基于强化学习算法的智能电网需求侧响应及优化调度策略研究

作     者：李金洧 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：张慧峰

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：改进粒子群算法 能源互补优化 负荷预测 电力市场 需求响应 负荷转移 强化学习 

摘      要：随着社会生产的自动化以及人们对生活质量的高要求,使得传统一次能源的消耗速率进一步加大,加快补充能源缺口和治理环境污染越来越为社会所重视。在国家“2060碳中和的要求下,提高传统一次能源的利用率以及大力发展可再生能源发电技术十分关键。风能和太阳能在自然界中蕴含丰富,可作为新能源并网,但由于其伴随着较强的波动性,使得电网稳定运行面临考验。同时,随着负荷的多样性特点,对需求侧柔性负荷的精准调控也可作为提高电网供需平衡的有效手段。针对以上问题,国内外已经有了较多的文献进行研究,本文在此基础上,从经济性角度出发,结合多种智能算法对其进行分析。研究内容如下:首先,基于可再生能源的间歇性和随机性特点对风电和光伏发电模式进行分析。针对电力系统发电侧,在考虑风电、光伏并网的情况下,结合储能装置系统,以降低火力发电成本为目标建立能源互补的经济调度模型。对于该模型的求解,提出基于惯性权重参数动态调整的PSO算法,同时,算法中还加入了最差粒子淘汰策略,利用改进后的PSO算法优化火电机组出力,可以在运行成本经济性上得到进一步提升。其次,负荷的不确定性也给电网调度带来了大量难度,所以首先考虑对需求侧的用户负荷进行短期预测。为了提高负荷预测的精度,在对需求侧的负荷特点分析的基础上,进一步掌握在时间序列特征下电力用户的需求规律。在此基础上,采用LSTM长短时间记忆神经网络展开负荷预测工作,根据负荷数据的时间序列特征,提出FA-PSO混合优化的方法对LSTM神经网络参数进行迭代寻优,然后将负荷数据输入到优化后的LSTM中训练LSTM网络权重。经过仿真结果对比,所提出的FA-PSO-LSTM预测模型比起传统BP神经网络以及经典LSTM神经网络,在预测精度上都有很大的提升。最后,针对需求侧负荷不确定性,考虑采用价格激励政策引导电力用户对柔性负荷进行时段转移,形成售电公司-电力用户共赢的电力调度需求响应模型,模型中考虑了售电公司收益和电力用户开支,同时定义了电力用户的不满意度成本函数。对于该模型的求解利用的是强化学习Q-learning算法原理,以售电零售价的变化作为动作量,状态量为电力用户的电能消费量、电能需求量、负荷转移意愿系数等。通过电力用户与售电公司之间的交互,使得电能零售价制定合理,用户决策达到最优。通过算例表明该需求响应模型的有效性,并有益于电网负荷削峰填谷。