基于可进化模型预测控制的含电动汽车多微电网智能发电控制策略

多微电网中的环境状态、控制资源及偶然事件均具有强不确定性,而电动汽车在参与电网削峰填谷的同时也给发电控制带来了挑战。为此,该文提出一种基于可进化模型预测控制(LBMPC)的含电动汽车多微电网发电控制策略。首先,基于控制器交互的多微电网互联结构,考虑了发电机端电压调节和负荷频率控制(LFC)之间的耦合关系,建立含电动汽车多微电网的发电控制模型;然后,设计了一种基于多智能体的控制器参数自适应算法:频率控制器以实时频偏和EV站输出功率边界为状态集,以模型预测控制(MPC)控制器的可调参数矩阵Q_(x)作为动作集,以频率偏差为奖励函数指标,电压控制器同理,从而实现MPC与PI控制器权重参数的自适应调整;最后,仿真结果表明,自动调压(AVR)回路增加了有功功率干扰,对LFC控制器提出了更高的要求,与传统控制和MPC算法相比,应用于控制器互联结构的可进化模型预测控制器能够在子微电网之间进行信息交换,并且根据环境状态实时更新控制器参数,显著提高了多微电网频率控制过程的鲁棒性和快速性。同时,与纯深度确定性策略梯度(DDPG)控制器相比,该文提出的双层控制结构在机器学习智能体出现故障无法正常输出动作时,能更好地保证系统的安全稳定运行。

基于可进化PID的含电动汽车孤岛微电网负荷频率控制策略

电动汽车(electric vehicle,EV)作为具有车网互动(vehicle-to-grid,V2G)能力的移动储能组件,为微电网的频率稳定提供了更为灵活的控制方案。但是,分布式电源与电动汽车所具有的强非线性,也给微电网频率控制带来了新的挑战。为此,提出了一种基于可进化PID的含电动汽车微电网频率控制策略。首先,考虑电动汽车移动性和用户充电行为随机性,以及电动汽车充电站容量在日内的阶段性突变,建立了由电动汽车充电站、微型燃气轮机与分布式电源组成的微电网系统。其次,将PID与深度确定性策略梯度(DDPG)算法进行互补,形成可进化PID控制器,根据微电网系统实际情况完成状态空间、动作空间与奖励函数的设计,从而对PID控制器实现自适应权重参数的调整,有效解决了电动汽车与随机扰动所带来的强非线性影响。最后,仿真结果表明:与传统PID算法相比,可进化PID控制器不仅能够更有效地抑制强随机扰动所引起的频率波动,还可以更好地适用于系统参数和结构随时间发生变化的复杂工况。

基于改进EDRL的含V2G孤岛微电网频率综合控制策略

针对孤岛微电网中源荷不确定性所导致的频率失稳、电动汽车用户充电需求受损与微型燃气轮机调控成本增加等问题,提出了基于改进进化-深度强化学习(EDRL)的含电动汽车与电网互动(V2G)孤岛微电网频率综合控制策略。首先,考虑了V2G过程对电动汽车用户充电需求的影响,以及微型燃气轮机组出力分配对调控成本的影响,构建了微电网综合控制模型;其次,为了应对综合频率控制这类具有欺骗性奖励、稀疏奖励的工程任务,结合进化算法和深度强化学习算法,并基于新颖搜索加以改进,从而有效协助训练过程跳出局部最优解,逼近最优策略;进一步,以频率偏差、综合成本与电动汽车充电站信息为状态集,以调频机组出力作为动作集,以频偏与综合成本为奖励函数指标,完成了综合控制的结构设计。算例结果表明,所提出的控制器能够在保证微电网调频需求的情况下,有效降低微型燃气轮机组的调控成本与车主的充电需求损失。

基于深度强化学习的电网机组组合算法

机组组合是电力系统经济调度中的关键问题。机组组合问题属于复杂混合整数非线性优化问题,大多数优化算法在求解速度、求解效率、计算复杂性等方面存在不足。随着人工智能技术的不断发展,智能算法在电力系统决策优化问题上逐渐得到应用,并取得较好效果。本文提出了一种基于深度强化学习的电网机组组合算法:首先构建以发电成本最小为目标函数的机组组合数学模型,并以功率平衡、机组出力限制和最小启停时间约束为约束条件,然后将机组组合问题在强化学习框架下完成描述,并对状态空间、动作空间、奖励函数进行定义,最后采用深度Q网络算法来训练求解机组组合问题模型。经算例分析及测试结果分析,验证了所提方法在机组组合问题求解上的有效性和优越性。