考虑风光不确定性以及设备工况的多微网协同优化运行策略

作     者：王议坚 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：崔杨

授予年度：2024年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：多智能体深度强化学习 新能源预测 不确定性分析 低碳经济调度 非线性工况 

摘      要：提高电力系统对新能源的适应性成为实现能源革命的必然要求,微电网作为分布式能源系统的载体,研究其联合运行能从时间和空间两个维度进一步提高能源的利用效率。然而多微网系统内部运行机理复杂,一方面,不同的能源转换设备特性各异,线性约束模型很难代表其在运行时的真实状况,另一方面,微电网运营商之间的复杂利益关系也使得构建合理的能源交易框架更加困难,在新能源高比例渗透的背景下,这些问题将对传统建模以及求解方法提出挑战。近年来,人工智能技术发展迅猛,这也为破解这些难题提供了新的思路。其中,深度学习的特征提取能力为捕获风光等可再生能源时序性以及镜像微电网复杂运行工况等方面提供了良好条件,强化学习的序贯决策能力则可以为运营商们在复杂环境下实现微电网的能量管理与能源交易提供合理的策略,因此这些方法的应用对于推进多微网系统的应用具有重要意义。 首先,本文对微网内部的风光资源进行了预测和不确定性描述。先利用信息论对天气特征和新能源出力之间的关系进行了多角度分析,从而选择出最有利于信息提取的特征量;后通过形态优化,模型拓展融合,注意力机制以及超参数搜索等方法提高了传统模型的特征提取能力,这不仅提高了风光出力的预测精度,而且为微电网的稳定运行奠定了前提。在此基础上,再对预测信息和真实信息的分布进行分析,采用场景生成技术,构建了参数化的数据驱动不确定集,实现了新能源出力的不确定区间刻画,从而为描述多微网系统运行对主网的不确定性冲击提供了信息支撑。 然后,对多微网系统内部设备运行工况以及能源交易机理进行了分析。在采用深度神经网络,对微电网内部燃气轮机的特性进行拟合的基础上,构建了热电联产和燃气-蒸汽联合循环电站的非线性工况的混合模型;另外为了最大程度鼓励运营商参与能源交易,本文提出了一种基于最大一致原则的多微网能源交易框架,并将其与马尔可夫决策过程结合,为策略求解提供了前提。 最后,将集中训练分布式执行的思想和最大熵深度强化学习结合,提出了多智能体最大熵深度强化学习算法,用以解决复杂约束下多微网系统运营商的能量管理及交易问题。算例结果表明,本文的策略能在考虑不确定性以及复杂约束的前提下,实现对能源转换设备效率以及碳排放率的动态跟踪,并提高多微网系统内部能量的利用效率。