论文总字数：34426字

摘 要

在现代智能电网中，大规模风电并网可以满足国家能源可持续发展的要求，成为未来发展的趋势。然而，电网安全稳定运行所需要的诸多约束条件制约了风电的消纳量，进而影响到电力系统的经济性与稳定性。电力系统的经济调度（Economic Dispatch，ED）问题作为电力系统优化的重要一环，通过分配机组的输出功率，在满足电网约束的前提下最小化电力系统的发电成本。本文提出一种众目标优化模型，使用经济调度问题作为分析手段，在电力系统满足发电成本最小的同时，尽可能的消纳风电并保证系统安全稳定运行。

针对电力系统的众目标优化问题，现有的群智能搜索算法作为有效的求解方法，被用来验证模型的有效性。值得一提的是，近年来随着机器学习方法的飞速发展，已经有学者在相似问题中应用深度强化学习方法求解。本文结合了深度强化学习与群智能搜索算法的改进思路，提出了一种多动作者的深度确定性策略梯度算法（DDPGMA）。通过使用独立的动作者对不同物理量进行建模，提升了算法的优化精度。

为了验证本文提出的模型及算法的有效性，使用改进的IEEE-30节点算例对模型和算法进行分析。目标函数之间的关系先由群智能优化算法求解验证。随后本文所提出的算法在同样的环境下对问题进行求解，并以此讨论深度强化学习在电力系统众目标优化问题下的应用前景。

关键词：风电并网；概率最优潮流；经济性调度；风电消纳；众目标优化；DDPGMA

Abstract

For the contemporary smart grid, It is the trend for future development and the requirements of sustainable development to implement the large-scale wind power integration. However, many constraints required for the safe and stable operation of the power grid restrict the absorption of wind power, which affect the economy consumption of power system. As an important part of power system optimization problems, the Economic Dispatch (ED) minimizes the generation cost by distributing the output power of units on the premise of satisfying grid constraints. In this dissertation, a many-objective optimization model is proposed, which uses the economic dispatching problem as an analytical method. The target of this model is to meet the minimum cost of generation while absorbing wind power as much as possible and ensure the safe and stable of power system at the same time.

In view of the many-objective optimization problem of power system, as the most effective method in the field of power system optimization, group searching method is used in verifying the existing model. It is worth mentioning that with the rapid development of machine learning methods in recent years, scholars have applied deep reinforcement learning methods to solve similar problems. A deep deterministic strategy gradient with many actor algorithm is proposed in this dissertation. This algorithm combine the improvement ideas of group search optimization algorithm and deep deterministic strategy gradient algorithm. By using independent actors to model different physical quantities, the optimization accuracy of the algorithm is improved.

In order to verify the effectiveness of the model and algorithm proposed in this dissertation, a modified IEEE-30 bus test system used to analyze the model and algorithm. The relationship between the objective functions is solved and verified by the group search optimization algorithm. Subsequently, the algorithm proposed in this dissertation solves the problem in the same environment, and discusses the application prospects of deep reinforcement learning in solving the many-objective optimization problem of power system.

Key words: wind power integration; probability power flow; economic dispatch; wind power consumption; many-objective optimization; DDPGMA

目录

第一章 绪论 1

1.1 研究背景及意义 1

1.2 研究现状 2

1.2.1 电力系统经济运行调度问题的研究现状 2

1.2.2 电力系统众目标优化算法的研究现状 3

1.3 本文的研究内容 4

第二章 电力系统众目标概率潮流模型 6

2.1 最优潮流（OPF） 6

2.2 风电 6

2.2.1 风速表征 7

2.2.2 风电特性 7

2.2.3 风电的最优潮流约束 7

2.2.4 精细分层采样 8

2.3 电力系统经济调度众目标优化模型 9

2.3.1 弃风量 10

2.3.2 线路裕度 11

2.3.3 电压裕度 12

2.3.4 静态电压稳定裕度 12

2.3.5 经济性风险 13

2.4 集成风电的众目标概率最优潮流模型 14

第三章 多生产者的群搜索优化算法（GSOMP） 15

3.1 GSOMP的众目标空间搜索方法 15

3.2 生产者行动策略 16

3.3 组织者和游荡者行动策略 17

3.4 GSOMP算法流程 18

3.5 算例设计 19

3.5.1 改进的IEEE-30节点系统 19

3.5.2 风电并网 21

3.5.3 GSOMP参数初始设置 22

3.6 算例分析 23

第四章 多动作者的深度确定性策略梯度 25

4.1 深度强化学习问题概述 25

4.2 深度确定性策略梯度算法 26

4.2.1 策略梯度算法 26

4.2.2 行动者-评论家算法 27

4.2.3 深度确定性策略梯度算法 28

4.3 多动作者的深度确定性策略梯度算法 29

4.3.1 众目标优化问题的分解 29

4.3.2 行动者与评论家网络设计 30

4.3.3 奖励函数设计 31

4.3.3 多动作者的参数更新策略 32

4.4 算例设计与分析 32

4.4.1 算法流程框架 32

4.4.2 算法参数选取 33

4.4.3 算例分析 34

第五章 结论 36

5.1 全文总结 36

5.2 展望 36

参考文献 37

致谢 40

第一章 绪论

1.1 研究背景及意义

在当今世界的大部分地区，可再生能源的发电成本逐步下降。随着太阳能和风能技术成本的逐年下降，越来越多的国家会大面积使用可再生能源作为发电手段。据国际可再生能源署的统计，2010年至2018年间，生物质能、水电、地热、陆上和海上风电的发电成本已经与化石燃料的发电成本相当^[1]。

风力发电领域因其在可再生能源领域中的巨大体量和较低的发电成本而备受关注。国际可再生能源署的统计数据显示，2018年陆上风电项目全球加权平均成本为0.056美元/千瓦时，较2017年下降13%，较2010年的0.085美元/千瓦时下降35%。陆上风电的成本现在处于化石燃料成本范围的低端。在不到20年的时间里，海上风力涡轮机的平均规模增长了3.4倍，从2000年的1.6兆瓦增长到2018年的5.5兆瓦^[1]。

请支付后下载全文，论文总字数：34426字