本發明專利技術涉及電力調度優化技術領域，尤其是涉及一種基于強化學習的多源電力實時調度優化方法及系統。方法，包括獲取分時段的發電設備需求負載信息數據；構建混合風火分布式發電的最佳調度策略模型；采用蒙特卡洛方法和double?Q學習算法優化最佳調度策略模型；利用最佳調度策略模型進行多源電力實時調度優化。本發明專利技術通過強化學習方法實時優化多源電力的調度方法，尋找最優電力調度策略，與傳統方法相比，降低電力成本15%以上，同時能夠實現自動化調度，減少人工干預和經驗依賴。
1、智能電網系統是現代電力基礎設施的重要組成部分，它通過集成先進的通信技術、數據分析和自動化控制，來提高電力傳輸和分配的效率、可靠性和可持續性。傳統電網由于缺乏實時數據監測和靈活的控制手段，難以應對日益復雜的電力需求和可再生能源接入的挑戰。隨著全球能源結構的轉型，分布式能源在智能電網中的作用日益凸顯。分布式能源包括太陽能光伏、風能、小型水電、生物質能發電以及電動汽車的儲能系統等，它們通常分布在電力用戶的側端，具有小規模、分散化和靈活性的特點。這些能源資源的接入，使得電網的運行模式發生了深刻變化，傳統的單向電力流動被雙向、甚至多向的電力流動所取代，這對電網的穩定性和調度能力提出了新的挑戰。典型的例子是混合風火分布式能源。分布式能源的需求負荷有望盡可能地由風力發電滿足。然而，由于風力發電具有間歇性，因此有必要將該系統與傳統的火力發電機整合在一起。火力發電機具有快速的上升或下降能力，可以顯著提高分布式能源的靈活性和可靠性。
2、傳統的控制策略通常在第一階段將盡可能多的需求負荷分配給風力發電機。火力發電機在第二階段彌補未滿足的需求。但這種策略缺乏靈活性。風力渦輪機通常以固定的啟動速度（切入點）設計和運行。當風速在切入點附近波動時，風力渦輪機可能會反復頻繁地啟動和關閉，從而產生啟動成本。頻繁啟動和關閉引起的過度壓力可能會增加部件故障的可能性，并對風力渦輪機的可用性產生負面影響。這種策略可能會導致更高的運營和維護成本。
r/>技術實現思路
1、為了解決上述提到的問題，本專利技術提供一種基于強化學習的多源電力實時調度優化方法及系統。
2、第一方面，本專利技術提供的一種基于強化學習的多源電力實時調度優化方法，采用如下的技術方案：
3、一種基于強化學習的多源電力實時調度優化方法，包括：
4、獲取分時段的發電設備需求負載信息數據；
5、構建混合風火分布式發電的最佳調度策略模型；
6、采用蒙特卡洛方法和double-q學習算法優化最佳調度策略模型；
7、利用最佳調度策略模型進行多源電力實時調度優化。
8、進一步地，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時調度數學建模，其中，將分布式電力的調度策略定義為從狀態空間到動作空間的映射，令為一種可行的調度策略，表示在狀態下應當采取的動作，目標變為尋找最優調度策略；定義函數,表示按照策略進行行動時的收益，對于每一個時間段，當系統進行狀態轉換時，成本產生變化，成本的變化反映決策的正確性，當前狀態下的收益函數定義為：
9、
10、其中，是折扣參數，是在狀態轉移概率下的數學期望，調度優化目標為找到最優的策略最優，即
11、。
12、進一步地，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時電力實時需求負載載入，其中，設實時需求負載是一個隨機過程，遵循下式中給出的高斯分布：
13、
14、其中是預測的需求負載。
15、進一步地，所述構建混合風火分布式發電的最佳調度策略模型，包括進行發電成本建模，其中，將風力渦輪機在啟動時產生的啟動成本作為風電成本，風電成本的計算方式為：
16、
17、其中是第個風力發電設備的啟動成本，火電機組的運行成本包括生產成本、啟動成本和關機成本；火力發電成本?被指定為設備發電功率的二次函數，即
18、
19、其中，是第j臺火力發電設備的發電功率，為三個超參數；
20、總狀態轉換成本被表示為：
21、。
22、進一步地，所述構建混合風火分布式發電的最佳調度策略模型，包括進行發電功率建模，其中，將火力發電功率視為固定值，風力發電機的輸出取決于風速，表示為：
23、
24、其中，是第i臺發電設備的尺度因子，是風力發電機組參數。
25、進一步地，所述利用double-q學習算法優化最佳調度策略模型，包括定義狀態-動作價值函數?q，即
26、
27、?表示在狀態下，執行行動的成本。
28、進一步地，所述利用double-q學習算法優化最佳調度策略模型，還包括引入雙q學習機制，在計算目標q值時使用另一q值對下一狀態進行評估，通過交替更新兩個q值進行迭代優化，最終得到兩個q值的平均值。
29、第二方面，一種基于強化學習的多源電力實時調度優化系統，包括：
30、數據獲取模塊，被配置為，獲取分時段的發電設備需求負載信息數據；
31、模型構建模塊，被配置為，構建混合風火分布式發電的最佳調度策略模型
32、模型優化模塊，被配置為，采用double-q學習算法優化最佳調度策略模型；
33、調度模塊，被配置為，利用最佳調度策略模型進行多源電力實時調度優化。
34、第三方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于強化學習的多源電力實時調度優化方法。
35、第四方面，本專利技術提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于強化學習的多源電力實時調度優化方法。
36、綜上所述，本專利技術具有如下的有益技術效果：
37、本專利技術通過強化學習方法實時優化多源電力的調度方法，尋找最優電力調度策略，與傳統方法相比，降低電力成本15%以上，同時能夠實現自動化調度，減少人工干預和經驗依賴。
本文檔來自技高網...
【技術保護點】
1.一種基于強化學習的多源電力實時調度優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時調度數學建模，其中，將分布式電力的調度策略定義為從狀態空間到動作空間的映射，令為一種可行的調度策略，表示在狀態下應當采取的動作，目標變為尋找最優調度策略；定義函數,表示按照策略進行行動時的收益，對于每一個時間段，當系統進行狀態轉換時，成本產生變化，成本的變化反映決策的正確性，當前狀態下的收益函數定義為：
3.根據權利要求2所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時電力實時需求負載載入，其中，設實時需求負載是一個隨機過程，遵循下式中給出的高斯分布：
4.根據權利要求3所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行發電成本建模，其中，將風力渦輪機在啟動時產生的啟動成本作為風電成本，風電成本的計算方式為：
5.根據權利要求4所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行發電功率建模，其中，將火力發電功率視為固定值，風力發電機的輸出取決于風速，表示為：
6.根據權利要求5所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述利用double-Q學習算法優化最佳調度策略模型，包括定義狀態-動作價值函數?Q，即
7.根據權利要求6所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述利用double-Q學習算法優化最佳調度策略模型，還包括引入雙Q學習機制，在計算目標Q值時使用另一Q值對下一狀態進行評估，通過交替更新兩個Q值進行迭代優化，最終得到兩個Q值的平均值。
8.一種基于強化學習的多源電力實時調度優化系統，包括：
9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執行如權利要求1所述的方法。
10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執行如權利要求1所述的方法。
...
【技術特征摘要】
1.一種基于強化學習的多源電力實時調度優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時調度數學建模，其中，將分布式電力的調度策略定義為從狀態空間到動作空間的映射，令為一種可行的調度策略，表示在狀態下應當采取的動作，目標變為尋找最優調度策略；定義函數,表示按照策略進行行動時的收益，對于每一個時間段，當系統進行狀態轉換時，成本產生變化，成本的變化反映決策的正確性，當前狀態下的收益函數定義為：
3.根據權利要求2所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行實時電力實時需求負載載入，其中，設實時需求負載是一個隨機過程，遵循下式中給出的高斯分布：
4.根據權利要求3所述的一種基于強化學習的多源電力實時調度優化方法，其特征在于，所述構建混合風火分布式發電的最佳調度策略模型，包括進行發電成本建模，其中，將風力渦輪機在啟動時產生的啟動成本作為風電成本，風電成本的計算方式為：
5.根據權利要求4所述的一種基于...
【專利技術屬性】
技術研發人員：劉兆偉，劉文哲，劉延樂，孟振華，單垚，宋永超，姜岸佐，劉志中，趙相福，于自強，閻維青，李恒，
申請(專利權)人：煙臺大學，
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。