CN117541030A - 虚拟电厂优化运行方法、装置、设备及介质 - Google Patents
虚拟电厂优化运行方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117541030A CN117541030A CN202410028978.2A CN202410028978A CN117541030A CN 117541030 A CN117541030 A CN 117541030A CN 202410028978 A CN202410028978 A CN 202410028978A CN 117541030 A CN117541030 A CN 117541030A
- Authority
- CN
- China
- Prior art keywords
- power plant
- virtual power
- model
- representing
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims description 74
- 230000009471 action Effects 0.000 claims description 69
- 238000004146 energy storage Methods 0.000 claims description 54
- 239000007789 gas Substances 0.000 claims description 51
- 230000007246 mechanism Effects 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 28
- 230000005611 electricity Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 22
- 238000013486 operation strategy Methods 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种虚拟电厂优化运行方法、装置、设备及介质，能够根据自构建的目标函数及约束条件建立初始虚拟电厂模型，并基于马尔科夫决策模型及TD3算法创建状态空间、动作空间及奖励函数以得到中间虚拟电厂模型，基于噪声机制及注意力机制更新中间虚拟电厂模型，并基于优先经验存储策略对待训练模型进行优化训练，得到优化后的目标虚拟电厂模型，进一步将当前的电力数据输入至目标虚拟电厂模型，以生成并执行虚拟电厂优化运行策略，优化后的虚拟电厂运行策略更加稳定，且能够有效解决电力成本。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种虚拟电厂优化运行方法、装置、设备及介质。
背景技术
随着可再生能源和分布式能源的快速增长，电力***面临着日益复杂的管理挑战。虚拟电厂作为一种集成多种能源资源的智能***，通过优化调度可以实现电力***的高效运行。研究虚拟电厂的优化调度不仅有助于提高电力***的经济性，降低能源生产成本，还能有效应对可再生能源波动性和不确定性，提升电网的可靠性和稳定性。
但是，在现有技术中，在对虚拟电厂进行优化调度时，还存在以下缺陷：
（1）对可再生能源和负荷预测精度有较高的要求；
（2）动作空间只能进行离散操作，为适应算法，需要将各单元动作量进行离散化，导致可选动作范围大大减小；
（3）对于状态及动作值函数容易产生过估计问题，从而使模型学习到的策略失效。
针对上述问题，亟需一种更稳定、有效的虚拟电厂优化运行方案。
发明内容
鉴于以上内容，有必要提供一种虚拟电厂优化运行方法、装置、设备及介质，能够对虚拟电厂的运行进行合理、稳定的优化。
一种虚拟电厂优化运行方法，所述虚拟电厂优化运行方法包括：
构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
根据本发明优选实施例，所述构建目标函数及约束条件包括：
在满足所述约束条件的前提下，以虚拟电厂运行周期内的总成本最小作为所述目标函数；
其中，所述总成本为风力发电成本、燃气机组成本、储能成本、电力市场售电成本的总和；
其中，所述约束条件包括虚拟电厂功率平衡约束、储能设备充放电约束、风电机组出力约束、燃气机组运行约束。
根据本发明优选实施例：
所述目标函数表示如下： 所述目标函数表示如下： ；
其中：；
其中，min C表示最小的所述总成本，Cwt（t）表示所述风力发电成本，Cgas（t）表示所述燃气机组成本，Ces（t）表示所述储能成本，Cmaket（t）表示所述电力市场售电成本；Nwt表示风机的数量，Ngas表示燃气轮机的数量，Nes表示储能设备的数量；Cwt表示单台风机发电的运行成本，表示第k台风机在t时刻的出力；CCH4表示天然气单价；LHVNG表示天然气低热值，ngas表示发电效率，Pgas,i,t表示t时刻第i台燃气轮机的出力；ces表示单个储能设备充放电的成本系数，Pes,n,t表示t时刻第n个储能单元的充放电功率；cmaket,t表示t时刻市场电价，Pmaket,t表示t时刻市场电能交易量，Δt表示时间变化量，T表示所述虚拟电厂运行周期；
所述虚拟电厂功率平衡约束表示如下：；
其中，Nload表示负荷数量；Pload,m,t表示t时刻第m个用户负荷功率；表示t时刻第i台燃气轮机的产热功率；/>表示t时刻第m个用户热负荷；
所述储能设备充放电约束表示如下：；
式中，表示储能设备t时刻充电功率，/>表示储能设备t时刻放电功率，表示储能设备最大充电功率，/>表示储能设备最大放电功率，/>表示J时段储能的SOC值，/>表示J时段储能的SOC值的上限，/>表示J时段储能的SOC值的下限；
所述风电机组出力约束表示如下：；
其中，表示风电机组实际出力的最大值；
所述燃气机组运行约束表示如下：；
其中，表示燃气机组的发电功率，/>表示燃气机组出力上限、/>表示燃气机组出力下限，/>表示散热损失率。
根据本发明优选实施例，所述基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型包括：
获取储能的SOC值、所述风电机组实际出力的最大值、t时刻第m个用户热负荷、t时刻第m个用户负荷功率以及t时刻市场电价作为所述状态空间；
获取t时刻第i台燃气轮机的出力、t时刻第n个储能单元的充放电功率、t时刻市场电能交易量及第k台风机在t时刻的出力作为所述动作空间；
获取所述初始虚拟电厂模型对应的智能体某一状态、对应状态下任意动作的总成本及超出约束的惩罚系数构建所述奖励函数；
基于所述状态空间、所述动作空间、所述奖励函数更新所述初始虚拟电厂模型，得到所述中间虚拟电厂模型；
其中，所述状态空间St表示如下：；
SOC表示储能的SOC值；
其中，所述动作空间at表示如下：；
其中，所述奖励函数rt表示如下：；
St表示所述初始虚拟电厂模型对应的智能体某一状态；表示St状态下动作为at时的***总成本，/>表示超出约束的惩罚系数。
根据本发明优选实施例，所述基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型包括：
配置目标参数；
基于Logistic映射生成随机数；
对比所述目标参数与所述随机数，得到对比结果；
当所述对比结果为所述目标参数大于或者等于所述随机数时，向所述中间虚拟电厂模型的动作网络中添加噪声；或者，当所述对比结果为所述目标参数小于所述随机数时，不向所述动作网络中添加噪声；
获取注意力机制网络，基于所述注意力机制网络更新所述动作网络，得到所述待训练模型；其中，所述注意力机制网络由一个全连接层和Softmax激活函数组成。
根据本发明优选实施例：
所述目标参数λ表示如下：；
其中，表示调整所述目标参数λ的第一系数，/>表示调整所述目标参数λ的第二系数；rt表示t时刻奖励值；/>表示所述虚拟电厂运行周期内的平均奖励值；
所述随机数Ln+1表示如下：；
其中，Ln表示Logistic映射的迭代序列值；Y表示分支参数。
根据本发明优选实施例，所述基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型包括：
在每轮训练过程中，获取当轮的当前虚拟电厂环境状态，以及通过所述动作网络得到的当前动作；
基于所述噪声机制检测是否向所述动作网络添加噪声，得到随机动作；
基于所述当前虚拟电厂环境状态执行所述随机动作，得到当前奖励值及下一时刻的虚拟电厂环境状态；
在指定时段内，若搜索到的当前经验值大于除所述当前经验值外已搜索到的所有经验值的平均值，则将所述当前经验值确定为优秀经验，并将所述当前经验值添加至经验回放池中；或者，若所述当前经验值小于或者等于所述平均值，则按照预设概率确定是否将所述当前经验值添加至所述经验回放池中；
从所述经验回放池中随机抽取经验样本，并将所述经验样本输入至所述动作网络，得到下一时刻的随机动作；
获取所述待训练模型对应的当轮模型的Q函数的当前取值，并根据所述Q函数的当前取值更新所述当轮模型的模型参数；
当检测到所述Q函数的取值在任意轮训练过程中达到最大时，停止训练，并将该轮训练得到的模型确定为所述目标虚拟电厂模型。
一种虚拟电厂优化运行装置，所述虚拟电厂优化运行装置包括：
构建单元，用于构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
创建单元，用于基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
更新单元，用于基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
训练单元，用于基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
输入单元，用于获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
优化单元，用于根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述虚拟电厂优化运行方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述虚拟电厂优化运行方法。
由以上技术方案可以看出，本发明能够根据自构建的目标函数及约束条件建立初始虚拟电厂模型，并基于马尔科夫决策模型及TD3算法创建状态空间、动作空间及奖励函数以得到中间虚拟电厂模型，基于噪声机制及注意力机制更新中间虚拟电厂模型，并基于优先经验存储策略对待训练模型进行优化训练，得到优化后的目标虚拟电厂模型，进一步将当前的电力数据输入至目标虚拟电厂模型，以生成并执行虚拟电厂优化运行策略，优化后的虚拟电厂运行策略更加稳定，且能够有效解决电力成本。
附图说明
图1是本发明虚拟电厂优化运行方法的较佳实施例的流程图。
图2是本发明功率供需平衡图。
图3是本发明虚拟电厂优化运行方法与其他优化方法的对比结果。
图4是本发明虚拟电厂优化运行装置的较佳实施例的功能模块图。
图5是本发明实现虚拟电厂优化运行方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明虚拟电厂优化运行方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述虚拟电厂优化运行方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型。
在本实施例中，所述构建目标函数及约束条件包括：
在满足所述约束条件的前提下，以虚拟电厂运行周期内的总成本最小作为所述目标函数；
其中，所述总成本为风力发电成本、燃气机组成本、储能成本、电力市场售电成本的总和；
其中，所述约束条件包括虚拟电厂功率平衡约束、储能设备充放电约束、风电机组出力约束、燃气机组运行约束。
具体地，所述目标函数表示如下： ；
其中：；
其中，min C表示最小的所述总成本，Cwt（t）表示所述风力发电成本，Cgas（t）表示所述燃气机组成本，Ces（t）表示所述储能成本，Cmaket（t）表示所述电力市场售电成本；Nwt表示风机的数量，Ngas表示燃气轮机的数量，Nes表示储能设备的数量；Cwt表示单台风机发电的运行成本，表示第k台风机在t时刻的出力；CCH4表示天然气单价；LHVNG表示天然气低热值，ngas表示发电效率，Pgas,i,t表示t时刻第i台燃气轮机的出力；ces表示单个储能设备充放电的成本系数，Pes,n,t表示t时刻第n个储能单元的充放电功率；cmaket,t表示t时刻市场电价，Pmaket,t表示t时刻市场电能交易量，Δt表示时间变化量，T表示所述虚拟电厂运行周期；
所述虚拟电厂功率平衡约束表示如下：；
其中，Nload表示负荷数量；Pload,m,t表示t时刻第m个用户负荷功率；表示t时刻第i台燃气轮机的产热功率；/>表示t时刻第m个用户热负荷；
所述储能设备充放电约束表示如下：；
式中，表示储能设备t时刻充电功率，/>表示储能设备t时刻放电功率，表示储能设备最大充电功率，/>表示储能设备最大放电功率，/>表示J时段储能的SOC值，/>表示J时段储能的SOC值的上限，/>表示J时段储能的SOC值的下限；
通过所述储能设备充放电约束，能够保证储能***正常稳定的运行，防止过度充电、放电对电池本身带来不可逆损害及其他危险，并对储能设备充放电功率及储能荷电状态进行约束。
所述风电机组出力约束表示如下：；
其中，表示风电机组实际出力的最大值；
所述燃气机组运行约束表示如下：；
其中，表示燃气机组的发电功率，/>表示燃气机组出力上限、/>表示燃气机组出力下限，/>表示散热损失率。
在上述实施例中，分别以最小成本及各维度的多种约束建立所述初始虚拟电厂模型，以保证建立的所述初始虚拟电厂模型能够以最小成本运行，同时能够满足多种约束条件，以同步保证运行的稳定性。
S11，基于马尔科夫决策模型及TD3（Twin Delayed Deep Deterministic PolicyGradient，双延迟深度确定性策略梯度）算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型。
在本实施例中，所述基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型包括：
获取储能的SOC值、所述风电机组实际出力的最大值、t时刻第m个用户热负荷、t时刻第m个用户负荷功率以及t时刻市场电价作为所述状态空间；
获取t时刻第i台燃气轮机的出力、t时刻第n个储能单元的充放电功率、t时刻市场电能交易量及第k台风机在t时刻的出力作为所述动作空间；
获取所述初始虚拟电厂模型对应的智能体某一状态、对应状态下任意动作的总成本及超出约束的惩罚系数构建所述奖励函数；
基于所述状态空间、所述动作空间、所述奖励函数更新所述初始虚拟电厂模型，得到所述中间虚拟电厂模型；
其中，所述状态空间St表示如下：；
SOC表示储能的SOC值；
其中，所述动作空间at表示如下：；
其中，所述奖励函数rt表示如下：；
St表示所述初始虚拟电厂模型对应的智能体某一状态；表示St状态下动作为at时的***总成本，/>表示超出约束的惩罚系数。
在上述实施例中，通过所述奖励函数综合考虑了动作奖励和环境本身奖励的影响，可以使得学习目标更加明确。具体地，基于环境状态集中动作空间的分布选择任一动作后，环境会给予奖励。因此，在满足各约束条件的前提下，可以将虚拟电厂运行总成本最小化问题转化为奖励最大化形式。
S12，基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型。
在本实施例中，所述基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型包括：
配置目标参数；
基于Logistic映射生成随机数；
对比所述目标参数与所述随机数，得到对比结果；
当所述对比结果为所述目标参数大于或者等于所述随机数时，向所述中间虚拟电厂模型的动作网络中添加噪声；或者，当所述对比结果为所述目标参数小于所述随机数时，不向所述动作网络中添加噪声；
获取注意力机制网络，基于所述注意力机制网络更新所述动作网络，得到所述待训练模型；其中，所述注意力机制网络由一个全连接层和Softmax激活函数组成。
具体地，所述目标参数λ表示如下：；
其中，表示调整所述目标参数λ的第一系数，/>表示调整所述目标参数λ的第二系数；rt表示t时刻奖励值；/>表示所述虚拟电厂运行周期内的平均奖励值；
所述随机数Ln+1表示如下：；
其中，Ln表示Logistic映射的迭代序列值；Y表示分支参数。
其中，当3.5699456<Y≤4时，Logistic映射进入混沌状态，所生成的混沌序列具有良好的随机分布特性。
其中，基于注意力机制对所述动作网络进行改进。以观测到的状态作为输入向量，经过注意力网络的第一个全连接层后，再通过Softmax激活函数进行激活，得到输入向量各分量所对应的权重，再将权重与对应的各分量相乘，得到新的向量，并作为注意力网络的输出。输出的新向量经过一个全连接层和一个Sigmoid激活函数后，以得到对应状态下的动作。
需要说明的是，在TD3算法模型的策略训练过程中，通过动作网络输出叠加噪声，噪声的引入是为了扩展算法模型的搜索能力。然而，不必要的噪声叠加会增加模型额外的计算成本，同时产生过度探索的问题。因此，本实施例对传统TD3算法的动作探索机制进行了改进，使模型在动态环境下可以更好地平衡探索和利用。
S13，基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型。
在本实施例中，所述基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型包括：
在每轮训练过程中，获取当轮的当前虚拟电厂环境状态，以及通过所述动作网络得到的当前动作；
基于所述噪声机制检测是否向所述动作网络添加噪声，得到随机动作；
基于所述当前虚拟电厂环境状态执行所述随机动作，得到当前奖励值及下一时刻的虚拟电厂环境状态；
在指定时段内，若搜索到的当前经验值大于除所述当前经验值外已搜索到的所有经验值的平均值，则将所述当前经验值确定为优秀经验，并将所述当前经验值添加至经验回放池中；或者，若所述当前经验值小于或者等于所述平均值，则按照预设概率确定是否将所述当前经验值添加至所述经验回放池中；
从所述经验回放池中随机抽取经验样本，并将所述经验样本输入至所述动作网络，得到下一时刻的随机动作；
获取所述待训练模型对应的当轮模型的Q函数的当前取值，并根据所述Q函数的当前取值更新所述当轮模型的模型参数；
当检测到所述Q函数的取值在任意轮训练过程中达到最大时，停止训练，并将该轮训练得到的模型确定为所述目标虚拟电厂模型。
其中，所述预设概率可以根据实际的运行环境进行配置。
通过上述实施例，能够进一步结合优先经验存储策略训练得到优化后的目标虚拟电厂模型。
S14，获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型。
在本实施例中，所述电力数据可以包括，但不限于以下一种或者多种数据的组合：
当前时间段、当前地域特征、风机的数量、燃气轮机的数量、储能设备的数量等。
S15，根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
在本实施例中，根据所述目标虚拟电厂模型的输出数据可以确定当前时段是否需要补充用电需求、是否需要存储富余电能等运行策略，以保证对电力资源的合理使用，进而能够保持电力***的稳定性。
例如：请参考图2，是本发明功率供需平衡图。由图2可得，根据不同的供需，所述虚拟电厂优化运行策略可以包括：在1:00-7:00以及16:00-18:00时段，电价较低，虚拟电厂内部供电主要来自于风电和燃气轮机产电，并通过购电补充用电需求。2:00-4:00时段电能需求低，因此将低价富余电能进行存储。在8:00-10:00时段，虚拟电厂不再进行购电，储能在部分时段进行少量放电，负荷需求仍主要由风电和燃气轮机产电满足。在11:00-15:00以及19:00-21:00时段，整体电负荷需求较多，且电价处于高峰时段，为降低总运行成本，选择减少购电，***电能通过风电、燃气轮机进行供电，储能放电补充用电需求。在22:00-23:00时段，风电和燃气轮机产电无法满足用电需求，但此时电价不高，因此***通过购电平衡电负荷。在24:00时，电负荷需求较低，通过风力发电和燃气轮机产电即可满足电负荷需求。
请一并参考图3，是本发明虚拟电厂优化运行方法与其他优化方法的对比结果。具体地，方案1是基于DDPG（Deep Deterministic Policy Gradient，深度确定性策略梯度算法）的虚拟电厂优化运行方法；方案2是仅基于传统TD3的虚拟电厂优化运行方法；方案3是基于本实施例所提出的虚拟电厂优化运行方法。可见，方案3的平均日运行成本为16582元，较方案1、方案2分别降低了7.55%和3.4%；方案3的最小日运行成本为14554元，较方案1、方案2分别降低了6.58%和4.45%；方案3的最大日运行成本为18762元，较方案1、方案2分别降低了10.53%和3.97%。由此可知，基于本实施例所提出的虚拟电厂优化运行方法相较于方案1、方案2具有更好的性能，能有效地降低***运行成本。
由以上技术方案可以看出，本发明能够根据自构建的目标函数及约束条件建立初始虚拟电厂模型，并基于马尔科夫决策模型及TD3算法创建状态空间、动作空间及奖励函数以得到中间虚拟电厂模型，基于噪声机制及注意力机制更新中间虚拟电厂模型，并基于优先经验存储策略对待训练模型进行优化训练，得到优化后的目标虚拟电厂模型，进一步将当前的电力数据输入至目标虚拟电厂模型，以生成并执行虚拟电厂优化运行策略，优化后的虚拟电厂运行策略更加稳定，且能够有效解决电力成本。
如图4所示，是本发明虚拟电厂优化运行装置的较佳实施例的功能模块图。所述虚拟电厂优化运行装置11包括构建单元110、创建单元111、更新单元112、训练单元113、输入单元114、优化单元115。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
其中，所述构建单元110，用于构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
所述创建单元111，用于基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
所述更新单元112，用于基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
所述训练单元113，用于基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
所述输入单元114，用于获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
所述优化单元115，用于根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
由以上技术方案可以看出，本发明能够根据自构建的目标函数及约束条件建立初始虚拟电厂模型，并基于马尔科夫决策模型及TD3算法创建状态空间、动作空间及奖励函数以得到中间虚拟电厂模型，基于噪声机制及注意力机制更新中间虚拟电厂模型，并基于优先经验存储策略对待训练模型进行优化训练，得到优化后的目标虚拟电厂模型，进一步将当前的电力数据输入至目标虚拟电厂模型，以生成并执行虚拟电厂优化运行策略，优化后的虚拟电厂运行策略更加稳定，且能够有效解决电力成本。
如图5所示，是本发明实现虚拟电厂优化运行方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如虚拟电厂优化运行程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如虚拟电厂优化运行程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块（例如执行虚拟电厂优化运行程序等），以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个虚拟电厂优化运行方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成构建单元110、创建单元111、更新单元112、训练单元113、输入单元114、优化单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述虚拟电厂优化运行方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图5中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图5仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图5示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种虚拟电厂优化运行方法，所述处理器13可执行所述多个指令从而实现：
构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种虚拟电厂优化运行方法，其特征在于，所述虚拟电厂优化运行方法包括：
构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
2.如权利要求1所述的虚拟电厂优化运行方法，其特征在于，所述构建目标函数及约束条件包括：
在满足所述约束条件的前提下，以虚拟电厂运行周期内的总成本最小作为所述目标函数；
其中，所述总成本为风力发电成本、燃气机组成本、储能成本、电力市场售电成本的总和；
其中，所述约束条件包括虚拟电厂功率平衡约束、储能设备充放电约束、风电机组出力约束、燃气机组运行约束。
3.如权利要求2所述的虚拟电厂优化运行方法，其特征在于：
所述目标函数表示如下： ；
其中：；
其中，min C表示最小的所述总成本，Cwt（t）表示所述风力发电成本，Cgas（t）表示所述燃气机组成本，Ces（t）表示所述储能成本，Cmaket（t）表示所述电力市场售电成本；Nwt表示风机的数量，Ngas表示燃气轮机的数量，Nes表示储能设备的数量；Cwt表示单台风机发电的运行成本，表示第k台风机在t时刻的出力；CCH4表示天然气单价；LHVNG表示天然气低热值，ngas表示发电效率，Pgas,i,t表示t时刻第i台燃气轮机的出力；ces表示单个储能设备充放电的成本系数，Pes,n,t表示t时刻第n个储能单元的充放电功率；cmaket,t表示t时刻市场电价，Pmaket,t表示t时刻市场电能交易量，Δt表示时间变化量，T表示所述虚拟电厂运行周期；
所述虚拟电厂功率平衡约束表示如下：；
其中，Nload表示负荷数量；Pload,m,t表示t时刻第m个用户负荷功率；表示t时刻第i台燃气轮机的产热功率；/>表示t时刻第m个用户热负荷；
所述储能设备充放电约束表示如下：；
式中，表示储能设备t时刻充电功率，/>表示储能设备t时刻放电功率，/>表示储能设备最大充电功率，/>表示储能设备最大放电功率，/>表示J时段储能的SOC值，/>表示J时段储能的SOC值的上限，/>表示J时段储能的SOC值的下限；
所述风电机组出力约束表示如下：；
其中，表示风电机组实际出力的最大值；
所述燃气机组运行约束表示如下：；
其中，表示燃气机组的发电功率，/>表示燃气机组出力上限、/>表示燃气机组出力下限，/>表示散热损失率。
4.如权利要求3所述的虚拟电厂优化运行方法，其特征在于，所述基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型包括：
获取储能的SOC值、所述风电机组实际出力的最大值、t时刻第m个用户热负荷、t时刻第m个用户负荷功率以及t时刻市场电价作为所述状态空间；
获取t时刻第i台燃气轮机的出力、t时刻第n个储能单元的充放电功率、t时刻市场电能交易量及第k台风机在t时刻的出力作为所述动作空间；
获取所述初始虚拟电厂模型对应的智能体某一状态、对应状态下任意动作的总成本及超出约束的惩罚系数构建所述奖励函数；
基于所述状态空间、所述动作空间、所述奖励函数更新所述初始虚拟电厂模型，得到所述中间虚拟电厂模型；
其中，所述状态空间St表示如下：；
SOC表示储能的SOC值；
其中，所述动作空间at表示如下：；
其中，所述奖励函数rt表示如下：；
St表示所述初始虚拟电厂模型对应的智能体某一状态；表示St状态下动作为at时的***总成本，/>表示超出约束的惩罚系数。
5.如权利要求1所述的虚拟电厂优化运行方法，其特征在于，所述基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型包括：
配置目标参数；
基于Logistic映射生成随机数；
对比所述目标参数与所述随机数，得到对比结果；
当所述对比结果为所述目标参数大于或者等于所述随机数时，向所述中间虚拟电厂模型的动作网络中添加噪声；或者，当所述对比结果为所述目标参数小于所述随机数时，不向所述动作网络中添加噪声；
获取注意力机制网络，基于所述注意力机制网络更新所述动作网络，得到所述待训练模型；其中，所述注意力机制网络由一个全连接层和Softmax激活函数组成。
6.如权利要求5所述的虚拟电厂优化运行方法，其特征在于：
所述目标参数λ表示如下：；
其中，表示调整所述目标参数λ的第一系数，/>表示调整所述目标参数λ的第二系数；rt表示t时刻奖励值；/>表示所述虚拟电厂运行周期内的平均奖励值；
所述随机数Ln+1表示如下：；
其中，Ln表示Logistic映射的迭代序列值；Y表示分支参数。
7.如权利要求5所述的虚拟电厂优化运行方法，其特征在于，所述基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型包括：
在每轮训练过程中，获取当轮的当前虚拟电厂环境状态，以及通过所述动作网络得到的当前动作；
基于所述噪声机制检测是否向所述动作网络添加噪声，得到随机动作；
基于所述当前虚拟电厂环境状态执行所述随机动作，得到当前奖励值及下一时刻的虚拟电厂环境状态；
在指定时段内，若搜索到的当前经验值大于除所述当前经验值外已搜索到的所有经验值的平均值，则将所述当前经验值确定为优秀经验，并将所述当前经验值添加至经验回放池中；或者，若所述当前经验值小于或者等于所述平均值，则按照预设概率确定是否将所述当前经验值添加至所述经验回放池中；
从所述经验回放池中随机抽取经验样本，并将所述经验样本输入至所述动作网络，得到下一时刻的随机动作；
获取所述待训练模型对应的当轮模型的Q函数的当前取值，并根据所述Q函数的当前取值更新所述当轮模型的模型参数；
当检测到所述Q函数的取值在任意轮训练过程中达到最大时，停止训练，并将该轮训练得到的模型确定为所述目标虚拟电厂模型。
8.一种虚拟电厂优化运行装置，其特征在于，所述虚拟电厂优化运行装置包括：
构建单元，用于构建目标函数及约束条件，并根据所述目标函数及所述约束条件构建初始虚拟电厂模型；
创建单元，用于基于马尔科夫决策模型及TD3算法创建所述初始虚拟电厂模型对应的状态空间、动作空间及奖励函数，得到中间虚拟电厂模型；
更新单元，用于基于噪声机制及注意力机制更新所述中间虚拟电厂模型，得到待训练模型；
训练单元，用于基于优先经验存储策略对所述待训练模型进行优化训练，得到优化后的目标虚拟电厂模型；
输入单元，用于获取当前的电力数据，并将所述电力数据输入至所述目标虚拟电厂模型；
优化单元，用于根据所述目标虚拟电厂模型的输出数据生成虚拟电厂优化运行策略，并执行所述虚拟电厂优化运行策略。
9. 一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的虚拟电厂优化运行方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的虚拟电厂优化运行方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028978.2A CN117541030B (zh) | 2024-01-09 | 2024-01-09 | 虚拟电厂优化运行方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028978.2A CN117541030B (zh) | 2024-01-09 | 2024-01-09 | 虚拟电厂优化运行方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541030A true CN117541030A (zh) | 2024-02-09 |
| CN117541030B CN117541030B (zh) | 2024-04-26 |
Family
ID=89794211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028978.2A Active CN117541030B (zh) | 2024-01-09 | 2024-01-09 | 虚拟电厂优化运行方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541030B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326994A (zh) * | 2021-07-06 | 2021-08-31 | 华北电力大学 | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 |
| CN114036825A (zh) * | 2021-10-27 | 2022-02-11 | 南方电网科学研究院有限责任公司 | 多虚拟电厂的协同优化调度方法、装置、设备及存储介质 |
| CN115423207A (zh) * | 2022-09-26 | 2022-12-02 | 中国长江三峡集团有限公司 | 风储虚拟电厂在线调度方法和装置 |
| CN115663804A (zh) * | 2022-11-02 | 2023-01-31 | 深圳先进技术研究院 | 基于深度强化学习的电力***调控方法 |
| CN115879983A (zh) * | 2023-02-07 | 2023-03-31 | 长园飞轮物联网技术(杭州)有限公司 | 虚拟电厂调度方法及其*** |
| CN116914732A (zh) * | 2023-07-13 | 2023-10-20 | 广东工业大学 | 基于深度强化学习的热电联产***低碳调度方法及*** |
| CN117291095A (zh) * | 2023-09-15 | 2023-12-26 | 国网上海能源互联网研究院有限公司 | 一种虚拟电厂与配电网协同互动方法、装置、设备及介质 |
-
2024
- 2024-01-09 CN CN202410028978.2A patent/CN117541030B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326994A (zh) * | 2021-07-06 | 2021-08-31 | 华北电力大学 | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 |
| CN114036825A (zh) * | 2021-10-27 | 2022-02-11 | 南方电网科学研究院有限责任公司 | 多虚拟电厂的协同优化调度方法、装置、设备及存储介质 |
| CN115423207A (zh) * | 2022-09-26 | 2022-12-02 | 中国长江三峡集团有限公司 | 风储虚拟电厂在线调度方法和装置 |
| CN115663804A (zh) * | 2022-11-02 | 2023-01-31 | 深圳先进技术研究院 | 基于深度强化学习的电力***调控方法 |
| CN115879983A (zh) * | 2023-02-07 | 2023-03-31 | 长园飞轮物联网技术(杭州)有限公司 | 虚拟电厂调度方法及其*** |
| CN116914732A (zh) * | 2023-07-13 | 2023-10-20 | 广东工业大学 | 基于深度强化学习的热电联产***低碳调度方法及*** |
| CN117291095A (zh) * | 2023-09-15 | 2023-12-26 | 国网上海能源互联网研究院有限公司 | 一种虚拟电厂与配电网协同互动方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541030B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ebrahimi et al. | Unit commitment problem solution using shuffled frog leaping algorithm | |
| Bertini et al. | Soft computing based optimization of combined cycled power plant start-up operation with fitness approximation methods | |
| Bi et al. | Green energy forecast-based bi-objective scheduling of tasks across distributed clouds | |
| Liang et al. | An energy-aware resource deployment algorithm for cloud data centers based on dynamic hybrid machine learning | |
| Liao et al. | Energy consumption optimization scheme of cloud data center based on SDN | |
| Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
| CN117541030B (zh) | 虚拟电厂优化运行方法、装置、设备及介质 | |
| CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
| CN112214602A (zh) | 基于幽默度的文本分类方法、装置、电子设备及存储介质 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN116862172A (zh) | 一种全周期变时段有序用电调度方法及存储介质 | |
| Zhang et al. | Short‐Term Power Load Forecasting Model Design Based on EMD‐PSO‐GRU | |
| CN115776138A (zh) | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 | |
| Wang et al. | Dominant technology identification model based on patent information toward sustainable energy development | |
| Lv et al. | Exponential hybrid mutation differential evolution for economic dispatch of large-scale power systems considering valve-point effects | |
| CN112381333A (zh) | 一种基于分布式改进蝙蝠算法的微电网优化方法 | |
| Sun et al. | HEFT-dynamic scheduling algorithm in workflow scheduling | |
| CN114997659B (zh) | 基于动态多目标优化的资源调度模型构建方法及*** | |
| Mackie et al. | Reinforcement learning based load balancing for geographically distributed data centres | |
| CN116629596B (zh) | 供应链风险预测方法、装置、设备及介质 | |
| CN117522087B (zh) | 虚拟电厂资源配置方法、装置、设备及介质 | |
| CN115964499B (zh) | 基于知识图谱的社会治理事件挖掘方法及装置 | |
| CN116540990B (zh) | 基于嵌入式实现电子产品的代码集成方法及装置 | |
| CN117216339B (zh) | 基于数字孪生的电子沙盘***构建方法及装置 | |
| CN118300207A (zh) | 一种氢电混合供能***控制方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |