【清华大学】数据驱动的电网前瞻优化调度_37页_4mb

报告摘要

本研究聚焦于如何利用人工智能技术提升电网前瞻优化调度的智能化水平，特别是在面对新能源装机容量增长和运行场景不确定性带来的挑战时。通过融合数据驱动与模型驱动的方法，构建了适应多运行场景的前瞻调度模型，并引入迁移强化学习技术，以提升调度智能体在不同场景下的适应能力与训练效率。

新能源增长带来的挑战：随着风电和光伏装机容量的持续增长，电网调度面临源荷双侧不确定性增加、调度对象数量剧增等问题，对优化决策的效率和准确性提出了更高要求。
人工智能技术的应用：深度学习、强化学习等人工智能技术已在可再生能源预测、负荷预测等领域取得应用，为电网调度智能化提供了技术支持。
前瞻调度模型的构建：基于多时段滚动优化思想，提出包含目标函数、决策变量、约束条件的安全约束经济调度（SCED）及安全约束机组组合（SCUC）模型，以实现更高效的调度决策。
智能体训练方式的设计：采用深度确定性策略梯度算法（DDPG），并引入“良好经验存储池”提升训练效率。同时，通过历史调度数据进行神经网络参数的初始化和预训练，提高智能体的收敛速度和精度。
模型驱动与数据驱动的融合：在智能体训练中引入物理模型，研究数据与模型联合驱动的方法，提出不平衡量分配机制，提升调度的可靠性与适应性。
迁移强化学习的应用：构建多运行场景下的迁移架构，通过聚类分析降低调度决策复杂度，提升模型在不同运行场景（如负荷变化、新能源出力变化、线路故障等）下的泛化能力。

目标函数：最小化发电与启停成本，公式为 $ \text{minC} = \sum_{nT-1} a(P_t)^2 + b(P) + c + C^{U,t} + C^{D,t} $。
输入量：节点负荷 $ \mathbf{L}{\tau}^{D,t} $ 和新能源出力预测 $ \mathbf{P}{\tau}^{G_{new},t} $。
决策变量：机组有功出力 $ \mathbf{P}_{\tau}^{G,t} $。
约束条件：
- 功率实时平衡：$ \sum_{i=1}^{n_r} P_{i,\tau}^{G,i} = \sum_{k=1}^{n_p} P_{k,\tau}^{D,i} + P_{\tau}^{loss,i} $。
- 机组出力上下限：$ P_{i}^{G \min} \leq P_{i, \tau}^{G, t} \leq P_{i}^{G \max} $。
- 线路潮流约束：$ \frac{I_{j,\tau}^{\prime}}{I_j^{\max} + \varepsilon} < 1 $。
- 节点电压约束：$ \nu_k^{\min} \leq \nu_{k,\tau}^{\prime} \leq \nu_k^{\max} $。
- 机组爬坡约束：$ -R_i^{\min}\Delta t \leq P_{t,\tau}^{G,t} - P_{i,\tau}^{G,t-1} \leq R_i^{\max}\Delta t $。

测试系统：IEEE-30节点系统和SG126系统（含18座新能源电站）。
训练与测试数据：
- 离线训练数据集为2019年10月后延一年的数据。
- 在线测试数据集为2020年10月后的数据。
训练效果：
- IEEE-30系统中，智能体训练时间60小时，决策时间16秒，显著优于常规交流潮流优化方法（271.4秒）。
- SG126系统中，迁移智能体在N-1故障场景下表现出良好的适应性与收敛性。