电网技术

2020, v.44;No.444(11) 4140-4149

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于深度强化学习的分布式电采暖参与需求响应优化调度
Demand Response Optimal Scheduling for Distributed Electric Heating Based on Deep Reinforcement Learning

严干贵;阚天洋;杨玉龙;张薇;

摘要(Abstract):

分布式电采暖具备可时移特性,能够作为需求响应资源,但其数量多、单体容量小,调度中心难以直接控制,且传统优化方法难以满足调度时效性。应用深度学习实现了无需热力学模型分析户用电采暖单元温变–功率动态关系,构建了包含负荷聚集商和楼宇级控制的调度架构。提出改进的深度确定性策略梯度(deepdeterministicpolicygradient,DDPG)算法作为楼宇级控制策略,构建了改进算法的框架及网络结构,网络训练收敛后可用于在线决策控制。日前调度场景下改进算法在线应用耗时仅耗时0.35s,且在多维度输入场景收敛能力更优。深度学习描述电采暖单元温变–功率关系的有效性通过仿真实验进行了证实。仿真结果表明所提架构相比现行模式更易通过实时电价动态增加/降低引导电采暖负荷减少/增多,提高了电采暖负荷侧需求响应能力;同时使等效负荷标准差由65.6kW降低到37.3kW,减小聚合负荷峰谷差;在保障用户热舒适前提下,用户费用由1031.4元降低到936.1元,减少了用户成本,实现了调度户用电采暖参与需求响应的有效性和经济性。

关键词(KeyWords): 电采暖;需求响应;深度强化学习;优化调度;DDPG算法;人工智能

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目(51907020)~~

作者(Author): 严干贵;阚天洋;杨玉龙;张薇;

Email:

DOI: 10.13335/j.1000-3673.pst.2020.0252a

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享