GRU-integrated constrained soft actor-critic learning enabled fully distributed scheduling strategy for residential virtual power plant

In this study,a novel residential virtual power plant(RVPP)scheduling method that leverages a gate recurrent unit(GRU)-integrated deep reinforcement learning(DRL)algorithm is proposed.In the proposed scheme,the GRU-integrated DRL algorithm guides the RVPP to participate effectively in both the day-ahead and real-time markets,lowering the electricity purchase costs and consumption risks for end-users.The Lagrangian relaxation technique is introduced to transform the constrained Markov decision process(CMDP)into an unconstrained optimization problem,which guarantees that the constraints are strictly satisfied without determining the penalty coefficients.Furthermore,to enhance the scalability of the constrained soft actor-critic(CSAC)-based RVPP scheduling approach,a fully distributed scheduling architecture was designed to enable plug-and-play in the residential distributed energy resources(RDER).Case studies performed on the constructed RVPP scenario validated the performance of the proposed methodology in enhancing the responsiveness of the RDER to power tariffs,balancing the supply and demand of the power grid,and ensuring customer comfort.

Energy Aware Processor Architecture for Effective Scheduling and Power Management in Cloud Using Inclusive Power-Cognizant Processor Controller

The fast acceptance of cloud technology to industry explains increasing energy conservation needs and adoption of energy aware scheduling methods to cloud. Power consumption is one of the top of mind issues in cloud, because the usage of cloud storage by the individuals or organization grows rapidly. Developing an efficient power management processor architecture has gained considerable attention. However, the conventional power management mechanism fails to consider task scheduling policies. Therefore, this work presents a novel energy aware framework for power management. The proposed system leads to the development of Inclusive Power-Cognizant Processor Controller (IPCPC) for efficient power utilization. To evaluate the performance of the proposed method, simulation experiments inputting random tasks as well as tasks collected from Google Trace Logs were conducted to validate the supremacy of IPCPC. The research based on Real world Google Trace Logs gives results that proposed framework leads to less than 9% of total power consumption per task of server which proves reduction in the overall power needed.

Optimal scheduling strategy for virtual power plants based on credibility theory

The virtual power plant(VPP)is a new and efficient solution to manage the integration of distributed energy resources(DERs)into the power system.Considering the unpredictable output of stochastic DERs,conventional scheduling strategies always set plenty of reserve aside in order to guarantee the reliability of operation,which is too conservative to gain more benefits.Thus,it is significant to research the scheduling strategies of VPPs,which can coordinate the risks and benefits of VPP operation.This paper presents a fuzzy chance-constrained scheduling model which utilizes fuzzy variables to describe uncertain features of distributed generators(DGs).Based on credibility theory,the concept of the confidence level is introduced to quantify the feasibility of the conditions,which reflects the risk tolerance of VPP operation.By transforming the fuzzy chance constraints into their equivalent forms,traditional optimization algorithms can be used to solve the optimal scheduling problem.An IEEE 6-node system is employed to prove the feasibility of the proposed scheduling model.Case studies demonstrate that the fuzzy chance strategy is superior to conservative scheduling strategies in realizing the right balance between risks and benefits.

Strategy of constructing virtual peaking unit by public buildings’central air conditioning loads for day-ahead power dispatching

With the gradually widely usage of the air conditioning(AC) loads in developing countries, the urban power grid load has swiftly increased over the past decade.Especially in China, the AC load has accounted for over30% of the maximum load in many cities during summer.This paper proposes a scheme of constructing a virtual peaking unit(VPU) by public buildings’ cool storage central AC(CSCAC) systems and non-CSCAC(NCSCAC)systems for the day-ahead power network dispatching(DAPND). Considering the accumulation effect of different meteorological parameters, a short term load forecasting method of public building’s central AC(CAC) baseline load is firstly discussed. Then, a second-order equivalent thermal parameters model is established for the public building’s CAC load. Moreover, the novel load reduction control strategies for the public building’s CSCAC system and the public building’s NCSCAC system are respectively presented. Furthermore, based on the multiple-rank control strategy, the model of the DAPND with the participation of a VPU is set up. The VPU is composed of large-scale regulated public building’s CAC loads. To demonstrate the effectiveness of the proposed strategy, results of a sample study on a region in Nanjing which involves 22 public buildings’ CAC loads are described in this paper. Simulated results show that, by adopting the proposed DAPND scheme, the power network peak load in the region obviously decreases with a small enough deviation between the regulated load value and the dispatching instruction of the VPU. The total electricity-saving amount accounts for7.78% of total electricity consumption of the VPU before regulation.

分布式能源接入下虚拟电厂负荷优化调度决策

针对分布式能源接入带来的电网特性变化和优化调度复杂性增加问题,以电动汽车(EV)为研究对象,探讨了其在虚拟电厂负荷优化调度中的潜在作用。基于构建的EV充电行为上、下界,建立了电动汽车聚合体(EVA)的功率容量预测模型,为虚拟电厂负荷优化调度提供了保障。考虑到EV具有不同的功率调节动态响应特性,提出了基于改进后自组织映射(SOM)算法的EV聚类方法,并使用Davies-Bouldin指数来评估聚类效果,以保证不同功率调节特性下EV聚类的准确性。进一步考虑风电接入和电动汽车并网可能带来的不利影响,以及功率平衡等多方面约束,构建了虚拟电厂的负荷优化调度决策模型。仿真结果表明,该虚拟电厂负荷优化调度决策模型保证了合理分配EVA容量情况下电网的安全运行。

面向综合能源协调的虚拟电厂调控平台设计与规划优化

为解决综合能源协调调度难题,文章提出了基于虚拟电厂调控平台设计和综合能源协调调度模型。通过分析虚拟电厂的基本网架结构,设计了虚拟电厂总体架构,分为资源层、平台层和应用层,并设计了网络架构和数据流架构。基于该架构建立了面向综合能源协调的虚拟电厂调度应用模型。针对模型内光伏、风力发电、电解器、燃料电池、氢气储能、电池储能,以可靠性指标作为切入点,提出了全生命周期内成本最小的目标函数。通过算例分析,验证了文章所提出的模型在可靠性和成本方面的优势。

高效能多核处理器芯片功耗测试及其DVFS调度算法研究

针对处理器纳米级工艺快速发展,使高效能多核处理器芯片上集成晶体管,进而导致高效能多核处理芯片功耗大幅增加的问题,研究设计了一种双阈值功耗自适应的DVFS调度算法。该算法采用两级阈值调节配合功耗自适应实现了对高效能多核处理器的功耗优化,相较于传统的单阈值调节方式,该算法调节CPU的方式更科学有效。在大部分测试程序中,该算法的性能可保持在90%以上,最大功耗优化比例可达到35%以上。

基于主从博弈的多虚拟电厂动态定价与优化调度

在“双碳”背景下,分布式可再生能源以及储能、需求响应等灵活性资源快速发展,虚拟电厂通过控制技术将分布式资源高效整合,提高了分布式能源发电效益。随着社会资本进入电力市场,不同虚拟电厂将会属于不同的投资商,形成多主体博弈格局,根据投资商投资偏好,虚拟电厂将由不同灵活性的资源构成。为兼顾虚拟电厂运营商和虚拟电厂利益,文章构建了运营商和多虚拟电厂双层主从博弈模型,考虑上层定价与下层出力的相互影响,研究运营商动态价格制定和虚拟电厂优化运行调度问题。下层以各虚拟电厂运行成本最小为目标,分别建立含有电储能、需求响应和氢储能的多虚拟电厂优化调度模型;上层以运营商利润最大为目标,结合下层出力计划进行虚拟电厂购售电价动态制定。采用粒子群算法迭代求解博弈模型,通过算例分析,该模型能够兼顾多主体利益,有效提高运营商收益并降低虚拟电厂运行成本。

基于强化学习的含电动汽车虚拟电厂优化调度

大量电动汽车(EV)用户的无序充电可能造成电网负荷剧烈波动,危及电网的安全稳定。随着EV入网(V2G)技术的应用,将EV充电站及其周边的分布式新能源发电聚合为虚拟电厂(VPP)后进行优化调度,有助于改善EV用户充放电的经济性及满意度,同时提高分布式新能源的利用率,平抑电网负荷波动,但EV充电站的整体充放电负荷是大量个体EV用户随机行为的聚合,难以用数学模型精确描述。针对包含EV的VPP,提出一种基于深度强化学习的交互式调度框架,以最大化VPP内EV用户的总效益。VPP控制中心作为智能体决策EV个体的充放电动作,无需掌握个体详细模型,而是通过与区域电网环境的交互,不断学习和更新动作策略,从而克服集中式优化方法的局限性。该优化调度框架采用深度确定性策略梯度(DDPG)算法进行求解。仿真结果表明,与集中式优化方法相比,该优化算法提高了各EV用户的效益,并使EV充放电负荷与分布式新能源发电协调配合实现削峰填谷,改善了VPP的整体运行性能。

电动汽车接入主动配电网协同储能研究应用综述

电动汽车的快速发展和普及已经呈现规模化效应,随着配电网中清洁能源逐渐呈现高比例趋势,规模化电动汽车接入主动配电网作为储能配置参与协同调度成为研究热点。然而在实际应用中,电动汽车参与储能的形式面临诸多不确定性与挑战。为此,分析了协同储能调度的目的及影响因素,从计及需求响应、考虑供需双方、结合多方利益、参与虚拟电厂储能四个方面综述协同储能调度的研究现状,结合国内外应用案例分析探讨其未来发展方向。

计及源-荷多类型备用的虚拟电厂双层优化运行

需求响应行为和共享储能的运行均会对虚拟电厂能量流动产生影响,在此背景下,为提高虚拟电厂对可再生能源的消纳能力,提出一种计及源-荷多类型备用的虚拟电厂双层优化调度方法。文中对风电的不确定性、需求响应参与能量和备用调度以及共享储能运行模式进行建模;建立双层调度模型,上层为考虑风电不确定性的日前能量和备用计划调度模型,下层为考虑风电波动性的日内修正模型。最后通过算例讨论了共享储能和需求响应对虚拟电厂能量和备用调度的影响,验证了模型的正确性和经济性。

基于虚拟电厂区间主从博弈的车网互动优化调度

为更好地挖掘电动汽车调节潜力,解决车网互动各主体的利益冲突,并克服分布式电源出力与负荷不确定性的影响,提出了基于虚拟电厂区间主从博弈的车网互动双层优化调度模型,将虚拟电厂聚合商作为上层,电动汽车用户作为下层。上层模型采用区间数描述源、荷的不确定性,以虚拟电厂聚合商的运营成本最低为优化目标,负责更新电价信息并传输至下层模型;下层模型以电动汽车用户满意度最大和成本最小为优化目标,负责求解用户充放电行为并返回至上层模型。采用融合区间可能度的改进粒子群算法,求解主从博弈最优调度结果。算例仿真表明:所提模型能够在削峰填谷的同时,统筹考虑聚合商与电动汽车用户的双边利益,并具有较好的鲁棒性。

考虑绿证-碳交易的多虚拟电厂混合博弈优化调度

为分析多个虚拟电厂间协同管理经济效益及低碳效益问题,提出了一种考虑绿证-碳交易的多虚拟电厂混合博弈优化调度方法。首先,建立混合博弈优化框架,分析电网运营商和虚拟电厂联盟间博弈关系。然后,构建以电网运营商为领导者、虚拟电厂为跟随者的混合博弈优化模型,并基于纳什谈判理论,将虚拟电厂成本最小化等效为联盟效益最大化和合作收益分配2个子问题。最后,将二分法和交替方向乘子法相结合求解混合博弈模型。算例分析表明所提模型能够降低虚拟电厂联盟的总成本及碳排放量,协调联盟间的运行,提升联盟经济性及低碳性,实现了联盟成员合作收益公平分配。

计及隐私数据保护的多虚拟电厂协同调度方法

针对高比例分布式能源和灵活可调负荷接入下,虚拟电厂(virtual power plant,VPP)调度特性复杂、各主体隐私数据保护困难的问题,本文提出一种基于联邦强化学习的多VPP安全协同隐私数据保护方法,实现多VPP可调资源协同优化与敏感数据的可用不可见.首先,通过分析VPP内部可调资源的时空耦合性和时变性,构建了多VPP协同的全网调频备用资源调度模型和VPP内部可调资源物理模型.其次,将VPP可调资源的响应行为转化为一个时序马尔可夫决策过程,建立VPP内部深度Q网络(deep Q-network,DQN)优化调度模型,以经济优化为目标响应调度需求.然后,提出了基于改进横向联邦平均算法的多个DQN模型协同训练方法,通过联邦平均优化全局模型训练参数,并设计全局模型更新间隔自适应调整机制,提升DQN模型训练效率与精度.整个训练过程各VPP无需向上层调度中心上报详细物理模型,无需在训练过程中对等交互信息.最后,结合某地区调频辅助服务市场数据与IEEE-39节点网络算例,对提出算法进行仿真验证,并讨论了不同调度策略对不确定性调节资源的适应能力.与同类算法的对比结果表明,所提算法隐私泄露方差为0.11,调度成本最大可降低22.5%,在各调节时段,能够保护VPP运行和物理模型数据并实现可调资源高效低成本参与电力市场.

基于深度强化学习的多能虚拟电厂优化调度

多能虚拟电厂(Multi-Energy VPP,MEVPP)能够聚合电能、热能等多种形式的分布式能源及需求侧灵活性资源。为实现MEVPP的优化调度,文中建立了包含发电单元、制热单元、储能装置以及空调负荷集群、需求响应负荷的MEVPP模型,并面向该模型提出一种基于深度强化学习(Deep Reinforcement Learning, DRL)的优化调度方法,并设计了相应的状态、动作空间与奖励函数。该方法以近端策略优化(Proximal Policy Optimization, PPO)算法为基础,能够根据预测负荷、风/光出力、室外气温等环境信息,对分布式能源和需求侧灵活性资源进行调节,并以最小化运行成本为目标得到MEVPP优化调度策略集。算例结果证明了DRL在MEVPP优化调度中的可行性与策略集的可拓展性。

考虑氢燃料汽车与氢储能的虚拟电厂协调调度

随着氢燃料汽车(hydrogen vehicle,HV)的快速发展,氢燃料供给体系建设成为研究热点。利用电解水制氢消纳富余的新能源是解决此问题的一个有效手段。但氢能利用存在成本较高,难以获利的问题,考虑采用虚拟电厂(virtual power plant,VPP)的商业模式以提高制氢收益。在虚拟电厂的技术框架下,依靠高渗透率新能源制氢,在满足氢能源汽车供氢需求的同时,使VPP同时参与能量市场、旋转备用市场、调峰市场和碳排放权交易市场以获得最大收益。以VPP期望收益最大化为目标建立了考虑氢能源综合利用及参与多级市场获利的VPP优化调度模型,对夏季和冬季典型日VPP优化调度结果的分析表明:通过对氢燃料汽车与氢储能的协调调度及作为虚拟电厂参与各级电力市场,可有效实现氢燃料的供给并获得很好的经济效益,从而实现VPP绿色、低碳、经济运行。

新型电力系统下虚拟电厂研究综述与展望

在“双碳”目标之下,新型电力系统的电能供应主体将逐步由化石能源转变为可再生能源,这极大程度上增加了电力系统供需平衡压力。虚拟电厂可通过先进调控技术将海量、分散、多元的分布式资源聚合起来,形成一个可灵活调控的主体,为保证新型电力系统安全可靠运行提供了可行路径。首先,介绍了虚拟电厂的概念与类型;然后,从资源聚合、协同控制、优化调度及商业运营等4个方面分析归纳了现有虚拟电厂关键技术;然后总结了国内外虚拟电厂典型工程案例;最后,指出了虚拟电厂在新型电力系统下面临的挑战,并从虚拟电厂的外特性量化分析、低碳聚合调控、新型商业运营3个方面对新型电力系统下虚拟电厂的发展方向进行了展望。

计及风光不确定性和相关性的虚拟电厂参与电-碳-绿证市场优化调度

高比例可再生能源的注入为虚拟电厂引入了许多不确定因素,如果忽略或不准确地表征这些不确定性,将会给虚拟电厂的运行调度带来巨大风险。为解决这一问题,考虑虚拟电厂内风光能源的相关性,将Frank-Copula作为“连接函数”求解风光出力的联合分布函数,从而生成典型的风光出力场景。为最小化虚拟电厂的运营成本,综合考虑电-碳-绿证市场和激励型需求响应机制,分别采用区间法、阶梯碳价及古诺模型来描述需求响应、碳价格和绿证价格的不确定性,构建基于区间线性规划的虚拟电厂优化调度模型。案例研究结果表明,该模型能量化各组成部分不确定性对虚拟电厂调度的风险,确保虚拟电厂安全可靠运行的同时具有一定的经济性。

基于VPP碳流计算的多目标多时间尺度优化调度

为研究虚拟电厂低碳经济运行策略,以虚拟电厂能流和碳流模型为基础,执行了多目标多时间尺度优化调度。首先,基于碳流走向建立虚拟电厂低碳经济运行的非线性多目标规划模型,并采用归一化法向约束法进行求解。然后,建立了基于动态矩阵控制算法的有限时域优化模型,对日前结果进行跟踪优化和反馈校正,以降低不确定性因素的影响。最后,仿真对比实验验证了所提调度策略能在保证碳流计算精度超过95%的前提下实现虚拟电厂低碳经济运行。

计及风光不确定性含碳排放和碳惩罚的虚拟电厂优化调度策略

为使虚拟电厂更好地满足我国新型电力系统的发展需要,提出一种考虑风光不确定性的含碳排放和碳惩罚的虚拟电厂优化调度策略。对光伏、风力、热电联产机组、储能系统进行数学描述,建立了考虑风光不确定性的风光出力模型;采用场景生成与削减法生成风光典型场景;以虚拟电厂整体运行效益最大为目标,引入碳排放成本和碳惩罚因子,并建立典型场景下虚拟电厂优化调度模型。结果表明:所提策略有利于挖掘储能系统潜力,提高系统经济性,降低碳排放量;在CloudPSS云仿真平台上搭建算例,进一步验证优化调度模型的有效性,为后续开展虚拟电厂优化调度提供了可行的实现途径。