储能系统能量调度与需求响应联合优化控制

被引:8
作者
高雪莹
唐昊
苗刚中
平兆武
机构
[1] 合肥工业大学电气与自动化工程学院
基金
高等学校博士学科点专项科研基金;
关键词
智能电网; 储能管理; 需求响应; 马尔可夫决策过程; 强化学习;
D O I
10.16182/j.cnki.joss.2016.05.022
中图分类号
TM76 [电力系统的自动化];
学科分类号
080802 ;
摘要
为了增加含有储能单元及智能用电设备的用户的长期收益,研究了储能系统能量调度及需求响应联合优化问题,对储能单元动作(充电,放电,闲置)及可延时负荷动作(接入,不接入)进行优化控制。建立包括用电经济性及满意度的优化目标函数,根据太阳能光伏发电、负载用电需求以及电网电价的随机特性,将该联合优化问题建模为无穷时段马尔可夫决策过程模型,进而引入Q学习算法对优化问题进行求解。仿真结果表明联合优化控制比单独对电池动作控制或者需求响应控制使用户获得了更高的长期收益。
引用
收藏
页码:1165 / 1172
页数:8
相关论文
共 10 条
[1]   光伏系统中蓄电池管理策略研究 [J].
李春华 ;
朱新坚 ;
吉小鹏 ;
刘云 ;
刘维亭 .
系统仿真学报, 2012, (11) :2378-2382
[2]   强化学习研究综述 [J].
高阳 ;
陈世福 ;
陆鑫 .
自动化学报, 2004, (01) :86-100
[3]  
智能电网通信及组网技术[M]. 电子工业出版社 , (加) 侯赛因 (Hossain, 2013
[4]  
智能配电网及其关键技术[M]. 中国电力出版社 , 秦立军, 2010
[5]  
智能电网知识读本[M]. 中国电力出版社 , 刘振亚, 2010
[6]  
智能电网技术[M]. 中国电力出版社 , 刘振亚, 2010
[7]  
A self-learning scheme for residential energy system control and management[J] . Ting Huang,Derong Liu. Neural Computing and Applications . 2013 (2)
[8]   Stochastic study of hourly total solar radiation in Corsica using a Markov model [J].
Poggi, P ;
Notton, G ;
Muselli, M ;
Louche, A .
INTERNATIONAL JOURNAL OF CLIMATOLOGY, 2000, 20 (14) :1843-1860
[9]   ON THE CONVERGENCE OF STOCHASTIC ITERATIVE DYNAMIC-PROGRAMMING ALGORITHMS [J].
JAAKKOLA, T ;
JORDAN, MI ;
SINGH, SP .
NEURAL COMPUTATION, 1994, 6 (06) :1185-1201
[10]  
Technical Note: Q-Learning[J] . Christopher J.C.H. Watkins,Peter Dayan. Machine Learning . 1992 (3)