电力市场下需求响应参与辅助调峰调频的建模与优化研究

被引:0
作者
王德志
机构
[1] 华南理工大学
关键词
需求侧资源; 需求响应; 辅助服务; 多目标优化; 集成学习;
D O I
10.27151/d.cnki.ghnlu.2019.001682
年度学位
2019
学位类型
硕士
摘要
在电力市场体制改革下,多数需求侧常见资源,例如空调、冰箱、和热水器等,由于其数量众多和具有瞬时切断的可能性,从而成为理想的系统快速储备,可有效通过各种聚合管理方式来参与电力市场的辅助服务,如辅助调峰和辅助调频。在需求侧用户中,居民用户户数占比最大,不同用户用电习惯差异性也较大,因此,多元家庭用户存在较大的互动调度优化潜力。为此,本文搭建了基于家庭能量管理的需求响应参与辅助调峰模型,首先,分别搭建家庭光伏电源模型、储能系统模型以及负荷模型,并提出一种基于蓄电池操作和光伏自发自用的家庭能量管理策略。其次,在满足用户及电网约束的条件下,建立考虑用户舒适度、经济性和电网负荷曲线优化的多目标优化模型,并采用基于帕累托部落进化的多目标优化算法对其进行求解。同时,在获得电网侧与用户侧多个目标的帕累托曲线后,利用纳什均衡博弈进行多目标的折衷决策。100个居民用户系统仿真算例表明:本文所提模型与算法能有效提高用户舒适度、经济性,同时有助于电网进行调峰。为了对需求侧资源参与电网辅助调频进行建模,本文搭建了孤岛微电网下分布式电源与需求侧负荷的协同频率控制的需求响应参与辅助调频建模。通过引入负荷聚合商来对大规模家庭用户进行聚合,解决源-荷协同频率控制下的“维数灾难”问题。负荷聚合商根据每个家庭中温控设备的运行状态,可以连续地评估其可参与辅助调频的储备能力。同时为了满足辅助调频在线优化要求,本文还提出了一种基于集体智慧的集成学习算法,该算法由多个子优化器和一个学习集中器组成,子优化器发挥集体智慧能力为学习集中器提供探索和开发样本,而基于强化学习的学习集中器主要用于知识学习与迁移。通过孤岛微电网的仿真算例可以验证,通过需求响应参与和集成学习的在线优化,能够有效满足源-荷协同频率控制的周期要求和质量要求。
引用
收藏
页数:74
共 58 条
[1]
电力系统的迁移强化学习优化算法研究 [D]. 
张孝顺 .
华南理工大学,
2017
[2]
Pareto tribe evolution with equilibrium-based decision for multi-objective optimization of multiple home energy management systems.[J].Dezhi Wang;Xiaoshun Zhang;Kaiping Qu;Tao Yu;Zhenning Pan;Qianjin Liu.Energy & Buildings.2018,
[3]
Deep transfer Q-learning with virtual leader-follower for supply-demand Stackelberg game of smart grid.[J].Xiaoshun Zhang;Tao Bao;Tao Yu;Bo Yang;Chuanjia Han.Energy.2017,
[4]
An intelligent system architecture in home energy management systems (HEMS) for efficient demand response in smart grid.[J].Mohammad Shakeri;Mohsen Shayestegan;Hamza Abunima;S.M. Salim Reza;M. Akhtaruzzaman;A.R.M. Alamoud;Kamaruzzaman Sopian;Nowshad Amin.Energy & Buildings.2017,
[5]
Binary grey wolf optimization approaches for feature selection.[J].E. Emary;Hossam M. Zawbaa;Aboul Ella Hassanien.Neurocomputing.2016,
[6]
Optimal joint scheduling of electrical and thermal appliances in a smart home environment.[J].Elham Shirazi;Alireza Zakariazadeh;Shahram Jadid.Energy Conversion and Management.2015,
[7]
Transferring knowledge as heuristics in reinforcement learning: A case-based approach.[J].Reinaldo A.C. Bianchi;Luiz A. Celiberto;Paulo E. Santos;Jackson P. Matsuura;Ramon Lopez de Mantaras.Artificial Intelligence.2015,
[8]
Binary bat algorithm.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Xin-She Yang.Neural Computing and Applications.2014, 3-4
[9]
A Modified Binary Particle Swarm Optimization for Knapsack Problems [J].
Bansal, Jagdish Chand ;
Deep, Kusum .
APPLIED MATHEMATICS AND COMPUTATION, 2012, 218 (22) :11042-11061
[10]
Multiobjective immune algorithm with nondominated neighbor-based selection [J].
Gong, Maoguo ;
Jiao, Licheng ;
Du, Haifeng ;
Bo, Liefeng .
EVOLUTIONARY COMPUTATION, 2008, 16 (02) :225-255