考虑日前计划的风储联合系统多目标协调调度

建立多时间尺度的风储发电系统协调调度模式,提出一种适用于风储联合发电系统的滚动协调调度方法。优化模型采用两阶段优化方法实现多目标决策和分层协调调度,第1阶段优化利用风电场储能系统和常规机组的协调调度最小化系统弃风电量和失负荷电量,第2阶段优化按照风电并网标准和系统调度需求在各风电场之间分配储能系统充放电任务和弃风功率。采用含3个实际风电场的IEEE 30节点系统进行仿真分析,结果表明:基于风电场滚动上报的超短期风电功率预测信息,提出的风储联合发电系统日内滚动协调调度方法能够有效减少弃风,降低系统运行成本。     

用于提高风电场可调度性的储能系统预测控制策略

大规模储能的应用提高了风电场/群的可调度性,降低了大规模风电并网给电网带来的运行风险。为了充分利用储能系统柔性可控能力来提高风电场的可调度性,文中提出了基于模型预测控制(model prediction control,MPC)风/储集成发电系统滚动调控策略。该策略首先根据风功率预测结果制定风/储集成发电系统期望输出,即调度指令,进而通过滚动优化,在满足储能系统荷电状态、充放电深度等约束的前提下,计算得到下一调度周期内储能系统的控制指令,以保证风/储集成发电系统中风功率与储能系统有功的合成功率输出在最大程度上跟踪调度指令。以东北某风电场实际有功输出数据为基础,计算分析了在配置不同容量储能系统时该方法的控制效果,结果表明利用该方法对储能系统进行控制能够有效的提高风电场的可调度性,在跟踪调度指令的同时保证了集成发电系统合成输出功率的平滑性。     

考虑调度计划和运行经济性的风电场储能容量优化计算

功率存储为随机波动的风电功率适应确定性的电网调度决策提供了可能,而储能容量规划则必须兼顾对调度决策的适应性及包含储能系统的风电场运行的经济性.为此,以适应电网调度运行计划的风电场输出功率时段参考值为依据,以储能系统投资成本和风电场运行成本最小化为目标,构建了计及风电场弃风能量和储能系统损失能量的风电场储能容量优化计算模型.该模型可充分保障风电场储能系统运行的经济性,实现指定调度运行计划下风电场输出功率的不波动或极小概率波动,进而达到风功率调度与电网运行调度间的平稳、有效衔接.运用改进粒子群优化算法对所建模型进行算例求解,分析结果表明了该方法的有效性.     

计及风险备用的大规模风储联合系统广域协调调度

基于随机规划思想和风险决策理论,提出一种计及风险备用的风储联合运行系统广域协调调度方法。协调模型采用双层优化方法实现发电计划优化子问题和备用容量优化子问题的分解协调和迭代求解,降低了随机机组组合模型的计算规模和求解难度。外层优化计及风电波动性采用确定性机组组合模型计算日前发电计划;内层优化基于条件风险价值计算风电预测误差引起的系统风险备用容量,并采用所提出的风储协调策略实现多风电场储能系统之间的协调调度以降低系统备用需求。采用增加了2个风电场的IEEE 30节点系统进行仿真,分析了大规模风电并网系统中储能系统的最优应用模式,并验证了所提协调调度策略在提高风电消纳能力方面的优越性。     

考虑风电场可调度性的储能容量配置方法

风电场出力的不可调度性给大量风电场接入后系统安全运行形成了巨大挑战。配套储能系统实现风电场可调度性是解决风电场接入问题的有效方法,基于风电场可调度性规划合理的配套储能容量成为必须解决的问题。本文对满足特定风电场可调度性置信度水平下储能系统规划方法进行了研究。首先采用持续预测方法获取全年风电场小时前预测出力数据,并依据风电场预测出力考虑配套储能容量最小化原则提出了一种调度策略。基于风电场可调度性和储能容量折中,定义风电场可调度性作为约束并利用非参数估计和曲线拟合方法生成储能功率和容量约束函数,以计入储能使用寿命的投资成本模型作为目标函数,利用遗传算法进行求解。最后,以风电场锂电池储能规划为例进行说明。     

风电场日出力曲线和储能容量关系研究

为了促进风能的利用与发展,减小大型并网风电场输出功率不稳定给电力系统调度带来的影响,提出了一种基于功率预测和储能系统配合的风电场功率波动平抑方法。分析了风电场日出力曲线与储能容量关系,对风电场历史实测风速数据进行统计,给出风电场合理的储能容量,以期为风电场储能系统容量的选取提供参考。根据某额定装机容量为100 MW的风电场实测风速数据对功率波动平抑过程进行仿真分析,验证了所提方法的可行性和有效性。     

基于预测控制储能系统平抑风电场并网波动功率

基于预测控制储能系统平抑风电并网波动功率的高、中、低频,在增大电网调度空间的基础上以提高全钒液流电池储能系统的使用寿命和运行经济性。首先,基于对山西晋北某风电场的预测功率数据异质点的判定结果,利用改进粒子群算法优化后的奇异值功率标准谱对预测波动功率修正;然后,利用离散小波变换将预测的风电场输出波动功率按频率划分为高、中、低频,并针对不同频段的波动功率分配合理的储能系统额定容量和输出功率以实现并网目标功率的预测控制。最后,实例验证所提方案可以在满足储能系统过充过放的前提下,使风电场平抑后的输出功率满足调度分配功率。     

不确定性环境下基于深度强化学习的综合能源系统动态调度

随着综合能源系统中间歇性能源和负荷不确定性的逐步增强,传统的调度方法局限于固定物理模型及参数设定,难以较好地动态响应源荷的随机波动。针对这一问题,提出了一种基于深度强化学习的综合能源系统动态调度方法。首先,以数据驱动方式构建面向综合能源系统的深度强化学习模型,通过智能体与综合能源系统的持续交互,自适应学习调度策略,降低对物理模型的依赖程度。其次,通过添加随机扰动的方式表征源荷不确定性变化特征,针对不确定性变化特征改进深度强化学习模型的状态空间、动作空间、奖励机制以及训练流程等关键环节,并经由近端策略优化算法优化求解,实现了综合能源系统的动态调度决策。最后,通过算例仿真验证了所提方法在不同时间尺度以及不确定性环境下的可行性和有效性。     

基于改进Q学习算法的储能系统实时优化决策研究

随着分布式清洁能源在电网所占比重逐年增加,其功率预测误差给电网的稳定运行带来巨大挑战,如何使储能系统在实时调度周期快速做出充放电决策达到最优的削峰填谷效果需要一种控制方法。本文考虑储能系统充放电爬坡和存储电量限值等约束条件,提出改进的Q学习算法,用全局最优惩罚项引导其利用离线数据分阶段学习训练得出最优决策,可以快速地收敛,且准确性高;在实时调度周期负荷功率预测不准确时,储能系统只需要修正状态量并判断其所处状态,基于训练好的Q值表,采用贪婪策略可以快速得出其最优动作值,不需要再进行全局寻优迭代运算。仿真算例结果表明,相比于传统Q学习算法,本文所提方法收敛速度更快,且训练好的Q值表可以用于实时调度周期储能系统做优化决策。     

基于柔性行动器–评判器深度强化学习的电–气综合能源系统优化调度

多能流协同优化调度是实现综合能源系统高效经济运行的核心技术之一。面向电–气综合能源系统运行优化问题,提出一种基于柔性行动器-评判器框架的深度强化学习方法,通过智能体与能源系统的交互,自适应学习控制策略。该方法可实现多能流系统的连续动作控制,且能够灵活处理风电、光伏、多能负荷等源荷不确定性问题,实现多场景下的电-气综合能源优化调度决策。首先,构建面向电-气综合能源系统调度的强化学习基本框架,介绍柔性行动器-评判器强化学习的基本原理;然后,构建与智能体交互的电-气综合能源系统环境模型,设计深度强化学习的动作与状态空间、奖励机制、神经网络结构、学习流程等关键环节;最后,针对2个电-气综合能源系统算例进行强化学习优化调度结果分析。     

基于深度确定性策略梯度算法的风光储系统联合调度策略

针对风光储联合系统的调度问题,提出了一种基于深度强化学习的风光储系统联合调度模型。首先,以计划跟踪、弃风弃光以及储能运行成本最小为目标,建立了充分考虑风光储各个场站约束下的联合调度模型。然后,定义该调度模型在强化学习框架下的系统状态变量、动作变量以及奖励函数等,引入了深度确定性策略梯度算法,利用其环境交互、策略探索的机制,学习风光储系统的联合调度策略,以实现对联合系统功率跟踪,减少弃风弃光以及储能充放电。最后,借用西北某地区风电、光伏、跟踪计划的历史数据对模型进行了训练和算例分析,结果表明所提方法可以较好地适应不同时期的风光变化,得到在给定风光下联合系统的调度策略。     

基于深度强化学习的风电柔直并网系统次同步振荡抑制方法

风电柔性直流换流站与风机交互导致的次同步振荡严重威胁电网安全稳定运行。深度强化学习算法可以有效地应对风电柔直并网系统多变的运行工况。提出了一种基于深度强化学习的振荡抑制方法。首先,基于柔直送端变流器的数学模型和机理,设计了系统的环境状态合集、可行动作集及奖励函数。为了应对所设计的环境状态合集中的电流变量及电压变量均为连续量带来的维数灾问题,继而采用深度确定性策略梯度算法进行可行动作集的动作决策探索。最后通过仿真系统在多变运行工况下对该方法的有效性和鲁棒性进行验证,仿真结果表明所提方法能够充分地适应海上风电柔直并网系统的多风速运行条件,并能在短时间内有效抑制振荡。     

考虑时空分布特性的风速预测模型

随着风电并网规模日益增加,风电功率波动对电网的影响将更加显著。风速预测可以辅助电网制定调度和运行控制决策,合理应对风电功率波动,降低风电功率波动对电网安全稳定运行的影响。考虑风电机组的地理分布和风速的时间、空间分布特性,建立等效风速模型。由该模型建立上、下游风电机组的风速关联关系,修正下游风电机组的风速。在此基础上,提出一种基于修正系数的风速预测方法,以提高预测精度。以实际风电场地理数据和风电机组参数为基础的仿真算例验证了该方法的可行性和合理性。     

考虑预测不确定性的微电网实时控制策略研究

风能、光伏等可再生能源的高比例并网成为了缓解全球能源危机的一项重要措施。然而,可再生能源实时出力中的间歇性和波动性给系统的安全性带来了一定的挑战。为了在提高可再生能源利用率的同时保证系统安全性,提出了一种基于深度强化学习(DRL)算法的运行优化实时调度模型。首先,构建了负荷预测模型实现负荷预测和高斯混合模型拟合预测误差;其次,考虑系统各节点的约束条件,以系统运行成本和安全运行作为优化目标,建立相应优化模型;然后,将优化问题转化为马尔可夫决策过程,并采用双延迟深度确定性策略梯度算法求解;最后,利用DRL算法的环境交互机制和策略自由探索,获得联合调度策略的最优结果。实验结果表明,所提方法具有良好的适应性,并且可以进行在线实时调度。     

马尔可夫预测的多目标优化储能系统平抑风电场功率波动

在高比例风电主导的可再生能源电力系统中,配置储能系统是缓解风电功率波动、实现削峰填谷、提高风电可调度性的有效解决方案。文中从大规模储能出力水平以及风电未来输出对当前储能运行影响的角度出发,设计了风储联合运行的多目标优化仿真模型。采用马尔可夫预测模型形成风功率未来输出评估,同时利用粒子群优化算法实时滚动优化风储并网功率,获得储能电池最优运行策略。利用某百兆瓦级风电场的典型风功率数据进行仿真,仿真结果表明所提方法平滑效果良好,避免了储能电池过度充放电,防止了储能电池进入死区的情况,提高了风储一体化系统的可靠性和经济性。     

基于DDPG的风电场动态参数智能校核知识学习模型

随着风电渗透率的增加,电力电子化元件大量接入,风电场表现出的动态特性愈发复杂,传统的基于少量案例、解析的仿真验证方法面临挑战.以深度强化学习为代表的新一代人工智能在多领域的成功应用,为风电场动态参数智能校核提供了借鉴.在双馈风电场等值模型的基础上,基于深度确定性策略梯度(deep deterministic polic...     

基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

基于极端天气情况的风-储系统平抑控制策略

提出了一种储能系统的功率控制方法,实现了极端天气情况下风电场出力波动的快速平抑。该控制框架融合了机器学习算法与模型预测控制方法,由基于在线序贯极限学习机的神经网络模型预测优化时域范围的风电功率,储能的充放电功率指令通过MPC进行滚动优化,保证储能系统的运行约束得到满足。仿真实验表明该方法能够实现储能系统的快速充、放电管理,利用准确的风电功率预测,降低了极端天气下风电场功率陡降对电网的不利影响,使得风-储联合系统注入电网的功率更接近给定值。     

Jointly improving energy efficiency and smoothing power oscillations of integrated offshore wind and photovoltaic power: a deep reinforcement learning approach

This paper proposes a novel deep reinforcement learning (DRL) control strategy for an integrated ofshore wind and photovoltaic (PV) power system for improving power generation efciency while simultaneously damping oscillations. A variable-speed ofshore wind turbine (OWT) with electrical torque control is used in the integrated ofshore power system whose dynamic models are detailed. By considering the control system as a partially-observable Markov decision process, an actor-critic architecture model-free DRL algorithm, namely, deep deterministic policy gradient, is adopted and implemented to explore and learn the optimal multi-objective control policy. The potential and efectiveness of the integrated power system are evaluated. The results imply that an OWT can respond quickly to sudden changes of the infow wind conditions to maximize total power generation. Signifcant oscillations in the overall power output can also be well suppressed by regulating the generator torque, which further indicates that complementary operation of ofshore wind and PV power can be achieved.     

Tracking-dispatch of a combined wind-storage system based on model predictive control and two-layer fuzzy control strategy.

To maximize improving the tracking wind power output plan and the service life of energy storage systems (ESS), a control strategy is proposed for ESS to track wind power planning output based on model prediction and two-layer fuzzy control. First, based on model predictive control, a model with deviations of grid-connected power from the planned output and the minimum deviation of the remaining capacity of the ESS from the ideal value is established as the target. Then, when the grid-connected power exceeds the allowable deviation band of tracking, the weight coefcients in the objective function are adjusted by introducing the frst layer of fuzzy control rules, combining the state of charge (SOC) of the ESS with the dynamic tracking demand of the planned value of wind power. When the grid-connected power is within the tracking allowable deviation band, the second layer of fuzzy control rules is used to correct the charging and discharging power of the ESS to improve its ability to track the future planned deviation while not crossing the limit. By repeatedly correcting the charging and discharging power of the ESS, its safe operation and the multitasking execution of the wind power plan output tracking target are ensured. Finally, taking actual data from a wind farm as an example, tests on a simulation platform of a combined wind-storage power generation system verify the feasibility and superiority of the proposed control strategy