基于SARSA算法的风电——抽蓄联合系统日随机优化研究

发布时间：2021-04-08 19:31

　　针对随机动态规划在求解风电—抽蓄联合系统日随机优化时出现的维数灾问题,提出采用强化学习的SARSA算法来解决。首先分析了风电出力随机性并采用Beta分布来表示风电出力的概率分布;然后建立了风蓄联合系统实际出力与计划出力偏差平方最小为目标函数的日随机优化模型;最后说明利用SARSA算法求解该问题的步骤。算例应用结果表明,利用SARSA算法求解该问题需迭代一定次数才收敛,且算法的学习率随迭代次数增加而减小时可加快算法收敛速度;将SARSA算法与随机动态规划算法相比,在优化结果接近的情况下,SARSA算法计算时间减少约35%,该算法为解决随机多能互补问题提供了新思路。 

【文章来源】：水电能源科学. 2020,38(11)北大核心

【文章页数】：5 页

【部分图文】：

SARSA算法在风蓄联合日随机优化中应用流程图

风蓄联合系统的次日计划出力曲线及风电出力预测曲线见图2。由图2可看出，风电出力具有较强的波动性，变化区间较大；且表现出一定的反调峰特性，负荷需求在中午（11:00～14:00）以及傍晚（17:00～21:00）时较高，在夜间需求较低；而风电出力在夜间较高，在白天时较低。5.1.2 数据准备

SARSA算法通过不断迭代试错来逐步选取每个状态下的最优动作。在迭代初始阶段，算法Q值表值均为默认，与各元素的最优值存在很大的差距，因此迭代次数较少时，系统动作更多为随机探索，实际出力与计划出力曲线偏差较大；经过了一定次数迭代后，通过不断试错，Q值表内各元素值都已经更新，各个状态下所采取的动作接近或收敛于最优值，计划出力与实际出力曲线的拟合度较高。图3为不同迭代次数下，风电-抽蓄联合系统实际出力曲线的优化结果。由图3可看出，当迭代次数达5 000次后，Q值表内的各元素基本更新完毕，已逼近最优解，风电-抽蓄联合系统的出力曲线与计划曲线大致重合，出力偏差最小。5.2.2 不同学习率下的优化结果分析

【参考文献】：
期刊论文
[1]基于SARSA算法的水库长期随机优化调度研究[J]. 李文武,张雪映,Daniel Eliote Mbanze,吴巍.  水电能源科学. 2018(09)
[2]基于强化学习方法的风储合作决策[J]. 刘国静,韩学山,王尚,杨明,王明强.  电网技术. 2016(09)
[3]基于动态离散电价协约的风电-抽蓄联合日运行优化研究[J]. 游文霞,常俊晓,李文武,卢姬.  水电能源科学. 2015(12)
[4]风电和抽水蓄能联合送出时大型风电最优入网规模研究[J]. 李惠玲,张志强,唐晓骏,郑超,李顺昕,杨金刚.  电网技术. 2015(10)
[5]基于贝塔分布的风电功率波动区间估计[J]. 刘兴杰,谢春雨.  电力自动化设备. 2014(12)
[6]基于机会约束规划的风–蓄联合动态经济调度[J]. 于佳,任建文,周明.  电网技术. 2013(08)
[7]风电—抽水蓄能联合日运行优化调度模型[J]. 胡泽春,丁华杰,孔涛.  电力系统自动化. 2012(02)
[8]计及风电功率不确定性的经济调度问题求解方法[J]. 张昭遂,孙元章,李国杰,程林,林今.  电力系统自动化. 2011(22)



本文编号：3126126