基于深度强化学习的海上风电集群自进化功率平滑控制方法

海上风电集群的风速时空相关性强,加剧了整体有功输出的波动幅度,大规模并网对电力系统的影响更为突出,海上风电集群有功输出平滑控制是解决上述问题的关键手段。传统方法的优化效率低、难以支撑高频率控制,且对预测误差、执行偏差灵敏度过高。因此,提出了“策略离线训练、在线快速寻优、控制效果自进化”的控制架构,建立了深度强化学习的海上风电集群有功输出平滑控制模型。首先,提出了面向集群功率平滑控制的短期收益函数,基于马尔科夫决策过程模型求解最优指令;其次,提出了面向功率策略校准的长期收益Policy函数,根据历史反馈数据有效矫正控制偏差;最后,建立了智能体状态、控制收益和控制决策之间映射的深度神经网络模型,实现基于深度确定性策略梯度算法的智能体训练与求解。算例结果表明:在平均风速为7.5m/s的给定风况下,所提方法能够降低功率波动幅度达20%,同时将发电量损失控制在5%以内。