基于深度强化学习的居民实时自治最优能量管理策略

随着居民分布式资源的普及,如何考虑用户多类型设备的运行特性,满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性,为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先,对用户设备进行分类,采用统一的三元组描述其运行特性,并确定相应的能量管理动作;接着,采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势;进而,基于近端策略优化算法,赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略,在最小化用电成本的同时提升策略对不确定性的适应性;最后,通过实际情境对比现有方法的优化决策效果,验证所提方法的有效性。     

基于自编码器与长短期记忆网络的宽频振荡广域定位方法

高比例新能源与高比例电力电子设备引发的宽频振荡问题日益凸显,而现有基于同步相量数据的振荡监测方法受到现有通信带宽的限制,难以对频率在数赫兹至数百赫兹范围内的宽频振荡进行全局化监测。为此,提出一种基于自编码器信号压缩与长短期记忆(LSTM)网络的宽频振荡广域定位方法。该方法利用自编码器的数据压缩与解码还原能力实现宽频振荡信号的广域监测分析。首先,在子站对电力系统量测信号进行编码压缩,在现有带宽下实现宽频振荡信号的传输,并有效降低振荡数据的冗余度。然后,在主站侧,可直接基于压缩数据生成特征矩阵,利用LSTM网络定位振荡源。此外,主站还能解码子站上传的压缩数据,并根据需求利用压缩数据或解码还原数据,从而进行宽频振荡的分析与控制。最后,全面考虑次同步、超同步以及中高频段的宽频振荡,并计及负荷变动和随机噪声进行仿真,所得结果表明该方法具有较高的还原与定位精度以及较好的抗噪性能。     

抑制柔性负荷过响应的微网分散式调控参数优化

基于价格的微网分散式调控相较于集中式调控具有扩展性和保密性优势,但存在柔性负荷在低电价时段大量聚集产生新峰值的过响应问题,影响系统安全高效运行。现有研究在主参数电价之外引入辅助参数以缓解过响应,但未进行辅助参数取值的优化,且未考虑微网网络约束对不同节点辅助参数最优取值的影响。为此该文提出缓解负荷过响应的微网分散式调控辅助参数优化方法,为不同节点的柔性负荷制定参数最佳取值以最小化微网总运行成本。首先建立微网分散式调控优化模型,以及电动汽车、智能家电的柔性负荷需求响应模型;进而提出基于深度强化学习的辅助参数优化方法,采用多维连续状态及动作空间学习各节点参数的取值。最后仿真结果验证了所提优化方法的有效性。