市场环境下智能配用电系统分层协同优化运行:研究挑战、进展与展望

随着分布式资源在配电网中的比例不断提高,如何在市场化交易机制下实现配用电系统安全经济运行成为当下的研究热点。在市场环境下,配用电系统各层的运行管理面临着不确定性逐层加剧、市场规模快速扩展、市场交易与系统安全运行难以有效衔接等多重挑战。该文首先梳理市场环境下配用电系统运行优化的关键问题;其次,对传统解析优化方法的研究成果与研究中仍待解决的问题进行总结;然后,针对配用电系统市场交易、运行优化等问题特点,系统性地介绍深度强化学习技术,分析归纳深度强化学习在配用电系统中的研究现状。最后,提炼出贯穿配用电系统多层多主体协同优化问题中的三重研究需求,并对深度强化学习技术未来的应用路径与发展趋势进行展望。

面向分布式能源的可交易能源市场研究综述与展望

可交易能源市场能够激励产消者进行能量交易,通过调整实时电价以引导其平衡可再生能源出力的随机波动,提高可再生能源消纳水平,保障中国“双碳”目标的实现。首先,介绍了面向分布式能源的可交易能源市场的概念、特性与框架。然后,全面分析了现有可交易能源市场交易机制及其优缺点,介绍了现有可交易能源市场的平台和示范项目。最后,从市场实际运行的角度简述了可交易能源市场现有的挑战并指出未来的发展方向。

电-碳耦合市场环境下可再生能源投资规划优化方法

中国面临着可再生能源高速发展和电力市场改革、碳市场建设稳步推进的多重机遇,市场化机制将科学引导可再生能源合理规划与有效投资。电力市场和碳市场虽分开运营,两者的出清结果却紧密耦合,且共同影响市场主体的运营与投资模型。在电-碳耦合市场的背景下,文中提出了一种最大化可再生能源接入容量并保障其投资成本回收的可再生能源投资规划双层优化模型。首先,基于动态碳排放特性推导了常规机组的电-碳耦合报价,提出了考虑碳配额交易影响的电力现货市场机制。然后,在“投资-运行”框架下建立了可再生能源投资规划双层优化模型:上层在能收回投资成本的前提下,最大化可再生能源的投资容量并对其进行定容和选址决策;下层分别模拟电力现货市场和国家核证自愿减排量市场的出清过程,以向上层模型的可再生能源发电商投资决策提供相应的价格信号。通过下层问题最优性条件和线性化方法,将双层优化模型转化为混合整数线性规划进行求解。最后,通过仿真算例验证了所提方法有效性,并探索了碳市场交易、网络容量与储能等不同因素对可再生能源最优投资容量的影响。

基于深度强化学习的居民实时自治最优能量管理策略

随着居民分布式资源的普及,如何考虑用户多类型设备的运行特性,满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性,为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先,对用户设备进行分类,采用统一的三元组描述其运行特性,并确定相应的能量管理动作;接着,采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势;进而,基于近端策略优化算法,赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略,在最小化用电成本的同时提升策略对不确定性的适应性;最后,通过实际情境对比现有方法的优化决策效果,验证所提方法的有效性。

基于参数共享机制多智能体深度强化学习的社区能量管理协同优化

智能电网背景下社区和端对端电能交易有助于挖掘利用产消者分布式能源的灵活性并最大化其价值。尽管多智能体深度强化学习提供了合适的无模型框架以实现多个产消者间能量管理策略的协同优化,该方法仍存在环境状态不稳定、产消者隐私保护和计算复杂度高等局限。该文提出一种将参数共享与优先深度确定性策略梯度法相结合的多智能体强化学习方法,通过智能体间的策略与经验共享以提升学习效率,并降低训练难度。接着构建端对端交易平台以协同社区市场内产消者的电能交易;执行奖励修正以避免产生新的负荷/发电高峰,从而保护本地配网的安全运行;作为可信任第三方向产消者提供有关社区市场的全局信息,在保护产消者隐私的同时减轻环境不稳定性,并提升算法的可扩展性。最后,通过算例验证所提方法能够有效降低社区总运行成本,保证产消者的利益,且较现有算法提高了训练速率与可扩展性。