CN113794199A - 一种考虑电力市场波动的风电储能系统最大收益优化方法 - Google Patents

一种考虑电力市场波动的风电储能系统最大收益优化方法 Download PDF

Info

Publication number
CN113794199A
CN113794199A CN202110988161.6A CN202110988161A CN113794199A CN 113794199 A CN113794199 A CN 113794199A CN 202110988161 A CN202110988161 A CN 202110988161A CN 113794199 A CN113794199 A CN 113794199A
Authority
CN
China
Prior art keywords
wind power
energy storage
storage system
function
action
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
CN202110988161.6A
Other languages
English (en)
Other versions
CN113794199B (zh
Inventor
胡维昊
张真源
李坚
朱娇仪
许潇
刘昊明
韩晓言
胡灿
丁理杰
陈刚
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110988161.6A priority Critical patent/CN113794199B/zh
Publication of CN113794199A publication Critical patent/CN113794199A/zh
Application granted granted Critical
Publication of CN113794199B publication Critical patent/CN113794199B/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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E40/10—Flexible AC transmission systems [FACTS]
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

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

Abstract

本发明公开了一种考虑电力市场波动惩罚的风电储能系统最大收益优化方法，基于风电运行能源系统的出力模型和约束条件及目标收益函数，利用长短期记忆(LSTM)算法预测风电出力，然后根据预测结果，采用深度策略性梯度算法DDPG对风电储能系统的目标收益函数进行迭代优化，从而获取风电储能系统的最大收益；在优化的同时又考虑将电池储能装置纳入风电场，并考虑波动惩罚、电池充电/放电等因素，保证优化过程的全面性、完整性和准确性，从而实现收益最大化的技术方案。

Description

一种考虑电力市场波动的风电储能系统最大收益优化方法
技术领域
本发明属于风电新能源技术领域，更为具体地讲，涉及一种考虑电力市场波动的风电储能系统最大收益优化方法。
背景技术
近年来，风能已成为全球第二大可再生能源，越来越多的风电场安装发电机，因此风力发电可以看作最具经济前景的新能源发电形式，在发电总量中所占比重不断上升。与此同时，随着电力行业的放松管制，风力发电投资方必在市场上追求利润最大化。但由于风能的产生随风向和风速、场地和安装高度等诸多因素的变化而波动，在大多数情况下无法保证其持续稳定的发电，因此风电和电价的不确定性给风力发电投资方带来了一定的挑战。
因此，为减少不确定性带来的损失，大量研究人员研究了提高风力发电利润的方法。考虑波动惩罚(FP)可以鼓励投资者采取一定的措施来减少波动从而降低损失。在新能源发电厂中集成储能装置是缓解风力发电波动从而降低FP(fluctuation penalty)的较好方法。现如今，利用储能器件来平滑波动已经有了大量的研究。如超级电容器、电池、电动汽车等都是常见的储能设备。它们通过充放电，来减少可再生能源的波动，从而提高供电的可靠性和安全性。对于短期风电调度而言，电池储能系统(BSS)可能是性价比最高的选择。一些研究已经调查了BSS的经济可行性及其对各种市场的影响。例如文献“Krog Ekman,Claus,Jensen,
Figure BDA0003231431810000011
2010.Prospects for large scale elec-tricitystorage in Denmark.Energy Convers.Manag.51(6),1 140-147”在电价较低时储存能量，然后以较高的电价出售，以实现利润最大化。文献“Sandhu,Kanwarjit Singh,Mahesh,Aeidapu,2016.A new approach of sizing battery energy storage system forsmoothing the power fluctuations of a PV/wind hybrid system.Int.J.EnergyRes.40(9),1221-1234”提出了一种新的方法来设计BSS，以平滑光伏/风电混合能源系统引起的功率波动。因该波动对电力系统的负面影响，可能会在电力市场上对风电场进行惩罚。同时，随着BSS投资成本的降低和BSS效率的不断提高，投资者将BSS整合到风电场中，来降低电力市场中的波动。因此，研究风力发电系统在电力市场波动的条件下，将电池储能整合到风电场中来参与市场运行，无疑对于新能源发电企业以及新能源的投资将具有重要意义。
在能源管理模型中，获取准确的可再生能源发电数据是前提。而可再生能源的预测是一项具有挑战性的工作，因为预测任务是一个非线性的过程。为了应对这一难题，利用数据驱动技术，特别是监督机器学习方法，由于其灵活性和高效率，近年来获得了许多研究和关注。在文献“Shi J,Lee WJ,Liu Y,et al.Forecasting power output ofphotovoltaic system based on weather classification and support vectormachine[C]//Industry Applications Society Meeting.IEEE 2011；48(3):1064-9”中，建立了基于反向传播神经网络(BP)的光伏输出预测模型来预测光伏功率。该预测模型为以后的预测模型研究提供了思路。然而，该模型存在明显的不足，包括需要大量的训练数据。在文献“Sreekumar S.Matrix based univariate and multivariate linear similarday approach towards short term solar radiation forecasting[C],vols.19e21.Bhubaneswar,India:NPSC,IEEE；Dec.2016,16720235”中，提出了一种基于最优相似日的光伏电站发电功率预测方法。模型的准确性依赖于训练数据样本的大小，对未知条件的预测略显不足，缺乏泛化。近年来，随着深度学习的快速发展，越来越多的人开始探索利用深度学习来更替传统的机器学习方法。最近正在研究长短期记忆网络(LSTM),文献“T.Cao,Z.Shen and G.Zhang,"LSTM-Aided Reinforcement Learning for EnergyManagement in Microgrid with Energy Storage and EV Charging,"2019 15thInternational Conference on Mobile Ad-Hoc and Sensor Networks(MSN),2019,pp.13-18,doi:10.1109/MSN48538.2019.00017”采用了使用长短期记忆(LSTM)网络的预测模型来探索系统输入轨迹，以便在当前学习过程中更准确地计算未来奖励。仿真结果验证了该算法相对于传统在线优化算法的优越性能。这里利用LSTM去预测可再生能源发电数据。
随着控制的不确定性和复杂性的增加，使用传统控制方法可能会导致运行效果不佳。文献“A.Baziar,A.Kavousi-Fard,Considering uncertainty in the optimal energymanagement of renewable 10 micro-grids including storage devices,RenewableEnergy 2013,59:158-166”提出了一种新的基于粒子群算法的自适应优化算法来优化可再生微电网的能源管理。尽管在以往的研究中，启发式算法表现出了良好的性能，但随着搜索空间范围的增大，其搜索效率会大大降低。随着人工智能技术的发展，深度学习(DL)已被应用于解决基于可再生能源的系统的能源管理问题，文献“Ki Uhn Ahn,Cheol SooPark.Application of deep Q-networks for model-free optimal control balancingbetween different HVAC systems[J].Science and Technology for the BuiltEnvironment,2020,26(1)”利用深度Q网络在不同暖通空调系统无模型中实现关于最优控制平衡中的应用。然而，上述DQN算法的应用缺乏泛化且只能应对高维输入，而无法应用到连续输出动作空间。相比DQN，DDPG具有连续作用空间的优点，更适用于复杂维度的动作控制过程。值得注意的是，鲜有文献研究DDPG方法在考虑波动惩罚的可再生能源系统中的应用。关于DRL方法在其他领域的关于能量管理问题的应用，可以在文献“Bo Li,Zhi-pengYang,Da-qing Chen,Shi-yang Liang,Hao a.Maneuvering target tracking of UAVbased on MN-DDPG and transfer learning[J].Defence Technology,2021,17(02):457-466”“LI Yue,QIU Xiaohui,LIU Xiaodong,XIA Qunli.Deep reinforcement learningand its application in autonomous fitting optimization for attack areas ofUCAVs[J].Journal of Systems Engineering and Electronics,2020,31(04):734-742”中找到相关研究。因此，需要提供一种基于深度强化学习考虑电力市场波动惩罚，其中电池储能站可以根据电力市场价格波动、负荷需求来储存释放电能以使风电运行系统的收益最大化的技术方案。
发明内容
本发明的目的在于克服现有技术的不足，提供一种考虑电力市场波动惩罚的风电储能系统最大收益优化方法，基于深度策略性梯度算法DDPG对风电储能系统的目标收益函数进行迭代优化，从而获取风电储能系统的最大收益。
为实现上述发明目的，本发明一种考虑电力市场波动的风电储能系统最大收益优化方法，其特征在于，包括：
(1)、构建风电储能系统的出力模型；
(1.1)、构建风力发电站在t时刻的出力模型Pt；
(1.1.1)、构建单个风机在t时刻的出力模型Pi(t)；
Figure BDA0003231431810000041
Figure BDA0003231431810000042
Figure BDA0003231431810000043
Figure BDA0003231431810000044
其中，vi(t)为第i个风机在t时刻的风速，vci为第i个风机的启动风速,vr为风机的额定风速，voi为第i个风机的切除风速，Pr为风机额定功率；
(1.1.2)、构建风力发电站在t时刻的出力模型Pt；
Figure BDA0003231431810000045
其中，λ为尾流效应系数，N为风机数量；
(1.2)、构建电池储能系统模型；
SOC(t+1)＝SOC(t)+ΔSOC(t)
其中，SOC(t)表示电池储能系统在t时刻的电荷状态量，ΔSOC(t)表示电荷状态量的变化量；
ΔSOC(t)的具体计算方法为：
Figure BDA0003231431810000046
其中，PB(t)为电池在t时刻的充放电功率，Δt表示时间变化量，EN是电池储能系统的额定容量；
(2)、构建风电储能系统的约束条件；
(2.1)、构建风力发电站的约束条件；
0≤Pt≤Pr
其中，Pt为风力发电站t时刻的出力，Pr为风机额定功率；
(2.2)、构建电池储能系统的约束条件；
SOCmin≤SOC(t)≤SOCmax
SOCmin＝(1-DOD)·SOCmax
-PN≤PB(t)≤PN
其中，SOCmin和SOCmax分别为电池储能系统的最小和最大电荷状态量，DOD为电池储能系统的放电深度；PN是电池的额定功率；
(3)、构建风电储能系统的目标收益函数；
在考虑电力市场波动惩罚的情况下构建风电储能系统的目标收益函数；
Figure BDA0003231431810000051
其中，R(t)是目标收益函数，Ep(t)是每t时刻的电价，Pt是风力发电站在t时刻的出力，ΔP是由风电场输出引起的波动惩罚函数，θB(t)为t时刻电池储能系统的惩罚函数，Cop(t)为t时刻电池动作运行成本；
(4)、基于风电储能系统的出力模型及约束条件，并结合历史的风电出力和电价，通过基于深度策略性梯度算法DDPG(Deep Deterministic Policy Gradient)对风电储能系统的目标收益函数进行迭代优化，得到风电储能系统获取最大收益下的目标收益函数；
(5)、实时采集风电储能系统的风电出力Pt和电价Ep(t)，然后确定实时的SOC(t)与ΔP，再一起构建实时状态st，最后将st输入至优化后的目标收益函数R(t)，从而得到风电储能系统的最大收益。
本发明的发明目的是这样实现的：
本发明一种考虑电力市场波动惩罚的风电储能系统最大收益优化方法，基于风电运行能源系统的出力模型和约束条件及目标收益函数，利用长短期记忆(LSTM)算法预测风电出力，然后根据预测结果，采用深度策略性梯度算法DDPG对风电储能系统的目标收益函数进行迭代优化，从而获取风电储能系统的最大收益；在优化的同时又考虑将电池储能装置纳入风电场，并考虑波动惩罚、电池充电/放电等因素，保证优化过程的全面性、完整性和准确性，从而实现收益最大化的技术方案。
同时，本发明一种考虑电力市场波动惩罚的风电储能系统最大收益优化方法还具有以下有益效果：
(1)、本发明考虑了具有储能方式下的风电能源系统运行，利用BSS电池储能系统对多余电力进行储存，有效缓解了风电场的弃电情况；当风力发电不足时，电池储能系统放电给市场以达到削峰填谷的作用，实现了更好的社会经济效益；
(2)、因风能的生产随天气条件等波动，大多数情况下无法保证连续稳定的发电，本发明通过考虑储能设备的充放电来有效降低风力发电期间的波动，从而提高供电的可靠性和安全性。
(3)、本发明基于可再生能源风力发电的不确定性，这里利用LSTM能更准确的预测风力发电数据，且该预测结果携带了历史数据的每一个时刻的信息，可以学习到风电数据长时间尺度的规律。
(4)、本发明基于深度强化学习DDPG算法来对考虑波动惩罚的风电运行能源系统进行优化，通过算法模型实现收益最大化，表明了该方法针对考虑波动惩罚的风电运行能源系统模型的有效及优越性。
附图说明
图1是本发明一种考虑电力市场波动的风电储能系统最大收益优化方法流程图；
图2是风电运行系统中的各单元模型的结构示意图；
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种考虑电力市场波动的风电储能系统最大收益优化方法流程图；
在本实施例中，如图2所示，风电运行系统包括：风力发电站、电池储能站、变电站和电力市场；
为了取得最大收益，若当前的电网售电电价处于一天内电价的较高区间，风电场会选择将自身所发的电力直接上网售卖，电池储能站也将在满足相应约束的条件下尽量释放自身储存电量发电。若当前的电网售电电价处于一天内电价的较低区间，风电场会将自身所发的电力输送至电池储能电站储存起来，不能储存的部分才直接上网售卖。电池储能电站不仅储存系统内生产的电力，还可以从电网中购入电力并储存，并为降低风电波动惩罚而缓解向电力市场出售波动风电。
下面我们结合图2对本发明一种考虑电力市场波动的风电储能系统最大收益优化方法进行详细说明，如图1所示，包括：
(1)、构建风电储能系统的出力模型；
(1.1)、构建风力发电站在t时刻的出力模型Pt；
(1.1.1)、构建单个风机在t时刻的出力模型Pi(t)；
Figure BDA0003231431810000071
Figure BDA0003231431810000072
Figure BDA0003231431810000073
Figure BDA0003231431810000074
其中，vi(t)为第i个风机在t时刻的风速，vci为第i个风机的启动风速,vr为风机的额定风速，voi为第i个风机的切除风速，Pr为风机额定功率；
(1.1.2)、构建风力发电站在t时刻的出力模型Pt；
Figure BDA0003231431810000075
其中，λ为尾流效应系数，N为风机数量；
(1.2)、构建电池储能系统BSS的模型；
SOC(t+1)＝SOC(t)+ΔSOC(t)
其中，SOC(t)表示电池储能系统在t时刻的电荷状态量，ΔSOC(t)表示电荷状态量的变化量；
根据能量的买卖，ΔSOC(t)的价值可以是正的，也可以是负的。不同类型的BSS充电效率不同。由于BSS的物理特性，不能同时充放电，假设电池充电功率为正，BSS的充/放电速率ΔSOC(t)表示为：
Figure BDA0003231431810000081
其中，PB(t)为电池在t时刻的充放电功率，Δt表示时间变化量，EN是电池储能系统的额定容量；
(2)、构建风电储能系统的约束条件；
(2.1)、构建风力发电站的约束条件；
0≤Pt≤Pr
其中，Pt为风力发电站t时刻的出力，Pr为风机额定功率；
(2.2)、构建电池储能系统的约束条件；
环境温度、电荷状态、电压效应、充放电速率等参数决定了BSS的性能。BSS的寿命也取决于这些因素。BSS的最佳工作特性在20％～80％之间。为了使BSS的性能最佳，BSS应在最大和最小充电状态的限制下运行，以避免过充和过放从而影响电池寿命。在此基础上，BSS约束在允许容量的上下两个范围内：
SOCmin≤SOC(t)≤SOCmax
SOCmin＝(1-DOD)·SOCmax
而BSS的功率又受其额定功率的限制
-PN≤PB(t)≤PN
其中，SOCmin和SOCmax分别为电池储能系统的最小和最大电荷状态量，DOD为电池储能系统的放电深度；PN是电池的额定功率；
(3)、构建风电储能系统的目标收益函数；
在考虑电力市场波动惩罚的情况下构建风电储能系统的目标收益函数；
Figure BDA0003231431810000091
其中，R(t)是目标收益函数，Ep(t)是每t时刻的电价，Pt是风力发电站在t时刻的出力，ΔP是由风电场输出引起的波动惩罚函数，θB(t)为t时刻电池储能系统的惩罚函数，Cop(t)为t时刻电池动作运行成本；
其中，风电场波动惩罚函数ΔP满足：
Figure BDA0003231431810000092
其中，ε是每兆瓦的波动惩罚系数，T为时刻数。
电池储能惩罚函数θB(t)满足：
Figure BDA0003231431810000093
其中，θB(t)为t小时电池储能的惩罚函数，M为电池储能的惩罚系数。当SOC在给定的范围内变化时，电池储能的惩罚为零，获得的奖励更大；如果SOC＜20％或者＞80％，将会对电池造成伤害，惩罚值较大，这时的奖励回报较低；当SOC<0或者SOC>1时被认为是异常态，此时的惩罚值非常大，奖励将会变成相对较大的负值
电池动作运行成本Cop(t)满足：
Cop(t)＝γ[SOC(t)-0.5]2
其中，γ为电池的重量因子。
(4)、基于风电储能系统的出力模型及约束条件，并结合历史的风电出力和电价，通过基于深度策略性梯度算法DDPG对风电储能系统的目标收益函数进行迭代优化，得到风电储能系统获取最大收益下的目标收益函数；
下面我们对DDPG算法对目标收益函数进行优化的具体过程进行描述，具体步骤为：
(4.1)、由于风力发电的不确定性，这里用长短时记忆神经网络LSTM来预测风力发电功率。对于风电数据，本实施例将0:00-24:00的一天划分为24个时间段，记录每个时间段的风速和功率数据。以获取的原始风速序列为输入，然后以风力发电功率序列为输出，建立LSTM神经网络模型并进行训练，具体的训练过程与通用的神经网络一致，在此不再赘述；最终，我们将不同时刻的风速输入至训练完成后的LSTM，从而预测出风力发电站在不同时刻的风力出力Pt。
对于电价问题，我们采集对应时刻的电价，记为Ep(t)。
(4.2)、将目标收益函数转化为包含状态集合S、动作集合A和奖励函数r的马尔可夫决策过程；
其中，S包含决策过程所有状态，其t时刻的状态st＝(Ep(t),Pt,SOC(t),ΔP)T；A包含决策过程所有动作，t时刻的动作at＝(PB(t))T；在t时刻，在st下执行at获得奖励rt(at|st)；
rt(at|st)＝R(t)
(4.3)、构建DDPG算法所需的四个结构相同的两组神经网络；
在线构建两个动作网络，记为μ、μ'，其中参数集合分别记为
Figure BDA0003231431810000101
用于实现输入状态st到输出动作at；
在线构建两个评价网络，记为υ、υ'，参数集合分别记为
Figure BDA0003231431810000102
用于实现输入状态st、输出动作at到动作价值函数Qπ(st,at)的映射，π为映射策略；
(4.4)、设置目标收益函数进行迭代优化的总迭代次数N和马尔可夫过程的迭代步数T；设置记忆库，记其容量为M，并初始化为空；初始化所有神经网络的参数集合，初始化n＝1，初始化学习率α，初始化计数器m；
(4.5)、复位风电储能系统，令t＝1并获取当前状态st，然后执行一次马尔可夫过程；
(4.6)、判断t是否小于T，若t＜T，则进入步骤(4.7)，反之，则进入步骤(4.15)；
(4.7)、将st送输入至动作网络μ，得输出动作at；
(4.8)、根据输出动作at计算步骤(4.2)中的目标函数值rt，同时获得at作用后的下一时刻状态st+1；
(4.9)、构建元组信息(st,at,R(t),st+1)，并将其存入记忆库的m％M位置处，然后赋值m＝m+1；
(4.10)、判断m是否大于M，若是，则进入步骤(4.11)；反之，则进入步骤(4.15)；
(4.11)、基于深度确定性梯度策略在线更新动作网络μ的参数集合
Figure BDA0003231431810000111
Figure BDA0003231431810000112
Figure BDA0003231431810000113
其中，w表示从记忆库中有放回且等概率抽样的元组信息个数，si,ai表示第i个元组信息中对应的状态和动作；
Figure BDA0003231431810000114
表示在状态si和动作ai下对动作价值函数求ai的梯度，
Figure BDA0003231431810000115
表示在状态si下网络μ的梯度；
(4.12)、通过最小化损失函数在线更新评价网络υ的参数集合
Figure BDA0003231431810000116
Figure BDA0003231431810000117
Figure BDA0003231431810000118
其中，
Figure BDA0003231431810000119
为网络υ的损失函数；Q(si,ai)表示在状态si和动作ai下评价网络υ输出的动作价值函数值；yi表示υ'网络的估计值；γ为折扣因子，
Figure BDA00032314318100001110
表示网络υ的损失函数的梯度；
(4.13)、更新动作网络μ'和评价网络υ'的参数集合；
Figure BDA00032314318100001111
其中，τ为更新系数；
(4.14)、更新当前状态，赋值t＝t+1且st＝st+1，然后返回至步骤(4.8)；
(4.15)、令n＝n+1，再判断n是否大于N，如果是，则进入步骤(4.16)；反之，则进入步骤(4.5)；
(4.16)、迭代停止，并输出最优的参数集合，从而得到风电储能系统获取最大收益下的目标收益函数。
(5)、实时采集风电储能系统的风电出力Pt和电价Ep(t)，然后确定实时的SOC(t)与ΔP，再一起构建实时状态st，最后将st输入至优化后的目标收益函数R(t)，从而得到风电储能系统的最大收益。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种考虑电力市场波动的风电储能系统最大收益优化方法，其特征在于，包括：
(1)、构建风电储能系统的出力模型；
(1.1)、构建风力发电站在t时刻的出力模型Pt；
(1.1.1)、构建单个风机在t时刻的出力模型Pi(t)；
Figure FDA0003231431800000011
Figure FDA0003231431800000012
Figure FDA0003231431800000013
Figure FDA0003231431800000014
其中，vi(t)为第i个风机在t时刻的风速，vci为第i个风机的启动风速,vr为风机的额定风速，voi为第i个风机的切除风速，Pr为风机额定功率；
(1.1.2)、构建风力发电站在t时刻的出力模型Pt；
Figure FDA0003231431800000015
其中，λ为尾流效应系数，N为风机数量；
(1.2)、构建电池储能系统模型；
SOC(t+1)＝SOC(t)+ΔSOC(t)
其中，SOC(t)表示电池储能系统在t时刻的电荷状态量，ΔSOC(t)表示电荷状态量的变化量；
ΔSOC(t)的具体计算方法为：
Figure FDA0003231431800000016
其中，PB(t)为电池在t时刻的充放电功率，Δt表示时间变化量，EN是电池储能系统的额定容量；
(2)、构建风电储能系统的约束条件；
(2.1)、构建风力发电站的约束条件；
0≤Pt≤Pr
其中，Pt为风力发电站t时刻的出力，Pr为风机额定功率；
(2.2)、构建电池储能系统的约束条件；
SOCmin≤SOC(t)≤SOCmax
SOCmin＝(1-DOD)·SOCmax
-PN≤PB(t)≤PN
其中，SOCmin和SOCmax分别为电池储能系统的最小和最大电荷状态量，DOD为电池储能系统的放电深度；PN是电池的额定功率；
(3)、构建风电储能系统的目标收益函数；
在考虑电力市场波动惩罚的情况下构建风电储能系统的目标收益函数；
Figure FDA0003231431800000021
其中，其中，R(t)是目标收益函数，Ep(t)是每t时刻的电价，Pt是风力发电站在t时刻的出力，ΔP是由风电场输出引起的波动惩罚函数，θB(t)为t时刻电池储能系统的惩罚函数，Cop(t)为t时刻电池动作运行成本；
(4)、基于风电储能系统的出力模型及约束条件，并结合历史的风电出力和电价，通过基于深度策略性梯度算法DDPG对风电储能系统的目标收益函数进行迭代优化，得到风电储能系统获取最大收益下的目标收益函数；
(5)、实时采集风电储能系统的风电出力Pt和电价Ep(t)，然后确定实时的SOC(t)与ΔP，再一起构建实时状态st，最后将st输入至优化后的目标收益函数R(t)，从而得到风电储能系统的最大收益。
2.根据权利要求1所述的一种考虑电力市场波动惩罚的风电储能系统最大收益优化方法，其特征在于，所述风电场波动惩罚函数ΔP满足：
Figure FDA0003231431800000022
其中，ε是每兆瓦的波动惩罚系数，T为时刻数。
3.根据权利要求1所述的一种考虑电力市场波动的风电储能系统最大收益优化方法，其特征在于，所述电池储能惩罚函数θB(t)满足：
Figure FDA0003231431800000031
其中，θB(t)为t小时电池储能的惩罚函数，M为电池储能的惩罚系数。
4.根据权利要求1所述的一种考虑电力市场波动的风电储能系统最大收益优化方法，其特征在于，所述电池动作运行成本Cop(t)满足：
Cop(t)＝γ[SOC(t)-0.5]2
其中，γ为电池的重量因子。
5.根据权利要求1所述的一种考虑电力市场波动的风电储能系统最大收益优化方法，其特征在于，所述DDPG算法对目标收益函数进行优化的具体过程为：
(5.1)、采集风力发电站在不同时刻的风速vt以及对应时刻的电价Ep(t)；将不同时刻的风速vt输入至训练完成的长短时记忆神经网络LSTM，从而预测出风力发电站在不同时刻的风电出力，记为Pt,其中，t表示时刻，t＝1,2,3,…；
(5.2)、将目标收益函数转化为包含状态集合S、动作集合A和奖励函数r的马尔可夫决策过程；
其中，S包含决策过程所有状态，其t时刻的状态st＝(Ep(t),Pt,SOC(t),ΔP)T；A包含决策过程所有动作，t时刻的动作at＝(PB(t))T；在t时刻，在st下执行at获得奖励rt(at|st)；
rt(at|st)＝R(t)
(5.3)、构建DDPG算法所需的四个结构相同的两组神经网络；
在线构建两个动作网络，记为μ、μ'，其中参数集合分别记为θμ、θμ'，用于实现输入状态st到输出动作at；
在线构建两个评价网络，记为υ、υ'，参数集合分别记为θυ、θυ'，用于实现输入状态st、输出动作at到动作价值函数Qπ(st,at)的映射，π为映射策略；
(5.4)、设置目标收益函数进行迭代优化的总迭代次数N和马尔可夫过程的迭代步数T；设置记忆库，记其容量为M，并初始化为空；初始化所有神经网络的参数集合，初始化n＝1，初始化学习率α，初始化计数器m；
(5.5)、复位风电储能系统，令t＝1并获取当前状态st，然后执行一次马尔可夫过程；
(5.6)、判断t是否小于T，若t＜T，则进入步骤(5.7)，反之，则进入步骤(5.15)；
(5.7)、将st送输入至动作网络μ，得输出动作at；
(5.8)、根据输出动作at计算步骤(5.2)中的目标函数值rt，同时获得at作用后的下一时刻状态st+1；
(5.9)、构建元组信息(st,at,R(t),st+1)，并将其存入记忆库的m％M位置处，然后赋值m＝m+1；
(5.10)、判断m是否大于M，若是，则进入步骤(5.11)；反之，则进入步骤(5.15)；
(5.11)、基于深度确定性梯度策略在线更新动作网络μ的参数集合θμ；
Figure FDA0003231431800000041
Figure FDA0003231431800000042
其中，w表示从记忆库中有放回且等概率抽样的元组信息个数，si,ai表示第i个元组信息中对应的状态和动作；
Figure FDA0003231431800000043
表示在状态si和动作ai下对动作价值函数求ai的梯度，
Figure FDA0003231431800000044
表示在状态si下网络μ的梯度；
(5.12)、通过最小化损失函数在线更新评价网络υ的参数集合θυ；
Figure FDA0003231431800000051
Figure FDA0003231431800000053
其中，L(θυ)为网络υ的损失函数；Q(si,ai)表示在状态si和动作ai下评价网络υ输出的动作价值函数值；yi表示υ'网络的估计值；γ为折扣因子，
Figure FDA0003231431800000054
表示网络υ的损失函数的梯度；
(5.13)、更新动作网络μ'和评价网络υ'的参数集合；
Figure FDA0003231431800000052
其中，τ为更新系数；
(5.14)、更新当前状态，赋值t＝t+1且st＝st+1，然后返回至步骤(5.8)；
(5.15)、令n＝n+1，再判断n是否大于N，如果是，则进入步骤(5.16)；反之，则进入步骤(5.5)；
(5.16)、迭代停止，并输出最优的参数集合，从而得到风电储能系统获取最大收益下的目标收益函数。
CN202110988161.6A 2021-08-26 2021-08-26 一种考虑电力市场波动的风电储能系统最大收益优化方法 Active CN113794199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988161.6A CN113794199B (zh) 2021-08-26 2021-08-26 一种考虑电力市场波动的风电储能系统最大收益优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988161.6A CN113794199B (zh) 2021-08-26 2021-08-26 一种考虑电力市场波动的风电储能系统最大收益优化方法

Publications (2)

Publication Number Publication Date
CN113794199A true CN113794199A (zh) 2021-12-14
CN113794199B CN113794199B (zh) 2023-04-21

Family

ID=78876448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988161.6A Active CN113794199B (zh) 2021-08-26 2021-08-26 一种考虑电力市场波动的风电储能系统最大收益优化方法

Country Status (1)

Country Link
CN (1) CN113794199B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115360741A (zh) * 2022-10-20 2022-11-18 中国华能集团清洁能源技术研究院有限公司 现货场景下基于深度强化学习的风储灵活控制方法和装置
CN116316915A (zh) * 2023-05-12 2023-06-23 武汉中元华电科技股份有限公司 计及功率预测误差的风电场有功出力优化控制方法及装置
US11808915B2 (en) * 2022-03-10 2023-11-07 Shandong University Wind power prediction method and system based on deep deterministic policy gradient algorithm
CN117375049A (zh) * 2023-10-13 2024-01-09 华能山东发电有限公司 用于风电场多维考核标准的混合储能优化配置方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011142114A1 (ja) * 2010-05-10 2011-11-17 パナソニック株式会社 制御装置、蓄電システム、制御方法およびコンピュータプログラム
EP3007302A1 (en) * 2014-10-10 2016-04-13 ABB Technology AG State of charge management in battery systems
CN107294122A (zh) * 2017-04-17 2017-10-24 国网浙江省电力公司电力科学研究院 一种混合储能系统分层动态控制方法
CN111864750A (zh) * 2020-08-26 2020-10-30 重庆因科汇科技有限公司 风电-制氢系统在市场机制下收益最大化的运行方法
CN112072643A (zh) * 2020-08-20 2020-12-11 电子科技大学 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN112736952A (zh) * 2020-12-28 2021-04-30 南昌大学 考虑日历寿命的海上风电配置储能系统容量优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011142114A1 (ja) * 2010-05-10 2011-11-17 パナソニック株式会社 制御装置、蓄電システム、制御方法およびコンピュータプログラム
EP3007302A1 (en) * 2014-10-10 2016-04-13 ABB Technology AG State of charge management in battery systems
CN107294122A (zh) * 2017-04-17 2017-10-24 国网浙江省电力公司电力科学研究院 一种混合储能系统分层动态控制方法
CN112072643A (zh) * 2020-08-20 2020-12-11 电子科技大学 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN111864750A (zh) * 2020-08-26 2020-10-30 重庆因科汇科技有限公司 风电-制氢系统在市场机制下收益最大化的运行方法
CN112736952A (zh) * 2020-12-28 2021-04-30 南昌大学 考虑日历寿命的海上风电配置储能系统容量优化方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11808915B2 (en) * 2022-03-10 2023-11-07 Shandong University Wind power prediction method and system based on deep deterministic policy gradient algorithm
CN115360741A (zh) * 2022-10-20 2022-11-18 中国华能集团清洁能源技术研究院有限公司 现货场景下基于深度强化学习的风储灵活控制方法和装置
CN116316915A (zh) * 2023-05-12 2023-06-23 武汉中元华电科技股份有限公司 计及功率预测误差的风电场有功出力优化控制方法及装置
CN116316915B (zh) * 2023-05-12 2023-08-08 武汉中元华电科技股份有限公司 计及功率预测误差的风电场有功出力优化控制方法及装置
CN117375049A (zh) * 2023-10-13 2024-01-09 华能山东发电有限公司 用于风电场多维考核标准的混合储能优化配置方法和系统
CN117375049B (zh) * 2023-10-13 2024-04-09 华能山东发电有限公司 用于风电场多维考核标准的混合储能优化配置方法和系统

Also Published As

Publication number Publication date
CN113794199B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
Zhao et al. Comprehensive assessment for battery energy storage systems based on fuzzy-MCDM considering risk preferences
CN111709672B (zh) 基于场景和深度强化学习的虚拟电厂经济调度方法
Wang et al. Stochastic coordinated operation of wind and battery energy storage system considering battery degradation
Sidorov et al. A dynamic analysis of energy storage with renewable and diesel generation using Volterra equations
CN113794199A (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Chakraborty et al. Intelligent economic operation of smart-grid facilitating fuzzy advanced quantum evolutionary method
Yang et al. A reinforcement learning-based energy management strategy for fuel cell hybrid vehicle considering real-time velocity prediction
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
CN116191508A (zh) 一种计及风光出力的含储能有源配电网经济运行优化方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN114202229B (zh) 基于深度强化学习的微电网的能量管理策略的确定方法
CN114498690B (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
Liu et al. Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming
CN118336885A (zh) 基于超容储能的混合动力电能供给方法及系统
CN113283166B (zh) 一种退役动力电池剩余价值优化方法
Wang et al. Energy management strategy for fuel cell electric vehicles based on scalable reinforcement learning in novel environment
Cheng et al. Optimal hybrid energy system for locomotive utilizing improved Locust Swarm optimizer
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
Huang et al. Collaborative optimization strategy of source‐grid‐load‐storage considering dynamic time series complementarity of multiple storages
Zhang et al. Optimal configuration of energy storage system considering uncertainty of load and wind generation
Ortenero et al. Ranking energy storage technologies with VIKOR
Zhang et al. Two-Step Diffusion Policy Deep Reinforcement Learning Method for Low-Carbon Multi-Energy Microgrid Energy Management
Wu et al. Study on optimal dispatching strategy of regional energy microgrid

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