CN114662798B - 一种基于电网经济运行域的调度方法及装置、电子设备 - Google Patents

一种基于电网经济运行域的调度方法及装置、电子设备 Download PDF

Info

Publication number
CN114662798B
CN114662798B CN202210533336.9A CN202210533336A CN114662798B CN 114662798 B CN114662798 B CN 114662798B CN 202210533336 A CN202210533336 A CN 202210533336A CN 114662798 B CN114662798 B CN 114662798B
Authority
CN
China
Prior art keywords
power grid
economic operation
operation domain
scheduling
uncertainty
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
CN202210533336.9A
Other languages
English (en)
Other versions
CN114662798A (zh
Inventor
徐华廷
郭创新
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210533336.9A priority Critical patent/CN114662798B/zh
Publication of CN114662798A publication Critical patent/CN114662798A/zh
Application granted granted Critical
Publication of CN114662798B publication Critical patent/CN114662798B/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
    • 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
    • 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
    • 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

Abstract

本发明公开了一种基于电网经济运行域的调度方法及装置、电子设备。本发明针对电网不确定性因素导致传统调度计划制定偏保守的问题，提出能够量化分析不确定性因素对电网调度计划安排影响的经济调度方法：确定制定电网调度计划需要考虑的不确定性因素和调度目标；根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划。本方法有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳，具有较好的应用前景。

Description

一种基于电网经济运行域的调度方法及装置、电子设备
技术领域
本申请涉及电网智能调度技术领域，尤其涉及一种基于电网经济运行域的调度方法及装置、电子设备。
背景技术
近年来，环境污染、能源安全等问题日益显著，世界各国积极探索能源转型技术，寻求能源的可持续发展。
然而，新型电力系统呈现多重不确定性相互叠加的特点，例如，新能源出力不确定性、负荷需求响应不确定性以及极端天气等多种因素引发的电网运行不确定性等。针对新型电力系统多重不确定性因素相互叠加，将导致新能源消纳困难的问题。
发明内容
本申请实施例的目的是提供一种基于电网经济运行域的调度方法及装置、电子设备，以解决相关技术中存在的新型电力系统多重不确定性因素相互叠加，将导致新能源消纳困难的问题。
根据本申请实施例的第一方面，提供一种基于电网经济运行域的调度方法，包括：
确定制定电网调度计划需要考虑的不确定性因素和调度目标；
根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
进一步地，所述电网经济运行域为：记u t 为t时刻电网的所述不确定性因素，U t 为u t 的集合，f t 表示t时刻电网的优化调度模型，x t =f t (u t )表示t时刻电网在f t 下的所述最优调度计划，S t 为x t 的集合，若对于任意u t ∈U t ，S t 中都至少存在一个x t 使x t =f t (u t )成立，且对于任意x t ∈S t ，U t 中也至少存在一个u t 使x t =f t (u t )成立，则称调度计划集合S t 为t时刻优化调度模型为f t 且不确定性变量集合为U t 的电网经济运行域。
进一步地，所述电网经济运行域包括特定调度目标下考虑所述不确定性因素的电网最优调度计划集合。
进一步地，电网经济运行域形态包括凸包经济运行域和箱型经济运行域。
进一步地，凸包经济运行域即为覆盖电网经济运行域的凸包，t时刻的凸包经济运行域表达式如下：
Figure 434460DEST_PATH_IMAGE001
（1）
式中，
Figure 820442DEST_PATH_IMAGE002
为t时刻电网经济运行域S t 中的任意经济运行点；k为任意正整数；
Figure 193654DEST_PATH_IMAGE003
为非 负实数，且
Figure 57705DEST_PATH_IMAGE004
。
进一步地，箱型经济运行域即为由箱型约束围成的电网经济运行域近似空间，t时刻箱型经济运行域的表达式如下：
Figure 213355DEST_PATH_IMAGE005
（2）
式中，
Figure 363714DEST_PATH_IMAGE006
和
Figure 365168DEST_PATH_IMAGE007
分别为对角矩阵；
Figure 642697DEST_PATH_IMAGE008
和
Figure 45996DEST_PATH_IMAGE009
分别为电网经济运 行域
Figure 367256DEST_PATH_IMAGE010
中的经济运行点各维度元素能够取的下边界值和上边界值组成的列向量，该边界值 既可根据工程需要来人为设定，也可基于特定优化算法计算得出，E为单位矩阵；0表示全部 元素均为0的矩阵。
进一步地，基于所述电网经济运行域实时计算最优调度计划包括：
步骤101：载入已经训练好的Actor网络参数
Figure 590427DEST_PATH_IMAGE011
，设置最大调整步数Tmax，初始化当 前时间步t=1；
步骤102：读取电网新能源超短期预测出力；
步骤103：将电网状态s t 输入至Actor网络，计算动作
Figure 671647DEST_PATH_IMAGE012
；
步骤104：基于映射策略
Figure 663874DEST_PATH_IMAGE013
设置可调发电机有功出力，更新t=t+1，其中
Figure 687193DEST_PATH_IMAGE014
步骤105：若t小于Tmax，则返回至步骤103，否则执行步骤106；
步骤106：输出最优调度计划
Figure 397660DEST_PATH_IMAGE015
。
进一步地，Actor网络的训练过程包括：
步骤S201：随机初始化Actor网络参数
Figure 751412DEST_PATH_IMAGE011
和Critic网络参数
Figure 863725DEST_PATH_IMAGE016
；
步骤S202：初始化Target Actor网络参数
Figure 792367DEST_PATH_IMAGE017
和Target Critic网络参数
Figure 990130DEST_PATH_IMAGE018
；
步骤S203：初始化经验池
Figure 410222DEST_PATH_IMAGE019
，初始化总训练回合数M，初始化每个回合的最大 执行动作次数Tmax，初始化当前回合数k=0，初始化探索概率ε=1；
步骤S204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k+1，设置当前时间步t=1；
步骤S205：基于ε-greedy策略选择动作a t ，并更新ε=max(0.1，ε*0.999)；
步骤S206：执行动作a t ，基于如下映射关系调整各发电机出力；
Figure 377041DEST_PATH_IMAGE020
其中，
Figure 742164DEST_PATH_IMAGE021
，
Figure 161644DEST_PATH_IMAGE022
为0到1之间的连续变量，i=1,2,…,N，N为所述 电网经济运行域顶点的数量，
Figure 388357DEST_PATH_IMAGE013
为所有可调发电机有功出力组成的列向量，且当
Figure 209682DEST_PATH_IMAGE023
时，令
Figure 745706DEST_PATH_IMAGE024
；
步骤S207：计算即时奖励r t ，读取电网新状态st+1，存储经验元组(s t ，a t ，r t ，s t+1)至 经验池
Figure 652482DEST_PATH_IMAGE025
；
步骤S208：从经验池
Figure 417307DEST_PATH_IMAGE025
中随机采样K个样本，计算
Figure 358718DEST_PATH_IMAGE026
， 更新Critic网络参数，使
Figure 65643DEST_PATH_IMAGE027
最小，更新Actor网络参数
Figure 459715DEST_PATH_IMAGE028
，更新两个Target网络参数
Figure 28231DEST_PATH_IMAGE029
，
Figure 558569DEST_PATH_IMAGE030
，更新t=t+1；
其中
Figure 436395DEST_PATH_IMAGE031
为权衡期望奖励值的系数，
Figure 317764DEST_PATH_IMAGE032
为决定两个Target网络参数更新速度的参数，
Figure 687041DEST_PATH_IMAGE033
为中间变量；
步骤S209：若t小于Tmax，则返回至步骤S205，否则执行步骤S210；
步骤S210：若t等于Tmax，且k小于M，则返回至步骤S204，否则执行步骤S211；
步骤S211：结束训练，输出神经网络参数
Figure 337465DEST_PATH_IMAGE011
。
根据本申请实施例的第二方面，提供一种基于电网经济运行域的调度装置，包括：
确定模块，用于确定制定电网调度计划需要考虑的不确定性因素和调度目标；
刻画模块，用于根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
计算模块，用于根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请由于电网经济运行域能够滚动刻画特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于电网经济运行域的调度方法的流程图。
图2是根据一示例性实施例示出的IEEE-9测试系统的单线图。
图3是根据一示例性实施例示出的IEEE-9测试系统的精确经济运行域。
图4是根据一示例性实施例示出的IEEE-9测试系统的凸包经济运行域。
图5是根据一示例性实施例示出的IEEE-9测试系统的箱型经济运行域。
图6是根据一示例性实施例示出的一种基于电网经济运行域的调度装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的一种基于电网经济运行域的调度方法的流程图，如图1所示，该方法应用于电网中，可以包括以下步骤：
步骤S1：确定制定电网调度计划需要考虑的不确定性因素和调度目标；
步骤S2：根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
步骤S3：根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划。
可知，本申请由于电网经济运行域能够滚动刻画特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率。
为方便起见，以修改的IEEE-9测试系统（单线图如图2所示）为例，假设负荷L1=100MW、负荷L2=100MW、负荷L3=100MW，发电机技术出力区间均为30MW~100MW，假设所有线路的传输功率为无穷大，线损为0，且三台常规发电机的发电成本始终为G1>G2>G3。
在步骤S1的具体实施中，确定制定电网调度计划需要考虑的不确定性因素和调度目标；
具体地，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成，其中：
新能源出力不确定性是指特定置信度下新能源出力区间范围。负荷水平不确定性是指特定置信度下计及需求响应后的负荷水平区间范围；
设备非计划停运不确定性是指电网的发电单元或输电设备因内部故障而导致的意外停运；
自然灾害不确定性是指电网发电单元或输电设备受外部极端天气因素影响而导致的意外停运；
人因风险不确定性是指因人为操作失误或判断失误而导致的电网发电单元或输电设备意外停运。
所述调度目标可设置为电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低等任意调度偏好，调度目标可以为以上单个调度偏好，也可以为以上多个调度偏好的加权组合。
本实施例为不确定性因素仅考虑电网在运行时面临的新能源出力不确定性，且假设新能源W1和W2出力的不确定性区间均为25MW~100MW，将新能源全额消纳且发电成本最低设置为调度目标的情况。
在步骤S2的具体实施中，根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
其中，电网经济运行域为：记u t 为t时刻电网的所述不确定性因素，U t 为u t 的集合，f t 表示t时刻电网的优化调度模型，x t =f t (u t )表示t时刻电网在f t 下的所述最优调度计划，S t 为x t 的集合，若对于任意u t ∈U t ，S t 中都至少存在一个x t 使x t =f t (u t )成立，且对于任意x t ∈S t ，U t 中也至少存在一个u t 使x t =f t (u t )成立，则称调度计划集合S t 为t时刻优化调度模型为f t 且不确定性变量集合为U t 的电网经济运行域。
具体地，电网经济运行域刻画了特定调度偏好下计及各类不确定性因素经济性影响的电网最优调度计划集合，电网经济运行域是电网安全域的补充，在考虑安全性的同时兼顾了运行经济性。
本实施例考虑新能源出力不确定性后，如图3所示，修改的IEEE-9测试系统的三台发电机的经济运行点轨迹为一条折线，其电网经济运行域是一个由三条线段构成的非凸集合。
具体地，电网经济运行域形态包括凸包经济运行域和箱型经济运行域。
凸包经济运行域即为覆盖电网经济运行域的凸包，t时刻的凸包经济运行域表达式如下：
Figure 120613DEST_PATH_IMAGE001
（1）
式中，
Figure 489277DEST_PATH_IMAGE002
为t时刻电网经济运行域
Figure 399596DEST_PATH_IMAGE010
中的任意经济运行点；k为任意正整数；为非负 实数，且
Figure 29160DEST_PATH_IMAGE004
。
进一步地，由表达式（1）可知，t时刻的凸包经济运行域本质为，电网经济运行域
Figure 858576DEST_PATH_IMAGE010
内任意经济运行点的所有凸组合构成的集合。
凸包经济运行域是所述电网经济运行域
Figure 589903DEST_PATH_IMAGE010
的凸包，一方面可以非常方便的嵌入到 任意优化调度问题中，且不会改变原优化调度问题的凸性，即不会增加原优化调度问题在 算法上的求解难度；另一方面，凸包经济运行域能够覆盖所有最优调度计划，不会使最优调 度计划的求解变保守。
本实施例考虑新能源出力不确定性后，修改的IEEE-9测试系统的凸包经济运行域是一个四面体，具体如图4所示。
箱型经济运行域即为由箱型约束围成的电网经济运行域近似空间，t时刻箱型经济运行域的表达式如下：
Figure 428546DEST_PATH_IMAGE005
（2）
式中，
Figure 647037DEST_PATH_IMAGE006
和
Figure 912934DEST_PATH_IMAGE007
分别为对角矩阵；
Figure 865977DEST_PATH_IMAGE008
和
Figure 508311DEST_PATH_IMAGE009
分别为电网经济运 行域
Figure 112468DEST_PATH_IMAGE010
中的经济运行点各维度元素能够取的下边界值和上边界值组成的列向量，该边界值 既可根据工程需要来人为设定，也可基于特定优化算法计算得出，不同的优化算法会得出 不同的边界值，例如基于两阶段鲁棒优化算法得出的边界结果一般会篇保守；E为单位矩 阵；0表示全部元素均为0的矩阵。
本实施例考虑新能源出力不确定性后，修改的IEEE-9测试系统的箱型经济运行域 如图5中立方体区域所示，立方体的大小与
Figure 549266DEST_PATH_IMAGE008
和
Figure 986676DEST_PATH_IMAGE009
的取值有关，图5中的(a)为
Figure 167121DEST_PATH_IMAGE008
= [30,30,40]、
Figure 625784DEST_PATH_IMAGE009
=[50,100,100]时的箱型经济运行域，图5中的(b)为
Figure 233483DEST_PATH_IMAGE008
=[32,35,45]、
Figure 161119DEST_PATH_IMAGE009
=[48,95,95]时的箱型经济运行域。
本实施例确定的电网经济运行域能够滚动刻画电网经济运行边界，给出电网最优调度计划集合，缩小实时调度计划生成算法对最优调度计划的搜索空间。尤其是与基于人工智能的实时调度计划生成算法相结合，通过在经济运行域内进行学习训练，极大减小相关学习算法的动作空间，显著提高训练效率，并基于训练结果，实现电网最优调度计划的在线求解。
由上述实施例可知，电网经济运行域、凸包经济运行域和箱型经济运行域分别在不同程度上刻画了特定调度偏好下考虑新能源出力不确定性的电网最优调度计划集合，圈定了电网经济运行边界，缩小了实时调度计划生成算法对最优调度计划的搜索空间，有助于提高新能源电力系统调度的智能化和精细化程度，提升新能源消纳率，在实际应用中，可以根据需要选取经济运行域形态。
在步骤S3的具体实施中，根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
具体地，以仅考虑新能源出力不确定性且电网有能力全额消纳新能源为例，将电网运行状态表示为s t =(P t ，Q t ，V t )，其中P t 为t时间步时，电网所有母线节点的注入有功功率组成的向量，Q t 为t时间步时，电网所有PQ节点注入的无功功率组成的向量，V t 为t时间步时，电网所有PV节点的电压幅值组成的向量。在具体实施中，此步骤可以包括以下子步骤：
步骤101：载入已经训练好的Actor网络的参数
Figure 879676DEST_PATH_IMAGE011
，设置每个回合的最大执行动作 次数Tmax，初始化当前时间步t=1；
具体地，Actor网络的训练过程包括：
步骤S201：随机初始化Actor网络参数
Figure 458425DEST_PATH_IMAGE011
和Critic网络参数
Figure 237025DEST_PATH_IMAGE016
，读取电网经济运 行域内所有顶点；
具体地，神经网络类型和大小需与具体的电力系统规模相适应，能拟合出经济运行域内所有最优调度计划即可（可以根据经验和调参来确定），电网状态s t 作为Actor网络的收入，动作a t 作为Actor网络的输出，s t 和a t 同时作为Critic网络的输入，Critic网络的输出为一个标量，用来评价动作a t 的执行效果，Critic网络输出的标量值越大，表示动作a t 的执行效果越好，读取电网经济运行域（凸包经济运行域或箱型经济运行域）内所有顶点。
步骤S202：初始化Target Actor网络参数
Figure 651957DEST_PATH_IMAGE017
和Target Critic网络参数
Figure 174206DEST_PATH_IMAGE018
；
具体地，Target Actor网络和Target Critic网络可以提高训练稳定性。
步骤S203：初始化经验池
Figure 607461DEST_PATH_IMAGE019
，初始化总训练回合数M，初始化每个回合的最大 执行动作次数Tmax，初始化当前回合数k=0，初始化探索概率ε=1；
具体地，在之后的步骤S205中，基于ε-greedy策略选择动作a t 时，以ε概率基于Ornstein-Uhlenbeck过程执行动作a t ，这样可以较快的探索到合适的动作策略，提高训练效率，因此在本步骤中还需要先初始化一个Ornstein-Uhlenbeck过程。
步骤S204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k+1，设置当前时间步t=1；
具体地，在新能源预测出力范围内，随机初始化所有新能源出力，有利于本算法自主学习所有新能源出力场景下的电网最优调度计划。
步骤S205：基于ε-greedy策略选择动作a t ，并更新ε=max(0.1，ε*0.999)；
具体地，基于ε-greedy策略选择动作a t ，有利于本算法逐步探索到合适的动作策略。
步骤S206：执行动作a t ，基于如下映射关系调整各发电机出力；
Figure 556962DEST_PATH_IMAGE034
其中，
Figure 928032DEST_PATH_IMAGE021
，
Figure 519550DEST_PATH_IMAGE022
为0到1之间的连续变量，i=1,2,…,N，N为所述 电网经济运行域顶点的数量，
Figure 807312DEST_PATH_IMAGE013
为所有可调发电机有功出力组成的列向量，且当
Figure 927715DEST_PATH_IMAGE023
时，令
Figure 314309DEST_PATH_IMAGE024
；
具体地，基于上述映射关系，可以将本算法的动作空间限制在经济运行域内，从而缩小动作空间，极大提高训练效率。
步骤S207：计算即时奖励r t ，读取电网新状态st+1，存储经验元组(s t ，a t ，r t ，s t+1)至 经验池
Figure 37415DEST_PATH_IMAGE025
；
具体地，设置奖励函数r t 为
Figure 55049DEST_PATH_IMAGE035
其中a i 、b i 、c i 分别为可调发电机运行成本系数，p i 为可调发电机i的有功出力，p i,max 为可调发电机i的最大有功出力，G为可调发电机数量。
具体地，当潮流收敛且平衡机不越限时，可调机组发电成本越低，奖励函数r t 返回的奖励值越大，当潮流不收敛或平衡机越限时，奖励函数r t 均返回最小的奖励值，根据计算得到的奖励值，决定Actor网络和Critic网络参数的更新方向。
步骤S208：从经验池
Figure 487299DEST_PATH_IMAGE025
中随机采样K个样本，计算
Figure 488753DEST_PATH_IMAGE036
， 更新Critic网络参数，使
Figure 15549DEST_PATH_IMAGE027
最小，更新Actor网络参数
Figure 887690DEST_PATH_IMAGE028
，更新两个Target网络参数
Figure 490841DEST_PATH_IMAGE037
，
Figure 714012DEST_PATH_IMAGE038
，更新t=t+1；
具体地，基于上述策略更新两个Target网络参数，可以提高本算法的训练稳定性。 其中
Figure 44499DEST_PATH_IMAGE033
为中间变量，仅用于代指公式
Figure 36726DEST_PATH_IMAGE039
，使后续公式更简 洁。
Figure 810778DEST_PATH_IMAGE031
为权衡期望奖励值的系数，本算法中取值为0.9，
Figure 255666DEST_PATH_IMAGE032
为决定两个Target网络参数更新速 度的参数，本算法中取值为0.00005。
步骤S209：若t小于Tmax，则返回至步骤S205，否则执行步骤S210；
具体地，如果当前执行次数t小于最大执行动作次数Tmax，则返回步骤S205开始下一个训练回合，重新选择动作并执行，即进行下一轮训练；反之则进行下一步。
步骤S210：若t等于Tmax，且k小于M，则返回至步骤S204，否则执行步骤S211；
具体地，若当前执行次数t小于最大执行动作次数Tmax即本训练回合已完成，且当前回合数k小于总训练回合数M即未达到预设的训练回合数，需要返回步骤S204继续训练，反之则停止训练，进行下一步。
步骤S211：结束训练，输出神经网络参数
Figure 389844DEST_PATH_IMAGE011
。
具体地，训练结束后可以得到神经网络参数
Figure 502156DEST_PATH_IMAGE011
，
Figure 913022DEST_PATH_IMAGE016
，
Figure 110785DEST_PATH_IMAGE040
，
Figure 783075DEST_PATH_IMAGE041
，其中需要的是训练 好的Actor网络及其参数
Figure 749894DEST_PATH_IMAGE011
。
步骤102：读取电网新能源超短期预测出力；
具体地，根据电网新能源超短期预测出力，生成对应的电网状态s t 。
步骤103：将电网状态s t 输入至Actor网络，计算动作
Figure 865748DEST_PATH_IMAGE042
；
具体地，基于Actor网络计算动作
Figure 550808DEST_PATH_IMAGE043
可以有较快的速度，满足最优调度计划在线计 算的实时性需求；
步骤104：基于映射策略
Figure 761209DEST_PATH_IMAGE013
设置可调发电机有功出力，更新t=t+1，其中
Figure 848114DEST_PATH_IMAGE014
具体地，基于上述映射策略将动作
Figure 869290DEST_PATH_IMAGE043
映射至具体的发电机有功出力，即最优调度 计划。
步骤105：若t小于Tmax，则返回至步骤103，否则执行步骤106；
具体地，如果一个回合未结束，则继续迭代至完成一个回合。
步骤106：输出最优调度计划
Figure 41646DEST_PATH_IMAGE015
。
与前述的基于电网经济运行域的调度方法的实施例相对应，本申请还提供了基于电网经济运行域的调度装置的实施例。
图6是根据一示例性实施例示出的一种基于电网经济运行域的调度装置框图。参照图6，该装置可以包括：
确定模块21，用于确定制定电网调度计划需要考虑的不确定性因素和调度目标；
刻画模块22，用于根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
计算模块23，用于根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于电网经济运行域的调度方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的基于电网经济运行域的调度方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (8)

1.一种基于电网经济运行域的调度方法，其特征在于，包括：
确定制定电网调度计划需要考虑的不确定性因素和调度目标；
根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
根据所述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成；
其中，基于所述电网经济运行域实时计算最优调度计划包括：
步骤101：载入已经训练好的Actor网络参数
Figure 519010DEST_PATH_IMAGE001
，设置最大调整步数Tmax，初始化当前时 间步t=1；
步骤102：读取电网新能源超短期预测出力；
步骤103：将电网状态s t 输入至Actor网络，计算动作
Figure 214434DEST_PATH_IMAGE002
；
步骤104：基于映射策略
Figure 721639DEST_PATH_IMAGE003
设置可调发电机有功出力，更新t=t+1，其中
Figure 793500DEST_PATH_IMAGE004
步骤105：若t小于Tmax，则返回至步骤103，否则执行步骤106；
步骤106：输出最优调度计划
Figure 702550DEST_PATH_IMAGE005
；
其中，Actor网络的训练过程包括：
步骤S201：随机初始化Actor网络参数
Figure 568875DEST_PATH_IMAGE001
和Critic网络参数
Figure 828955DEST_PATH_IMAGE006
；
步骤S202：初始化Target Actor网络参数
Figure 173349DEST_PATH_IMAGE007
和Target Critic网络参数
Figure 202485DEST_PATH_IMAGE008
；
步骤S203：初始化经验池
Figure 974131DEST_PATH_IMAGE009
，初始化总训练回合数M，初始化每个回合的最大执行 动作次数Tmax，初始化当前回合数k=0，初始化探索概率ε=1；
步骤S204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k+1，设置当前时间步t=1；
步骤S205：基于ε-greedy策略选择动作a t ，并更新ε=max(0.1，ε*0.999)；
步骤S206：执行动作a t ，基于如下映射关系调整各发电机出力；
Figure 222972DEST_PATH_IMAGE010
其中，
Figure 371057DEST_PATH_IMAGE011
，
Figure 254699DEST_PATH_IMAGE012
为0到1之间的连续变量，i=1,2,…,N，N为所述电网经 济运行域顶点的数量，
Figure 462827DEST_PATH_IMAGE003
为所有可调发电机有功出力组成的列向量，且当
Figure 431920DEST_PATH_IMAGE013
时，令
Figure 383695DEST_PATH_IMAGE014
；
步骤S207：计算即时奖励r t ，读取电网新状态st+1，存储经验元组(s t ，a t ，r t ，s t+1)至经验 池
Figure 121844DEST_PATH_IMAGE015
；
步骤S208：从经验池
Figure 500873DEST_PATH_IMAGE015
中随机采样K个样本，计算
Figure 691683DEST_PATH_IMAGE016
，更新Critic网络参数，使
Figure 447149DEST_PATH_IMAGE017
最小，更新Actor网络参数
Figure 39805DEST_PATH_IMAGE018
，更新两个Target网络参数
Figure 353849DEST_PATH_IMAGE019
，
Figure 297534DEST_PATH_IMAGE020
，更新t=t+1；
其中
Figure 325533DEST_PATH_IMAGE021
为权衡期望奖励值的系数，
Figure 38274DEST_PATH_IMAGE022
为决定两个Target网络参数更新速度的参数，
Figure 759106DEST_PATH_IMAGE023
为 中间变量；
步骤S209：若t小于Tmax，则返回至步骤S205，否则执行步骤S210；
步骤S210：若t等于Tmax，且k小于M，则返回至步骤S204，否则执行步骤S211；
步骤S211：结束训练，输出神经网络参数
Figure 924508DEST_PATH_IMAGE001
。
2.根据权利要求1所述的方法，其特征在于，所述电网经济运行域为：记u t 为t时刻电网的所述不确定性因素，U t 为u t 的集合，f t 表示t时刻电网的优化调度模型，x t =f t (u t )表示t时刻电网在f t 下的所述最优调度计划，S t 为x t 的集合，若对于任意u t ∈U t ，S t 中都至少存在一个x t 使x t =f t (u t )成立，且对于任意x t ∈S t ，U t 中也至少存在一个u t 使x t =f t (u t )成立，则称调度计划集合S t 为t时刻优化调度模型为f t 且不确定性变量集合为U t 的电网经济运行域。
3.根据权利要求2所述的方法，其特征在于，所述电网经济运行域包括特定调度目标下考虑所述不确定性因素的电网最优调度计划集合。
4.根据权利要求1所述的方法，其特征在于，电网经济运行域形态包括凸包经济运行域和箱型经济运行域。
5.根据权利要求4所述的方法，其特征在于，凸包经济运行域即为覆盖电网经济运行域的凸包，t时刻的凸包经济运行域表达式如下：
Figure 21777DEST_PATH_IMAGE024
（1）
式中，
Figure 589024DEST_PATH_IMAGE025
为t时刻电网经济运行域S t 中的任意经济运行点；k为任意正整数；
Figure 480757DEST_PATH_IMAGE026
为非负实 数，且
Figure 399034DEST_PATH_IMAGE027
。
6.根据权利要求4所述的方法，其特征在于，箱型经济运行域即为由箱型约束围成的电网经济运行域近似空间，t时刻箱型经济运行域的表达式如下：
Figure 270301DEST_PATH_IMAGE028
（2）
式中，
Figure DEST_PATH_IMAGE029
和
Figure 488792DEST_PATH_IMAGE030
分别为对角矩阵；
Figure 817006DEST_PATH_IMAGE031
和
Figure 691421DEST_PATH_IMAGE032
分别为电网经济运行域
Figure 396071DEST_PATH_IMAGE033
中的经济运行点各维度元素能够取的下边界值和上边界值组成的列向量，该边界值既可 根据工程需要来人为设定，也可基于特定优化算法计算得出，E为单位矩阵；0表示全部元素 均为0的矩阵。
7.一种基于电网经济运行域的调度装置，其特征在于，包括：
确定模块，用于确定制定电网调度计划需要考虑的不确定性因素和调度目标；
刻画模块，用于根据所述不确定性因素和调度目标滚动刻画电网经济运行域，并根据实际工程需要选择电网经济运行域形态；
计算模块，用于根据上述电网经济运行域形态，基于所述电网经济运行域实时计算最优调度计划；
其中，所述不确定性因素包括电网在运行时面临的新能源出力不确定性、负荷水平不确定性、设备非计划停运不确定性、自然灾害不确定性和人因风险不确定性，所述调度目标由电网发电成本最低、新能源消纳率最高、碳排放量最低、系统网损最小、系统运行风险最低中的一个或多个加权组合而成；
其中，基于所述电网经济运行域实时计算最优调度计划包括：
步骤101：载入已经训练好的Actor网络参数
Figure 672332DEST_PATH_IMAGE001
，设置最大调整步数Tmax，初始化当前时 间步t=1；
步骤102：读取电网新能源超短期预测出力；
步骤103：将电网状态s t 输入至Actor网络，计算动作
Figure 171446DEST_PATH_IMAGE002
；
步骤104：基于映射策略
Figure 533158DEST_PATH_IMAGE003
设置可调发电机有功出力，更新t=t+1，其中
Figure 510341DEST_PATH_IMAGE034
步骤105：若t小于Tmax，则返回至步骤103，否则执行步骤106；
步骤106：输出最优调度计划
Figure 670802DEST_PATH_IMAGE005
；
其中，Actor网络的训练过程包括：
步骤S201：随机初始化Actor网络参数
Figure 75238DEST_PATH_IMAGE001
和Critic网络参数
Figure 189825DEST_PATH_IMAGE006
；
步骤S202：初始化Target Actor网络参数
Figure 705120DEST_PATH_IMAGE007
和Target Critic网络参数
Figure 221552DEST_PATH_IMAGE008
；
步骤S203：初始化经验池
Figure 796889DEST_PATH_IMAGE009
，初始化总训练回合数M，初始化每个回合的最大执行 动作次数Tmax，初始化当前回合数k=0，初始化探索概率ε=1；
步骤S204：在新能源预测出力范围内，随机初始化所有新能源出力，在所述电网经济运行域内随机初始化可调发电机出力，并更新k=k+1，设置当前时间步t=1；
步骤S205：基于ε-greedy策略选择动作a t ，并更新ε=max(0.1，ε*0.999)；
步骤S206：执行动作a t ，基于如下映射关系调整各发电机出力；
Figure 398772DEST_PATH_IMAGE035
其中，
Figure 717758DEST_PATH_IMAGE011
，
Figure 88696DEST_PATH_IMAGE012
为0到1之间的连续变量，i=1,2,…,N，N为所述电网经 济运行域顶点的数量，
Figure 834936DEST_PATH_IMAGE003
为所有可调发电机有功出力组成的列向量，且当
Figure 160000DEST_PATH_IMAGE013
时，令
Figure 282677DEST_PATH_IMAGE014
；
步骤S207：计算即时奖励r t ，读取电网新状态st+1，存储经验元组(s t ，a t ，r t ，s t+1)至经验 池
Figure 508122DEST_PATH_IMAGE015
；
步骤S208：从经验池
Figure 425262DEST_PATH_IMAGE015
中随机采样K个样本，计算
Figure 1737DEST_PATH_IMAGE016
， 更新Critic网络参数，使
Figure 928105DEST_PATH_IMAGE017
最小，更新Actor网络参数
Figure 742477DEST_PATH_IMAGE018
，更新两个Target网络参数
Figure 361677DEST_PATH_IMAGE019
，
Figure 894290DEST_PATH_IMAGE020
，更新t=t+1；
其中
Figure 358769DEST_PATH_IMAGE021
为权衡期望奖励值的系数，
Figure 293227DEST_PATH_IMAGE022
为决定两个Target网络参数更新速度的参数，
Figure 581864DEST_PATH_IMAGE023
为 中间变量；
步骤S209：若t小于Tmax，则返回至步骤S205，否则执行步骤S210；
步骤S210：若t等于Tmax，且k小于M，则返回至步骤S204，否则执行步骤S211；
步骤S211：结束训练，输出神经网络参数
Figure 336193DEST_PATH_IMAGE001
。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
CN202210533336.9A 2022-05-17 2022-05-17 一种基于电网经济运行域的调度方法及装置、电子设备 Active CN114662798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533336.9A CN114662798B (zh) 2022-05-17 2022-05-17 一种基于电网经济运行域的调度方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533336.9A CN114662798B (zh) 2022-05-17 2022-05-17 一种基于电网经济运行域的调度方法及装置、电子设备

Publications (2)

Publication Number Publication Date
CN114662798A CN114662798A (zh) 2022-06-24
CN114662798B true CN114662798B (zh) 2022-09-06

Family

ID=82036380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533336.9A Active CN114662798B (zh) 2022-05-17 2022-05-17 一种基于电网经济运行域的调度方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN114662798B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660385B (zh) * 2022-12-12 2023-07-07 浙江大学 一种电网凸包经济运行域分解并行求解方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606967A (zh) * 2013-11-26 2014-02-26 华中科技大学 一种实现电力系统鲁棒运行的调度方法
CN108270244A (zh) * 2018-01-26 2018-07-10 国网辽宁省电力有限公司 一种新能源电力系统在多种调控域运行方式下调度方法
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN110110937A (zh) * 2019-05-14 2019-08-09 河海大学 一种跨区交直流大电网智能调度自动巡航方法
CN114048903A (zh) * 2021-11-11 2022-02-15 天津大学 一种基于深度强化学习的电网安全运行策略智能优化方法
CN114188980A (zh) * 2021-12-08 2022-03-15 杭州鸿晟电力设计咨询有限公司 一种考虑储能装置的透明微网群经济运行域生成方法
CN114217524A (zh) * 2021-11-18 2022-03-22 国网天津市电力公司电力科学研究院 一种基于深度强化学习的电网实时自适应决策方法
CN114336607A (zh) * 2021-12-30 2022-04-12 国网浙江省电力有限公司电力科学研究院 计及源荷双侧不确定性的电网经济运行域生成方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102983573B (zh) * 2012-11-09 2014-10-15 天津大学 基于安全域的安全约束经济调度方法
CN108964042B (zh) * 2018-07-24 2021-10-15 合肥工业大学 基于深度q网络的区域电网运行点调度优化方法
CN112381375B (zh) * 2020-11-09 2024-03-29 浙江大学 一种基于潮流分配矩阵的电网经济运行域快速生成方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606967A (zh) * 2013-11-26 2014-02-26 华中科技大学 一种实现电力系统鲁棒运行的调度方法
CN108270244A (zh) * 2018-01-26 2018-07-10 国网辽宁省电力有限公司 一种新能源电力系统在多种调控域运行方式下调度方法
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN110110937A (zh) * 2019-05-14 2019-08-09 河海大学 一种跨区交直流大电网智能调度自动巡航方法
CN114048903A (zh) * 2021-11-11 2022-02-15 天津大学 一种基于深度强化学习的电网安全运行策略智能优化方法
CN114217524A (zh) * 2021-11-18 2022-03-22 国网天津市电力公司电力科学研究院 一种基于深度强化学习的电网实时自适应决策方法
CN114188980A (zh) * 2021-12-08 2022-03-15 杭州鸿晟电力设计咨询有限公司 一种考虑储能装置的透明微网群经济运行域生成方法
CN114336607A (zh) * 2021-12-30 2022-04-12 国网浙江省电力有限公司电力科学研究院 计及源荷双侧不确定性的电网经济运行域生成方法及系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
Defense Against Advanced Persistent Threats in Smart Grids: A Reinforcement Learning Approach;Baifeng Ning;《IEEE XPlore》;20211006;全文 *
交直流大电网调度自动巡航架构及关键技术;赵晋泉等;《电力系统自动化》;20191125;第43卷(第22期);全文 *
基于Multi-Agent System的智能配电网自愈控制研究;邵彬;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20160115;全文 *
基于改进型蜻蜓算法的停电计划优化方法;蔡智洋等;《机械与电子》;20201130;第38卷(第11期);全文 *
基于深度强化学习的电网运行方式辅助计算方法;徐华廷;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210415;全文 *
大电网调度自动巡航中经济运行域的构建方法;张逸康等;《电力系统自动化》;20200625;第44卷(第12期);全文 *
大规模风电接入的智能电网多类型柔性负荷分级优化调度;邱晓燕等;《高电压技术》;20160731;第42卷(第7期);全文 *
考虑源一荷波动的电力系统灵活性运行域研究;赵福林等;《浙江大学学报》;20210531;第55卷(第5期);全文 *
计及源荷不确定性的多时间尺度滚动调度计划模型与方法;袁泉等;《电力系统保护与控制》;20190816;第47卷(第16期);全文 *

Also Published As

Publication number Publication date
CN114662798A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Sözen et al. Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey
Yu et al. Unit commitment using Lagrangian relaxation and particle swarm optimization
CN112529256B (zh) 考虑多重不确定性的分布式电源集群日前调度方法和系统
CN107706921B (zh) 基于纳什博弈的微电网电压调节方法和装置
CN114662798B (zh) 一种基于电网经济运行域的调度方法及装置、电子设备
CN116454926B (zh) 一种面向配网三相不平衡治理的多类型资源协同调控方法
CN114640138B (zh) 一种凸包经济运行域的求解方法及装置、电子设备
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
Cao et al. Physics-informed graphical representation-enabled deep reinforcement learning for robust distribution system voltage control
CN114626499A (zh) 用稀疏化注意力辅助决策的嵌入式多智能体强化学习方法
CN117039981A (zh) 一种面向含新能源的大规模电网优化调度方法、装置、存储介质
Kamal K et al. Optimal scheduling of cascaded hydrothermal systems using a new improved particle swarm optimization technique
Zhang et al. Deep reinforcement learning for load shedding against short-term voltage instability in large power systems
CN110048461A (zh) 一种多虚拟电厂分散自律优化方法
CN115660385B (zh) 一种电网凸包经济运行域分解并行求解方法及装置
CN115588998A (zh) 一种基于图强化学习的配电网电压无功优化方法
CN116681154A (zh) 一种基于emd-ao-delm的光伏功率计算方法
CN108428021A (zh) 基于hsa-rrnn的微电网短期负荷预测模型
Li et al. Research on an improved coordinating method based on genetic algorithms and particle swarm optimization
Liu et al. Location and Capacity Determination of Energy Storage System Based on Improved Whale Optimization Algorithm
KR20220071740A (ko) 태양광 발전량 예측 방법 및 시스템
CN112134304B (zh) 一种基于深度学习的微电网全自动导航方法、系统与装置
CN113555888B (zh) 一种微电网储能协调控制的方法
Lau et al. A reinforcement learning algorithm developed to model GenCo strategic bidding behavior in multidimensional and continuous state and action spaces
Sarangi Particle Swarm Optimisation applied to Economic Load Dispatch problem

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