“双碳”目标下电力系统风电装机与投资发展动力学推演及分析

为推演“双碳”目标下风电的发展,利用系统动力学具有动态性、系统性的特点,建立了未来电力系统风电发展的系统动力学推演模型。通过历史数据验证了模型的有效性,通过仿真得到了未来风电发展趋势,并结合政策激励与技术发展过程,构建差异化场景分析不同条件下未来风电发电量、上网电量、风电消费占比及碳减排量。仿真结果表明,政策支持相比技术进步对风电装机发展及绿色证书市场交易的激励作用更强,对风电长期稳定发展具有显著的促进作用;技术进步相比政策支持对碳减排的效果更明显。同时,前期技术进步对于风电发电量、上网电量及消费量的促进作用要高于政策支持,并且在政策力度较低的情况下,高技术进步率在前期对风电投资积极性的影响要高于后期。     

基于深度强化学习的含高比例可再生能源配电网 就地分散式电压管控方法

含有可再生能源并网的区域电网存在通信条件差、量测设备不足、不同节点的电压管控设备难以协同等问题,因此提出一种基于深度强化学习的分散式就地电压管控方法。该方法首先将缺少量测数据的电压管控问题转化为部分可观的马尔科夫决策问题,构建了以网络损耗最小为优化目标的多智能体分散式电压管控框架。然后采用多智能体深度确定性策略梯度算法对智能体进行离线训练,并使用训练完成的智能体进行在线电压管控。最后,基于改进的IEEE33节点系统进行了算例仿真和分析。结果表明,各智能体可以根据各自节点的电气信息求解出近似的全局最优解。