【技術實現(xiàn)步驟摘要】
本專利技術涉及能源管理，尤其涉及一種基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法。
技術介紹
1、隨著環(huán)境污染的加重，國家電網(wǎng)對新能源的重視程度也越來越高。目前，較為成熟的新能源技術是風能和太陽能發(fā)電，但是由于這兩種能源的不穩(wěn)定性，儲能備用電源成為實現(xiàn)新能源穩(wěn)定可靠發(fā)電的重要環(huán)節(jié)。高性能的儲能控制管理系統(tǒng)可以保障新能源系統(tǒng)的供電質(zhì)量和供電可靠性。鋰電池的高能量比特性具有安全隱患，不正確的使用方式會對電池的使用安全造成影響，因此，必須嚴格根據(jù)電池參數(shù)管理電池充放電。并且，環(huán)境溫度、濕度、放電深度等因素都會影響電池的使用壽命，使用一般方法對鋰電池進行狀態(tài)估計很難得到準確的估計結果。
技術實現(xiàn)思路
1、為了解決
技術介紹
中提到的至少一個技術問題，本專利技術的目的在于提供一種基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，能夠有效管理和控制工業(yè)園區(qū)儲能備用電源，具有良好的經(jīng)濟效益和實用價值。
2、為實現(xiàn)上述目的，本專利技術提供如下技術方案：
3、一種基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，包括以下步驟：
4、s1，通過源/網(wǎng)/荷/儲模型實時獲取工業(yè)園區(qū)的能源使用數(shù)據(jù)，所述能源使用數(shù)據(jù)包括電源、電網(wǎng)、負荷、儲能設備的狀態(tài)信息；
5、s2，對所述能源使用數(shù)據(jù)進行預處理；
6、s3，判斷工業(yè)園區(qū)的外部電源是否發(fā)生故障，若是，則將預處理后的能源使用數(shù)據(jù)代入深度強化學習模型中，生成儲能電源的動作數(shù)據(jù)集。
7、
8、在本專利技術的某些實施例中，所述內(nèi)部模型如下：
9、sself＝{soc,t}
10、(emin≤e≤emax)
11、式中：sself為系統(tǒng)的內(nèi)部模型，soc為儲備電源的荷電狀態(tài)，emax為完全充電狀態(tài)的電池容量，emax為最低充電狀態(tài)的電池容量；t為儲能電源本身的溫度。
12、在本專利技術的某些實施例中，所述外部模型如下：
13、sother＝{pl,pac,pw,ppv}
14、式中：sother為系統(tǒng)的外部模型，pl為負荷需求，pac為交流電提供的有功功率，pw為風力發(fā)電機提供的有功功率，ppv為光伏提供的有功功率。
15、在本專利技術的某些實施例中，所述深度強化學習模型包括：可見層和隱藏層的聯(lián)合分布率，邊緣分布函數(shù)和激活概率。
16、在本專利技術的某些實施例中，所述可見層和隱藏層的聯(lián)合分布率的計算如下：
17、
18、式中：θ＝{wij,ai,bj}是受限玻爾茲曼機的參數(shù)，wij表示的是可見單元與隱藏層之間的權重，ai,bj分別表示可見層和隱藏層的偏置；
19、
20、
21、式中：p(v,h|θ)為可見層和隱藏層的聯(lián)合分布率，z(θ)為數(shù)據(jù)的歸一化處理函數(shù)。
22、在本專利技術的某些實施例中，所述邊緣分布函數(shù)的計算如下：
23、
24、式中：p(v|θ)為邊緣分布函數(shù)。
25、在本專利技術的某些實施例中，所述激活概率的計算如下：
26、
27、式中：p(hj＝1|v,θ)為隱藏層第j個隱藏單元的激活概率，為激活函數(shù)s?i?gmoi?d；
28、
29、式中：p(vj＝1|h,θ)為可見層第j個可見單元的激活概率。
30、在本專利技術的某些實施例中，對所述能源使用數(shù)據(jù)進行預處理包括：數(shù)據(jù)清洗，剔除異常值和噪聲。
31、與現(xiàn)有技術相比，本專利技術的有益效果是：
32、本專利技術采用深度強化學習工業(yè)園區(qū)儲能備用電源進行控制，實現(xiàn)微電網(wǎng)外部電源故障情況下，通過儲能備用電源，為微電網(wǎng)提供穩(wěn)定的能量。該方法的提出能夠有效管理和控制工業(yè)園區(qū)儲能備用電源，具有良好的經(jīng)濟效益和實用價值。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述源/網(wǎng)/荷/儲模型包括內(nèi)部模型和外部模型。
3.根據(jù)權利要求2所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述內(nèi)部模型如下：
4.根據(jù)權利要求2所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述外部模型如下：
5.根據(jù)權利要求1所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述深度強化學習模型包括：可見層和隱藏層的聯(lián)合分布率，邊緣分布函數(shù)和激活概率。
6.根據(jù)權利要求5所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述可見層和隱藏層的聯(lián)合分布率的計算如下：
7.根據(jù)權利要求6所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述邊緣分布函數(shù)的計算如下：
8.根據(jù)權利要求7所述的基于改進深度強化學習的工業(yè)園
9.根據(jù)權利要求1所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，對所述能源使用數(shù)據(jù)進行預處理包括：數(shù)據(jù)清洗，剔除異常值和噪聲。
...【技術特征摘要】
1.一種基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述源/網(wǎng)/荷/儲模型包括內(nèi)部模型和外部模型。
3.根據(jù)權利要求2所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述內(nèi)部模型如下：
4.根據(jù)權利要求2所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述外部模型如下：
5.根據(jù)權利要求1所述的基于改進深度強化學習的工業(yè)園區(qū)儲能備用電源控制方法，其特征在于，所述深度強化學習模型包括：可見層和...
【專利技術屬性】
技術研發(fā)人員：張浩，郁丹，郭雨涵，唐人，朱維駿，吳君，
申請(專利權)人：浙江華云電力工程設計咨詢有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。