摘要
大力推动新能源发展、构建多能耦合的新型能源网络系统是解决能源短缺、环境污染等问题的重要措施之一。然而以风电、光伏为主的可再生能源分布不均、容量大小不一。接入主网的功率具有强不确定性的特点。其次多能流系统耦合网络变得复杂多样，多能传输特性变化不一，系统控制约束和不确定因素大大增加，这对系统运行优化带来了一定的挑战。据此，本文在四川省重点研发项目《极端条件下百兆瓦级光储电站智能联合调度关键技术研究与应用》(2023YFG0108)的资助下，针对上述问题在电-热综合能源系统（Integratedelectricalandheatingsystem，IEHS）上进行了相关的研究，具体内容如下。 1）针对负荷不确定性难以表征问题，构建了一种基于期望最大化算法的高斯混合模型（Gaussianmixedmodel，GMM）。首先利用深度神经网络对负荷进行日前预测。然后根据预测值与真实值之间的差值构建误差概率分布。最后利用高斯混合模型拟合误差概率分布从而捕捉负荷的不确定性。为后续系统优化研究奠定基础。 2）针对负荷不确定性，高比例的混合可再生能源注入电网的多目标综合能源系统优化问题，构建了基于负荷预测辅助深度强化学习（Deepreinforcementlearning,DRL）的IEHS能量管理模型。首先将训练好的高斯混合模型作为一个后验模型嵌入环境中，同时将多目标优化问题转化为一个马尔可夫决策。DRL通过不断地与GMM交互获取信息学习实现奖励值的最大化从而获得最优的控制动作策略。实验结果证明本文提出的基于负荷预测辅助DRL的优化控制策略具有更好的性能和负荷不确定性处理能力。 3）针对电网与热网物理模型拓扑结构参数难以获取问题，构建基于代理模型-TD3算法的IEHS运行优化模型。首先基于稀疏高斯过程方法训练两个代理模型，用以模拟电功率潮流和热网潮流计算过程。然后在马尔科夫决策中嵌入GMM和两个代理模型，并利用它们来估计DRL智能体训练的奖励。实验结果表明，本章所提代理模型相较其他方法具有更好的精度。本章所提的代理模型-DRL的IEHS运行优化模型相较于其他算法能够提供更好的控制策略。
NETL