基于改进K-means和MADDPG算法的风储联合系统日前优化调度方法

风储联合运行可有效地应对风电出力的不确定性,提高风电竞争力,然而储能与风电联合运行的优化调度问题是一大难点。为保证储能可调控容量的基础上实现风储联合运行收益最大化,提出了基于改进K-means和多智能体深度确定性策略梯度(MADDPG)算法的风储联合系统日前优化调度方法。首先,根据储能特性和运行状态采用萤火虫优化的改进K-means聚类算法实现储能分组;然后,将风电与分组后的储能设备建模为不同的智能体,组成多智能体系统,采用MADDPG算法求解,设计了MADDPG算法的状态空间、动作空间和奖励函数;最后,对算法进行了算例仿真验证。结果表明,所提调度策略能够较好协调风电和储能运行,有效平抑了风电出力波动,与常规深度强化学习相比,提高了风储联合系统的运行收益。

计及变速充电机制的含光伏换电站经济优化调度模型

换电站是电动汽车补充能源的重要方式之一。以含光伏的换电站为研究对象,站在运营商的角度,在考虑电池退化与充电速度关系的基础上,设计了考虑光伏和交通预测的变速充电机制,构建了考虑变速充电机制的换电站经济收益模型。该模型可根据交通流量和光照强度灵活调整电池的充电速度,优化各类电源的出力和充电功率的分布。通过算例对模型有效性进行验证,结果表明,相比于传统的恒功率充电模型,该模型能更加高效地利用光伏资源,减少换电站的购电成本,降低电池的平均充电速度,减少电池的损耗成本,实现了系统的经济效益最大化。