安科瑞 陳聰

摘要：虛擬電廠儲能系統(tǒng)的智能調度尤為關鍵，因此提出了一種基于深度Q網(wǎng)絡（deepQnetwork，DQN）的虛擬電廠儲能數(shù)據(jù)挖掘方法，結合光伏發(fā)電功率、負荷功率和電力市場的實時動態(tài)電價，進行虛擬電廠儲能數(shù)據(jù)挖掘仿真研究。仿真實驗證實，在光伏發(fā)電功率大于負荷功率時，虛擬電廠儲能系統(tǒng)可以根據(jù)電價情況進行充放電操作，能調度收益，從而實現(xiàn)了對虛擬電廠儲能系統(tǒng)的智能化管理。該方法有效提升了虛擬電廠儲能系統(tǒng)的智能化水平和能源調度效率，為未來虛擬電廠智能化運行提供了新的方法。

關鍵詞：深度學習；神經(jīng)網(wǎng)絡；數(shù)據(jù)挖掘；虛擬電廠；儲能

0引言

隨著可再生能源的迅速增長和能源轉型的推進，虛擬電廠（virtualpowerplant，VPP）已成為實現(xiàn)能源智能化管理和提高系統(tǒng)靈活性的關鍵解決方案。在虛擬電廠中，儲能系統(tǒng)被視為重要的能量存儲設施，其運行的優(yōu)化對于平衡電力系統(tǒng)的供需、提高系統(tǒng)的可靠性至關重要。然而，隨著儲能系統(tǒng)規(guī)模的不斷擴大和運行復雜性的增加，如何有效利用儲能數(shù)據(jù)進行深度分析和挖掘，成為優(yōu)化虛擬電廠運行的關鍵挑戰(zhàn)之一。

人工智能是一種模擬人類智能行為的技術，其核心在于利用計算機系統(tǒng)模擬人類的思維過程以及學習能力，從而執(zhí)行各種任務。在人工智能領域，深度Q網(wǎng)絡（deepQnetwork，DQN）是一種基于深度學習和強化學習的方法，已在解決復雜的決策問題時展現(xiàn)出驚人的性能。DQN結合了深度神經(jīng)網(wǎng)絡的表征學習能力和Q學習（Q-learning）的強化學習框架，能夠自動從環(huán)境中學習并優(yōu)化決策策略，適用于探索和解決具有高度不確定性和復雜性的問題。DQN在視頻游戲、機器人控制、交通規(guī)劃等領域的成功應用，表明了其在決策制定和優(yōu)化方面的巨大潛力。在虛擬電廠儲能數(shù)據(jù)挖掘中，利用DQN可以有效地對儲能數(shù)據(jù)進行分析和建模，實現(xiàn)智能化的儲能系統(tǒng)管理，優(yōu)化系統(tǒng)的運作效能與經(jīng)濟效益。本文旨在探討基于DQN的虛擬電廠儲能數(shù)據(jù)挖掘方法，以加速能源智能化管理的實現(xiàn)，并為能源系統(tǒng)的持久發(fā)展提供理論與技術支持。

1相關技術

1.1虛擬電廠儲能

虛擬電廠是一個創(chuàng)新性的能源管理系統(tǒng)，其通過整合多樣的分布式能源資源和電力設備，實現(xiàn)對電力系統(tǒng)的智能化協(xié)調。在虛擬電廠中，通過統(tǒng)一調度太陽能光伏電池、風力渦輪機、小型燃氣發(fā)電機組等分散的能源資源，實現(xiàn)了多能源的整合。智能化控制系統(tǒng)能夠實時監(jiān)測電力需求、能源生產(chǎn)狀況以及市場價格，從而實現(xiàn)對能源資源的智能調度、提高系統(tǒng)的工作效率和降低成本。虛擬電廠的靈活能源調度能夠使其適應不同地區(qū)和能源的可用性，而且通過參與電力市場，其還能提供調頻、備用能量等服務。更為重要的是，虛擬電廠通過整合儲能技術，解決了可再生能源波動性的問題，實現(xiàn)在高產(chǎn)能時儲存過剩能量，在需求高峰期釋放儲存的能量，從而提高可再生能源的可靠性。

儲能技術用于將電能轉化為其他形式的能量，并在需要時將其重新轉換為電能，旨在增強電力系統(tǒng)的穩(wěn)定性與適應性。常見的儲能方法包括利用電池進行能量存儲、壓縮空氣儲能、水泵儲能、電容器和熱能儲能。電池儲能系統(tǒng)被廣泛用于移動設備和電動汽車，而壓縮空氣、水泵和熱能儲能技術則在大規(guī)模電力系統(tǒng)中應用廣泛，這些技術的使用有助于平衡供需，提高電力系統(tǒng)的可靠性。

1.2數(shù)據(jù)挖掘

數(shù)據(jù)挖掘技術是利用統(tǒng)計學、機器學習和數(shù)據(jù)庫技術等方法，從大規(guī)模數(shù)據(jù)中發(fā)現(xiàn)模式、關聯(lián)和趨勢的計算過程。數(shù)據(jù)挖掘技術包括多種方法，如聚類分析、分類技術、關聯(lián)規(guī)則發(fā)現(xiàn)、異常識別等，通過數(shù)據(jù)挖掘，可以幫助組織和企業(yè)從大量數(shù)據(jù)中挖掘出有用的信息，進行預測性分析、決策支持以及優(yōu)化業(yè)務流程，從而實現(xiàn)運營和更好的業(yè)務決策。

數(shù)據(jù)挖掘流程通常涵蓋數(shù)據(jù)預處理、選擇特征、模型構建和評估等環(huán)節(jié)，通過這些環(huán)節(jié)可以從初始數(shù)據(jù)中提取有價值的信息，并將其轉化為可理解的知識，為決策提供支持。隨著數(shù)據(jù)量的不斷增長和算法的不斷發(fā)展，數(shù)據(jù)挖掘技術在各個領域的應用前景也變得越來越廣闊。

虛擬電廠儲能數(shù)據(jù)挖掘是利用數(shù)據(jù)挖掘技術對虛擬電廠中儲能系統(tǒng)的運行數(shù)據(jù)進行分析與深入挖掘，以發(fā)現(xiàn)儲能系統(tǒng)的運行模式、優(yōu)化策略和潛在問題。通過對儲能數(shù)據(jù)進行預處理、模式識別和建模分析，可以實現(xiàn)對儲能系統(tǒng)充放電行為、效率、壽命等方面的深入理解，并提供決策支持和優(yōu)化建議，進而增進虛擬電廠的操作效率、經(jīng)濟效益及可靠性。

2基于DQN的虛擬電廠儲能技術

2.1DQN

DQN融合了深度學習和強化學習，旨在處理具有離散行為空間的決策問題[4-5]。其核心思想是采用深度神經(jīng)網(wǎng)絡對Q函數(shù)進行近似估計，即狀態(tài)—動作值函數(shù)，從而使智能體在其所處環(huán)境中做出選擇。在DQN中，智能體的目標是學習一個策略，使得在給定狀態(tài)下選擇能累積獎勵的動作。

DQN的核心是Q-learning的更新規(guī)則，其中Q值的更新通過貝爾曼方程實現(xiàn)。其Q值的更新公式如下：

其中，α為學習率，a為動作，s為狀態(tài)，Q（s，a）為在狀態(tài)s下采取動作a的Q值，r為在狀態(tài)s下采取動作a后獲得的即時獎勵，γ為折扣因子，s'為采取動作a后轉移到的下一個狀態(tài)，maxa'Q（s'，a'）則表示在狀態(tài)s'下選擇動作所對應的Q值。

DQN通過使用深度神經(jīng)網(wǎng)絡來逼近Q函數(shù)，將狀態(tài)s作為輸入，輸出各個動作的Q值。通過不斷與環(huán)境交互、收集數(shù)據(jù)和更新網(wǎng)絡參數(shù)，DQN能夠學習到逼近Q函數(shù)的策略，從而實現(xiàn)智能體在復雜環(huán)境中的決策。

2.2基于DQN的儲能交互模型

智能能源管理系統(tǒng)由4個核心部分構成，包括仿真模塊、經(jīng)驗池模塊、神經(jīng)網(wǎng)絡模塊以及動作搜索模塊，這些模塊共同在虛擬電廠儲能交互模型中發(fā)揮作用。虛擬電廠的仿真模塊模擬了光伏、儲能、負載以及主電網(wǎng)，展示了在動態(tài)電價條件下光儲型虛擬電廠進行能量交易的過程。為了大限度地利用光伏發(fā)電，負荷電能首先由光伏發(fā)電和儲能系統(tǒng)聯(lián)合滿足，剩余需求則由主電網(wǎng)供應。經(jīng)驗池模塊負責在系統(tǒng)運作過程中收集虛擬電廠仿真模塊生成的交互數(shù)據(jù)，為模型的后續(xù)訓練提供堅實基礎。神經(jīng)網(wǎng)絡模塊的職責是訓練神經(jīng)網(wǎng)絡的參數(shù)，目的是提升系統(tǒng)的決策效能。動作搜索模塊在模型運行過程中實現(xiàn)了狀態(tài)—動作的選擇，采用貪心策略等方法，使系統(tǒng)能夠在不斷學習的過程中做出更為智能和優(yōu)化的決策?；贒QN的儲能交互模型如圖1所示，該模型的結構旨在使虛擬電廠更好地適應動態(tài)電價、靈活應對光伏發(fā)電波動性，實現(xiàn)能源的調度和利用。其中，時間差分誤差是強化學習中用于衡量預測的誤差的一種指標。在強化學習框架中，智能體通過與環(huán)境互動來學習決策策略，時間差分誤差通常用于評估當前策略的預測值與實際值之間的差異。

圖1基于DQN的儲能交互模型

3實驗過程與結果

3.1DQN參數(shù)設置

本文使用DQN進行儲能交互，DQN參數(shù)細節(jié)如表1所示。

3.2實驗結果

本文中使用Python進行儲能策略的挖掘與仿真分析，利用的數(shù)據(jù)涵蓋了光伏發(fā)電的功率、負載需求的功率，以及電力市場上的實時變化電價。將訓練好的DQN用于測試。根據(jù)DQN測試結果可知，在時間段內，儲能系統(tǒng)根據(jù)電價情況進行充放電操作，以調度收益。具體而言，當電價超過平均水平時，儲能進行充電以獲取正獎勵；相反，當電價低于平均水平時，系統(tǒng)會向用戶的電負荷釋放電能。而在光伏發(fā)電功率超過負載需求的情況下，根據(jù)棄光懲罰約束，儲能在一些時間段選擇充電，而在另一些時間段則不進行充電，以避免發(fā)生過充現(xiàn)象。綜上，DQN算法能夠有效地挖掘出儲能系統(tǒng)的操作策略，使其能夠適應不同電價情況下的充放電需求。

4安科瑞Acrel-2000MG微電網(wǎng)能量管理系統(tǒng)

4.1概述

Acrel-2000MG儲能能量管理系統(tǒng)是安科瑞專門針對工商業(yè)儲能電站研制的本地化能量管理系統(tǒng)，可實現(xiàn)了儲能電站的數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲、數(shù)據(jù)查詢與分析、可視化監(jiān)控、報警管理、統(tǒng)計報表、策略管理、歷史曲線等功能。其中策略管理，支持多種控制策略選擇，包含計劃曲線、削峰填谷、需量控制、防逆流等。該系統(tǒng)不僅可以實現(xiàn)下級各儲能單元的統(tǒng)一監(jiān)控和管理，還可以實現(xiàn)與上級調度系統(tǒng)和云平臺的數(shù)據(jù)通訊與交互，既能接受上級調度指令，又可以滿足遠程監(jiān)控與運維，確保儲能系統(tǒng)安全、穩(wěn)定、可靠、經(jīng)濟運行。

4.2應用場景

適用于工商業(yè)儲能電站、新能源配儲電站。

4.3系統(tǒng)結構

4.4系統(tǒng)功能

（1）實時監(jiān)管

對微電網(wǎng)的運行進行實時監(jiān)管，包含市電、光伏、風電、儲能、充電樁及用電負荷，同時也包括收益數(shù)據(jù)、天氣狀況、節(jié)能減排等信息。

（2）智能監(jiān)控

對系統(tǒng)環(huán)境、光伏組件、光伏逆變器、風電控制逆變一體機、儲能電池、儲能變流器、用電設備等進行實時監(jiān)測，掌握微電網(wǎng)系統(tǒng)的運行狀況。

（3）功率預測

對分布式發(fā)電系統(tǒng)進行短期、超短期發(fā)電功率預測，并展示合格率及誤差分析。

（4）電能質量

實現(xiàn)整個微電網(wǎng)系統(tǒng)范圍內的電能質量和電能可靠性狀況進行持續(xù)性的監(jiān)測。如電壓諧波、電壓閃變、電壓不平衡等穩(wěn)態(tài)數(shù)據(jù)和電壓暫升/暫降、電壓中斷暫態(tài)數(shù)據(jù)進行監(jiān)測分析及錄波展示，并對電壓、電流瞬變進行監(jiān)測。

（5）可視化運行

實現(xiàn)微電網(wǎng)無人值守，實現(xiàn)數(shù)字化、智能化、便捷化管理;對重要負荷與設備進行不間斷監(jiān)控。

（6）優(yōu)化控制

通過分析歷史用電數(shù)據(jù)、天氣條件對負荷進行功率預測，并結合分布式電源出力與儲能狀態(tài)，實現(xiàn)經(jīng)濟優(yōu)化調度，以降低尖峰或者高峰時刻的用電量，降低企業(yè)綜合用電成本。

（7）收益分析

用戶可以查看光伏、儲能、充電樁三部分的每天電量和收益數(shù)據(jù)，同時可以切換年報查看每個月的電量和收益。

（8）能源分析

通過分析光伏、風電、儲能設備的發(fā)電效率、轉化效率，用于評估設備性能與狀態(tài)。

（9）策略配置

微電網(wǎng)配置主要對微電網(wǎng)系統(tǒng)組成、基礎參數(shù)、運行策略及統(tǒng)計值進行設置。其中策略包含計劃曲線、削峰填谷、需量控制、新能源消納、逆功率控制等。

5硬件及其配套產(chǎn)品

6結論

在當前能源轉型的背景下，儲能技術作為一種重要的能源存儲手段，受到了廣泛關注。本文采用DQN算法，結合光伏發(fā)電功率、負荷功率和電力市場的實時動態(tài)電價等因素，進行了虛擬電廠儲能策略挖掘仿真研究。結果顯示，在光伏發(fā)電功率大于負荷功率時，儲能根據(jù)電價情況進行充放電操作，以調度收益，從而實現(xiàn)了對虛擬電廠儲能系統(tǒng)的智能化管理。未來的研究可以進一步探討不同約束條件下的儲能調度策略，并考慮更多的環(huán)境因素和實際應用場景。

【參考文獻】

[1]田壁源，常喜強，戚紅燕，等.基于混合博弈的園區(qū)虛擬電廠廣義儲能共享與協(xié)同優(yōu)化調度[J].電力需求側管理，2023，25（4）：8-14

[2]李鵬程.基于混合博弈和虛擬電廠的電力市場運行優(yōu)化研究[D].蘭州：蘭州理工大學，2023.

[3]安科瑞企業(yè)微電網(wǎng)設計與應用手冊.2022年05版

[4]高琳，劉甲林，李靜.基于深度Q網(wǎng)絡的虛擬電廠儲能數(shù)據(jù)挖掘