基于主从博弈的综合能源系统优化调度策略

以综合能源系统为研究对象，建立了以综合能源系统运营商为领导者，负荷聚合商为跟随者的主从博弈模型，并使用改进的混沌阿基米德优化算法求解该模型。依据该模型，综合能源系统运营商需根据用户用能情况对系统设备出力进行优化调度并向负荷聚合商制定能源价格，负荷聚合商根据能源价格对用户的用能策略进行调整。仿真实例表明，该主从博弈模型能够有效增强可再生能源发电的消纳能力，可再生能源出力利用率提升了4.45%。     

考虑广义需求侧资源的深度置信网络短期负荷预测方法

随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度.     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

动态粒子群算法在经济负荷分配中的应用

将一种惯性权重动态调整的粒子群算法用于求解复杂的不连续、非凸、非线性电力系统的经济负荷分配(ED)问题,使其在满足各机组负荷和运行约束的条件下总的发电费用最小.算法惯性权重随不同粒子距全局最优点的距离不同而动态调整,从而提高了基本粒子群算法的收敛速度,避免其容易陷入局部极值.将算法应用到经济负荷分配问题的Matlab仿真结果表明,所提出的方法不仅提高了解的寻优能力和收敛速度,而且随着问题规模的增大,其优化结果要好于其它方法.     

考虑碳排放和综合需求响应的电-气联合运行决策博弈

考虑到当前向国际社会承诺的“碳达峰,碳中和”目标,针对电-气联合运行中多方利益的诉求,运用动态主从博弈理论,在考虑碳排放和综合需求响应的情况下,建立以供电公司为主体,家庭负荷聚合集群为从体的博弈模型.通过家庭负荷聚合的多能联合负荷特性和价格需求响应的不确定性,得到博弈双方支付函数.考虑能源结构的碳排放折算,以供能方收益最大,需求侧支付费用最低为目标,建立主从博弈模型.主方以价格为策略集,从方以需求响应为策略集,通过最优反应函数结合非支配排序遗传算法求解并筛选主从博弈均衡解.通过算例仿真验证,所提出模型可实现主体和从体各方的社会效益与经济效益最优化,为能源互联下的市场决策优化运行提供参考.     

能源互联网中需求侧资源参与电网控制的边云协同技术研究

能源互联网技术能够实现需求侧可调节电力负荷资源与输配电资源、发电资源的信息融通,发挥需求侧可调节电力负荷在电网供需平衡调节中的价值效益。通过整合需求侧资源参与电网不同控制模式的优缺点,提出了一种以电网侧云平台为主导、聚合商内部分散协同加用户侧边缘控制主动响应的能源互联网供需资源协调控制框架及方法,能够有效提高可调负荷资源响应电网调度的灵活性与快速性。     

基于改进差分进化鲸鱼算法的经济负荷分配

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将改进差分进化算法和鲸鱼算法相结合的优化算法。该算法首先在鲸鱼优化算法中引入了非线性的收敛变化策略,加速寻优算法的迭代;再利用差分进化算法的交叉和选择,丰富算法种群个体信息,增强优化算法的全局收敛性;同时引入一种淘汰机制,将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度;最后,对多个经济负荷分配问题进行了测试,将该算法与标准鲸鱼算法、标准差分进化算法进行对比,验证了差分进化鲸鱼算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

计及负荷不确定性的强化学习实时定价策略

面对当前电力系统的负荷不确定、新能源并网与双碳目标等现状,在充分考虑供需双方福利前提下,建立了智能电网背景下考虑负荷不确定与碳交易的实时定价模型,并基于强化学习能够处理变量复杂性、非凸非线性问题优点,采用强化学习中Q学习算法对模型进行迭代求解。首先,将用户与供电商实时交互过程转换为强化学习框架对应的马尔可夫决策过程;其次,通过智能体在动态环境中的反复探索表示用户与供电商的信息交互;最后,通过强化学习中的Q学习算法寻找最优值即最大社会福利值。仿真结果表明,所提实时定价策略能够有效提升社会福利,降低碳排放总量,这验证了所提模型和算法的有效性。     

考虑节点边际价格的热电联产机组主从博弈竞价策略

本文构建了以热电联产机组(combined heat and power unit,CHP)、电力市场和热力市场为参与者的主从博弈模型,并基于电力市场中节点边际电价(locational marginal electricity price,LMEP)的概念,提出了节点边际热价(locational marginal heat price,LMHP)的概念.在节点边际电价的求解中,采用了支路潮流(branch power flow,BPF)模型,考虑了配电网中的网络损耗从而可以得到更精确的计算结果.在节点边际热价的求解中,考虑了管道热损耗,并基于管道损耗方程分析了节点边际热价的分布规律.在此基础上,采用变步长迭代寻优算法求解热电联产机组、电力市场、热力市场各自最优出力和最优报价策略.最后,通过一个6节点电网–4节点热网的算例对所构建的主从博弈模型及热电联产机组的竞价策略进行了验证.     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

基于强化学习的无人机网络资源分配研究

以无人机网络的资源分配为研究对象,研究了基于强化学习的多无人机网络动态时隙分配方案,在无人机网络中,合理地分配时隙资源对改善无人机资源利用率具有重要意义;针对动态时隙分配问题,根据调度问题的限制条件,建立了多无人机网络时隙分配模型,提出了一种基于近端策略优化(PPO)强化学习算法的时隙分配方案,并进行强化学习算法的环境映射,建立马尔可夫决策过程(MDP)模型与强化学习算法接口相匹配;在gym仿真环境下进行模型训练,对提出的时隙分配方案进行验证,仿真结果验证了基于近端策略优化强化学习算法的时隙分配方案在多无人机网络环境下可以高效进行时隙分配,提高网络信道利用率,提出的方案可以根据实际需求适当缩短训练时间得到较优分配结果。     

考虑新能源消纳的综合能源系统多层博弈策略

研究了综合能源系统多市场主体参与新能源消纳的博弈行为分析问题。建立了从综合能源系统电、气、热供给到终端用户电、热、冷需求的多能流供应、转换、存储、消费的多级竞标策略优化模型,提出了涉及多能源趸售-零售-终端环节的Cournot-Stackelberg两层主从博弈结构;提出了相应的迭代求解算法,并在定价机制、多能互补、储能配置等方面对博弈均衡结果进行了算例分析。     

基于局部信息交互的博弈学习算法

博弈理论在无线通信领域的应用愈加广泛并逐渐成为解决无线频谱资源分配的重要方法之一。论文关注5G通信系统中的异构信道选择问题,针对该问题传统集中式优化机制系统效率较优但优化开销大,而传统分布式优化机制优化开销较少但系统效率受限。为实现系统效率与优化开销的有效折衷,论文将问题建模为局部合作博弈,提出基于局部信息交互的博弈学习算法,实现了系统在分布式优化机制下达到最优性能。仿真结果验证了算法的最优性,收敛性和稳健性。     

实时电价下用户侧电力需求响应模型优化策略及数字仿真谈竹奎1,汪元芹2,赵菁2,刘斌1,刘敏2

为解决智能电网发展中用户参与电力市场运营的响应积极性以及用户收益最大化问题,本文在经济学原理基础上,引用需求价格弹性系数表征用户的用电量随电价的变化情况,建立实时电价下的用户负荷调节能力模型,根据该模型,进一步研究了基于实时电价的用户侧电力需求响应模型优化策略,考虑用户在不同响应场景和不同负荷调节潜力下的需求响应。解决供电与用电间的电力供需不平衡问题,实现用户积极响应及其利益最大化,并提高系统稳定性与安全性。以某地需求响应系统为例,对进入现货市场交易的用户进行数字仿真,通过算例分析表明该模型能有效改善用电负荷曲线,减小用户购电成本,验证了基于实时电价下的电力需求响应优化策略的优化效果。     

Price-Based Residential Demand Response Management in Smart Grids: A Reinforcement Learning-Based Approach

This paper studies price-based residential demand response management(PB-RDRM)in smart grids,in which non-dispatchable and dispatchable loads(including general loads and plug-in electric vehicles(PEVs))are both involved.The PB-RDRM is composed of a bi-level optimization problem,in which the upper-level dynamic retail pricing problem aims to maximize the profit of a utility company(UC)by selecting optimal retail prices(RPs),while the lower-level demand response(DR)problem expects to minimize the comprehensive cost of loads by coordinating their energy consumption behavior.The challenges here are mainly two-fold:1)the uncertainty of energy consumption and RPs;2)the flexible PEVs’temporally coupled constraints,which make it impossible to directly develop a model-based optimization algorithm to solve the PB-RDRM.To address these challenges,we first model the dynamic retail pricing problem as a Markovian decision process(MDP),and then employ a model-free reinforcement learning(RL)algorithm to learn the optimal dynamic RPs of UC according to the loads’responses.Our proposed RL-based DR algorithm is benchmarked against two model-based optimization approaches(i.e.,distributed dual decomposition-based(DDB)method and distributed primal-dual interior(PDI)-based method),which require exact load and electricity price models.The comparison results show that,compared with the benchmark solutions,our proposed algorithm can not only adaptively decide the RPs through on-line learning processes,but also achieve larger social welfare within an unknown electricity market environment.     

基于Stackelberg博弈论的Multi—Homing负载均衡研究

阐述了Stackelberg博弈的基本理论和模型,并将其应用于多主接入网络的负栽均衡问题中,给出了一种基于Stackelberg博弈理论的多主接入网络带宽分配模型.考虑网络和用户之间的供需平衡,采用线性和非线性价格方案,给出了更加合理的带宽分配策略.仿真结果证明了算法是有效的,Stackelberg博弈模型能够合理有效地利用带宽资源,实现了负载均衡.     

基于博弈策略强化学习的函数优化算法

该文提出了一种基于博弈论的函数优化算法。算法将优化问题的搜索空间映射为博弈的策略组合空间,优化目标函数映射为博弈的效用函数,通过博弈策略的强化学习过程智能地求解函数优化问题。文章给出了算法的形式定义及描述,然后在一组标准的函数优化测试集上进行了仿真运算,验证了算法的有效性。     

LEARNING OLIGOPOLISTIC COMPETITION IN ELECTRICITY AUCTIONS

This paper addresses the problem of auction markets efficiency within the context of recently liberalized electricity markets. Two different auction mechanisms, i.e., the uniform and the discriminatory price setting rules, have been employed worldwide in designing electricity markets. In this paper, we study the relative efficiency of the two auction mechanisms in the framework of the learning-in-games approach. The behavior of electricity suppliers are modeled by means of an adaptive learning algorithm and the demand is assumed to be constant and inelastic, according to a common hypothesis in electricity market modeling. Computational experiments results are interpreted according game theoretical solutions, i.e., Nash equilibria and Pareto optima. Different economic scenarios corresponding to a duopoly and a tripoly competition with different level of demand are considered. Results show that in the proposed conditions, sellers learn to play competitive strategies, which correspond to Nash equilibria. Finally, this study establishes that, in the presented computational setting and economic scenarios, the discriminatory auction mechanism results more efficient than the uniform auction one.     

基于Dueling-DDQN的电力信息网络入侵检测算法

电力信息系统应用智能电网来管理电力设备。随着社会用电总量的增加和智能电网的推广与发展,电力网络的规模逐渐变大且管理复杂,然而,保障电力信息系统的安全是重要的。网络入侵检测技术可以有效避免来自网络的入侵行为和攻击,进而保障系统的安全。本文采用深度强化学习方法中的Dueling-DDQN算法解决网络中存在的入侵检测问题,智能体根据试错式的学习获得奖赏值来训练算法以提高网络入侵检测的效率且同时降低人工成本。最后使用NLS-KDD数据集进行对比实验,实验结果表明基于Dueling-DDQN的网络入侵检测算法可以提高检测的效率,进而更好地保障网络的安全性。     

基于Nash平衡点的网络收益优化策略

研究了非合作用户的网络定价问题．将对策论中主从策略的思想应用到定价策略中,首先分析了在Nash平衡态下使主方收益达到最大时价格所满足的条件;然后结合网络市场的供求关系,将Nash平衡点视为供求平衡点,从而确定了相应的价格;最后以数值例子得出Nash平衡态下用户的速率和网络的收益．结果表明,合理的价控策略能够激发用户合理地使用网络资源,同时给管理者带来最优收入．