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

摘要：

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(deep deterministic policy gradient,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：电采暖、需求响应、深度强化学习、优化调度、DDPG算法、人工智能

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金51907020

在线出版日期：2020-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：4140-4147