CN114169627B - 一种深度强化学习分布式光伏发电激励的系统 - Google Patents

一种深度强化学习分布式光伏发电激励的系统 Download PDF

Info

Publication number
CN114169627B
CN114169627B CN202111524053.XA CN202111524053A CN114169627B CN 114169627 B CN114169627 B CN 114169627B CN 202111524053 A CN202111524053 A CN 202111524053A CN 114169627 B CN114169627 B CN 114169627B
Authority
CN
China
Prior art keywords
power generation
investor
power generator
photovoltaic power
income
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.)
Active
Application number
CN202111524053.XA
Other languages
English (en)
Other versions
CN114169627A (zh
Inventor
徐雪松
闫月
陈晓红
田志平
粟芸
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202111524053.XA priority Critical patent/CN114169627B/zh
Publication of CN114169627A publication Critical patent/CN114169627A/zh
Application granted granted Critical
Publication of CN114169627B publication Critical patent/CN114169627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • H02J3/38—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
    • 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
    • H02J2300/22—The renewable source being solar 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/90—Financial instruments for climate change mitigation, e.g. environmental taxes, subsidies or financing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)

Abstract

本发明属于光伏发电技术领域，具体涉及一种深度强化学习分布式光伏发电激励方法，包括如下步骤：S1：以发电方和投资方的最大利益为目标函数，并满足发电方和投资方的收益比以及两者合作合同期限为约束，建立分布式光伏发电模型；S2：将S1中的分布式光伏发电模型建模为马尔科夫决策过程；S3：基于深度强化学习算法，求解马尔科夫决策过程，得到发电方和投资方最优化的利益分配策略；通过以发电方和投资方的收益作为考量标准构建分布式光伏发电模型，并将分布式光伏发电过程模拟为马尔科夫决策过程，将目标函数和约束条件映射成强化学习的奖惩函数，利用其学习和与环境交互的能力，实现发电方和投资方的最优利益分配。

Description

一种深度强化学习分布式光伏发电激励的系统
技术领域
本发明属于光伏发电技术领域，具体涉及一种深度强化学习分布式光伏发电激励方法。
背景技术
能源是现代社会经济与发展的根本。能源环境问题的相继出现促使人类逐渐意识到化石燃料的过渡开采和无节制使用所带来的严重危害。光伏发电由于其可再生、环保灵活的特性得到广泛关注和快速发展，光伏包括集中式光伏与分布式光伏，与集中式光伏相比，分布式光伏有消纳容易、投产速度快的优点。发电业主可以通过在房屋屋顶布置光伏相关组件，使其产生的电能自产自用或者输送给电网售电，但由于农村村民或小区物业等对于光伏发电缺乏清晰认知，难以接受投入资金运营维护，对于光伏发电能够产生收益持有怀疑态度，导致光伏发电接受度不高，难以推广。因此，需要一种以发电方和投资方的收益作为考量标准，使其能够利益最大化、利益分配合理的光伏发电方式，进而实现光伏发电的大规模推广。
发明内容
本发明在于提供一种以发电方和投资方的利益最大化为目标的分布式光伏发电激励方法，通过构建分布式光伏发电模型，并通过构建马尔科夫决策过程实现发电方和投资方的最优利益分配。
一种深度强化学习分布式光伏发电激励方法，包括如下步骤：
S1：以发电方和投资方的最大利益为目标函数，并满足发电方和投资方的收益比以及两者合作合同期限为约束，建立分布式光伏发电模型；
S2：将S1中的分布式光伏发电模型建模为马尔科夫决策过程；
S3：基于深度强化学习算法，求解马尔科夫决策过程，得到发电方和投资方最优化的利益分配策略。
通过以发电方和投资方的收益作为考量标准构建分布式光伏发电模型，并将分布式光伏发电过程模拟为马尔科夫决策过程，将目标函数和约束条件映射成强化学习的奖惩函数，利用其学习和与环境交互的能力，实现发电方和投资方的最优利益分配。
进一步的，所述S1中，分布式光伏发电模型的目标函数为：
Figure DEST_PATH_IMAGE001
式中，W表示在时间[0,T]年内，投资方与发电方的总收益；C i t 表示发电方i在第t年内的总收入；C w t 表示投资方第t年的总收入；C cost T 表示投资方的投资成本。
以发电方和投资方的最大收益和为目标函数构建分布式光伏发电模型，利用发电方和投资方双方总收入与投资方投资总成本的差进行收益计算，便于分布式光伏发电模型的建立。
进一步的，所述投资方在第t年的总收入包括发电方在规定年限内产生的发电量售电总额和国家补贴，即：
Figure 720291DEST_PATH_IMAGE002
式中，p为投资方在第
Figure DEST_PATH_IMAGE003
年的售电价格；E ij t 为第t年发电方
Figure 470073DEST_PATH_IMAGE004
的
Figure DEST_PATH_IMAGE005
台设备实际发电量，单位为kw·h
Figure 79783DEST_PATH_IMAGE006
p s 为国网光伏发电补贴；
所述发电方在第t年的总收入包括设备数量与单个设备收益的乘积，即：
C i t =δ·j；
式中，δ为单个设备收益；j为设备数量。
考量影响总收入的多个因素，为分布式光伏发电模型建立做基础准备。
进一步的，所述投资方的成本包括人力成本、发电设备硬件成本、运行成本和设备折旧费，即：
Figure DEST_PATH_IMAGE007
式中，Σ n i=1 j i 为所有发电方安装的设备数量总和；M为单价；c p 为人力成本；R w T 为实际运行成本，包括设备运输安装维护、发电方收益发放运行成本等；
Figure 293727DEST_PATH_IMAGE008
为合同期限内的设备折旧费。
考量影响投资总成本的多个因素，为分布式光伏发电模型建立做基础准备。
进一步的，所述S1中，约束条件包括发电方和投资方双方合同期限T 以及双方的收益比，即：
10≤T≤25
1:20≤C i :C w ≤1:10。
考量实际情况中投资方的投资成本，约束发电方与投资方的收益比，同时约束双方合作合同期限，减少投资方成本的无效投入。
进一步的，所述S2中，将分布式光伏发电模型建模为马尔科夫决策过程的步骤包括：
T1：考虑变量的多样性和必要性构建状态变量；
T2：考虑发电方和投资方的收益最大化构建动作变量；
T3：将目标函数映射为奖励函数；
T4：选择策略函数得出发电方和投资方的最优收益策略分配。
通过将分布式光伏发电模型建模为马尔科夫决策过程，通过发电方和投资方构成的智能体和分布式光伏发电模型建立的环境不断交互得到最优化的利益分配策略。
一种深度强化学习分布式光伏发电激励方法的系统，包括投资方云平台层、汇聚层和终端层，所述终端层包括发电方，所述发电方将光伏发电所产生的电能、以及相应产生的数据输送至汇聚层，所述汇聚层将相关数据发送至投资方云平台层，所述投资方云平台层依照数据控制发电方的设备数量以及售电给汇聚层的售电价格，并依照所述发电方的设备数量发电数据、设备数量与所述发电方划分收益。
投资方控制投资成本、设定售电价格，实现收益最大化，并依照与发电方既定分配比例分配收益，实现双方合作共赢，进而促进我国分布式光伏发电的落地实施。
本发明的有益效果为：
本发明通过以发电方和投资方的收益作为考量标准构建分布式光伏发电模型，并将分布式光伏发电过程模拟为马尔科夫决策过程，将目标函数和约束条件映射成强化学习的奖惩函数，利用其学习和与环境交互的能力，实现发电方和投资方的最优利益分配；同时降低发电方的投入成本，激励分布式光伏发电发电方的参与，助力推广分布式光伏发电项目的落地，推动我国新能源产业的发展。
附图说明
图1为本发明的流程示意图；
图2为分布式光伏发电模型的示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示的是一种深度强化学习分布式光伏发电激励方法，包括如下步骤：
S1：以发电方和投资方的最大利益为目标函数，并满足发电方和投资方的收益比以及两者合作合同期限为约束，建立分布式光伏发电模型；
S2：将S1中的分布式光伏发电模型建模为马尔科夫决策过程；
S3：基于深度强化学习算法，求解马尔科夫决策过程，得到发电方和投资方最优化的利益分配策略。
通过以发电方和投资方的收益作为考量标准构建分布式光伏发电模型，并将分布式光伏发电过程模拟为马尔科夫决策过程，将目标函数和约束条件映射成强化学习的奖惩函数，利用其学习和与环境交互的能力，实现发电方和投资方的最优利益分配。
在本实施例中，S1中，分布式光伏发电模型以发电方和投资方的最大收益为目标函数：总收入与投资总成本之差，表示为：
Figure DEST_PATH_IMAGE009
式中，W表示在时间[0,T]年内，投资方与发电方的总收益；C i t 表示发电方i在第
Figure 527262DEST_PATH_IMAGE003
年内的总收入；C w t 表示投资方第t年的总收入；C cost T 表示投资方的投资成本。
其中，投资方第t年的总收入包括发电方在规定年限内产生的发电量售电总额和国家补贴，即：
Figure 29919DEST_PATH_IMAGE010
式中，p为投资方在第
Figure 538261DEST_PATH_IMAGE003
年的售电价格；
Figure DEST_PATH_IMAGE011
为第t年发电方
Figure 544394DEST_PATH_IMAGE004
的
Figure 214410DEST_PATH_IMAGE005
台设备实际发电量，单位为kw·h
Figure 705827DEST_PATH_IMAGE006
p s 为国网光伏发电补贴。
其中，发电方在第t年的总收入包括设备数量与单个设备收益的乘积，即：
C i t =δ·j；
式中，δ为单个设备收益；j为设备数量。
其中，投资方的投资成本包括人力成本、发电设备硬件成本、运行成本和设备折旧费，即：
Figure 752281DEST_PATH_IMAGE012
式中，Σ n i=1 j i 为所有发电方安装的设备数量总和；M为单价；c p 为人力成本；R w T 为实际运行成本，包括设备运输安装维护、发电方收益发放运行成本等；
Figure 144079DEST_PATH_IMAGE008
为合同期限内的设备折旧费。
在本实施例中，依照发电方和投资方实际投入成本的比例，对分布式光伏发电模型目标函数作出限定约束的部分包括发电方和投资方的合同期限T以及双方的收益比例。
其中，合同期限约束为：
10≤T≤25；
发电方和投资方的收益比例约束为：
1:20≤C i :C w ≤1:10。
在本实施例中，采用深度强化学习算法求解分布式光伏发电模型时，将分布式光伏发电模型构建成马尔科夫决策过程，即确定马尔科夫状态序列四元组(S,A,R,π)的具体表达，包括：
T1：状态变量S
状态即可观测变量，是环境实时给出的动态结果。在构建状态空间时，考虑系统变量的多样性和必要性，包括发电方的总收入C i t 、投资方的投资成本C cost T 、单个设备的收益
Figure DEST_PATH_IMAGE013
、人力成本c p 以及实际运行成本R w T ，第t年的状态变量可表示为S=(C i t ,C cost T ,
Figure 719417DEST_PATH_IMAGE013
,c p ,R w T )。
T2：动作变量A
动作即可调整变量，是投资方收益与发电方收益组合构成的智能体的决策变量，即A=(C w t )。
T3：奖励函数R
将发电方和投资方的最大化收益映射为奖励决策函数，依据分布式光伏发电模型的目标函数和约束条件，定义从当前状态到下一状态的奖励函数为：
Figure 196666DEST_PATH_IMAGE014
式中，Σ T t=0(Σ n i=1 C i t +C w t )-C cost T 为t时刻内交易金额；β(t)是为了约束条件设置的违规惩罚项，即当约束条件满足时，β(t)=0；当约束条件不满足时，给β(t)赋值一个较大的惩罚常数。
同时在奖励函数公式前增加负号，使得奖励函数最大化。
T4：策略函数π
策略，即状态到动作的映射，是各个状态变量与收益之间的对应关系，用于评价投资方收益与发电方收益组合构成的智能体所获的收益情况，采用条件概率分布表示，即：
π(C w t Ιs)=P(A t =C w t ΙS t =s)；
式中，P(A t =C w t ΙS t =s)表示给定状态s时，动作集采取C w t 的概率；所有策略中对应的最大收益即为最优策略，策略与函数一一对应。最优分配策略对应最优函数。
图2所示的是一种深度强化学习分布式光伏发电激励方法的系统，包括投资方云平台层、汇聚层和终端层，终端层包括发电方，所述发电方将光伏发电所产生的电能、以及相应产生的数据输送至汇聚层，汇聚层将相关数据发送至投资方云平台层，所述投资方云平台层依照数据控制发电方的设备数量以及售电给汇聚层的售电价格，并依照所述发电方的设备数量发电数据、设备数量与所述发电方划分收益。
投资方控制投资成本、设定售电价格，实现收益最大化，并依照与发电方既定分配比例分配收益，实现双方合作共赢，进而促进我国分布式光伏发电的落地实施。

Claims (1)

1.一种深度强化学习分布式光伏发电激励的系统，其特征在于，包括终端层、汇聚层和投资方云平台层；
终端层，其包括发电方，用于将光伏发电所产生的电能、以及相应产生的数据输送至汇聚层；
其中，所述发电方在第t年的总收入包括设备数量与单个设备收益的乘积，即：
Figure FDA0003888214660000011
式中，δ为单个设备收益；j为设备数量；
汇聚层，其接收终端层发电方发送的光伏发电所产生的电能、以及相应产生的数据，并发送至投资方云平台层；
投资方云平台层，其包括投资方，用于接收汇聚层的所有相关数据；所述投资方云平台层依照数据控制发电方的设备数量以及售电给汇聚层的售电价格，并依照所述发电方的设备数量发电数据、设备数量与所述发电方划分收益；
其中，所述投资方的成本包括人力成本、发电设备硬件成本、运行成本和设备折旧费，即：
Figure FDA0003888214660000012
式中，Σn i＝1ji为所有发电方安装的设备数量总和，n为发电方总数，ji为第i个发电方的设备数量；M为单价；cp为人力成本；
Figure FDA0003888214660000013
为实际运行成本，包括设备运输安装维护、发电方收益发放运行成本；
Figure FDA0003888214660000014
为合同期限内的设备折旧费；
其中，所述投资方在第t年的总收入包括发电方在规定年限内产生的发电量售电总额和国家补贴，即：
Figure FDA0003888214660000015
式中，p为投资方在第t年的售电价格；Eij t为第t年发电方i的j台设备实际发电量，n为发电方的总数，单位为kw·h；ps为国网光伏发电补贴；
其中，分布式光伏发电模型的目标函数为：
Figure FDA0003888214660000016
式中，W表示在时间[0,T]年内，投资方与发电方的总收益；Ci t表示发电方i在第t年内的总收入，n为发电方的总数；Cw t表示投资方第t年的总收入；Ccost T表示投资方的投资成本；
其中，约束条件包括发电方和投资方双方合同期限T以及双方的收益比，即：
10≤T≤25
Figure FDA0003888214660000021
其中，所述投资方云平台层依照所述发电方的设备数量发电数据、设备数量与所述发电方划分收益，通过将分布式光伏发电模型建模为马尔科夫决策过程，并基于深度强化学习算法，求解马尔科夫决策过程，得到发电方和投资方最优化的利益分配策略；构建马尔科夫决策过程的步骤具体包括：
T1：考虑变量的多样性和必要性构建状态变量；
T2：考虑发电方和投资方的收益最大化构建动作变量；
T3：将目标函数映射为奖励函数；
T4：选择策略函数得出发电方和投资方的最优收益策略分配。
CN202111524053.XA 2021-12-14 2021-12-14 一种深度强化学习分布式光伏发电激励的系统 Active CN114169627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111524053.XA CN114169627B (zh) 2021-12-14 2021-12-14 一种深度强化学习分布式光伏发电激励的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524053.XA CN114169627B (zh) 2021-12-14 2021-12-14 一种深度强化学习分布式光伏发电激励的系统

Publications (2)

Publication Number Publication Date
CN114169627A CN114169627A (zh) 2022-03-11
CN114169627B true CN114169627B (zh) 2022-11-18

Family

ID=80486209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524053.XA Active CN114169627B (zh) 2021-12-14 2021-12-14 一种深度强化学习分布式光伏发电激励的系统

Country Status (1)

Country Link
CN (1) CN114169627B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388279B (zh) * 2023-05-23 2024-01-23 安徽中超光电科技有限公司 太阳能光伏发电系统中的电网并网控制方法及其控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112886615A (zh) * 2021-03-23 2021-06-01 清华大学 一种基于5g和泛在资源的二次调频协同控制系统及方法
WO2021203733A1 (zh) * 2020-04-07 2021-10-14 江苏润和智融科技有限公司 电力边缘网关设备及基于该设备的传感数据上链存储方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103545846A (zh) * 2013-11-11 2014-01-29 湖南大学 基于广义负荷预测的微网经济运行方法
CN105303249A (zh) * 2015-09-22 2016-02-03 湘潭大学 基于光伏微网电压跌落不确定性的电动汽车充放电方法
CN106529814B (zh) * 2016-11-21 2020-01-07 武汉大学 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
FR3072514B1 (fr) * 2017-10-12 2021-09-24 Evolution Energie Systeme de controle et de pilotage d’equipements energetiques distribues.
SG10201802208QA (en) * 2018-03-16 2019-10-30 Sun Electric Digital Stream Ltd Operation method and system for distributed generation
CN110516944B (zh) * 2019-08-20 2022-04-15 国网江苏省电力有限公司 一种配电网多阶段典型运行场景生成方法
US20210143639A1 (en) * 2019-11-08 2021-05-13 Global Energy Interconnection Research Institute Co. Ltd Systems and methods of autonomous voltage control in electric power systems
CN110929948B (zh) * 2019-11-29 2022-12-16 上海电力大学 基于深度强化学习的完全分布式智能电网经济调度方法
CN111144728B (zh) * 2019-12-18 2023-08-04 东南大学 基于深度强化学习的热电联产系统经济调度方法
CN111709672B (zh) * 2020-07-20 2023-04-18 国网黑龙江省电力有限公司 基于场景和深度强化学习的虚拟电厂经济调度方法
CN112507614B (zh) * 2020-12-01 2021-09-07 广东电网有限责任公司中山供电局 一种分布式电源高渗透率地区电网综合优化方法
CN113363998B (zh) * 2021-06-21 2022-06-28 东南大学 一种基于多智能体深度强化学习的配电网电压控制方法
CN113572163B (zh) * 2021-07-28 2023-04-07 三峡大学 基于改进仿射算法的分布式电源主动配电网优化调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021203733A1 (zh) * 2020-04-07 2021-10-14 江苏润和智融科技有限公司 电力边缘网关设备及基于该设备的传感数据上链存储方法
CN112886615A (zh) * 2021-03-23 2021-06-01 清华大学 一种基于5g和泛在资源的二次调频协同控制系统及方法

Also Published As

Publication number Publication date
CN114169627A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Wang et al. Interactive dispatch modes and bidding strategy of multiple virtual power plants based on demand response and game theory
Wang et al. Transactive energy sharing in a microgrid via an enhanced distributed adaptive robust optimization approach
Jia et al. Joint operation and transaction mode of rural multi microgrid and distribution network
CN108599373A (zh) 高比例可再生能源电力系统输配协调调度目标级联分析法
CN109523060A (zh) 高比例可再生能源在输配电网协同接入下的配比优化方法
CN111340299B (zh) 一种微电网多目标优化调度方法
CN106877339B (zh) 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法
CN107492886A (zh) 一种区域电力市场下含风电的电网月度购电方案优化方法
CN103578047B (zh) 一种电力系统源‑网‑荷互动控制方法
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
Lin et al. Blockchain-based intelligent charging station management system platform
CN115358519A (zh) 一种虚拟电厂优化调度方法及装置
CN114169627B (zh) 一种深度强化学习分布式光伏发电激励的系统
CN113343571A (zh) 一种农村配电网中的分布式光伏电能消纳方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
Chupradit et al. Modeling and Optimizing the Charge of Electric Vehicles with Genetic‎ Algorithm in the Presence of Renewable Energy Sources
CN117254501A (zh) 一种新能源侧集中式共享储能容量规划方法及系统
CN117040027A (zh) 一种农村虚拟电厂的协调优化方法和装置
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
CN109687531A (zh) 一种大规模风电接入下的火电机组灵活性改造方法
CN117353350A (zh) 多虚拟电厂运行优化方法、系统、设备及存储介质
CN117455720A (zh) 一种基于多智能体的微电网社区的电力能源交易方法
CN117933445A (zh) 一种农村虚拟电厂售电商系统的双层优化方法和装置
CN116012051A (zh) 一种基于灵活性的新型储能参与电力市场的出清方法
CN117728378A (zh) 分散式虚拟电厂整合智能净零的混合系统及其方法

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