WO2022160705A1 - 综合能源系统调度模型构建方法、装置、介质及电子设备 - Google Patents

综合能源系统调度模型构建方法、装置、介质及电子设备 Download PDF

Info

Publication number
WO2022160705A1
WO2022160705A1 PCT/CN2021/115751 CN2021115751W WO2022160705A1 WO 2022160705 A1 WO2022160705 A1 WO 2022160705A1 CN 2021115751 W CN2021115751 W CN 2021115751W WO 2022160705 A1 WO2022160705 A1 WO 2022160705A1
Authority
WO
WIPO (PCT)
Prior art keywords
reinforcement learning
scheduling
network
training
model
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.)
Ceased
Application number
PCT/CN2021/115751
Other languages
English (en)
French (fr)
Inventor
乔骥
王新迎
蒲天骄
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.)
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
State Grid Corp of China SGCC
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 China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical China Electric Power Research Institute Co Ltd CEPRI
Publication of WO2022160705A1 publication Critical patent/WO2022160705A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the embodiments of the present application relate to the field of optimized operation of an integrated energy system of the Energy Internet, and in particular, to a method, device, medium and electronic device for constructing a scheduling model of an integrated energy system.
  • the flexible gas turbine unit provides a guarantee for stabilizing the intermittent new energy output; for the new energy output that is difficult to be absorbed by the grid, it can be converted into natural gas/hydrogen through the power-to-gas (P2G, Power to Gas) technology and stored in the natural gas pipeline on a large scale middle.
  • P2G Power to Gas
  • the power system and the natural gas system are gradually showing a trend of deep coupling.
  • the basic theory of the optimal operation of the integrated energy system of the Energy Internet and the solving problems involve many control parameters, the operating state is random and changeable, and various state variables are highly coupled, which is often a complex nonlinear and non-convex optimization problem.
  • the centralized control method of the energy Internet increases exponentially with the increase of control devices. Therefore, it is difficult to solve the optimal operation problem of the energy Internet by using traditional computing methods.
  • Embodiments of the present application provide a method, device, medium, and electronic device for constructing an integrated energy system scheduling model, which can solve problems such as slow convergence speed of traditional methods, long decision time, inability to adapt to source-load randomness scenarios, and the need for a large number of simplified assumptions.
  • an embodiment of the present application provides a method for constructing a scheduling model of an integrated energy system.
  • the method includes: acquiring historical data of new energy generation power, electric load, and natural gas load as a training sample, and acquiring the historical data of the integrated energy system.
  • Optimization objective; state variables, action variables, reward function, discount factor and memory bank capacity are determined based on the training samples and the optimization objective as training elements of the deep reinforcement learning model; based on the training elements, the deep reinforcement learning model is performed Iterative training to generate scheduling models.
  • the method for constructing an integrated energy system scheduling model updates the parameters of the neural network through the continuous interaction between deep reinforcement learning and the environment, and adaptively learns the source-charge uncertainty of the electric-pneumatic coupled energy system without introducing mechanism simplification. Hypothesis; the optimal scheduling strategy can be given online and in real time. The continuous control strategy is generated, which reduces the computational error caused by the discretization of actions compared with the traditional discrete reinforcement learning model. It can be applied to the optimal scheduling strategy in the random multi-scenario of new energy, and has good scalability.
  • the optimization objective includes at least one of: minimum operating cost, minimum carbon emission, and maximum new energy consumption rate.
  • the deep reinforcement learning model includes: an actor and an evaluator; the iterative training of the deep reinforcement learning model based on the training elements includes:
  • Initializing the constructed deep reinforcement learning model includes setting the number of training iterations and the scheduling period of each iteration;
  • deep learning is used to input the state variables of the integrated energy system during training, and the scheduling strategy is output as the action variable.
  • the scheduling strategy is applied to the integrated energy, the next state variable continues to be generated, and the environment is constantly interacted in this process.
  • update network parameters and overcome the problems of traditional methods such as slow convergence speed, long decision time, inability to adapt to source-load random scenarios, and the need for a large number of simplified assumptions.
  • the deep neural network automatically and adaptively learns the source-load probability distribution, which can The optimal scheduling strategy is given quickly and online within the stage.
  • the state variable represents the energy flow distribution of the system at each moment;
  • the action variable represents the control variable of the system, including the power generation of conventional units, the power of gas turbines, the power of electricity-to-gas at least one of power and energy storage charging and discharging power;
  • the reward function represents the optimization target classification of the system at each moment;
  • the memory bank capacity represents the memory bank capacity of the reinforcement learning agent, when the agent stores 5 yuan When the number of groups exceeds the capacity value, a certain 5-tuple in the memory bank is randomly deleted, and a new 5-tuple is stored.
  • the method further includes: acquiring the new energy power generation power, electric load, and natural gas load demand in a future dispatch period, and at each time step in the future dispatch period, to the dispatch model
  • the operating state of the system is input into the action of the system, and the scheduling policy at each moment is generated.
  • the actor includes an online policy network of actors and a target policy network thereof;
  • the evaluator includes an online network of evaluators and a target network thereof; the extracted sample-based pairing of the actor and the evaluator parameters are updated, including:
  • the online policy network ⁇ of the actor is updated with the following formula:
  • the target network ⁇ ' of the actor and the target network Q' of the judge are updated.
  • the preset loss function adopts the following formula:
  • y n represents the discount factor equivalence formula
  • y n r n + ⁇ Q′(s n+1 , ⁇ ′(s n+1
  • ⁇ Q′ ),n 1,2.. .m;
  • an embodiment of the present application provides an apparatus for constructing a scheduling model of an integrated energy system, the apparatus comprising:
  • the training sample collection module is configured to obtain the historical data of new energy generation power and electric load and natural gas load as training samples, and to obtain the optimization target of the integrated energy system;
  • a model building module configured to determine a state variable, an action variable, a reward function, a discount factor and a memory bank capacity based on the training sample and the optimization objective, as training elements of the deep reinforcement learning model;
  • the scheduling policy iteration module is configured to iteratively train the deep reinforcement learning model based on the training elements to generate a scheduling model.
  • the embodiments of the present application provide a computer-readable storage medium on which a computer program is stored, and when the program is executed by a processor, implements the method for constructing an integrated energy system scheduling model as described in the embodiments of the present application.
  • an embodiment of the present application provides an electronic device, including a memory, a processor, and a computer program stored in the memory and executed by the processor, and the processor executes the computer program to achieve the implementation of the present application
  • the construction method of the integrated energy system dispatch model described in the example described in the example.
  • the technical solution provided by the embodiment of the present application collects the historical data of new energy power generation and electric load and natural gas load as a training sample, and obtains the optimization target of the integrated energy system; based on the training sample and the optimization target, the state is determined Variables, action variables, reward functions, discount factors, and memory bank capacity are used as training elements of the deep reinforcement learning model; based on the training elements, the deep reinforcement learning model is iteratively trained to generate a scheduling model.
  • This method can overcome the problems of traditional methods such as slow convergence speed, long decision-making time, inability to adapt to source-load random scenarios, and the need for a large number of simplified assumptions.
  • the deep neural network automatically and adaptively learns the source-load probability distribution. The optimal scheduling strategy is given quickly and online within seconds.
  • FIG. 1 is a flowchart of a method for constructing a dispatch model of an integrated energy system provided by an embodiment of the present application
  • Fig. 2(a) is a schematic diagram of deep reinforcement learning in a scheduling model of an integrated energy system provided by an embodiment of the present application;
  • Fig. 2 (b) is the schematic flow chart of the model training method of a kind of comprehensive energy system dispatching model construction method provided by the embodiment of the present application;
  • FIG. 3 is a schematic structural diagram of a scheduling device of an integrated energy system provided by an embodiment of the present application.
  • FIG. 4 is a schematic structural diagram of an electronic device provided by an embodiment of the present application.
  • the reinforcement learning model realizes the gradual accumulation of experience and the continuous improvement of strategies through continuous interaction with the environment.
  • the deep reinforcement learning model combined with deep neural network and reinforcement learning has better adaptive learning ability and optimal decision-making ability for non-convex optimization and nonlinear problems, and is suitable for solving the optimal scheduling problem of integrated energy system.
  • the present application applies a deep reinforcement learning model to an integrated energy system to generate a scheduling strategy.
  • FIG. 1 is a flowchart of a scheduling method for an integrated energy system provided by an embodiment of the present application. This embodiment is applicable to the dispatching of an integrated energy system, and the method can be constructed by the integrated energy system scheduling model construction device provided by the embodiment of the present application.
  • the apparatus can be implemented by software and/or hardware, and can be integrated into electronic equipment.
  • the construction method of the dispatch model of the integrated energy system includes:
  • the optimization objective includes at least one of: minimum operating cost, minimum carbon emission, and maximum new energy consumption rate.
  • the obtaining of the optimization goal of the integrated energy system may be, for example, at least one of the optimization goals of minimum operating cost, minimum carbon emission, and maximum new energy consumption rate.
  • the state variable represents the energy flow distribution of the system at each moment
  • Action variable which represents the control variable of the system, including at least one of conventional unit generating power, gas turbine power, electricity-to-gas power, and energy storage charging and discharging power;
  • the reward function which represents the optimization target classification of the system at each moment
  • the memory capacity indicates the memory capacity of the reinforcement learning agent. When the number of 5-tuples stored by the agent exceeds the capacity value, a certain 5-tuple in the memory will be randomly deleted and a new 5-tuple will be stored.
  • the deep reinforcement learning model includes an actor, an online policy network and its target policy network, a judger, and an online network and its target network.
  • a corresponding deep reinforcement learning model is constructed, including state variable S, action variable A, return function R, discount factor ⁇ and memory bank capacity M;
  • the reinforcement learning model contains four neural networks, respectively are the actor (Actor) online policy network ⁇ and its target policy network ⁇ ', and the critic (Critic) online policy network Q and its target network Q'.
  • the actor, the online strategy network and its target strategy network, the evaluator, and the online network and its target network are all constructed using a fully connected neural network.
  • the deep reinforcement learning model includes: an actor and an evaluator; the performing iterative training on the deep reinforcement learning model based on the training elements includes: performing an iterative training on the constructed deep reinforcement learning model.
  • Initialization includes setting the number of training iterations and the scheduling period of each iteration; starting from the first moment in the scheduling period, calculate the energy flow distribution of the integrated energy system at this moment, obtain the state variables of the system environment, and the moment The operating cost of the system; the state variable is input into the actuator of the deep reinforcement learning model, and the output scheduling strategy is used as the action variable; after the scheduling strategy is superimposed with a normally distributed noise, it acts on the integrated energy system to obtain the next state variable; store the state variable, the scheduling policy, the next state variable, the reward function, and the 5-tuple of whether it is a termination state into the experience playback unit of the reinforcement learning agent; and from the reinforcement learning agent A preset number of samples are extracted from the experience playback unit of the system, the actor and the evaluator
  • the energy flow distribution of the integrated energy system at this time is calculated, and the state variable Sn of the system environment and the operating cost R n of the system at this moment can be obtained.
  • Sn is input to the actor ⁇ of the reinforcement learning model, and outputs the scheduling policy (ie, the action variable) A n .
  • the action variable An acts on the energy system to obtain the next state Sn + 1 of the system.
  • M samples are randomly selected from the experience replay unit of the agent to obtain a sampling set.
  • the actor ⁇ and the judger Q are updated with a sample set (ie m samples).
  • the target network ⁇ ' of the actor and the target network Q' of the judge are updated.
  • the method further includes: continuing to iterate until the iterative convergence is stable to obtain a deep reinforcement learning model.
  • the method further includes: obtaining the new energy power generation power, electric load, and natural gas load demand in the future dispatching period, and the At each time step, the running state of the system is input into the actor of the scheduling model, and the scheduling policy at each moment is generated.
  • the trained model is used for future scheduling policy generation. Predict the power generation of new energy (photovoltaic, wind power, etc.) and the demand for electricity load and natural gas load in a dispatch cycle in the future. At each time step in the dispatch cycle, input the operating status of the system into the action of the dispatch model, and generate one by one. Scheduling strategy at each moment.
  • FIG. 2( b ) is a schematic flowchart of a model training method of a method for constructing an integrated energy system scheduling model provided by an embodiment of the present application.
  • Step 101 collect historical data of new energy (eg photovoltaic, wind power, etc.) power generation, electric load, and natural gas load, and store it in a database as a training sample.
  • new energy eg photovoltaic, wind power, etc.
  • the sampling period of the historical data is consistent with the scheduling period. For example, if the scheduling policy is generated every hour, each historical data in the training sample is also one data point per hour.
  • Step 102 setting an optimization goal of the integrated energy system, including at least one of the goals of system operation cost, carbon emission, and new energy consumption rate.
  • Step 2 is the construction process of the deep reinforcement learning model, as shown in Figure 2(b), including:
  • Step 201 constructing various elements of the reinforcement learning model, for example, including: state variable S (that is, the energy flow distribution of the system at each moment); action variable A (that is, the control variable of the system, such as conventional unit power generation, gas turbine power, power-to-gas (P2G) power, energy storage charging and discharging power, etc.); reward function R (that is, the optimization target classification of the system at each moment); discount factor ⁇ ; memory bank capacity M of reinforcement learning agents, etc.
  • state variable S that is, the energy flow distribution of the system at each moment
  • action variable A that is, the control variable of the system, such as conventional unit power generation, gas turbine power, power-to-gas (P2G) power, energy storage charging and discharging power, etc.
  • reward function R that is, the optimization target classification of the system at each moment
  • discount factor ⁇ memory bank capacity M of reinforcement learning agents, etc.
  • the parameters of the action-judgment network are initialized, and the experience playback unit D is emptied.
  • the action-judgment network includes an actor and an evaluator; the actor includes an actor online policy network and its target policy network; the evaluator includes an online network of evaluators and its target network. Further, initialize the current state Sn of the electrical coupling system (or may also be referred to as an integrated energy system).
  • the reinforcement learning model includes four neural networks, namely the actor (Actor) online policy network ⁇ and its target policy network ⁇ ', and the critic (Critic) online network Q and its target network Q', all of which use the full Connected neural network construction.
  • the online policy network ⁇ and its target policy network ⁇ ' have the same structure, the network parameters are ⁇ ⁇ and ⁇ ⁇ ′ respectively, the input layer dimension is the number of state variables S, and the output is the number of actions;
  • the target network Q' has the same structure, the network parameters are ⁇ Q and ⁇ Q' respectively, and the output dimension is 1.
  • Step 3 specifically includes:
  • Step 303 obtain the action A based on the state S in the actor, that is , input the state variable Sn into the actor ⁇ of the reinforcement learning model, and output the scheduling strategy An as the action variable.
  • step 304 the action variable is applied to the simulation environment, that is, after the action variable An is superimposed with a noise of a normal distribution (the equation of the normal distribution gradually decreases with the iteration), it is applied to the energy system to obtain the next state of the system.
  • variable Sn +1 the equation of the normal distribution gradually decreases with the iteration
  • Step 4 the current state variable Sn , the action variable An, the next state variable Sn +1 , the running cost Rn , whether it is the 5-tuple ⁇ Sn ,An, Sn +1 of the termination state is_end, R n ,is_end ⁇ is stored in the experience playback unit D of the reinforcement learning agent.
  • the training samples in the experience playback unit D are sufficient, if they are sufficient, go to step 5; if not, obtain the current state variable Sn again.
  • Step 5 randomly extract m samples from the experience playback unit, where m is a positive integer.
  • Step 6 is the parameter update process for the evaluator Q and the actor ⁇ , including using the mean square error loss function, updating the parameters of the online policy network of the evaluator through gradient backpropagation; updating the parameters of the often online policy network of the actor, and then using The parameters of the actor target network and the critic target network are updated in a soft update manner. details as follows:
  • Step 601 setting the discount factor equivalence formula; as shown in the following formula 1:
  • y n represents the discount factor equivalence formula
  • ⁇ Q is the parameter of the online network Q of the evaluator
  • ⁇ Q' is the parameter of the target network Q'
  • Sn is the current state variable
  • an is the scheduling strategy.
  • Step 602 uses the following formula to update the parameters of the online policy network ⁇ of the actor:
  • m is the number of randomly drawn samples, represents the partial derivative of the network parameters of the policy network u, represents the partial derivative of the input action a (such as the action variable); ⁇ ⁇ represents the parameter of the online pair policy network u; ⁇ Q is the parameter of the online network Q of the critic.
  • Step 7 Using the soft update method, update the parameters of the target network ⁇ ' of the actor and the target network Q' of the judge, namely
  • ⁇ is the update coefficient, which can be set to 0.01.
  • Step 8 the process from Step 3 to Step 7 above is continued until the iterative convergence is stable, that is, it is determined that the current state is the termination state, and the trained deep reinforcement learning model is saved. At this time, the cumulative reward function R in the entire scheduling period reaches the maximum.
  • Step 9 using the trained deep reinforcement learning model (ie, the scheduling model) to generate a scheduling policy for a future scheduling period. Predict the generation power of new energy sources (photovoltaic, wind power, etc.) and the demand for electricity load and natural gas load in a future dispatch period, and at each time step in the dispatch period, input the operating status of the system into the action of the reinforcement learning model, one by one A scheduling policy at each moment is generated.
  • new energy sources photovoltaic, wind power, etc.
  • the embodiment of the present application does not depend on a specific physical model, and therefore does not need to make a large number of simplification assumptions, but directly and adaptively learns the random distribution of source and load, avoiding calculation errors caused by random simplification.
  • the trained reinforcement learning model can quickly provide scheduling strategies online for different random scheduling scenarios, without the need to re-train the model, and the strategy generation speed is faster.
  • the embodiments of the present application belong to a model-free optimization method and have good scalability.
  • the generated strategy is a continuous control strategy, which reduces the calculation error caused by the discretization of control actions.
  • the embodiment of the present application updates the neural network parameters through the continuous interaction between deep reinforcement learning and the environment, and adaptively learns the source-charge uncertainty of the electric-pneumatic coupled energy system, without introducing mechanism simplification assumptions; optimization can be given online and in real time scheduling strategy.
  • the continuous control strategy is generated, which reduces the computational error caused by the discretization of actions compared with the traditional discrete reinforcement learning model.
  • This method can be applied to the optimal scheduling strategy under random multi-scenarios of new energy sources, and has good scalability.
  • FIG. 3 is a schematic structural diagram of an apparatus for constructing an integrated energy system scheduling model provided by an embodiment of the present application. As shown in Figure 3, the device includes:
  • the training sample collection module 310 is configured to obtain the historical data of the new energy generation power, electric load and natural gas load as training samples, and to obtain the optimization target of the integrated energy system;
  • the model building module 320 is configured to build a deep reinforcement learning model, and determine state variables, action variables, reward functions, discount factors and memory bank capacity based on the training samples and the optimization target, as training elements of the deep reinforcement learning model;
  • the scheduling policy iteration module 330 is configured to iteratively train the deep reinforcement learning model based on the training elements to generate a scheduling model.
  • the optimization objective includes at least one of: minimum operating cost, minimum carbon emission, and maximum new energy consumption rate.
  • the deep reinforcement learning model includes: an actor and an evaluator; the scheduling policy iteration module 330 is configured to initialize the constructed deep reinforcement learning model; the initialization includes setting The number of training iterations and the scheduling period of each iteration; from the first moment in the scheduling period, calculate the energy flow distribution of the integrated energy system at this moment, obtain the state variables of the system environment, and use the reward function to calculate the operation of the system at this moment cost; input the state variable into the actuator of the deep reinforcement learning model, and output the scheduling strategy as an action variable; after the scheduling strategy superimposes a normally distributed noise, it acts on the integrated energy system to obtain the next state variable; Store the state variable, the action variable, the running cost, the next state variable and the 5-tuple of whether it is a termination state into the experience replay unit of the reinforcement learning agent; and replay from the experience of the reinforcement learning agent A preset number of samples are extracted from the unit, and the parameters of the actor and the evaluator are updated based on the extracted samples, and
  • the actor includes an online policy network of actors and a target policy network;
  • the evaluator includes an online network of evaluators and a target network;
  • the scheduling policy iteration module 330 configures To update the actor and evaluator parameters in the following way:
  • the online policy network ⁇ of the actor is updated using the following equation,
  • m is the number of randomly drawn samples, represents the partial derivative of the network parameters of the policy network u, represents the partial derivative of the input action a;
  • ⁇ ⁇ represents the parameter of the online pair policy network u;
  • ⁇ Q is the parameter of the online network Q of the critic;
  • the target network ⁇ ' of the actor and the target network Q' of the judge are updated.
  • the preset loss function adopts the following formula:
  • y n represents the discount factor equivalence formula
  • y n r n + ⁇ Q′(s n+1 , ⁇ ′(s n+1
  • ⁇ Q′ ),n 1,2.. .m;
  • the state variable represents the energy flow distribution of the system at each moment
  • the action variable represents the control variable of the system, including at least one of the conventional generator power, gas turbine power, electricity-to-gas power, and energy storage charging and discharging power;
  • the reward function represents the optimization target classification of the system at each moment
  • the memory bank capacity represents the memory bank capacity of the reinforcement learning agent. When the number of 5-tuples stored by the agent exceeds the capacity value, a certain 5-tuple in the memory bank is randomly deleted, and a new 5-tuple is stored. Group.
  • the device further includes a dispatch strategy generation module, configured to acquire the new energy power generation power, electric load, and natural gas load demand in the future dispatch period, and each time in the future dispatch period At a time step, input the operating state of the system into the action of the scheduling model, and generate the scheduling policy at each moment.
  • a dispatch strategy generation module configured to acquire the new energy power generation power, electric load, and natural gas load demand in the future dispatch period, and each time in the future dispatch period At a time step, input the operating state of the system into the action of the scheduling model, and generate the scheduling policy at each moment.
  • the embodiment of the present application further provides a storage medium containing computer-executable instructions, where the computer-executable instructions are used to execute the method for constructing an integrated energy system scheduling model according to the embodiment of the present application when executed by a computer processor.
  • the storage medium may be any of various types of memory electronic devices or storage electronic devices.
  • Storage medium is intended to include: installation media, such as Compact Disc Read-Only Memory (CD-ROM), floppy disks, or tape devices; computer system memory or random access memory, such as dynamic random access memory ( DRAM, Dynamic Random Access Memory), Double Data Rate Synchronous Dynamic Random Access Memory (DDRSDRAM, Double Data Rate Synchronous Dynamic Random Access Memory), Static Random Access Memory (SRAM, Static Random Access Memory), etc.; non-volatile Memory, such as flash memory, magnetic media (eg hard disk or optical storage); registers or other similar types of memory elements, and the like.
  • the storage medium may also include other types of memory or combinations thereof.
  • the storage medium may be located in the computer system in which the program is executed, or may be located in a different second computer system connected to the computer system through a network such as the Internet.
  • the second computer system may provide program instructions to the computer for execution.
  • the term "storage medium" may include two or more storage media that may reside in different locations (eg, in different computer systems connected by a network).
  • the storage medium may store program instructions (eg, embodied as a computer program) executable by one or more processors.
  • a storage medium containing computer-executable instructions provided by the embodiments of the present application, the computer-executable instructions of which are not limited to the above-mentioned scheduling operations of the integrated energy system, and can also execute the integrated energy system provided by any embodiment of the present application. Relevant operations in scheduling methods for energy systems.
  • FIG. 4 is a schematic structural diagram of an electronic device provided by an embodiment of the present application. As shown in FIG. 4 , this embodiment provides an electronic device 400, which includes: one or more processors 420; and a storage device 410 for storing one or more programs, when the one or more programs are The one or more processors 420 execute, so that the one or more processors 420 implement the method for constructing an integrated energy system scheduling model provided by any embodiment of the present application.
  • the electronic device 400 shown in FIG. 4 is only an example, and should not impose any limitations on the functions and scope of use of the embodiments of the present application.
  • the electronic device 400 includes a processor 420 , a storage device 410 , an input device 430 and an output device 440 ; the number of processors 420 in the electronic device may be one or more, and one processor 420 is used in FIG. 4 .
  • the processor 420 , the storage device 410 , the input device 430 and the output device 440 in the electronic device may be connected by a bus or in other ways, and the connection by the bus 450 is taken as an example in FIG. 4 .
  • the storage device 410 can be used to store software programs, computer-executable programs, and module units, such as program instructions corresponding to the method for constructing an integrated energy system scheduling model in the embodiments of the present application.
  • the storage device 410 may mainly include a storage program area and a storage data area, wherein the storage program area may store an operating system, an application program required for at least one function; the storage data area may store data created according to the use of the terminal, and the like. Additionally, storage device 410 may include high-speed random access memory, and may also include non-volatile memory, such as at least one magnetic disk storage device, flash memory device, or other non-volatile solid-state storage device. In some examples, storage device 410 may further include memory located remotely from processor 420, the remote memory may be connected through a network. Examples of such networks include, but are not limited to, the Internet, an intranet, a local area network, a mobile communication network, and combinations thereof.
  • the input device 430 may be used to receive input numbers, character information or voice information, and generate key signal input related to user settings and function control of the electronic device.
  • the output device 440 may include electronic devices such as a display screen, a speaker, and the like.
  • a processor may be an integrated circuit chip with signal processing capabilities.
  • each step of the above-mentioned method can be completed by a hardware integrated logic circuit in a processor or an instruction in the form of software.
  • the above-mentioned processor may be a general-purpose processor, a digital signal processor (DSP, Digital Signal Processor), or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, and the like.
  • DSP Digital Signal Processor
  • the processor may implement or execute the methods, steps, and logical block diagrams disclosed in the embodiments of the present invention.
  • a general purpose processor may be a microprocessor or any conventional processor or the like.
  • the steps of the method disclosed in combination with the embodiments of the present invention can be directly embodied as being executed by a hardware decoding processor, or executed by a combination of hardware and software modules in the decoding processor.
  • the software module may be located in a storage medium, the storage medium is located in a memory, and the processor reads the information in the memory, and completes the steps of the foregoing method in combination with its hardware.
  • the embodiments of the present application may be provided as a method, a system, or a computer program product. Accordingly, the present application may take the form of an entirely hardware embodiment, an entirely software embodiment, or an embodiment combining software and hardware aspects. Furthermore, the present application may take the form of a computer program product embodied on one or more computer-usable storage media (including, but not limited to, disk storage, CD-ROM, optical storage, etc.) having computer-usable program code embodied therein.
  • computer-usable storage media including, but not limited to, disk storage, CD-ROM, optical storage, etc.
  • These computer program instructions may also be stored in a computer-readable memory capable of directing a computer or other programmable data processing apparatus to function in a particular manner, such that the instructions stored in the computer-readable memory result in an article of manufacture comprising instruction means, the instructions
  • the apparatus implements the functions specified in the flow or flow of the flowcharts and/or the block or blocks of the block diagrams.

Landscapes

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

Abstract

一种综合能源系统的调度方法、装置、介质及电子设备。所述方法包括：收集新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标（S110）；基于所述训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子、记忆库容量，作为深度强化学习模型的训练元素（S120）；基于所述训练元素对深度强化学习模型进行迭代，生成调度模型（S130）。

Description

综合能源系统调度模型构建方法、装置、介质及电子设备
相关申请的交叉引用
本申请基于申请号为202110107505.8、申请日为2021年01月26日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此以引入方式并入本申请。
技术领域
本申请实施例涉及能源互联网综合能源系统优化运行领域，尤其涉及一种综合能源系统调度模型构建方法、装置、介质及电子设备。
背景技术
随着科学技术的不断发展，当前世界范围内日益增长的能源需求与环境生态保护之间矛盾凸显，提高能源利用效率，寻求替代性新能源已成为世界各国能源变革的必经之路。灵活的燃气轮机组为平抑间歇性新能源出力提供了保障；对于电网难以消纳的新能源出力，可将其通过电转气(P2G，Power to Gas)技术转化为天然气/氢气大规模存储于天然气管道中。电力系统与天然气系统逐步呈现深度耦合的趋势，通过构建充分协同的电-气互联综合能源系统，提高能源利用效率，以实现系统间的灵活运行与多能互补。
能源互联网综合能源系统的优化运行基础理论及求解问题涉及的控制参量众多，运行状态随机多变，各类状态变量高度耦合，往往为一个复杂的非线性、非凸优化问题。同时，能源互联网集中控制方式随着控制设备的增多，计算量呈指数级增加。因此，采用传统计算方法难以解决能源互联网的优化运行问题。
发明内容
本申请实施例提供一种综合能源系统调度模型构建方法、装置、介质及电子设备，能够传统方法收敛速度慢、决策时间长、无法适应源荷随机性场景、需要大量简化假设等问题。
第一方面，本申请实施例提供了一种综合能源系统调度模型构建方法，所述方法包括：获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；基于所述训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素；基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。
本申请实施例提供的综合能源系统调度模型构建方法，通过深度强化学习与环境的不断交互，更新神经网络参数，并自适应学习电-气耦合能源系统的源荷不确定性，无需引入机理简化假设；能够在线、实时地给出优化调度策略。生成连续控制策略，相比于传统离散型强化学习模型，降低了动作离散化导致的计算误差。能够适用于新能源随机多场景下的优化调度策略，且具有良好的可扩展性。
在一些可选实施例中，所述优化目标包括：运行成本最小、碳排放量最小、新能源消纳率最高中的至少一种。
在一些可选实施例中，所述深度强化学习模型包括：行动器和评判器；所述基于所述训练元素对所述深度强化学习模型进行迭代训练，包括：
对构建的深度强化学习模型进行初始化；所述初始化包括设置训练迭代次数和每一次迭代的调度周期；
从调度周期内的第一个时刻开始，计算该时刻的综合能源系统的能流分布，得到系统环境的状态变量，并利用回报函数计算此刻系统的运行成本；
将所述状态变量输入至深度强化学习模型的行动器中，输出调度策略作为动作变量；
所述调度策略叠加一个正态分布的噪声后，作用于综合能源系统，得到下一状态变量；
将所述状态变量、所述动作变量、运行成本、所述下一状态变量以及是否为终止状态的5元组，存入强化学习智能体的经验回放单元；并从强化学习智能体的经验回放单元中抽取预设数量的样本，基于抽取的样本对行动器和评价器的参数进行更新，持续迭代，直至迭代收敛稳定，得到训练好的深度强化学习模型。
在本实施例中，训练时采用深度学习对输入的综合能源系统的状态变量，输出调度策略作为动作变量，将调度策略作用于综合能源后继续生成下一个状态变量，此过程中与环境不断交互，更新网络参数，采用克服传统方法收敛速度慢、决策时间长、无法适应源荷随机性场景、需要大量简化假设等问题，通过深度神经网络自动、自适应地学习源荷概率分布，能够在秒级内快速、在线地给出优化调度策略。
在一些可选实施例中，所述训练元素中：所述状态变量，表示各时刻系统的能流分布；所述动作变量，表示系统的控制变量，包括常规机组发电功率、燃气轮机功率、电转气功率、储能充放电功率中的至少之一；所述回报函数，表示每时刻系统的优化目标分类；所述记忆库容量，表示强化学习智能体的记忆库容量，当智能体存储的5元组个数超过该容量值时，则随机删除记忆库中的某一个5元组，存储新的5元组。
在一些可选实施例中，所述方法还包括：获取未来调度周期内的新能源发电功率以及电负荷、天然气负荷需求，在所述未来调度周期内的每一时间步，向所述调度模型的行动器中输入系统的运行状态，生成各时刻的调度策略。
在一些可选实施例中，所述行动器包括行动器在线策略网络及其目标策略网络；所述评判器包括评判器在线网络及其目标网络；所述基于抽取的样本对行动器和评价器的参数进行更新，包括：
设置折扣因子等价式；
将折扣因子等价式代入预设损失函数中计算，采用预设损失函数更新评判器在线网络Q的参数；
采用下式更新行动器的在线策略网络μ：
Figure PCTCN2021115751-appb-000001
其中，m为随机抽取的样本数量，
Figure PCTCN2021115751-appb-000002
表示对策略网络u的网络参数求偏导数，
Figure PCTCN2021115751-appb-000003
表示是对输入的动作a求偏导数；θ μ表示在线对策略网络u的参数；θ Q为评判器在线网络Q的参数。
采用软更新方式，更新行动器目标网络μ'和评判器目标网络Q'。
在一些可选实施例中，所述预设损失函数采用如下公式：
Figure PCTCN2021115751-appb-000004
其中，y n表示折扣因子等价式；y n＝r n+γQ′(s n+1,μ′(s n+1|θ μ′)|θ Q′),n＝1,2...m；
θ Q为评判器在线网络Q的参数；S n为当前状态变量，a n为调度策略。
第二方面，本申请实施例提供了一种综合能源系统的调度模型构建装置，所述装置包括：
训练样本收集模块，配置为获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；
模型构建模块，配置为基于所述从训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素；
调度策略迭代模块，配置为基于所述训练元素对深度强化学习模型进 行迭代训练，生成调度模型。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的综合能源系统调度模型构建方法。
第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的综合能源系统调度模型构建方法。
本申请实施例所提供的技术方案，收集新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；基于所述训练样本和所述优化目标确定状态变量，动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素；基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。该方法能够克服传统方法收敛速度慢、决策时间长、无法适应源荷随机性场景、需要大量简化假设等问题，通过深度神经网络自动、自适应地学习源荷概率分布，训练好的模型，能够在秒级内快速、在线地给出优化调度策略。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本申请实施例提供的综合能源系统的调度模型构建方法的流程图；
图2(a)是本申请实施例提供的一种综合能源系统的调度模型中深度强化学习的示意图；
图2(b)是本申请实施例提供的一种综合能源系统调度模型构建方法 的模型训练方法的流程示意图；
图3是本申请实施例提供的综合能源系统的调度装置的结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本申请提供进一步的详细说明。除非另有指明，本申请所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本申请所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本申请的示例性实施方式。
随着人工智能技术的兴起和发展，强化学习在电力系统的优化控制中越来越受到重视。强化学习模型通过与环境的不断交互，实现经验的逐渐积累和策略的持续改进。尤其是深度神经网络与强化学习结合后的深度强化学习模型，具有更好的自适应学习能力和非凸优化、非线性问题的优化决策能力，适合于解决综合能源系统的优化调度问题。基于此，本申请将深度强化学习模型应用于综合能源系统，以生成调度策略。
图1是本申请实施例提供的综合能源系统的调度方法的流程图，本实施例可适用于综合能源系统的调度的情况，该方法可以由本申请实施例所提供的综合能源系统调度模型构建装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。
如图1所示，综合能源系统的调度模型构建方法包括：
S110、获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标。
具体的，收集新能源(光伏、风电等)发电功率以及电负荷、天然气负荷的历史数据，存入数据库中，作为训练样本。
在本实施例中，可选的，所述优化目标包括：运行成本最小、碳排放量最少、新能源消纳率最高中的至少一种。
示例性的，所述获得综合能源系统的优化目标，例如可以是运行成本最小、碳排放量最小、新能源消纳率最高等优化目标中的至少一种目标。
S120、基于所述训练样本和所述优化目标确定状态变量，动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素。
其中，示例性的，状态变量，表示各时刻系统的能流分布；
动作变量，表示系统的控制变量，包括常规机组发电功率、燃气轮机功率、电转气功率、储能充放电功率中的至少之一；
回报函数，表示每时刻系统的优化目标分类；
记忆库容量，表示强化学习智能体的记忆库容量，当智能体存储的5元组个数超过该容量值时，则随机删除记忆库中的某一个5元组，存储新的5元组。
在一些可选实施例中，所述深度强化学习模型包括：行动器、在线策略网络及其目标策略网络、评判器、以及在线网络及其目标网络。
面向电-气耦合的综合能源系统，构建相应的深度强化学习模型，包括状态变量S、动作变量A、回报函数R、折扣因子γ和记忆库容量M；强化学习模型包含四个神经网络，分别为行动器(Actor)在线策略网络μ及其目标策略网络μ'，和评判器(Critic)在线网络Q及其目标网络Q'。
在本实施例中，可选的，所述行动器、所述在线策略网络及其目标策略网络、所述评判器、以及所述在线网络及其目标网络均采用全连接神经网络构建。
S130、基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。
在一些可选实施例中，所述深度强化学习模型包括：行动器和评判器； 所述基于所述训练元素对所述深度强化学习模型进行迭代训练，包括：对构建的深度强化学习模型进行初始化；所述初始化包括设置训练迭代次数和每一次迭代的调度周期；从调度周期内的第一个时刻开始，计算该时刻的综合能源系统的能流分布，得到系统环境的状态变量，以及此刻系统的运行成本；将所述状态变量输入至深度强化学习模型的行动器中，输出调度策略作为动作变量；所述调度策略叠加一个正态分布的噪声后，作用于综合能源系统，得到下一状态变量；将所述状态变量、所述调度策略、所述下一状态变量、回报函数以及是否为终止状态的5元组，存入强化学习智能体的经验回放单元；并从强化学习智能体的经验回放单元中抽取预设数量的样本，对行动器和评价器进行更新，持续迭代，直至迭代收敛稳定，得到训练好的深度强化学习模型。
如图2(a)所示，设总的训练迭代轮数为N，每一轮的调度周期为T，调度策略生成的时间间隔为λ，则每一轮调度周期共需生成p＝T/λ次调度策略。从调度周期内的第一个时刻t n(n＝0)开始，计算该时刻的综合能源系统的能流分布，可得到系统环境的状态变量S n，以及此刻系统的运行成本R n。S n输入至强化学习模型的行动器μ中，输出调度策略(即动作变量)A n。动作变量A n作用于能源系统，得到系统的下一个状态S n+1。
将当前状态变量S n、动作变量A n、下一状态变量S n+1、奖励(或运行成本)R n，是否为终止状态is_end的5元组存入智能体的经验回放单元。
从智能体的经验回放单元中随机抽取m个样本，得到采样集合。
采用采样集合(即m个样本)更新行动器μ和评判器Q。
采用软更新方式，更新行动器目标网络μ'和评判器目标网络Q'。
可选的，在对行动器和评价器进行参数更新之后，所述方法还包括：持续迭代，直至迭代收敛稳定，得到深度强化学习模型。
上述过程持续进行，直至迭代收敛稳定，保存模型。此时整个调度周 期内的累积回报函数R达到最大。
在上述技术方案的基础上，可选的，在得到调度模型之后，所述方法还包括：获得未来调度周期内的新能源发电功率以及电负荷、天然气负荷需求，在所述未来调度周期内的每一时间步，向所述调度模型的行动器中输入系统的运行状态，生成各时刻的调度策略。
采用训练好的模型进行未来调度策略生成。预测未来一个调度周期内的新能源(光伏、风电等)发电功率以及电负荷、天然气负荷需求，在调度周期内的每一时间步，向调度模型的行动器中输入系统的运行状态，逐个生成各时刻的调度策略。
图2(b)是本申请实施例提供的一种综合能源系统调度模型构建方法的模型训练方法的流程示意图。
在模型构建以及模型训练之前，包括：
步骤101，收集新能源(例如光伏、风电等)发电功率以及电负荷、天然气负荷的历史数据，存入数据库中，作为训练样本。示例性的，历史数据的采样周期与调度周期一致，例如每一个小时生成一次调度策略，则训练样本中的各历史数据也为每小时一个数据点。
步骤102，设置综合能源系统的优化目标，包括系统运行成本、碳排放量、新能源消纳率等目标中的至少一种。
步骤2为深度强化学习模型的构建过程，参见图2(b)所示，具体包括：
步骤201，构建强化学习模型的各项元素，例如包括：状态变量S(即各时刻系统的能流分布)；动作变量A(即系统的控制变量，例如常规机组发电功率，燃气轮机功率，电转气(P2G)功率，储能充放电功率等)；回报函数R(即每时刻系统的优化目标分类)；折扣因子γ；强化学习智能体的记忆库容量M等等。
其中，在构建强化学习模型的各项元素之前，初始化行动-评判网络参数，清空经验回放单元D。其中，行动-评判网络包括行动器和评判器；行动器包括行动器在线策略网络及其目标策略网络；所述评判器包括评判器在线网络及其目标网络。进一步，初始化电气耦合系统(或者也可称为综合能源系统)当前状态S n。
步骤202，强化学习模型包含四个神经网络，分别为行动器(Actor)在线策略网络μ及其目标策略网络μ'，和评判器(Critic)在线网络Q及其目标网络Q'，均采用全连接神经网络构建。在线策略网络μ及其目标策略网络μ'结构相同，网络参数分别为θ μ和θ μ′，输入层维度为状态变量S的个数，输出为动作的个数；评判器在线网络Q及其目标网络Q'结构相同，网络参数分别为θ Q和θ Q′，输出维度为1。
步骤3具体包括：
步骤301，设总的训练迭代轮数为N，每一轮的调度周期为T，调度策略生成的时间间隔为λ，则每一轮调度周期共需生成p＝T/λ次调度策略。
步骤302，从调度周期内的第一个时刻t n(n＝0)开始，计算该时刻的综合能源系统(或电气耦合系统)的能流分布，可得到系统环境的当前状态变量S n，以及此刻系统的运行成本R n。
步骤303，在行动器中基于状态S得到动作A，即将状态变量S n输入至强化学习模型的行动器μ中，输出作为动作变量的调度策略A n。
步骤304，将动作变量作用于仿真环境，即动作变量A n叠加一个正态分布(正态分布的方程随迭代的进行逐渐减小)的噪声后，作用于能源系统，得到系统的下一个状态变量S n+1。
步骤4，将当前状态变量S n、动作变量A n、下一个状态变量S n+1、运行成本R n、是否为终止状态is_end的5元组{S n,A n,S n+1,R n,is_end}存入强化学习智能体的经验回放单元D。这里经验回放单元D中的训练样本是否充 足，若充足，执行步骤5；若不充足，则重新获得当前状态变量S n。
步骤5，从经验回放单元中随机抽取m个样本，m为正整数。
步骤6，是对评判器Q和行动器μ的参数更新过程，包括使用均方差损失函数，通过梯度反向传播更新评判器在线策略网络的参数；更新行动器常在线策略网络的参数，进而采用软更新的方式更新行动器目标网络和评判器目标网络的参数。具体如下：
步骤601，设置折扣因子等价式；如下公式1所示：
y n＝r n+γQ′(s n+1,μ′(s n+1|θ μ′)|θ Q′),n＝1,2...m      (公式1)
然后，将折扣因子等价式代入如下公式2的损失函数中，采用如下损失函数更新评判器在线网络的参数：
Figure PCTCN2021115751-appb-000005
其中，y n表示折扣因子等价式；θ Q为评判器在线网络Q的参数；θ Q′为目标网络Q'的参数；S n为当前状态变量，a n为调度策略。
步骤602采用下式更新行动器的在线策略网络μ的参数：
Figure PCTCN2021115751-appb-000006
m为随机抽取的样本数量，
Figure PCTCN2021115751-appb-000007
表示对策略网络u的网络参数求偏导数，
Figure PCTCN2021115751-appb-000008
表示是对输入的动作a(如动作变量)求偏导数；θ μ表示在线对策略网络u的参数；θ Q为评判器在线网络Q的参数。
步骤7，采用软更新方式，更新行动器目标网络μ'和评判器目标网络Q'的参数，即
θ Q′←τθ Q+(1-τ)θ Q′       (公式4)
θ μ′←τθ μ+(1-τ)θ μ′     (公式5)
其中，τ为更新系数，可设置为0.01。
步骤8，上述步骤3-步骤7的过程持续进行，直至迭代收敛稳定，即判定当前为终止状态，保存训练好的深度强化学习模型。此时整个调度周期内的累积回报函数R达到最大。
步骤9，采用训练好的深度强化学习模型(即调度模型)生成未来调度周期的调度策略。预测未来一个调度周期内的新能源(光伏、风电等)发电功率以及电负荷、天然气负荷需求，在调度周期内的每一时间步，向强化学习模型的行动器中输入系统的运行状态，逐个生成各时刻的调度策略。
本申请实施例不依赖于具体的物理模型，因此也不需要进行大量的简化假设，而是直接自适应地学习源荷随机性分布，避免了因随机性简化导致的计算误差。训练后的强化学习模型能够针对不同的随机调度场景，在线快速给出调度策略，无需重新进行模型训练，策略生成速度更快。
本申请实施例属于无模型的优化方法，具有较好地可扩展性。相比于传统方法，生成的策略为连续控制策略，降低了因为控制动作离散化导致的计算误差。
本申请实施例通过深度强化学习与环境的不断交互，更新神经网络参数，并自适应学习电-气耦合能源系统的源荷不确定性，无需引入机理简化假设；能够在线、实时地给出优化调度策略。生成连续控制策略，相比于传统离散型强化学习模型，降低了动作离散化导致的计算误差。该方法能够适用于新能源随机多场景下的优化调度策略，且具有良好的可扩展性。
图3是本申请实施例提供的综合能源系统调度模型构建装置的结构示意图。如图3所示，所述装置包括：
训练样本收集模块310，配置为获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；
模型构建模块320，配置为构建深度强化学习模型，基于所述训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子和记忆库 容量，作为深度强化学习模型的训练元素；
调度策略迭代模块330，配置为基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。
在本申请的一些可选实施例中，所述优化目标包括：运行成本最小、碳排放量最小、新能源消纳率最高中的至少一种。
在本申请的一些可选实施例中，所述深度强化学习模型包括：行动器和评判器；所述调度策略迭代模块330，配置为对构建的深度强化学习模型进行初始化；所述初始化包括设置训练迭代次数和每一次迭代的调度周期；从调度周期内的第一个时刻开始，计算该时刻的综合能源系统的能流分布，得到系统环境的状态变量，并利用回报函数计算此刻系统的运行成本；将所述状态变量输入至深度强化学习模型的行动器中，输出调度策略作为动作变量；所述调度策略叠加一个正态分布的噪声后，作用于综合能源系统，得到下一状态变量；将所述状态变量、所述动作变量、运行成本、所述下一状态变量以及是否为终止状态的5元组，存入强化学习智能体的经验回放单元；并从强化学习智能体的经验回放单元中抽取预设数量的样本，基于抽取的样本对行动器和评价器的参数进行更新，持续迭代，直至迭代收敛稳定，得到训练好的深度强化学习模型。
在本申请的一些可选实施例中，所述行动器包括行动器在线策略网络及其目标策略网络；所述评判器包括评判器在线网络及其目标网络；所述调度策略迭代模块330，配置为采用如下方式对行动器和评价器的参数进行更新：
设置折扣因子等价式；
将折扣因子等价式代入预设损失函数中计算，采用预设损失函数更新评判器在线网络Q的参数；
采用下式更新行动器的在线策略网络μ，
Figure PCTCN2021115751-appb-000009
其中，m为随机抽取的样本数量，
Figure PCTCN2021115751-appb-000010
表示对策略网络u的网络参数求偏导数，
Figure PCTCN2021115751-appb-000011
表示是对输入的动作a求偏导数；θ μ表示在线对策略网络u的参数；θ Q为评判器在线网络Q的参数；
采用软更新方式，更新行动器目标网络μ'和评判器目标网络Q'。
在本申请的一些可选实施例中，所述预设损失函数采用如下公式：
Figure PCTCN2021115751-appb-000012
其中，y n表示折扣因子等价式；y n＝r n+γQ′(s n+1,μ′(s n+1|θ μ′)|θ Q′),n＝1,2...m；
θ Q为评判器在线网络Q的参数；S n为当前状态变量，a n为调度策略。
在本申请的一些可选实施例中，所述状态变量，表示各时刻系统的能流分布；
所述动作变量，表示系统的控制变量，包括常规机组发电功率、燃气轮机功率、电转气功率、储能充放电功率中的至少之一；
所述回报函数，表示每时刻系统的优化目标分类；
所述记忆库容量，表示强化学习智能体的记忆库容量，当智能体存储的5元组个数超过该容量值时，则随机删除记忆库中的某一个5元组，存储新的5元组。
在本申请的一些可选实施例中，所述装置还包括调度策略生成模块，配置为获取未来调度周期内的新能源发电功率以及电负荷、天然气负荷需求，在所述未来调度周期内的每一时间步，向所述调度模型的行动器中输入系统的运行状态，生成各时刻的调度策略。
需要说明的是：上述实施例提供的综合能源系统调度模型构建装置在进行模型构建时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部 结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的综合能源系统调度模型构建装置与综合能源系统调度模型构建方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本申请实施例综合能源系统调度模型构建方法。
其中，存储介质可以是任何的各种类型的存储器电子设备或存储电子设备。术语“存储介质”旨在包括：安装介质，例如只读光盘(CD-ROM，Compact Disc Read-Only Memory)、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如动态随机存取存储器(DRAM，Dynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、静态随机存取存储器(SRAM，Static Random Access Memory)等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的综合能源系统的调度操作，还可以执行本申请任意实施例所提供的综合能源系统的调度方法中的相关操作。
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的综合能源系统调度模型构建装置。图4是本申请实施例提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，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420执行，使得所述一个或多个处理器420实现本申请任意实施例所提供的综合能源系统调度模型构建方法。
图4显示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本申请实施例中的综合能源系统调度模型构建方法对应的程序指令。
存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
上述本发明实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得 通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知，本申请可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本申请范围内或在等同于本申请的范围内的改变均被本申请包含。

Claims (10)

  1. 一种综合能源系统调度模型构建方法，包括：
    获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；
    基于所述训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素；
    基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。
  2. 根据权利要求1所述的方法，其中，所述优化目标包括：运行成本最小、碳排放量最小、新能源消纳率最高中的至少一种。
  3. 根据权利要求1所述的方法，其中，所述深度强化学习模型包括：行动器和评判器；所述基于所述训练元素对所述深度强化学习模型进行迭代训练，包括：
    对构建的深度强化学习模型进行初始化；所述初始化包括设置训练迭代次数和每一次迭代的调度周期；
    从调度周期内的第一个时刻开始，计算该时刻的综合能源系统的能流分布，得到系统环境的状态变量，并利用回报函数计算此刻系统的运行成本；
    将所述状态变量输入至深度强化学习模型的行动器中，输出调度策略作为动作变量；
    所述调度策略叠加一个正态分布的噪声后，作用于综合能源系统，得到下一状态变量；
    将所述状态变量、所述动作变量、运行成本、所述下一状态变量以及是否为终止状态的5元组，存入强化学习智能体的经验回放单元；并从强化学习智能体的经验回放单元中抽取预设数量的样本，基于抽取的样本对行动器和评价器的参数进行更新，持续迭代，直至迭代收敛稳定，得到训 练好的深度强化学习模型。
  4. 根据权利要求3所述的方法，其中，所述行动器包括行动器在线策略网络及其目标策略网络；所述评判器包括评判器在线网络及其目标网络；所述基于抽取的样本对行动器和评价器的参数进行更新，包括：
    设置折扣因子等价式；
    将折扣因子等价式代入预设损失函数中计算，采用预设损失函数更新评判器在线网络Q的参数；
    采用下式更新行动器的在线策略网络μ：
    Figure PCTCN2021115751-appb-100001
    其中，m为随机抽取的样本数量，
    Figure PCTCN2021115751-appb-100002
    表示对策略网络u的网络参数求偏导数，
    Figure PCTCN2021115751-appb-100003
    表示是对输入的动作a求偏导数；θ μ表示在线对策略网络u的参数；θ Q为评判器在线网络Q的参数；
    采用软更新方式，更新行动器目标网络μ'和评判器目标网络Q'。
  5. 根据权利要求4所述的方法，其中，所述预设损失函数采用如下公式：
    Figure PCTCN2021115751-appb-100004
    其中，y n表示折扣因子等价式；y n＝r n+γQ′(s n+1,μ′(s n+1|θ μ′)|θ Q′),n＝1,2...m；
    θ Q为评判器在线网络Q的参数；S n为当前状态变量，a n为调度策略。
  6. 根据权利要求1所述的方法，其中，所述训练元素中：
    所述状态变量，表示各时刻系统的能流分布；
    所述动作变量，表示系统的控制变量，包括常规机组发电功率、燃气轮机功率、电转气功率、储能充放电功率中的至少之一；
    所述回报函数，表示每时刻系统的优化目标分类；
    所述记忆库容量，表示强化学习智能体的记忆库容量，当智能体存储 的5元组个数超过该容量值时，则随机删除记忆库中的某一个5元组，存储新的5元组。
  7. 根据权利要求1所述的方法，其中，所述方法还包括：
    获取未来调度周期内的新能源发电功率以及电负荷、天然气负荷需求，在所述未来调度周期内的每一时间步，向所述调度模型的行动器中输入系统的运行状态，生成各时刻的调度策略。
  8. 一种综合能源系统调度模型构建装置，包括：
    训练样本收集模块，配置为获取新能源发电功率以及电负荷、天然气负荷的历史数据，作为训练样本，并获取综合能源系统的优化目标；
    模型构建模块，配置为基于所述训练样本和所述优化目标确定状态变量、动作变量、回报函数、折扣因子和记忆库容量，作为深度强化学习模型的训练元素；
    调度策略迭代模块，配置为基于所述训练元素对深度强化学习模型进行迭代训练，生成调度模型。
  9. 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的综合能源系统调度模型构建方法。
  10. 一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的综合能源系统调度模型构建方法。
PCT/CN2021/115751 2021-01-26 2021-08-31 综合能源系统调度模型构建方法、装置、介质及电子设备 Ceased WO2022160705A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110107505.8A CN112862281A (zh) 2021-01-26 2021-01-26 综合能源系统调度模型构建方法、装置、介质及电子设备
CN202110107505.8 2021-01-26

Publications (1)

Publication Number Publication Date
WO2022160705A1 true WO2022160705A1 (zh) 2022-08-04

Family

ID=76009360

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/115751 Ceased WO2022160705A1 (zh) 2021-01-26 2021-08-31 综合能源系统调度模型构建方法、装置、介质及电子设备

Country Status (2)

Country Link
CN (1) CN112862281A (zh)
WO (1) WO2022160705A1 (zh)

Cited By (150)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115102238A (zh) * 2022-08-29 2022-09-23 北京邮电大学 电力供应方法、装置、电子设备及存储介质
CN115147014A (zh) * 2022-08-31 2022-10-04 国网浙江省电力有限公司宁波供电公司 一种综合能源系统的多目标均衡分配方法
CN115189409A (zh) * 2022-08-15 2022-10-14 中国南方电网有限责任公司 电力系统生产模拟方法、装置、计算机设备及存储介质
CN115239028A (zh) * 2022-09-22 2022-10-25 北京邮电大学 综合能源调度方法、装置、设备及存储介质
CN115330194A (zh) * 2022-08-12 2022-11-11 北京交通大学 多源动力系统实时优化能量调度方法及系统
CN115361301A (zh) * 2022-10-09 2022-11-18 之江实验室 一种基于dqn的分布式计算网络协同流量调度系统与方法
CN115437255A (zh) * 2022-09-23 2022-12-06 中国电力科学研究院有限公司 温控负荷集群特性分析方法、系统、设备及可读存储介质
CN115459320A (zh) * 2022-09-16 2022-12-09 国网湖北省电力有限公司电力科学研究院 一种多点分布式储能系统聚合控制智能决策方法及装置
CN115459359A (zh) * 2022-08-25 2022-12-09 南京邮电大学 一种基于多智能体深度强化学习的5g基站光储微电网系统调度方法
CN115513971A (zh) * 2022-09-29 2022-12-23 广西大学 一种卷积网络软演员评论家的低频和超低频振荡抑制方法
CN115528712A (zh) * 2022-11-23 2022-12-27 国网天津市电力公司滨海供电分公司 一种源网荷储备不同区储能容量平衡方法及系统
CN115545443A (zh) * 2022-09-26 2022-12-30 广西大学 一种多模态单目标分层分布式综合能源系统经济调度方法
CN115577264A (zh) * 2022-11-09 2023-01-06 黄淮学院 基于npcnn-ddpg的光伏发电功率预测方法、装置、存储介质及计算机设备
CN115600508A (zh) * 2022-11-10 2023-01-13 国网山东省电力公司电力科学研究院（Cn） 一种化学储能装置辅助火电机组一次调频的方法及装置
CN115657771A (zh) * 2022-11-09 2023-01-31 国网湖南省电力有限公司 一种基于多智能体协同的大型商超综合体能效提升方法
CN115688448A (zh) * 2022-11-08 2023-02-03 国网综合能源服务集团有限公司 一种考虑共享储能的多区域综合能源系统优化调度方法
CN115693916A (zh) * 2022-09-07 2023-02-03 国网安徽省电力有限公司宿州供电公司 一种变电站直流电源智能在线监测方法及系统
CN115766583A (zh) * 2022-11-14 2023-03-07 北京邮电大学 基于强化学习的多路径tcp拥塞控制方法和装置
CN115775049A (zh) * 2022-12-08 2023-03-10 国网福建省电力有限公司经济技术研究院 一种电网分布式能源碳排放管理方法及终端
CN115809597A (zh) * 2022-11-30 2023-03-17 东北电力大学 强化学习紧急直流功率支援的频率稳定系统及方法
CN115833091A (zh) * 2022-11-11 2023-03-21 国网新疆电力有限公司电力科学研究院 一种分布式供能方法、装置及设备
CN115827225A (zh) * 2022-11-18 2023-03-21 展讯半导体(南京)有限公司 异构运算的分配方法、模型训练方法、装置、芯片、设备及介质
CN115842668A (zh) * 2022-11-24 2023-03-24 浪潮(北京)电子信息产业有限公司 一种信息传播源的确定方法、系统、电子设备及存储介质
CN115877203A (zh) * 2022-09-14 2023-03-31 湖南湘化机汽轮机有限公司 异步电机能源效率监测方法、装置、节能控制方法及装置
CN115907178A (zh) * 2022-11-30 2023-04-04 中国地质大学（武汉） 一种净生态系统co2交换量的预测方法
CN115936195A (zh) * 2022-11-23 2023-04-07 合肥工业大学 智能小区能源优化方法、系统、电子设备和存储介质
CN116028768A (zh) * 2022-12-29 2023-04-28 上海交通大学 一种时空耦合的电力系统碳流分布离散分析计算方法
CN116050730A (zh) * 2022-12-02 2023-05-02 中国华能集团清洁能源技术研究院有限公司 一种综合能源基地日前调度计划生成方法及系统
CN116091695A (zh) * 2023-01-05 2023-05-09 武汉大学 一种基于分层强化学习的可迁移三维重建方法及系统
CN116107210A (zh) * 2022-12-31 2023-05-12 浙江工业大学 一种生物质热电站scr过程强化学习控制方法
CN116108958A (zh) * 2022-11-29 2023-05-12 国网浙江省电力有限公司杭州供电公司 碳排放确定方法、装置及电子设备
CN116191466A (zh) * 2023-02-13 2023-05-30 中国地质大学（武汉） 一种电网一次调频方法、装置、电子设备及存储介质
CN116187697A (zh) * 2023-02-21 2023-05-30 深圳供电局有限公司 能源调度方法、装置、设备、存储介质和程序产品
CN116187503A (zh) * 2022-11-29 2023-05-30 中国华能集团清洁能源技术研究院有限公司 综合能源调度计划的优化方法、装置和电子设备
CN116191416A (zh) * 2023-02-24 2023-05-30 合肥工业大学 一种弹性环境下基于Conv-Seq2Seq模型的电力系统日前调度方法
CN116257247A (zh) * 2023-01-10 2023-06-13 大连海事大学 一种Simulink模型到C语言的优化参数自动配置方法
CN116306312A (zh) * 2023-03-31 2023-06-23 山东大学 一种综合能源系统区间概率能流计算方法及系统
CN116307136A (zh) * 2023-02-24 2023-06-23 国网安徽省电力有限公司营销服务中心 一种基于深度强化学习的能源系统参数优化方法、系统、装置及存储介质
CN116341731A (zh) * 2023-03-17 2023-06-27 广西大学 一种考虑综合能源系统薄弱环节的近端策略优化调度方法
CN116341836A (zh) * 2023-02-22 2023-06-27 国网山东省电力公司德州供电公司 一种园区综合能源系统多能源市场运营方法及系统
CN116345577A (zh) * 2023-05-12 2023-06-27 国网天津市电力公司营销服务中心 风-光-储微电网能量调控优化方法、设备及存储介质
CN116360257A (zh) * 2023-03-14 2023-06-30 上海人工智能创新中心 一种价值驱动的跨域策略泛化方法及系统
CN116384476A (zh) * 2023-01-18 2023-07-04 阿里云计算有限公司 一种基于服务的模型处理方法以及服务器
CN116405527A (zh) * 2023-04-06 2023-07-07 国网河北省电力有限公司 一种调控运行网络化指挥信息采集方法及系统
CN116436013A (zh) * 2023-06-13 2023-07-14 中国电力科学研究院有限公司 配电系统功率分配方法、系统、计算机设备及存储介质
CN116456480A (zh) * 2023-04-20 2023-07-18 东南大学 通信资源受限下基于深度强化学习的多智能体协同决策方法
CN116454996A (zh) * 2023-05-04 2023-07-18 河海大学 一种基于深度强化学习的水电站实时负荷分配方法
CN116468425A (zh) * 2023-04-23 2023-07-21 北京理工大学 多态系统的联合运维优化方法、电子设备和计算机可读存储介质
CN116485042A (zh) * 2023-06-16 2023-07-25 国网上海能源互联网研究院有限公司 一种基于负荷聚类的园区能源系统运行的优化方法及装置
CN116523327A (zh) * 2023-02-28 2023-08-01 福建亿榕信息技术有限公司 一种基于强化学习的配电网运行策略智能生成方法及设备
CN116542498A (zh) * 2023-07-06 2023-08-04 杭州宇谷科技股份有限公司 基于深度强化学习的电池调度方法、系统、装置及介质
CN116737370A (zh) * 2023-06-07 2023-09-12 深圳天源迪科信息技术股份有限公司 一种多资源调度方法、系统、存储介质及终端
CN116822694A (zh) * 2023-04-04 2023-09-29 中国石油大学(北京) 用于预测天然气管网气体发热量的方法、装置及存储介质
CN116894354A (zh) * 2023-09-11 2023-10-17 国网浙江省电力有限公司 一种多能源耦合环节的碳流计算方法及系统
CN116938323A (zh) * 2023-09-18 2023-10-24 中国电子科技集团公司第五十四研究所 一种基于强化学习的卫星转发器资源分配方法
CN116954089A (zh) * 2023-09-21 2023-10-27 威海润蓝水处理设备有限公司 一种mvr刮板结晶控制系统
CN116996443A (zh) * 2023-09-25 2023-11-03 之江实验室 一种结合gnn和sac模型的网络协同流量调度方法与系统
CN116991388A (zh) * 2023-09-26 2023-11-03 之江实验室 一种深度学习编译器的图优化序列生成方法及装置
CN116993128A (zh) * 2023-09-26 2023-11-03 国网江西省电力有限公司电力科学研究院 一种综合能源系统深度强化学习低碳调度方法及系统
CN116317110B (zh) * 2023-01-17 2023-11-14 中国电力科学研究院有限公司 考虑源荷双侧波动的电网调度操作预演方法和系统
CN117077986A (zh) * 2023-10-16 2023-11-17 华中科技大学 电力系统极端运行风险场景的态势感知方法及相关设备
CN117113858A (zh) * 2023-10-23 2023-11-24 北京中环信科科技股份有限公司 一种氢气系统的预警方法及装置
CN117132089A (zh) * 2023-10-27 2023-11-28 邯郸欣和电力建设有限公司 用电策略优化调度方法及装置
CN117200225A (zh) * 2023-11-07 2023-12-08 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置
CN117311159A (zh) * 2023-10-30 2023-12-29 上海新华控制技术集团科技有限公司 控制系统的自适应调节方法、装置、存储介质及电子设备
CN117422254A (zh) * 2023-10-30 2024-01-19 深圳市蓝宇飞扬科技有限公司 智慧园区的信息处理方法、装置、设备及存储介质
CN117455183A (zh) * 2023-11-09 2024-01-26 国能江苏新能源科技开发有限公司 一种基于深度强化学习的综合能源系统优化调度方法
CN117521920A (zh) * 2023-12-29 2024-02-06 湖南工商大学 应用于能源系统的协同优化方法和装置
CN117526365A (zh) * 2023-10-17 2024-02-06 电暴猿(上海)科技有限公司 一种微电网储能控制方法、储能控制设备和储能控制平台
CN117519014A (zh) * 2023-11-03 2024-02-06 同济大学 一种基于qmix的飞机脉动装配线分布式调度方法
CN117527870A (zh) * 2023-12-07 2024-02-06 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统
CN117540938A (zh) * 2024-01-10 2024-02-09 杭州经纬信息技术股份有限公司 基于td3强化学习优化的集成式建筑能耗预测方法及系统
CN117578534A (zh) * 2024-01-17 2024-02-20 深圳市名洋能源科技有限公司 光伏储能系统的调度方法、装置、设备及存储介质
CN117650553A (zh) * 2023-10-25 2024-03-05 四川大学 基于多智能体深度强化学习的5g基站储能电池充放电调度方法
CN117669993A (zh) * 2024-01-30 2024-03-08 南方科技大学 一种渐进式充电设施规划方法、装置、终端及存储介质
CN117708669A (zh) * 2023-12-14 2024-03-15 国网湖北省电力有限公司武汉供电公司 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法
CN117808171A (zh) * 2024-02-29 2024-04-02 山东大学 综合能源系统低碳优化调度方法、系统、存储介质及设备
CN117808259A (zh) * 2023-12-30 2024-04-02 湖南工商大学 一种能源调度策略的获取方法及装置
CN117856284A (zh) * 2023-11-29 2024-04-09 国家电网有限公司华东分部 基于深度强化学习的电网频率的控制方法及装置
CN117933666A (zh) * 2024-03-21 2024-04-26 壹号智能科技(南京)有限公司 一种密集仓储机器人调度方法、装置、介质、设备及系统
CN117977718A (zh) * 2024-04-01 2024-05-03 浙电(宁波北仑)智慧能源有限公司 基于源网荷储的协调调度优化方法及系统
CN118131045A (zh) * 2024-01-22 2024-06-04 北京大学 基于多孔电极老化模型的移动储能在线决策方法及装置
CN118249519A (zh) * 2024-05-28 2024-06-25 国网江西省电力有限公司电力科学研究院 一种分布式新能源接入有源配电网状态感知方法及系统
CN118245688A (zh) * 2024-03-22 2024-06-25 河北汉佳电子科技有限公司 充电策略推荐及充电策略评价模型构建方法
CN118281912A (zh) * 2024-01-31 2024-07-02 江南大学 一种智能化新能源储能网络管理方法及系统
CN118278288A (zh) * 2024-05-20 2024-07-02 深圳市中科建设集团有限公司 基于bim的建筑弱电系统设计辅助方法及计算机系统
CN118469104A (zh) * 2024-07-12 2024-08-09 杭州电子科技大学 基于可变时间常数梯度算法的综合能源系统优化调度方法
CN118572756A (zh) * 2024-06-25 2024-08-30 浪潮智能物联技术有限公司 一种智慧储能方法、系统、装置及可读存储介质
CN118612872A (zh) * 2024-06-14 2024-09-06 北京这房行信息技术有限公司 物联网物业基站资源分配优化方法、装置、设备和介质
CN118659370A (zh) * 2024-08-20 2024-09-17 浙大城市学院 一种基于动态仿真的能源系统运行策略优化方法及系统
CN118741009A (zh) * 2024-05-29 2024-10-01 杭州普润特装饰材料有限公司 一种基于颜色管理系统的装饰纸色彩匹配优化方法及系统
CN118826048A (zh) * 2024-08-29 2024-10-22 国网安徽省电力有限公司马鞍山供电公司 新型配电网末端电能质量治理集群系统及电能质量治理方法
CN118839945A (zh) * 2024-09-23 2024-10-25 国家能源费县发电有限公司 多能源系统的交易与现货交易耦合运行的调度方法
CN118868404A (zh) * 2024-07-17 2024-10-29 深圳市博尔特科技发展有限公司 一种智慧用电监测系统
CN118885817A (zh) * 2024-09-29 2024-11-01 南昌交通学院 一种体育数据智能分析方法
CN118889499A (zh) * 2024-07-17 2024-11-01 珠海南方智运汽车科技有限公司 基于储能ems系统的负荷跟踪方法、装置、电子设备及介质
CN118944285A (zh) * 2024-07-22 2024-11-12 武汉杰创博特自动化科技有限公司 一种电力系统的rtu同步测量控制方法及系统
CN118970923A (zh) * 2024-07-31 2024-11-15 中国长江三峡集团有限公司 电力系统的调度控制方法、装置、设备、介质及程序产品
CN119010016A (zh) * 2024-10-23 2024-11-22 国网山西省电力公司晋城供电公司 一种基于深度学习的电力系统综合厂用电预测方法、系统及设备、存储介质
CN119026867A (zh) * 2024-08-29 2024-11-26 河海大学 基于td3算法的梯级水电调度方法、系统、设备及存储介质
CN119030910A (zh) * 2024-07-19 2024-11-26 北京努克科技有限公司 基于改进型深度强化学习模型的智能路由控制方法及系统
CN119051022A (zh) * 2024-10-31 2024-11-29 中电建新能源集团股份有限公司 发电机组出力的确定方法、装置及电子设备
CN119271422A (zh) * 2024-12-12 2025-01-07 北京航空航天大学杭州创新研究院 一种基于自蒸馏分层强化学习的服务资源调度方法
CN119298059A (zh) * 2024-12-12 2025-01-10 国网浙江省电力有限公司经济技术研究院 基于源荷互动机制的概率潮流分析方法及系统
WO2025011362A1 (zh) * 2023-07-12 2025-01-16 华为技术有限公司 设备的控制方法及控制装置
CN119398463A (zh) * 2025-01-02 2025-02-07 北京珂阳科技有限公司 基于深度强化学习的半导体制造中晶圆厂级实时调度方法
CN119561107A (zh) * 2024-11-29 2025-03-04 南方电网调峰调频发电有限公司检修试验分公司 抽水蓄能机组负荷转移方法、装置、计算机设备、存储介质和计算机程序产品
CN119575844A (zh) * 2024-11-14 2025-03-07 广东领创电力能源有限公司 一种用于海岛绿色综合能源的智能控制系统
CN119647696A (zh) * 2024-12-12 2025-03-18 合肥工业大学 基于人工智能的碳排放预测方法及系统
CN119651715A (zh) * 2024-11-29 2025-03-18 广西电网有限责任公司 一种海上风电配置蓄水储能系统参与现货电力市场交易策略的方法
CN119670967A (zh) * 2024-11-29 2025-03-21 广西电网有限责任公司 一种电力系统多能源综合调节优化运行方法及系统
CN119834370A (zh) * 2024-12-19 2025-04-15 武汉大学 一种混合型新能源场站发电机组优化配置方法及装置
CN119872510A (zh) * 2025-01-15 2025-04-25 武汉理工大学 一种并联混合动力车辆能量管理方法和装置
CN119886761A (zh) * 2025-03-27 2025-04-25 山东大学 一种多元用户侧资源协同调节潜力评估方法、系统及产品
CN119886736A (zh) * 2025-03-24 2025-04-25 国网山西省电力公司经济技术研究院 面向智能电网的综合能源需求响应调度方法及平台
CN119944653A (zh) * 2025-01-23 2025-05-06 合肥工业大学 基于强化学习和碳-绿证耦合的区域电网日前调度方法
CN120044789A (zh) * 2025-02-18 2025-05-27 浙江英集动力科技有限公司 一种基于多智能体的智慧火电厂分层优化控制方法
CN120127830A (zh) * 2025-03-04 2025-06-10 阿斯通(山东)开关有限公司 一种基于能源数据模型的源网荷储控制系统
CN120150317A (zh) * 2025-05-14 2025-06-13 国网河南省电力公司新乡供电公司 一种分布式电源储充一体化系统
CN120143716A (zh) * 2025-05-10 2025-06-13 吉林铁道职业技术学院 电动汽车和可再生能源集成的能源管理测控系统及方法
CN120278848A (zh) * 2025-06-06 2025-07-08 江苏建筑职业技术学院 一种用于建筑节能的储能管理系统
CN120280966A (zh) * 2025-06-10 2025-07-08 重庆市设计院有限公司 一种新能源车充电基建与边缘计算网关储能协同调度方法
CN120302299A (zh) * 2025-03-17 2025-07-11 北京科技大学 基于最大熵强化学习的通感融合网络资源分配方法及装置
CN120317637A (zh) * 2025-06-13 2025-07-15 国网浙江省电力有限公司杭州供电公司 一种基于深度强化学习的配电网调度方法及系统
CN120378297A (zh) * 2025-06-24 2025-07-25 广州炫视智能科技有限公司 一种多物联网设备的集成方法及其系统
CN120385114A (zh) * 2025-06-27 2025-07-29 天津市津安热电有限公司 一种换热站循环泵特性自适应寻优控制方法和系统
CN120408203A (zh) * 2025-06-30 2025-08-01 上海智融政通科技发展有限公司 一种基于多模态信息融合的个性化数字装置训练生成方法
CN120430660A (zh) * 2025-07-08 2025-08-05 湖南工商大学 能源供需调度方法、装置、设备及存储介质
CN120471399A (zh) * 2025-07-11 2025-08-12 国网江苏省电力有限公司经济技术研究院 一种综合能源的配置方法、装置及系统
CN120511667A (zh) * 2025-07-21 2025-08-19 中石油深圳新能源研究院有限公司 综合能源系统源荷匹配的主动调控方法、装置、设备及存储介质
CN120581085A (zh) * 2025-08-05 2025-09-02 杭州传化精细化工有限公司 基于生成式ai的聚合反应温度优化方法及装置
CN120675093A (zh) * 2025-06-12 2025-09-19 国网山西省电力公司晋城供电公司 用于配电网节点电压控制模式选择的模型建立方法、配电网节点电压控制模式的动态选择方法、控制系统及电力系统
CN120745439A (zh) * 2025-08-27 2025-10-03 国网安徽省电力有限公司阜阳供电公司 用于多能互补系统中电-氢耦合的分层优化调控方法
CN120822667A (zh) * 2025-09-16 2025-10-21 山东大学 一种多重不确定环境下的综合能源系统优化方法及系统
CN120823730A (zh) * 2025-09-17 2025-10-21 中国人民解放军海军航空大学 飞机出动调度策略生成方法、装置、设备、介质及产品
CN120822806A (zh) * 2025-09-18 2025-10-21 国网冀北电力有限公司经济技术研究院 一种绿证与ccer耦合的电力调度决策优化方法和装置
CN120855683A (zh) * 2025-09-22 2025-10-28 北京智芯微电子科技有限公司 基于融合终端的储能系统调控方法、装置及终端设备
CN120880951A (zh) * 2025-09-23 2025-10-31 中移(苏州)软件技术有限公司 一种轮询策略确定方法、装置、设备、存储介质及产品
CN120910705A (zh) * 2025-10-10 2025-11-07 中国科学院电工研究所 一种新能源电力系统暂态稳定评估方法及装置
CN120931051A (zh) * 2025-10-15 2025-11-11 洛阳精耕拓科技有限公司 Mpc与分时电价协同的二次供水泵房节能调度方法及系统
CN121012035A (zh) * 2025-10-27 2025-11-25 海尔新能源科技有限公司 微电网控制方法、程序产品及可读存储介质
CN121187278A (zh) * 2025-08-27 2025-12-23 数电云网(广东)科技有限公司 Agent驱动的电厂宽负荷巡航控制方法及系统
WO2025260309A1 (zh) * 2024-06-20 2025-12-26 清华大学 一种被控系统运行调度的高效率强化学习方法及装置
CN121216483A (zh) * 2025-11-25 2025-12-26 哈尔滨工业大学 基于边缘侧大模型的配电网人机交互调控方法及装置
CN121238554A (zh) * 2025-12-04 2025-12-30 天津大学 用于综合能源系统的策略生成方法、装置和电子设备
CN121257983A (zh) * 2025-12-03 2026-01-02 福建省冶金工业设计院有限公司 基于多源数据融合与ai决策的碳排放实时调控方法及系统
CN121308017A (zh) * 2025-12-05 2026-01-09 内蒙古电力(集团)有限责任公司乌海超高压供电分公司 一种基于svg与同步调相机的混合多目标协调控制系统
CN121461441A (zh) * 2025-09-15 2026-02-03 中电六所智能系统有限公司 基于强化学习的风力发电时序自适应窗口调整方法及装置
CN121485294A (zh) * 2026-01-06 2026-02-06 中交四航局第五工程有限公司 一种智能用电设备监测与优化方法
CN121642987A (zh) * 2026-02-05 2026-03-10 湖南大学 一种新能源场站频率控制参数协同整定方法及其应用

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862281A (zh) * 2021-01-26 2021-05-28 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN113552802B (zh) * 2021-07-22 2022-05-24 泰铂（上海）环保科技股份有限公司 重卡智能空调控制方法及系统
CN113779871B (zh) * 2021-08-26 2024-08-06 清华大学 一种电热耦合系统调度方法、装置、电子设备及其存储介质
CN113962429B (zh) * 2021-09-03 2024-04-05 华南理工大学 一种求解负荷置换的优化方法、系统、装置及介质
CN113935463A (zh) * 2021-09-30 2022-01-14 南方电网数字电网研究院有限公司 一种基于人工智能控制方法的微电网控制器
CN113780688B (zh) * 2021-11-10 2022-02-18 中国电力科学研究院有限公司 一种电热联合系统的优化运行方法、系统、设备及介质
CN113902040B (zh) * 2021-11-15 2022-03-08 中国电力科学研究院有限公司 电-热综合能源系统协调优化方法、系统、设备及存储介质
CN114665478B (zh) * 2022-05-23 2022-10-11 国网江西省电力有限公司电力科学研究院 一种基于多目标深度强化学习的主动配电网重构方法
CN115186885B (zh) * 2022-06-29 2025-08-12 山东大学 基于强化学习的综合能源系统能量优化调度方法及系统
CN115241885B (zh) * 2022-07-26 2022-12-20 中国电力科学研究院有限公司 电网实时调度优化方法、系统、计算机设备及存储介质
CN116258312A (zh) * 2022-11-22 2023-06-13 华能陇东能源有限责任公司 端对端调度计划生成模型训练方法、计划生成方法和装置
CN116154771B (zh) * 2023-04-17 2023-07-21 阿里巴巴达摩院(杭州)科技有限公司 电力设备的控制方法、设备控制方法及电子设备
CN116562464B (zh) * 2023-07-03 2023-09-19 南京菁翎信息科技有限公司 一种基于深度强化学习的电力系统低碳优化调度方法
CN117498306B (zh) * 2023-10-08 2024-07-23 湖南第一师范学院 一种微电网优化调度方法、系统、介质、设备及终端
CN119918882A (zh) * 2025-01-06 2025-05-02 天津大学 基于改进蜘蛛蜂优化算法的综合能源系统优化调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111064229A (zh) * 2019-12-18 2020-04-24 广东工业大学 基于q学习的风-光-气-蓄联合动态经济调度优化方法
CN111738529A (zh) * 2020-07-28 2020-10-02 南方电网科学研究院有限责任公司 基于强化学习的综合能源系统需求响应方法、系统及设备
CN112214883A (zh) * 2020-09-24 2021-01-12 中国海洋石油集团有限公司 一种微能源网综合能源系统运行优化方法和系统
CN112862281A (zh) * 2021-01-26 2021-05-28 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112117760A (zh) * 2020-08-13 2020-12-22 国网浙江省电力有限公司台州供电公司 基于双q值网络深度强化学习的微电网能量调度方法
CN112186799B (zh) * 2020-09-22 2022-07-26 中国电力科学研究院有限公司 基于深度强化学习的分布式能源系统自治控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111064229A (zh) * 2019-12-18 2020-04-24 广东工业大学 基于q学习的风-光-气-蓄联合动态经济调度优化方法
CN111738529A (zh) * 2020-07-28 2020-10-02 南方电网科学研究院有限责任公司 基于强化学习的综合能源系统需求响应方法、系统及设备
CN112214883A (zh) * 2020-09-24 2021-01-12 中国海洋石油集团有限公司 一种微能源网综合能源系统运行优化方法和系统
CN112862281A (zh) * 2021-01-26 2021-05-28 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIAO JI, XINYING WANG, QING ZHANG, DONGXIA ZHANG, TIANJIAO PU: "Optimal Dispatch of Integrated Electricity-gas System With Soft Actor-critic Deep Reinforcement Learning", PROCEEDINGS OF THE CSEE, ZHONGGUO DIANJI GONGCHENG XUEHUI, CN, vol. 41, no. 3, 5 February 2021 (2021-02-05), CN , pages 819 - 833, XP055954961, ISSN: 0258-8013, DOI: 10.13334/j.0258-8013.pcsee.201704 *
WANG YITING, YANG ZHAO, DONG LING, HUANG SHAOWEI, ZHOU WEI: "Energy Management of Integrated Energy System Based on Stackelberg Game and Deep Reinforcement Learning", 2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2), IEEE, 30 October 2020 (2020-10-30) - 1 November 2020 (2020-11-01), pages 2645 - 2651, XP055954962, ISBN: 978-1-7281-9606-0, DOI: 10.1109/EI250167.2020.9346692 *
YANG TING, ZHAO LIYUAN; LIU YACHUANG; FENG SHAOKANG; PEN HAIBO: "Dynamic Economic Dispatch for Integrated Energy System Based on Deep Reinforcement Learning", AUTOMATION OF ELECTRIC POWER SYSTEMS, NANJING ZIDONGHUA YANJIUSUO, NANJING, CN, vol. 45, no. 5, 12 November 2020 (2020-11-12), CN , pages 39 - 47, XP055954959, ISSN: 1000-1026, DOI: 10.7500/AEPS20200405004 *

Cited By (183)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330194A (zh) * 2022-08-12 2022-11-11 北京交通大学 多源动力系统实时优化能量调度方法及系统
CN115189409A (zh) * 2022-08-15 2022-10-14 中国南方电网有限责任公司 电力系统生产模拟方法、装置、计算机设备及存储介质
CN115459359A (zh) * 2022-08-25 2022-12-09 南京邮电大学 一种基于多智能体深度强化学习的5g基站光储微电网系统调度方法
CN115102238B (zh) * 2022-08-29 2022-11-15 北京邮电大学 电力供应方法、装置、电子设备及存储介质
CN115102238A (zh) * 2022-08-29 2022-09-23 北京邮电大学 电力供应方法、装置、电子设备及存储介质
CN115147014A (zh) * 2022-08-31 2022-10-04 国网浙江省电力有限公司宁波供电公司 一种综合能源系统的多目标均衡分配方法
CN115693916B (zh) * 2022-09-07 2023-05-30 国网安徽省电力有限公司宿州供电公司 一种变电站直流电源智能在线监测方法及系统
CN115693916A (zh) * 2022-09-07 2023-02-03 国网安徽省电力有限公司宿州供电公司 一种变电站直流电源智能在线监测方法及系统
CN115877203A (zh) * 2022-09-14 2023-03-31 湖南湘化机汽轮机有限公司 异步电机能源效率监测方法、装置、节能控制方法及装置
CN115459320A (zh) * 2022-09-16 2022-12-09 国网湖北省电力有限公司电力科学研究院 一种多点分布式储能系统聚合控制智能决策方法及装置
CN115239028B (zh) * 2022-09-22 2022-12-09 北京邮电大学 综合能源调度方法、装置、设备及存储介质
CN115239028A (zh) * 2022-09-22 2022-10-25 北京邮电大学 综合能源调度方法、装置、设备及存储介质
CN115437255A (zh) * 2022-09-23 2022-12-06 中国电力科学研究院有限公司 温控负荷集群特性分析方法、系统、设备及可读存储介质
CN115545443A (zh) * 2022-09-26 2022-12-30 广西大学 一种多模态单目标分层分布式综合能源系统经济调度方法
CN115513971A (zh) * 2022-09-29 2022-12-23 广西大学 一种卷积网络软演员评论家的低频和超低频振荡抑制方法
US12021751B2 (en) 2022-10-09 2024-06-25 Zhejiang Lab DQN-based distributed computing network coordinate flow scheduling system and method
CN115361301A (zh) * 2022-10-09 2022-11-18 之江实验室 一种基于dqn的分布式计算网络协同流量调度系统与方法
CN115688448A (zh) * 2022-11-08 2023-02-03 国网综合能源服务集团有限公司 一种考虑共享储能的多区域综合能源系统优化调度方法
CN115577264A (zh) * 2022-11-09 2023-01-06 黄淮学院 基于npcnn-ddpg的光伏发电功率预测方法、装置、存储介质及计算机设备
CN115577264B (zh) * 2022-11-09 2025-08-01 黄淮学院 基于npcnn-ddpg的光伏发电功率预测方法、装置、存储介质及计算机设备
CN115657771A (zh) * 2022-11-09 2023-01-31 国网湖南省电力有限公司 一种基于多智能体协同的大型商超综合体能效提升方法
CN115600508A (zh) * 2022-11-10 2023-01-13 国网山东省电力公司电力科学研究院（Cn） 一种化学储能装置辅助火电机组一次调频的方法及装置
CN115833091A (zh) * 2022-11-11 2023-03-21 国网新疆电力有限公司电力科学研究院 一种分布式供能方法、装置及设备
CN115766583A (zh) * 2022-11-14 2023-03-07 北京邮电大学 基于强化学习的多路径tcp拥塞控制方法和装置
CN115827225A (zh) * 2022-11-18 2023-03-21 展讯半导体(南京)有限公司 异构运算的分配方法、模型训练方法、装置、芯片、设备及介质
CN115936195A (zh) * 2022-11-23 2023-04-07 合肥工业大学 智能小区能源优化方法、系统、电子设备和存储介质
CN115528712A (zh) * 2022-11-23 2022-12-27 国网天津市电力公司滨海供电分公司 一种源网荷储备不同区储能容量平衡方法及系统
CN115528712B (zh) * 2022-11-23 2023-06-20 国网天津市电力公司滨海供电分公司 一种源网荷储备不同区储能容量平衡方法及系统
CN115842668A (zh) * 2022-11-24 2023-03-24 浪潮(北京)电子信息产业有限公司 一种信息传播源的确定方法、系统、电子设备及存储介质
CN116187503B (zh) * 2022-11-29 2025-08-08 中国华能集团清洁能源技术研究院有限公司 综合能源调度计划的优化方法、装置和电子设备
CN116187503A (zh) * 2022-11-29 2023-05-30 中国华能集团清洁能源技术研究院有限公司 综合能源调度计划的优化方法、装置和电子设备
CN116108958A (zh) * 2022-11-29 2023-05-12 国网浙江省电力有限公司杭州供电公司 碳排放确定方法、装置及电子设备
CN115907178A (zh) * 2022-11-30 2023-04-04 中国地质大学（武汉） 一种净生态系统co2交换量的预测方法
CN115809597A (zh) * 2022-11-30 2023-03-17 东北电力大学 强化学习紧急直流功率支援的频率稳定系统及方法
CN115907178B (zh) * 2022-11-30 2023-12-15 中国地质大学（武汉） 一种净生态系统co2交换量的预测方法
CN115809597B (zh) * 2022-11-30 2024-04-30 东北电力大学 强化学习紧急直流功率支援的频率稳定系统及方法
CN116050730A (zh) * 2022-12-02 2023-05-02 中国华能集团清洁能源技术研究院有限公司 一种综合能源基地日前调度计划生成方法及系统
CN115775049A (zh) * 2022-12-08 2023-03-10 国网福建省电力有限公司经济技术研究院 一种电网分布式能源碳排放管理方法及终端
CN116028768A (zh) * 2022-12-29 2023-04-28 上海交通大学 一种时空耦合的电力系统碳流分布离散分析计算方法
CN116107210A (zh) * 2022-12-31 2023-05-12 浙江工业大学 一种生物质热电站scr过程强化学习控制方法
CN116091695A (zh) * 2023-01-05 2023-05-09 武汉大学 一种基于分层强化学习的可迁移三维重建方法及系统
CN116257247A (zh) * 2023-01-10 2023-06-13 大连海事大学 一种Simulink模型到C语言的优化参数自动配置方法
CN116317110B (zh) * 2023-01-17 2023-11-14 中国电力科学研究院有限公司 考虑源荷双侧波动的电网调度操作预演方法和系统
CN116384476A (zh) * 2023-01-18 2023-07-04 阿里云计算有限公司 一种基于服务的模型处理方法以及服务器
CN116191466A (zh) * 2023-02-13 2023-05-30 中国地质大学（武汉） 一种电网一次调频方法、装置、电子设备及存储介质
CN116187697A (zh) * 2023-02-21 2023-05-30 深圳供电局有限公司 能源调度方法、装置、设备、存储介质和程序产品
CN116341836B (zh) * 2023-02-22 2024-04-09 国网山东省电力公司德州供电公司 一种园区综合能源系统多能源市场运营方法及系统
CN116341836A (zh) * 2023-02-22 2023-06-27 国网山东省电力公司德州供电公司 一种园区综合能源系统多能源市场运营方法及系统
CN116307136A (zh) * 2023-02-24 2023-06-23 国网安徽省电力有限公司营销服务中心 一种基于深度强化学习的能源系统参数优化方法、系统、装置及存储介质
CN116191416A (zh) * 2023-02-24 2023-05-30 合肥工业大学 一种弹性环境下基于Conv-Seq2Seq模型的电力系统日前调度方法
CN116523327A (zh) * 2023-02-28 2023-08-01 福建亿榕信息技术有限公司 一种基于强化学习的配电网运行策略智能生成方法及设备
CN116360257A (zh) * 2023-03-14 2023-06-30 上海人工智能创新中心 一种价值驱动的跨域策略泛化方法及系统
CN116341731A (zh) * 2023-03-17 2023-06-27 广西大学 一种考虑综合能源系统薄弱环节的近端策略优化调度方法
CN116306312A (zh) * 2023-03-31 2023-06-23 山东大学 一种综合能源系统区间概率能流计算方法及系统
CN116822694A (zh) * 2023-04-04 2023-09-29 中国石油大学(北京) 用于预测天然气管网气体发热量的方法、装置及存储介质
CN116405527A (zh) * 2023-04-06 2023-07-07 国网河北省电力有限公司 一种调控运行网络化指挥信息采集方法及系统
CN116456480A (zh) * 2023-04-20 2023-07-18 东南大学 通信资源受限下基于深度强化学习的多智能体协同决策方法
CN116468425A (zh) * 2023-04-23 2023-07-21 北京理工大学 多态系统的联合运维优化方法、电子设备和计算机可读存储介质
CN116468425B (zh) * 2023-04-23 2023-10-10 北京理工大学 多态系统的联合运维优化方法、电子设备和计算机可读存储介质
CN116454996A (zh) * 2023-05-04 2023-07-18 河海大学 一种基于深度强化学习的水电站实时负荷分配方法
CN116345577B (zh) * 2023-05-12 2023-08-08 国网天津市电力公司营销服务中心 风-光-储微电网能量调控优化方法、设备及存储介质
CN116345577A (zh) * 2023-05-12 2023-06-27 国网天津市电力公司营销服务中心 风-光-储微电网能量调控优化方法、设备及存储介质
CN116737370A (zh) * 2023-06-07 2023-09-12 深圳天源迪科信息技术股份有限公司 一种多资源调度方法、系统、存储介质及终端
CN116436013B (zh) * 2023-06-13 2023-08-18 中国电力科学研究院有限公司 配电系统功率分配方法、系统、计算机设备及存储介质
CN116436013A (zh) * 2023-06-13 2023-07-14 中国电力科学研究院有限公司 配电系统功率分配方法、系统、计算机设备及存储介质
CN116485042A (zh) * 2023-06-16 2023-07-25 国网上海能源互联网研究院有限公司 一种基于负荷聚类的园区能源系统运行的优化方法及装置
CN116485042B (zh) * 2023-06-16 2023-09-01 国网上海能源互联网研究院有限公司 一种基于负荷聚类的园区能源系统运行的优化方法及装置
CN116542498A (zh) * 2023-07-06 2023-08-04 杭州宇谷科技股份有限公司 基于深度强化学习的电池调度方法、系统、装置及介质
CN116542498B (zh) * 2023-07-06 2023-11-24 杭州宇谷科技股份有限公司 基于深度强化学习的电池调度方法、系统、装置及介质
WO2025011362A1 (zh) * 2023-07-12 2025-01-16 华为技术有限公司 设备的控制方法及控制装置
CN116894354A (zh) * 2023-09-11 2023-10-17 国网浙江省电力有限公司 一种多能源耦合环节的碳流计算方法及系统
CN116894354B (zh) * 2023-09-11 2023-12-26 国网浙江省电力有限公司 一种多能源耦合环节的碳流计算方法及系统
CN116938323B (zh) * 2023-09-18 2023-11-21 中国电子科技集团公司第五十四研究所 一种基于强化学习的卫星转发器资源分配方法
CN116938323A (zh) * 2023-09-18 2023-10-24 中国电子科技集团公司第五十四研究所 一种基于强化学习的卫星转发器资源分配方法
CN116954089B (zh) * 2023-09-21 2023-12-12 威海润蓝水处理设备有限公司 一种mvr刮板结晶控制系统
CN116954089A (zh) * 2023-09-21 2023-10-27 威海润蓝水处理设备有限公司 一种mvr刮板结晶控制系统
CN116996443A (zh) * 2023-09-25 2023-11-03 之江实验室 一种结合gnn和sac模型的网络协同流量调度方法与系统
CN116996443B (zh) * 2023-09-25 2024-01-23 之江实验室 一种结合gnn和sac模型的网络协同流量调度方法与系统
CN116993128A (zh) * 2023-09-26 2023-11-03 国网江西省电力有限公司电力科学研究院 一种综合能源系统深度强化学习低碳调度方法及系统
CN116991388B (zh) * 2023-09-26 2024-01-09 之江实验室 一种深度学习编译器的图优化序列生成方法及装置
CN116993128B (zh) * 2023-09-26 2023-12-26 国网江西省电力有限公司电力科学研究院 一种综合能源系统深度强化学习低碳调度方法及系统
CN116991388A (zh) * 2023-09-26 2023-11-03 之江实验室 一种深度学习编译器的图优化序列生成方法及装置
CN117077986A (zh) * 2023-10-16 2023-11-17 华中科技大学 电力系统极端运行风险场景的态势感知方法及相关设备
CN117077986B (zh) * 2023-10-16 2024-01-30 华中科技大学 电力系统极端运行风险场景的态势感知方法及相关设备
CN117526365A (zh) * 2023-10-17 2024-02-06 电暴猿(上海)科技有限公司 一种微电网储能控制方法、储能控制设备和储能控制平台
CN117113858B (zh) * 2023-10-23 2024-02-06 北京中环信科科技股份有限公司 一种氢气系统的预警方法及装置
CN117113858A (zh) * 2023-10-23 2023-11-24 北京中环信科科技股份有限公司 一种氢气系统的预警方法及装置
CN117650553A (zh) * 2023-10-25 2024-03-05 四川大学 基于多智能体深度强化学习的5g基站储能电池充放电调度方法
CN117132089A (zh) * 2023-10-27 2023-11-28 邯郸欣和电力建设有限公司 用电策略优化调度方法及装置
CN117132089B (zh) * 2023-10-27 2024-03-08 邯郸欣和电力建设有限公司 用电策略优化调度方法及装置
CN117422254A (zh) * 2023-10-30 2024-01-19 深圳市蓝宇飞扬科技有限公司 智慧园区的信息处理方法、装置、设备及存储介质
CN117311159A (zh) * 2023-10-30 2023-12-29 上海新华控制技术集团科技有限公司 控制系统的自适应调节方法、装置、存储介质及电子设备
CN117519014A (zh) * 2023-11-03 2024-02-06 同济大学 一种基于qmix的飞机脉动装配线分布式调度方法
CN117200225A (zh) * 2023-11-07 2023-12-08 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置
CN117200225B (zh) * 2023-11-07 2024-01-30 中国电力科学研究院有限公司 考虑涵盖电动汽车集群的配电网优化调度方法及相关装置
CN117455183A (zh) * 2023-11-09 2024-01-26 国能江苏新能源科技开发有限公司 一种基于深度强化学习的综合能源系统优化调度方法
CN117856284A (zh) * 2023-11-29 2024-04-09 国家电网有限公司华东分部 基于深度强化学习的电网频率的控制方法及装置
CN117856284B (zh) * 2023-11-29 2024-06-07 国家电网有限公司华东分部 基于深度强化学习的电网频率的控制方法及装置
CN117527870A (zh) * 2023-12-07 2024-02-06 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统
CN117527870B (zh) * 2023-12-07 2024-05-03 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统
CN117708669A (zh) * 2023-12-14 2024-03-15 国网湖北省电力有限公司武汉供电公司 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法
CN117521920B (zh) * 2023-12-29 2024-04-05 湖南工商大学 应用于能源系统的协同优化方法和装置
CN117521920A (zh) * 2023-12-29 2024-02-06 湖南工商大学 应用于能源系统的协同优化方法和装置
CN117808259A (zh) * 2023-12-30 2024-04-02 湖南工商大学 一种能源调度策略的获取方法及装置
CN117540938A (zh) * 2024-01-10 2024-02-09 杭州经纬信息技术股份有限公司 基于td3强化学习优化的集成式建筑能耗预测方法及系统
CN117540938B (zh) * 2024-01-10 2024-05-03 杭州经纬信息技术股份有限公司 基于td3强化学习优化的集成式建筑能耗预测方法及系统
CN117578534A (zh) * 2024-01-17 2024-02-20 深圳市名洋能源科技有限公司 光伏储能系统的调度方法、装置、设备及存储介质
CN117578534B (zh) * 2024-01-17 2024-05-07 深圳市名洋能源科技有限公司 光伏储能系统的调度方法、装置、设备及存储介质
CN118131045A (zh) * 2024-01-22 2024-06-04 北京大学 基于多孔电极老化模型的移动储能在线决策方法及装置
CN117669993A (zh) * 2024-01-30 2024-03-08 南方科技大学 一种渐进式充电设施规划方法、装置、终端及存储介质
CN118281912A (zh) * 2024-01-31 2024-07-02 江南大学 一种智能化新能源储能网络管理方法及系统
CN117808171A (zh) * 2024-02-29 2024-04-02 山东大学 综合能源系统低碳优化调度方法、系统、存储介质及设备
CN117933666A (zh) * 2024-03-21 2024-04-26 壹号智能科技(南京)有限公司 一种密集仓储机器人调度方法、装置、介质、设备及系统
CN118245688A (zh) * 2024-03-22 2024-06-25 河北汉佳电子科技有限公司 充电策略推荐及充电策略评价模型构建方法
CN117977718A (zh) * 2024-04-01 2024-05-03 浙电(宁波北仑)智慧能源有限公司 基于源网荷储的协调调度优化方法及系统
CN118278288A (zh) * 2024-05-20 2024-07-02 深圳市中科建设集团有限公司 基于bim的建筑弱电系统设计辅助方法及计算机系统
CN118249519A (zh) * 2024-05-28 2024-06-25 国网江西省电力有限公司电力科学研究院 一种分布式新能源接入有源配电网状态感知方法及系统
CN118741009A (zh) * 2024-05-29 2024-10-01 杭州普润特装饰材料有限公司 一种基于颜色管理系统的装饰纸色彩匹配优化方法及系统
CN118612872A (zh) * 2024-06-14 2024-09-06 北京这房行信息技术有限公司 物联网物业基站资源分配优化方法、装置、设备和介质
WO2025260309A1 (zh) * 2024-06-20 2025-12-26 清华大学 一种被控系统运行调度的高效率强化学习方法及装置
CN118572756A (zh) * 2024-06-25 2024-08-30 浪潮智能物联技术有限公司 一种智慧储能方法、系统、装置及可读存储介质
CN118469104B (zh) * 2024-07-12 2024-10-22 杭州电子科技大学 基于可变时间常数梯度算法的综合能源系统优化调度方法
CN118469104A (zh) * 2024-07-12 2024-08-09 杭州电子科技大学 基于可变时间常数梯度算法的综合能源系统优化调度方法
CN118868404A (zh) * 2024-07-17 2024-10-29 深圳市博尔特科技发展有限公司 一种智慧用电监测系统
CN118889499A (zh) * 2024-07-17 2024-11-01 珠海南方智运汽车科技有限公司 基于储能ems系统的负荷跟踪方法、装置、电子设备及介质
CN119030910A (zh) * 2024-07-19 2024-11-26 北京努克科技有限公司 基于改进型深度强化学习模型的智能路由控制方法及系统
CN118944285A (zh) * 2024-07-22 2024-11-12 武汉杰创博特自动化科技有限公司 一种电力系统的rtu同步测量控制方法及系统
CN118970923A (zh) * 2024-07-31 2024-11-15 中国长江三峡集团有限公司 电力系统的调度控制方法、装置、设备、介质及程序产品
CN118659370A (zh) * 2024-08-20 2024-09-17 浙大城市学院 一种基于动态仿真的能源系统运行策略优化方法及系统
CN119026867A (zh) * 2024-08-29 2024-11-26 河海大学 基于td3算法的梯级水电调度方法、系统、设备及存储介质
CN118826048A (zh) * 2024-08-29 2024-10-22 国网安徽省电力有限公司马鞍山供电公司 新型配电网末端电能质量治理集群系统及电能质量治理方法
CN118839945B (zh) * 2024-09-23 2025-02-14 国家能源费县发电有限公司 多能源系统的交易与现货交易耦合运行的调度方法
CN118839945A (zh) * 2024-09-23 2024-10-25 国家能源费县发电有限公司 多能源系统的交易与现货交易耦合运行的调度方法
CN118885817A (zh) * 2024-09-29 2024-11-01 南昌交通学院 一种体育数据智能分析方法
CN119010016A (zh) * 2024-10-23 2024-11-22 国网山西省电力公司晋城供电公司 一种基于深度学习的电力系统综合厂用电预测方法、系统及设备、存储介质
CN119051022A (zh) * 2024-10-31 2024-11-29 中电建新能源集团股份有限公司 发电机组出力的确定方法、装置及电子设备
CN119575844A (zh) * 2024-11-14 2025-03-07 广东领创电力能源有限公司 一种用于海岛绿色综合能源的智能控制系统
CN119670967A (zh) * 2024-11-29 2025-03-21 广西电网有限责任公司 一种电力系统多能源综合调节优化运行方法及系统
CN119561107A (zh) * 2024-11-29 2025-03-04 南方电网调峰调频发电有限公司检修试验分公司 抽水蓄能机组负荷转移方法、装置、计算机设备、存储介质和计算机程序产品
CN119651715A (zh) * 2024-11-29 2025-03-18 广西电网有限责任公司 一种海上风电配置蓄水储能系统参与现货电力市场交易策略的方法
CN119271422A (zh) * 2024-12-12 2025-01-07 北京航空航天大学杭州创新研究院 一种基于自蒸馏分层强化学习的服务资源调度方法
CN119298059A (zh) * 2024-12-12 2025-01-10 国网浙江省电力有限公司经济技术研究院 基于源荷互动机制的概率潮流分析方法及系统
CN119647696A (zh) * 2024-12-12 2025-03-18 合肥工业大学 基于人工智能的碳排放预测方法及系统
CN119834370A (zh) * 2024-12-19 2025-04-15 武汉大学 一种混合型新能源场站发电机组优化配置方法及装置
CN119398463A (zh) * 2025-01-02 2025-02-07 北京珂阳科技有限公司 基于深度强化学习的半导体制造中晶圆厂级实时调度方法
CN119872510A (zh) * 2025-01-15 2025-04-25 武汉理工大学 一种并联混合动力车辆能量管理方法和装置
CN119944653A (zh) * 2025-01-23 2025-05-06 合肥工业大学 基于强化学习和碳-绿证耦合的区域电网日前调度方法
CN120044789A (zh) * 2025-02-18 2025-05-27 浙江英集动力科技有限公司 一种基于多智能体的智慧火电厂分层优化控制方法
CN120127830A (zh) * 2025-03-04 2025-06-10 阿斯通(山东)开关有限公司 一种基于能源数据模型的源网荷储控制系统
CN120302299A (zh) * 2025-03-17 2025-07-11 北京科技大学 基于最大熵强化学习的通感融合网络资源分配方法及装置
CN119886736A (zh) * 2025-03-24 2025-04-25 国网山西省电力公司经济技术研究院 面向智能电网的综合能源需求响应调度方法及平台
CN119886761A (zh) * 2025-03-27 2025-04-25 山东大学 一种多元用户侧资源协同调节潜力评估方法、系统及产品
CN120143716A (zh) * 2025-05-10 2025-06-13 吉林铁道职业技术学院 电动汽车和可再生能源集成的能源管理测控系统及方法
CN120150317A (zh) * 2025-05-14 2025-06-13 国网河南省电力公司新乡供电公司 一种分布式电源储充一体化系统
CN120278848A (zh) * 2025-06-06 2025-07-08 江苏建筑职业技术学院 一种用于建筑节能的储能管理系统
CN120280966A (zh) * 2025-06-10 2025-07-08 重庆市设计院有限公司 一种新能源车充电基建与边缘计算网关储能协同调度方法
CN120675093A (zh) * 2025-06-12 2025-09-19 国网山西省电力公司晋城供电公司 用于配电网节点电压控制模式选择的模型建立方法、配电网节点电压控制模式的动态选择方法、控制系统及电力系统
CN120317637A (zh) * 2025-06-13 2025-07-15 国网浙江省电力有限公司杭州供电公司 一种基于深度强化学习的配电网调度方法及系统
CN120378297A (zh) * 2025-06-24 2025-07-25 广州炫视智能科技有限公司 一种多物联网设备的集成方法及其系统
CN120385114A (zh) * 2025-06-27 2025-07-29 天津市津安热电有限公司 一种换热站循环泵特性自适应寻优控制方法和系统
CN120408203A (zh) * 2025-06-30 2025-08-01 上海智融政通科技发展有限公司 一种基于多模态信息融合的个性化数字装置训练生成方法
CN120430660A (zh) * 2025-07-08 2025-08-05 湖南工商大学 能源供需调度方法、装置、设备及存储介质
CN120471399A (zh) * 2025-07-11 2025-08-12 国网江苏省电力有限公司经济技术研究院 一种综合能源的配置方法、装置及系统
CN120511667A (zh) * 2025-07-21 2025-08-19 中石油深圳新能源研究院有限公司 综合能源系统源荷匹配的主动调控方法、装置、设备及存储介质
CN120581085A (zh) * 2025-08-05 2025-09-02 杭州传化精细化工有限公司 基于生成式ai的聚合反应温度优化方法及装置
CN120745439A (zh) * 2025-08-27 2025-10-03 国网安徽省电力有限公司阜阳供电公司 用于多能互补系统中电-氢耦合的分层优化调控方法
CN121187278A (zh) * 2025-08-27 2025-12-23 数电云网(广东)科技有限公司 Agent驱动的电厂宽负荷巡航控制方法及系统
CN121461441A (zh) * 2025-09-15 2026-02-03 中电六所智能系统有限公司 基于强化学习的风力发电时序自适应窗口调整方法及装置
CN120822667A (zh) * 2025-09-16 2025-10-21 山东大学 一种多重不确定环境下的综合能源系统优化方法及系统
CN120823730A (zh) * 2025-09-17 2025-10-21 中国人民解放军海军航空大学 飞机出动调度策略生成方法、装置、设备、介质及产品
CN120823730B (zh) * 2025-09-17 2025-11-14 中国人民解放军海军航空大学 飞机出动调度策略生成方法、装置、设备、介质及产品
CN120822806A (zh) * 2025-09-18 2025-10-21 国网冀北电力有限公司经济技术研究院 一种绿证与ccer耦合的电力调度决策优化方法和装置
CN120855683A (zh) * 2025-09-22 2025-10-28 北京智芯微电子科技有限公司 基于融合终端的储能系统调控方法、装置及终端设备
CN120880951A (zh) * 2025-09-23 2025-10-31 中移(苏州)软件技术有限公司 一种轮询策略确定方法、装置、设备、存储介质及产品
CN120910705A (zh) * 2025-10-10 2025-11-07 中国科学院电工研究所 一种新能源电力系统暂态稳定评估方法及装置
CN120931051A (zh) * 2025-10-15 2025-11-11 洛阳精耕拓科技有限公司 Mpc与分时电价协同的二次供水泵房节能调度方法及系统
CN121012035A (zh) * 2025-10-27 2025-11-25 海尔新能源科技有限公司 微电网控制方法、程序产品及可读存储介质
CN121216483A (zh) * 2025-11-25 2025-12-26 哈尔滨工业大学 基于边缘侧大模型的配电网人机交互调控方法及装置
CN121257983A (zh) * 2025-12-03 2026-01-02 福建省冶金工业设计院有限公司 基于多源数据融合与ai决策的碳排放实时调控方法及系统
CN121238554A (zh) * 2025-12-04 2025-12-30 天津大学 用于综合能源系统的策略生成方法、装置和电子设备
CN121308017A (zh) * 2025-12-05 2026-01-09 内蒙古电力(集团)有限责任公司乌海超高压供电分公司 一种基于svg与同步调相机的混合多目标协调控制系统
CN121485294A (zh) * 2026-01-06 2026-02-06 中交四航局第五工程有限公司 一种智能用电设备监测与优化方法
CN121642987A (zh) * 2026-02-05 2026-03-10 湖南大学 一种新能源场站频率控制参数协同整定方法及其应用

Also Published As

Publication number Publication date
CN112862281A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
WO2022160705A1 (zh) 综合能源系统调度模型构建方法、装置、介质及电子设备
Gallego et al. Maintaining flexibility in smart grid consumption through deep learning and deep reinforcement learning
CN112529727A (zh) 基于深度强化学习的微电网储能调度方法及装置及设备
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
CN114156893A (zh) 面向新能源消纳场景的电网调度方法、装置、设备及介质
CN109548044B (zh) 一种基于ddpg的能量可收集通信的比特率优化方法
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN119253610A (zh) 一种风光储一体化系统的协同优化调度方法
Fu et al. The distributed economic dispatch of smart grid based on deep reinforcement learning
CN119891150B (zh) 基于拓扑安全约束和集成强化学习的配电网重构方法与系统
CN118798601B (zh) 一种基于深度强化学习的灾后修复性维修决策方法
CN106897942A (zh) 一种配电网分布式并行状态估计方法及装置
CN116681269A (zh) 一种电网交互型高效居民建筑智能协同运行优化方法
CN119578702A (zh) 配电网分布式光伏承载力实时评估方法及装置
CN119382213A (zh) 一种基于lstm和dqn算法的分布式储能系统优化调度方法
He et al. Electrical load forecasting based on self-adaptive chaotic neural network using Chebyshev map
CN111478331B (zh) 一种用于调整电力系统潮流收敛的方法及系统
CN119784114A (zh) 一种结合鲁棒马尔可夫与sac算法的多建筑能量管理方法及系统
CN115566692B (zh) 无功优化决策的确定方法、装置、计算机设备和存储介质
CN119852983A (zh) 一种配电网恢复成功率预测方法及系统
CN119416076A (zh) 基于aram图卷积的配电网拓扑辨识方法、装置、设备及介质
Duan et al. A non-convex dispatch problem with generator constraints using neural network and particle swarm optimization
CN118868170A (zh) 一种多储能配电网的电压调节方法、装置和设备
CN118554555A (zh) 一种基于masac算法的配电网分布式光伏电压无功控制方法
CN116954162A (zh) 生成用于工业系统的控制策略的方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21922300

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31/10/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21922300

Country of ref document: EP

Kind code of ref document: A1