微
何光宇
周欢
莫超容
陈良宇
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.)
Shanghai Qianguan Energy Saving Technology Co ltd
Hainan Electric Power School Hainan Electric Power Technical School
Shanghai Jiaotong University
Original Assignee
Shanghai Qianguan Energy Saving Technology Co ltd
Hainan Electric Power School Hainan Electric Power Technical School
Shanghai Jiaotong 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 Shanghai Qianguan Energy Saving Technology Co ltd, Hainan Electric Power School Hainan Electric Power Technical School, Shanghai Jiaotong University filed Critical Shanghai Qianguan Energy Saving Technology Co ltd
Priority to CN202011281425.6A priority Critical patent/CN112448396B/zh
Publication of CN112448396A publication Critical patent/CN112448396A/zh
Priority to AU2021106780A priority patent/AU2021106780A4/en
Application granted granted Critical
Publication of CN112448396B publication Critical patent/CN112448396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了电气工程及其自动化技术领域的一种虚拟电厂自趋优负荷跟踪控制方法，包括如下步骤：设置虚拟电厂自趋优跟踪控制评价指标；建立事件驱动的刺激‑反馈控制机制和实现基于DDQN的训练及决策方法，本发明基于自趋优运行理论，采用自下而上的方式，通过海量异构、时变的分布式资源自适应调节，驱动虚拟电厂整体对预期负荷目标曲线的跟踪运行，实现了海量分布式资源灵活性的动态挖掘和高效利用，该方法能够在复杂的条件下快速探明虚拟电厂的调控能力，在其能力范围内准确的跟踪目标负荷曲线，并且能在个体趋优运行的同时，有效驱动整体接近于理论最优运行点。

Description

一种虚拟电厂自趋优负荷跟踪控制方法
技术领域
本发明涉及电气工程及其自动化技术领域，具体为一种虚拟电厂自趋优负荷跟踪控制方法。
背景技术
虚拟电厂可以将分散在各个区域的分布式电源、储能、各种类型的负荷(居民、商业、工业)按照一定的规则聚合起来，本质上是一个典型的复杂系统，如图1所示，对于这样一个由海量异构分布式资源组成的复杂系统，难以用纯数学的方法来解决这样的复杂问题。同时现有的现有的控制方法主要存在以下不足：(1)传统的控制方法(如多区域虚拟电厂综合能源协调调度优化模型[J].中国电机工程学报,2017,23(37):27-37+316；Rahimiyan M,Baringo L.Real-time energy management of a smart virtual powerplant[J].IET Generation Transmission&Distribution,2018,13(11):2015-2023和Abdolrasol M G M,Hannan MA,MohamedA,et al.An Optimal Scheduling Controllerfor Virtual Power Plant and Microgrid Integration using Binary BacktrackingSearch Algorithm[J].IEEE Transactions on Industry Applications,2018:1-1)等面对的大多是几百个或上千个对象，并且以电网友好型的对象如常规机组、储能系统为主，不确定性因素较少。在未来传统方法将面对海量目标各异、产权分散、状态时变的可再生能源，这将对自上而下的方法带来巨大的挑战。(2)一些分散控制方法(如Shuai F,Jiang L,Qing W,et al.Optimal coordination of virtual power plant with photovoltaicsand electric vehicles:Atemporally coupled distributed onlinealgorithm.Applied Energy,2020；董雷,涂淑琴,李烨等.基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理[J].电网技术,2020,44(03):973-983和Mehran Jafari,Asghar Akbari Foroud.A medium/long-term auction-based coalition-forming modelfor a virtual power plant based on stochastic programming[J].InternationalJournal of Electrical Power&Energy Systems,2020,118)采用去中心化的策略，有效的提升了虚拟电厂的调控性能，但在实际应用过程中仍然存在诸多瑕疵，例如控制方法仍然采用自上而下的思路，分布式资源在运行过程中较为被动，无自主性，环境适应能力较差。相互之间存在较强耦合，使得系统在线扩展能力不强。并且假定参与者完全理性、决策过程依赖于完全信息等，这些瑕疵使得优化结果与现实应用存在较大差异。“自趋优”是清华大学卢强院士团队在研究和实现智能电网时建立的理论体系。主要基于电力混成控制理论使某个对象通过自身的自动调节，实现从不令人满意状态到令人满意状态的转变。为使虚拟电厂具备自趋优运行能力，主要需解决三个问题：
1)何为优
一个多指标集合，指虚拟电厂在响应外部调控指令、协调内部参与者运行过程中所需达到的一组指标集，并且指标集中的每个指标可通过量测和计算进行实时量化。
2)如何趋优
一种事件驱动的运行机制，该机制的基础为电力混成控制论，对指标集中的每一个指标定义令人满意的边界，若实时运行的指标值越过边界则处于不令人满意的状态。将任意指标从满意状态到不满意状态的转变都分类、分层定义为事件，事件的产生将触发相应程序进行协调控制，直到事件消除，各指标都回归到令人满意的状态，则认为系统整体运行状态是令人满意的、不断趋优的，这种方法能够确保在工程实践过程中虚拟电厂的运行效果是足够满意的。
3)如何自趋优
一种自下而上的实现方法，包括：①从个体到整体的态势感知技术。其中个体能够基于历史数据和实时量测值实现对终端的身份、状态及事件进行识别，从而间接对用户的行为进行判定。而整体层面则能够在底层量测值的基础之上，根据电网的拓扑结构及潮流，判断当前所处状态是否令人满意。②统一标准的建模和接口。通过标准化交互的数据和行为，使参与者能够与系统无缝集成。③自动、自发、自适应的控制算法。系统控制实现从“人告诉物”到“物告诉人”的转变，个体能够通过与环境的交互，不断地迭代和改进自身的行为，并且个体的行为与整体的目标相容一致。④严格而富有弹性的规则。个体在严格的规则约束下协作与竞争，通过自组织建立动态逻辑耦合。规则可以根据环境的变化适当调整，从而实现对参与者行为的动态引导。⑤松耦合的系统架构。各参与者平等独立，充分解耦。所设计的架构能够支撑系统在线维护、容错与不断生长。为了监控虚拟电厂的负荷，故亟需设计一种基于自趋优运行理论的虚拟电厂负荷跟踪控制方法，基于此，本发明设计了一种虚拟电厂自趋优负荷跟踪控制方法，以解决上述问题。
发明内容
本发明的目的在于提供一种虚拟电厂自趋优负荷跟踪控制方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种虚拟电厂自趋优负荷跟踪控制方法，包括如下步骤：
S1：设置虚拟电厂自趋优跟踪控制评价指标；
S2：建立事件驱动的刺激-反馈控制机制；
S3：实现基于DDQN的训练及决策方法。
进一步的，所述步骤S1具体为：在负荷跟踪控制过程中，虚拟电厂协调分布式资源提高或降低负荷，以实现对预期目标的在线匹配，由于虚拟电厂对外提供了灵活性服务，因此将从外部，如电网、电力市场、新能源运营商处获得一定的收益，同时需对内部作出贡献的分布式资源给予一定的补偿，针对内外需求，定义如下两个指标：
指标1：负荷跟踪误差
Figure BDA0002780972450000041
式中：Pvpp(t)和Ptgt(t)为t时间段虚拟电厂的实际负荷和目标负荷，ΔPL(t)为该时段误差，当ΔPL(t)＞0时，虚拟电厂期望削减负荷，反之，若ΔPL(t)＜0，虚拟电厂期望增加负荷，T为研究周期的时段数；
指标2：补贴成本
Figure BDA0002780972450000042
式中：λI(t)为时段虚拟电厂释放的补贴金额，单位为元，最终补贴采用线性的分配方式，即任意单位负荷变化得到的收益均为激励系数δ；
指标的计算可采用系统假设中的逻辑电表进行聚合统计和结算；虚拟电厂层面所需考虑的约束包括跟踪能力的上下限约束、爬坡速率以及配网环境下的网络约束。
进一步的，所述步骤S2中在负荷跟踪控制场景下，虚拟电厂产生的事件主要包括如下两种：1)跟踪事件即Track Events，TE；2)协调事件即CoordinatedEvents，CE。
进一步的，所述设计事件驱动的刺激-反馈控制机制，主要步骤包括：
Step 1:负荷偏差触发TE；定义若某时段负荷与目标负荷的偏差满足式(3)，则触发TE，反之，则消除TE：
Figure BDA0002780972450000043
式中：
Figure BDA0002780972450000051
为比例系数，εd为误差常量；
Step 2:虚拟电厂云服务中心即VPP-CSC释放初始刺激信号；为引导分布式资源朝既定的方向调节，TE触发后，VPP-CSC将发布一个四元组的刺激信号Ivpp(t)，如：
Ivpp(t)＝[Sc,δ(t),tS,tE] (4)
式中：Sc为任务编码；
根据假设，在初始状态下，VPP-CSC无法精确得知在线分布式资源的数量、状态及其可能采取的行为；因此，基于历史负荷数据得到初始激励值Iinit(t)：
Figure BDA0002780972450000052
式中：Pvpp(j)为过去的第j时段虚拟电厂的历史负荷；d为参考的历史数据数目；
Step 3:分布式资源根据刺激信号反馈调节计划；收到刺激信号之后，独立决策，并反馈任务时段内的调节计划，即负荷增(减)时序：
PDER,i(Sc)＝[PDER,i(t1),...,PDER,i(tn)] (6)
式中：PDER,i(t)为第i个分布式资源在第t个时段的负荷增(减)量；
Step 4:VPP-CSC判断是否触发CE；在截止时间戳之前统计分布式资源反馈的累计响应量，若累计量满足式(7)，则触发CE：
Figure BDA0002780972450000053
式中：N(t)为t时段分布式资源在线数目，Pfb(t)为该时段分布式资源反馈的累计响应量；
Step 5:迭代直到消除CE：
Figure BDA0002780972450000061
式中：
Figure BDA0002780972450000062
为t时段第h次迭代生成的激励系数，σ为预先定义的梯度步长；
Figure BDA0002780972450000063
为终端数为N(t)时，经过h-1次迭代后得到的偏差距离，直到
Figure BDA0002780972450000064
消除CE，分布式资源再将协调结果加入任务列表，CE消除条件为式(9)-(11)：
Figure BDA0002780972450000065
Figure BDA0002780972450000066
Figure BDA0002780972450000067
式中：g(δ,t)为t时段激励系数为δ时得到分布式资源反馈的总响应量，δmin和δmax分别为消除误差所需的理论最小和最大激励系数；
Step 6:消除TE；分布式资源根据任务列表自主调节，VPP-CSC根据校验结果，判断系统是否满足消除TE的条件，并事后依据校验结果进行最终结算，TE消除条件为：
Figure BDA0002780972450000068
式中：Pvpp'(t)为分布式资源自动调节完成后虚拟电厂整体的实际跟踪负荷。
进一步的，所述步骤S3具体为：采用DDQN算法对分布式资源的决策过程进行自适应优化，其训练方法为：
针对分布式资源的反馈训练，由于虚拟电厂的负荷跟踪过程与分布式资源在线数量、状态及特征无关，对于任意负荷增或减量ΔPL(t)，虚拟电厂将通过调整激励系数δ(t)来实现对目标的准确跟踪及调控成本的优化，并且根据线性的收益分配原则，分布式资源实质是根据单位负荷调节量的收益来进行决策的，因此，训练的目的是构建一个网络，依据动作值函数，在激励-状态-行为之间建立标准的映射连接，训练过程的数据集包括：
1)分时电价数据集
Figure BDA0002780972450000071
式中：v、f和p分别代表峰、平、谷时段，
Figure BDA0002780972450000072
和
Figure BDA0002780972450000073
分别为谷、平、峰时段的分时电价；
2)状态集
Figure BDA0002780972450000074
式中：
Figure BDA0002780972450000075
为第i个分布式资源的第x种状态，in为该资源的状态数；
3)激励系数数据集
Figure BDA0002780972450000076
式中：δmin和δmax分别为调节收益的最小值和最大值，其中最小值大于0，即δmin＞0，最大值小于当前分时电价的λc倍，即δmax＜λcCtou(t)。
进一步的，所述DDQN算法主要包括估值网络即Evaluation Network和目标网络即TargetNetwork，在离线训练的过程中，一方面将行为样本记录下来，存储于经验池D，另一方面通过对网络参数的更新，使得分布式资源能够根据激励系数计算得到最优的反馈行为，在离线阶段，估值网络和目标网络的参数是完全一致的；当分布式资源在线运行之后，两个网络的将采用异步运行的方式，其中估计网络在线运行，不断更新网络参数，计算最优行为at，目标网络评估该行为的Q值，评估网络每隔一段时间将参数值复制于目标网络。
与现有技术相比，本发明的有益效果是：本发明基于自趋优运行理论，采用自下而上的方式，通过海量异构、时变的分布式资源自适应调节，驱动虚拟电厂整体对预期负荷目标曲线的跟踪运行，实现了海量分布式资源灵活性的动态挖掘和高效利用，优点如下：(1)基于自趋优运行理论，提出一种虚拟电厂自下而上的运行方法，该方法能够有效的应对海量复杂异构分布式资源动态接入对虚拟电厂协调控制带来的挑战，与“被优化”和等待控制指令不同，分布式资源更加主动，并能够在一定的规则引导下独立决策、自适应调节，实现由个体驱动整体的优化运行；
(2)提出事件驱动的刺激-反馈控制机制，该机制能够解决现有协调机制在线扩展能力不强的问题，将系统的优化与参与者的数量、种类、状态进行解耦，并且能够确保系统从不满意状态向满意状态的趋优运行；
(3)建立了一套底层的自适应响应规则，通过MDP模型和动作值函数建立了一套通用的分布式资源响应规则，DDQN算法的基础是需要先进行MDP建模，消除了分布式资源自主决策的不确定性对系统性能的影响，使得个体的决策与整体的目标相容一致；所提出的DDQN优化算法，一方面分布式资源的决策无需再依赖于完全信息，另一方面有利于分布式资源适应于动态的环境，从而促进虚拟电厂参与电网多样化的应用场景，同时基于自趋优运行理论实现对目标负荷曲线的自动跟踪控制和海量灵活性资源的高效利用；该方法能够在复杂的条件下快速探明虚拟电厂的调控能力，在其能力范围内准确的跟踪目标负荷曲线，并且能在个体趋优运行的同时，有效驱动整体接近于理论最优运行点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有虚拟电厂自趋优负荷跟踪控制示意图；
图2为本发明虚拟电厂自趋优负荷跟踪控制流程图；
图3为本发明分布式资源端到端映射结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图2和3，本发明提供一种技术方案：一种虚拟电厂自趋优负荷跟踪控制方法，包括如下步骤：
S1：设置虚拟电厂自趋优跟踪控制评价指标；
S2：建立事件驱动的刺激-反馈控制机制；
S3：实现基于DDQN的训练及决策方法。
其中，步骤S1具体为：在负荷跟踪控制过程中，虚拟电厂协调分布式资源提高或降低负荷，以实现对预期目标的在线匹配，由于虚拟电厂对外提供了灵活性服务，因此将从外部，如电网、电力市场、新能源运营商处获得一定的收益，同时需对内部作出贡献的分布式资源给予一定的补偿，针对内外需求，定义如下两个指标：
指标1：负荷跟踪误差
Figure BDA0002780972450000101
式中：Pvpp(t)和Ptgt(t)为t时间段虚拟电厂的实际负荷和目标负荷，ΔPL(t)为该时段误差，当ΔPL(t)＞0时，虚拟电厂期望削减负荷，反之，若ΔPL(t)＜0，虚拟电厂期望增加负荷，T为研究周期的时段数；
指标2：补贴成本
Figure BDA0002780972450000102
式中：λI(t)为时段虚拟电厂释放的补贴金额，单位为元，最终补贴采用线性的分配方式，即任意单位负荷变化得到的收益均为激励系数δ；
指标的计算可采用系统假设中的逻辑电表进行聚合统计和结算；虚拟电厂层面所需考虑的约束包括跟踪能力的上下限约束、爬坡速率以及配网环境下的网络约束。
步骤S2中在负荷跟踪控制场景下，虚拟电厂产生的事件主要包括如下两种：1)跟踪事件即Track Events，TE；2)协调事件即Coordinated Events，CE。
设计事件驱动的刺激-反馈控制机制，主要步骤包括：
Step 1:负荷偏差触发TE；定义若某时段负荷与目标负荷的偏差满足式(3)，则触发TE，反之，则消除TE：
Figure BDA0002780972450000103
式中：
Figure BDA0002780972450000104
为比例系数，εd为误差常量；
Step 2:虚拟电厂云服务中心即VPP-CSC释放初始刺激信号；为引导分布式资源朝既定的方向调节，TE触发后，VPP-CSC将发布一个四元组的刺激信号Ivpp(t)，如：
Ivpp(t)＝[Sc,δ(t),tS,tE] (4)
式中：Sc为任务编码；
根据假设，在初始状态下，VPP-CSC无法精确得知在线分布式资源的数量、状态及其可能采取的行为；因此，基于历史负荷数据得到初始激励值Iinit(t)：
Figure BDA0002780972450000111
式中：Pvpp(j)为过去的第j时段虚拟电厂的历史负荷；d为参考的历史数据数目；
Step 3:分布式资源根据刺激信号反馈调节计划；收到刺激信号之后，独立决策，并反馈任务时段内的调节计划，即负荷增(减)时序：
PDER,i(Sc)＝[PDER,i(t1),...,PDER,i(tn)] (6)
式中：PDER,i(t)为第i个分布式资源在第t个时段的负荷增(减)量；
Step 4:VPP-CSC判断是否触发CE；在截止时间戳之前统计分布式资源反馈的累计响应量，若累计量满足式(7)，则触发CE：
Figure BDA0002780972450000112
式中：N(t)为t时段分布式资源在线数目，Pfb(t)为该时段分布式资源反馈的累计响应量；
Step 5:迭代直到消除CE：
Figure BDA0002780972450000113
式中：
Figure BDA0002780972450000114
为t时段第h次迭代生成的激励系数，σ为预先定义的梯度步长；
Figure BDA0002780972450000115
为终端数为N(t)时，经过h-1次迭代后得到的偏差距离，直到
Figure BDA0002780972450000116
消除CE，分布式资源再将协调结果加入任务列表，CE消除条件为式(9)-(11)：
Figure BDA0002780972450000121
Figure BDA0002780972450000122
Figure BDA0002780972450000123
式中：g(δ,t)为t时段激励系数为δ时得到分布式资源反馈的总响应量，δmin和δmax分别为消除误差所需的理论最小和最大激励系数；
Step 6:消除TE；分布式资源根据任务列表自主调节，VPP-CSC根据校验结果，判断系统是否满足消除TE的条件，并事后依据校验结果进行最终结算，TE消除条件为：
Figure BDA0002780972450000124
式中：Pvpp'(t)为分布式资源自动调节完成后虚拟电厂整体的实际跟踪负荷。
步骤S3具体为：采用DDQN算法对分布式资源的决策过程进行自适应优化，其训练方法为：
针对分布式资源的反馈训练，由于虚拟电厂的负荷跟踪过程与分布式资源在线数量、状态及特征无关，对于任意负荷增或减量ΔPL(t)，虚拟电厂将通过调整激励系数δ(t)来实现对目标的准确跟踪及调控成本的优化，并且根据线性的收益分配原则，分布式资源实质是根据单位负荷调节量的收益来进行决策的，因此，训练的目的是构建一个网络，依据动作值函数，在激励-状态-行为之间建立标准的映射连接，训练过程的数据集包括：
1)分时电价数据集
Figure BDA0002780972450000131
式中：v、f和p分别代表峰、平、谷时段，
Figure BDA0002780972450000132
和
Figure BDA0002780972450000133
分别为谷、平、峰时段的分时电价；
2)状态集
Figure BDA0002780972450000134
式中：
Figure BDA0002780972450000135
为第i个分布式资源的第x种状态，in为该资源的状态数；
3)激励系数数据集
Figure BDA0002780972450000136
式中：δmin和δmax分别为调节收益的最小值和最大值，其中最小值大于0，即δmin＞0，最大值小于当前分时电价的λc倍，即δmax＜λcCtou(t)。
DDQN算法主要包括估值网络即EvaluationNetwork和目标网络即TargetNetwork，在离线训练的过程中，一方面将行为样本记录下来，存储于经验池D，另一方面通过对网络参数的更新，使得分布式资源能够根据激励系数计算得到最优的反馈行为，在离线阶段，估值网络和目标网络的参数是完全一致的，其算法如下：
Figure BDA0002780972450000137
Figure BDA0002780972450000141
当分布式资源在线运行之后，两个网络的将采用异步运行的方式，其中估计网络在线运行，不断更新网络参数，计算最优行为at，目标网络评估该行为的Q值，评估网络每隔一段时间将参数值复制于目标网络，其算法如下：
Figure BDA0002780972450000142
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于，包括如下步骤：
S1：设置虚拟电厂自趋优跟踪控制评价指标；
S2：建立事件驱动的刺激-反馈控制机制；
S3：实现基于DDQN的训练及决策方法。
2.根据权利要求1所述的一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于：所述步骤S1具体为：在负荷跟踪控制过程中，虚拟电厂协调分布式资源提高或降低负荷，以实现对预期目标的在线匹配，由于虚拟电厂对外提供了灵活性服务，因此将从外部，如电网、电力市场、新能源运营商处获得一定的收益，同时需对内部作出贡献的分布式资源给予一定的补偿，针对内外需求，定义如下两个指标：
指标1：负荷跟踪误差
Figure FDA0002780972440000011
式中：Pvpp(t)和Ptgt(t)为t时间段虚拟电厂的实际负荷和目标负荷，ΔPL(t)为该时段误差，当ΔPL(t)＞0时，虚拟电厂期望削减负荷，反之，若ΔPL(t)＜0，虚拟电厂期望增加负荷，T为研究周期的时段数；
指标2：补贴成本
Figure FDA0002780972440000012
式中：λI(t)为时段虚拟电厂释放的补贴金额，单位为元，最终补贴采用线性的分配方式，即任意单位负荷变化得到的收益均为激励系数δ；
指标的计算可采用系统假设中的逻辑电表进行聚合统计和结算；虚拟电厂层面所需考虑的约束包括跟踪能力的上下限约束、爬坡速率以及配网环境下的网络约束。
3.根据权利要求1所述的一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于：所述步骤S2中在负荷跟踪控制场景下，虚拟电厂产生的事件主要包括如下两种：1)跟踪事件即Track Events，TE；2)协调事件即Coordinated Events，CE。
4.根据权利要求3所述的一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于：所述设计事件驱动的刺激-反馈控制机制，主要步骤包括：
Step 1:负荷偏差触发TE；定义若某时段负荷与目标负荷的偏差满足式(3)，则触发TE，反之，则消除TE：
Figure FDA0002780972440000021
式中：
Figure FDA0002780972440000022
为比例系数，εd为误差常量；
Step 2:虚拟电厂云服务中心即VPP-CSC释放初始刺激信号；为引导分布式资源朝既定的方向调节，TE触发后，VPP-CSC将发布一个四元组的刺激信号Ivpp(t)，如：
Ivpp(t)＝[Sc,δ(t),tS,tE] (4)
式中：Sc为任务编码；
根据假设，在初始状态下，VPP-CSC无法精确得知在线分布式资源的数量、状态及其可能采取的行为；因此，基于历史负荷数据得到初始激励值Iinit(t)：
Figure FDA0002780972440000023
式中：Pvpp(j)为过去的第j时段虚拟电厂的历史负荷；d为参考的历史数据数目；
Step 3:分布式资源根据刺激信号反馈调节计划；收到刺激信号之后，独立决策，并反馈任务时段内的调节计划，即负荷增(减)时序：
PDER,i(Sc)＝[PDER,i(t1),...,PDER,i(tn)] (6)
式中：PDER,i(t)为第i个分布式资源在第t个时段的负荷增(减)量；
Step 4:VPP-CSC判断是否触发CE；在截止时间戳之前统计分布式资源反馈的累计响应量，若累计量满足式(7)，则触发CE：
Figure FDA0002780972440000031
式中：N(t)为t时段分布式资源在线数目，Pfb(t)为该时段分布式资源反馈的累计响应量；
Step 5:迭代直到消除CE：
Figure FDA0002780972440000032
式中：
Figure FDA0002780972440000033
为t时段第h次迭代生成的激励系数，σ为预先定义的梯度步长；
Figure FDA0002780972440000034
为终端数为N(t)时，经过h-1次迭代后得到的偏差距离，直到
Figure FDA0002780972440000035
消除CE，分布式资源再将协调结果加入任务列表，CE消除条件为式(9)-(11)：
Figure FDA0002780972440000036
Figure FDA0002780972440000037
Figure FDA0002780972440000038
式中：g(δ,t)为t时段激励系数为δ时得到分布式资源反馈的总响应量，δmin和δmax分别为消除误差所需的理论最小和最大激励系数；
Step 6:消除TE；分布式资源根据任务列表自主调节，VPP-CSC根据校验结果，判断系统是否满足消除TE的条件，并事后依据校验结果进行最终结算，TE消除条件为：
Figure FDA0002780972440000041
式中：Pvpp'(t)为分布式资源自动调节完成后虚拟电厂整体的实际跟踪负荷。
5.根据权利要求1所述的一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于：所述步骤S3具体为：采用DDQN算法对分布式资源的决策过程进行自适应优化，其训练方法为：
针对分布式资源的反馈训练，由于虚拟电厂的负荷跟踪过程与分布式资源在线数量、状态及特征无关，对于任意负荷增或减量ΔPL(t)，虚拟电厂将通过调整激励系数δ(t)来实现对目标的准确跟踪及调控成本的优化，并且根据线性的收益分配原则，分布式资源实质是根据单位负荷调节量的收益来进行决策的，因此，训练的目的是构建一个网络，依据动作值函数，在激励-状态-行为之间建立标准的映射连接，训练过程的数据集包括：
1)分时电价数据集
Figure FDA0002780972440000042
式中：v、f和p分别代表峰、平、谷时段，
Figure FDA0002780972440000043
和
Figure FDA0002780972440000044
分别为谷、平、峰时段的分时电价；
2)状态集
Figure FDA0002780972440000045
式中：
Figure FDA0002780972440000046
为第i个分布式资源的第x种状态，in为该资源的状态数；
3)激励系数数据集
Figure FDA0002780972440000051
式中：δmin和δmax分别为调节收益的最小值和最大值，其中最小值大于0，即δmin＞0，最大值小于当前分时电价的λc倍，即δmax＜λcCtou(t)。
6.根据权利要求5所述的一种虚拟电厂自趋优负荷跟踪控制方法，其特征在于：所述DDQN算法主要包括估值网络即Evaluation Network和目标网络即Target Network，在离线训练的过程中，一方面将行为样本记录下来，存储于经验池D，另一方面通过对网络参数的更新，使得分布式资源能够根据激励系数计算得到最优的反馈行为，在离线阶段，估值网络和目标网络的参数是完全一致的；当分布式资源在线运行之后，两个网络的将采用异步运行的方式，其中估计网络在线运行，不断更新网络参数，计算最优行为at，目标网络评估该行为的Q值，评估网络每隔一段时间将参数值复制于目标网络。
CN202011281425.6A 2020-11-17 2020-11-17 一种虚拟电厂自趋优负荷跟踪控制方法 Active CN112448396B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011281425.6A CN112448396B (zh) 2020-11-17 2020-11-17 一种虚拟电厂自趋优负荷跟踪控制方法
AU2021106780A AU2021106780A4 (en) 2020-11-17 2021-08-24 Virtual power plant self-optimisation load track control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281425.6A CN112448396B (zh) 2020-11-17 2020-11-17 一种虚拟电厂自趋优负荷跟踪控制方法

Publications (2)

Publication Number Publication Date
CN112448396A true CN112448396A (zh) 2021-03-05
CN112448396B CN112448396B (zh) 2023-11-10

Family

ID=74738765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281425.6A Active CN112448396B (zh) 2020-11-17 2020-11-17 一种虚拟电厂自趋优负荷跟踪控制方法

Country Status (2)

Country Link
CN (1) CN112448396B (zh)
AU (1) AU2021106780A4 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283659A (zh) * 2021-06-03 2021-08-20 上海分未信息科技有限公司 一种面向虚拟电厂的电力负荷响应任务分配方法
CN115663914A (zh) * 2022-09-15 2023-01-31 长春工程学院 一种基于深度强化学习的含风电虚拟电厂聚合调度方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330827B (zh) * 2021-11-29 2022-10-28 华北电力大学 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5515477A (en) * 1991-04-22 1996-05-07 Sutherland; John Neural networks
US20020007262A1 (en) * 1998-02-05 2002-01-17 Luc Attimont Optimized power supply system for an electronic circuit
RU2617972C1 (ru) * 2016-03-09 2017-04-28 Публичное акционерное общество "Межрегиональная распределительная сетевая компания Центра" Тренажер оперативного и эксплуатационного персонала на основе моделей виртуальной реальности трансформаторной подстанции
US20170138736A1 (en) * 2014-02-26 2017-05-18 SalesApproach, Inc.d/b/a Where2 Interactive Management of Event Information for Interested Users
CN107046301A (zh) * 2017-04-18 2017-08-15 国网上海市电力公司 大型建筑物负荷集群的分层多级电网调控系统及方法
CN107332353A (zh) * 2017-09-06 2017-11-07 重庆大学 基于通信约束和时变负荷的孤岛微电网分布式经济协调方法
CN111167010A (zh) * 2018-11-13 2020-05-19 Gtx医疗有限公司 用于患者的运动重建和/或恢复的控制系统
CN111313445A (zh) * 2020-03-19 2020-06-19 象山电力实业有限公司 一种基于模型预测控制的储能设备优化配置方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5515477A (en) * 1991-04-22 1996-05-07 Sutherland; John Neural networks
US20020007262A1 (en) * 1998-02-05 2002-01-17 Luc Attimont Optimized power supply system for an electronic circuit
US20170138736A1 (en) * 2014-02-26 2017-05-18 SalesApproach, Inc.d/b/a Where2 Interactive Management of Event Information for Interested Users
RU2617972C1 (ru) * 2016-03-09 2017-04-28 Публичное акционерное общество "Межрегиональная распределительная сетевая компания Центра" Тренажер оперативного и эксплуатационного персонала на основе моделей виртуальной реальности трансформаторной подстанции
CN107046301A (zh) * 2017-04-18 2017-08-15 国网上海市电力公司 大型建筑物负荷集群的分层多级电网调控系统及方法
CN107332353A (zh) * 2017-09-06 2017-11-07 重庆大学 基于通信约束和时变负荷的孤岛微电网分布式经济协调方法
CN111167010A (zh) * 2018-11-13 2020-05-19 Gtx医疗有限公司 用于患者的运动重建和/或恢复的控制系统
CN111313445A (zh) * 2020-03-19 2020-06-19 象山电力实业有限公司 一种基于模型预测控制的储能设备优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方燕琼;甘霖;艾芊;范松丽;蔡莹;: "基于主从博弈的虚拟电厂双层竞标策略", 电力系统自动化, no. 14, pages 67 - 75 *
杨晓巳;陶新磊;韩立;: "虚拟电厂技术现状及展望", 华电技术, no. 05, pages 77 - 82 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283659A (zh) * 2021-06-03 2021-08-20 上海分未信息科技有限公司 一种面向虚拟电厂的电力负荷响应任务分配方法
CN115663914A (zh) * 2022-09-15 2023-01-31 长春工程学院 一种基于深度强化学习的含风电虚拟电厂聚合调度方法

Also Published As

Publication number Publication date
AU2021106780A4 (en) 2021-11-18
CN112448396B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Zeng et al. A potential game approach to distributed operational optimization for microgrid energy management with renewable energy and demand response
CN112448396A (zh) 一种虚拟电厂自趋优负荷跟踪控制方法
Yang et al. Automated demand response framework in ELNs: Decentralized scheduling and smart contract
Du et al. Distributed MPC for coordinated energy efficiency utilization in microgrid systems
Zhou et al. Stimulus-response control strategy based on autonomous decentralized system theory for exploitation of flexibility by virtual power plant
CN114123273A (zh) 一种风电-光伏-储能联合系统的控制方法及系统
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
Wang et al. Coordinated load shedding control scheme for recovering frequency in islanded microgrids
Gao et al. Bounded rationality based multi-VPP trading in local energy markets: a dynamic game approach with different trading targets
CN114331059A (zh) 电氢互补的园区多楼宇供能系统及其协调调度方法
Chen et al. Day-ahead scheduling of large numbers of thermostatically controlled loads based on equivalent energy storage model
Utkarsh et al. A network-aware distributed energy resource aggregation framework for flexible, cost-optimal, and resilient operation
CN114444256A (zh) 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法
Yin et al. Deep Stackelberg heuristic dynamic programming for frequency regulation of interconnected power systems considering flexible energy sources
Wen et al. Optimal intra-day operations of behind-the-meter battery storage for primary frequency regulation provision: A hybrid lookahead method
WO2023167631A1 (en) An electrical power system and a multi-timescale coordinated optimization scheduling method therefor
CN110011298B (zh) 一种构建自治型可重构微网群系统的运行控制策略
CN104767412B (zh) 智能型逆变器的初级、次级控制系统、控制系统及控制方法
Chinthavali et al. Solid state power substations (SSPS): A multi-hierarchical architecture from substation to grid edge
Shan et al. A Day-Ahead Economic Dispatch Scheme for Transmission System with High Penetration of Renewable Energy
Xi et al. Q-learning algorithm based multi-agent coordinated control method for microgrids
Ghasemi et al. Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting
Wang et al. Distributed game-theoretic interactive algorithm for microgrid optimization
Luo et al. Real-time distributed dispatch strategy for distribution transformer supply zone cluster based on cloud-edge collaboration architecture
Chen et al. Leaky bucket-inspired power output smoothing with load-adaptive algorithm

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
GR01 Patent grant
GR01 Patent grant