【技術實現步驟摘要】
本專利技術涉及虛擬電廠調控，特別是涉及一種基于深度強化學習的虛擬電廠動態調控方法。
技術介紹
1、目前，能源結構的綠色低碳轉型已成為必然趨勢。風能、太陽能等可再生能源因其清潔高效的特性，在能源消費結構中占據了越來越重要的地位。然而，這些能源的隨機性和波動性給電力系統帶來了顯著的不確定性，并對電網的安全性和供需平衡構成了巨大挑戰。虛擬電廠(virtual?powerplant，vpp)作為一種新型能源管理模式，通過聚合大量分布式能源和需求側資源，實現資源的靈活調控，能夠有效緩解可再生能源不確定性帶來的影響，為電網的安全穩定運行提供了可靠路徑。
2、然而，風電作為一種可再生能源，其發電過程呈現出較大的不確定性，使得vpp的優化調度面臨挑戰。因此，為實現vpp的高效調度，亟需開發能夠處理風電出力不確定性的智能算法。傳統求解算法在應對復雜、不確定環境時存在局限性：一方面，它們難以在多維環境中有效搜索和優化；另一方面，傳統算法在適應動態環境和處理不確定性方面能力有限，缺乏逐步學習與實時調整的能力，容易陷入局部最優解。同時，在部分可觀測環境中，它們難以從歷史數據推斷隱含狀態，有效決策能力不足。此外，在多目標優化中，傳統算法泛化能力較差，在應對環境變化的靈活性方面存在顯著不足，并且其計算效率往往無法達到實時應用的需求，這些缺陷導致它們難以滿足現代智能決策系統的高標準要求。
技術實現思路
1、為了克服現有技術的不足，本專利技術的目的是提供一種基于深度強化學習的虛擬電廠動態調控方法，實現
2、為實現上述目的，本專利技術提供了如下方案：
3、一種基于深度強化學習的虛擬電廠動態調控方法，包括：
4、構建虛擬電廠動態模型；所述虛擬電廠動態模型包括網絡動態模型和設備動態模型；
5、根據風電歷史數據構建風電出力不確定性模型；
6、基于所述虛擬電廠動態模型和所述風電出力不確定性模型構建虛擬電廠調度模型；所述虛擬電廠調度模型分為日前優化和日內調整兩個階段；
7、基于深度強化學習優化策略對所述虛擬電廠調度模型進行優化，以通過學習設備的動態特性和調度策略，提升調度的經濟性和實時性。
8、優選地，所述網絡動態模型包括電網動態模型和熱網動態模型；建立電網動態模型的方法包括：
9、通過偏微分方程組描述電壓u(x,ω)和電流i(x,ω)的分布；所述偏微分方程組的公式為：式中，z(ω)和y(ω)分別表示線路的阻抗和導納；阻抗z(ω)和導納y(ω)的復數形式分別定義為:r(ω)和l(ω)分別代表線路的電阻和電感，表示電流流經導體時遇到的阻力和因電流變化引起的自感效應；g(ω)和c(ω)分別代表電導和電容，ω為頻率，x為傳輸線的位置坐標；k為虛數單位；
10、所述熱網動態模型的表達式為：其中，mi表示質量點i的質量；hi表示質量點i的比焓；dhi/dt表示比焓隨時間的變化率，表示質量點i的能量變化速率；dij表示質量點i與j之間的耦合程度，與兩點之間的距離相關；gij表示流體從質量點j到i的流動導率；hj與質量點i相耦合的其他質量點i的比焓；qi表示質量點i接收到的熱量；n是節點總數。
11、優選地，所述設備動態模型包括風電機組動態模型、熱電聯產機組動態模型、電儲能動態模型和熱泵動態模型；
12、建立所述風電機組動態模型的步驟為：
13、構建轉子扭矩的表達式；所述轉子扭矩tω'的表達式為：其中，pblade是葉片捕獲的功率；cp(λ,β)是功率系數，λ為尖速比，β為槳距角，g是重力加速度，ρ是空氣密度，a是轉子掃掠面積，v是風速，ω'是轉子的角速度，h是轉子的慣性矩；
14、構建電磁轉矩的表達式；所述電磁轉矩te的表達式為：te＝keifθe；其中，ke是電磁轉矩常數；if是勵磁電流；θe是電磁轉角；
15、構建轉子扭矩的微分方程；所述轉子扭矩的微分方程的表達式為：其中，是轉子角速度的變化率；tω是風力產生的扭矩；te是電磁扭矩；表示電機控制系統對轉子速度的反饋作用。
16、構建發電機功率的表達式；所述發電機功率pgen的表達式為：其中，l是發電機的電感；r是電阻；i是電流；ke是電動勢常數；
17、建立所述熱電聯產機組動態模型的步驟為：
18、構建鍋爐質量流率方程；所述鍋爐質量流率方程為：rm＝ub(t-τ)；其中，rm是調整后的鍋爐質量流率；ub是燃料流量；τ是燃料到達燃燒器的時間延遲；
19、構建磨粉機動態方程；所述磨粉機動態方程的表達式為：其中，rb是鍋爐壓力響應率；rm是鍋爐質量流率；tf是磨煤機時間常數；
20、構建鍋爐能量平衡方程；所述鍋爐能量平衡方程為：其中，pa是節流閥壓力；cb是鍋爐容量；k1和k3均是比例常數；ut是渦輪的輸入調節閥開度；
21、構建節流閥壓力方程；所述節流閥壓力方程為：pa＝pb-k2(k1rb)1.5；其中，pb表示汽包壓力；k1和k2均是比例常數。
22、構建渦輪機能量平衡方程；所述渦輪機能量平衡方程為：式中：tt是渦輪機時間常數；pmt是熱電機組發電功率；pe是排熱壓力；k3、k4和k5均為相關常數；uh是取熱調節蝶閥的開度；
23、構建熱電聯產機組發熱功率的公式；所述熱電聯產機組發熱功率的公式為：qmt＝σpmt；其中，σ是熱電轉換系數；qmt是熱電聯產機組發熱功率。
24、所述電儲能動態模型的表達式為：其中，qcap是電儲能容量；z是電儲能的儲電狀態；ηe是電儲能的往返能效因子；p+和p-分別表示電池的充電功率和放電功率。
25、建立所述熱泵動態模型的步驟包括：
26、構建壓縮機功率和出口溫度關系方程；所述壓縮機功率和出口溫度關系方程為：其中，tout,co是壓縮機入口溫度；tin,co是壓縮機出口溫度；ηco是等熵效率；βco是壓縮比；κ是空氣等熵指數；是質量流量；cp,co是定壓比熱；
27、構建壓縮機出口壓力的動力學方程；所述壓縮機出口壓力的動力學方程為：式中：pout,co是壓縮機出口壓力；rg是氣體常數；v是壓縮機相應腔體的體積；和分別是進入和離開該腔體的質量流量；
28、構建膨脹機的輸出功率wex和出口溫度tout,ex公式；所述膨脹機的輸出功率wex和出口溫度tout,ex公式為：其中，tin,ex是膨脹機入口溫度；tout,ex是膨脹機出口溫度；ηex是等熵效率；βex是膨脹比；是質量流量；cp,ex是定壓比熱；
29、構建膨脹機出口壓力的動力學方程；所述膨脹機出口壓力的動力學方程為：其中，pout,ex是膨脹機出口壓力，u是膨脹機相應腔體的體積，和分別是進入和離開該腔體的質量流量；
30、構建換熱器冷熱流體出口溫度的有效性方程；所述換熱器冷熱流體出口溫度的有效性方程為：其中，tin,h和tin,c分本文檔來自技高網...
【技術保護點】
1.一種基于深度強化學習的虛擬電廠動態調控方法，其特征在于，包括：
2.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述網絡動態模型包括電網動態模型和熱網動態模型；建立電網動態模型的方法包括：
3.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述設備動態模型包括風電機組動態模型、熱電聯產機組動態模型、電儲能動態模型和熱泵動態模型；
4.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，根據風電歷史數據構建風電出力不確定性模型，包括：
5.根據權利要求4所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述不確定性模糊集公式包括：
6.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，在所述日前優化的階段下，所述虛擬電廠調度模型的構建方法包括：
7.根據權利要求6所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述電功率平衡約束的表達式為：其中，是第i個節點在第t時刻的風電輸出功率；是第i個節點
8.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，在所述日內調整的階段下，所述虛擬電廠調度模型包括快速控制子層和慢速控制子層的雙層滾動優化模型。
9.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述深度強化學習優化策略為基于通信獨立的雙延遲深度確定性策略梯度算法；所述基于通信獨立的雙延遲深度確定性策略梯度算法的目標為優化每個虛擬電廠設備的策略，以最小化操作成本和滿足電網穩定性需求。
...【技術特征摘要】
1.一種基于深度強化學習的虛擬電廠動態調控方法，其特征在于，包括：
2.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述網絡動態模型包括電網動態模型和熱網動態模型；建立電網動態模型的方法包括：
3.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述設備動態模型包括風電機組動態模型、熱電聯產機組動態模型、電儲能動態模型和熱泵動態模型；
4.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，根據風電歷史數據構建風電出力不確定性模型，包括：
5.根據權利要求4所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，所述不確定性模糊集公式包括：
6.根據權利要求1所述的基于深度強化學習的虛擬電廠動態調控方法，其特征在于，在所述日前優化的階段下，所述虛擬電廠調度模型的...
【專利技術屬性】
技術研發人員：尉尚宏，馬江海，何壯壯，鄭鑫，陳運蓬，景峰，尚文，龐永麗，夏彥，白靜波，馬飛，
申請(專利權)人：國網山西省電力公司大同供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。