基于深度强化学习与运行模拟的风光储动态容量扩展规划

杨 硕, 徐 航
济南大学　自动化与电气工程学院

摘要


为实现“双碳”目标，电力系统正加速构建以风光等新能源为主体的新型电力系统。但风光强随机波动致传统静态规划难在数十年期做经济可靠决策。为此，本文提出一种融合深度强化学习智能决策与运行模拟的风光储系统动态容量扩展规划方法。该方法构建了一个双层协同优化框架：上层采用深度强化学习，将多阶段容量扩展问题建模为一个序贯决策过程，通过与环境交互动态制定各规划阶段风光储的最优新增容量；下层模型基于典型日进行运行模拟，评估上层模型给定容量配置下的系统最小年运行成本。上下两层通过交换容量配置与运行成本实现协同，共同达成降低投资与运营成本的目标。案例表明，方法在规划效果与适应性上优势显著，为高比例可再生能源动态规划供新思路。

关键词


新型电力系统；动态容量扩展规划；深度强化学习；双层协同优化

全文:

PDF


参考


[1]李晖，刘栋，姚丹阳.面向碳达峰碳中和目标的我国电力系统发展研判[J].中国电机工程学报，2021，41（18）：6245-6259.

[2]Hannan M A, Wali S B, Ker P J, et al. Battery energy-storage system: A review of technologies, optimization objectives, constraints, approaches, and outstanding issues[J]. Journal of Energy Storage, 2021, 42: 103023.

[3]程浩忠，胡枭，王莉，等.区域综合能源系统规划研究综述[J].电力系统自动化，2019，43（07）：2-13.

[4]Wu W, Li Y, Wang S, et al. Coordinated Planning for Multiarea Wind-Solar-Energy Storage Systems That Considers Multiple Uncertainties[J]. Energies, 2024, 17(21): 5242.

[5]杨立滨，曹阳，魏韡，等.计及风电不确定性和弃风率约束的风电场储能容量配置方法[J].电力系统自动化，2020，44（16）：45-52.

[6]Pang K, Zhou J, Tsianikas S, et al. Deep reinforcement learning for resilient microgrid expansion planning with multiple energy resource[J]. Quality and Reliability Engineering International, 2024, 40 (01): 34-56.

[7]Abid M, Apon Hasan J, Hossain S, et al. A novel multi-objective optimization based multi-agent deep reinforcement learning approach for microgrid resources planning[J]. Applied Energy, 2024, 353: 122029.


Refbacks

  • 当前没有refback。