[发明专利]基于多智能体深度确定策略梯度算法的配电网优化方法

权利要求书

1.基于多智能体深度确定策略梯度算法的配电网优化方法，其特征在于：

综合考虑售电收益、出力偏差惩罚以及储能越限惩罚因素构建确定风储联合系统的收益最大化调度模型；采用Ward系统聚类法和改进FCM法构成的二次聚类法进行二次聚类，实现风储联合系统的储能电池根据荷电状态和充放电切换次数进行分组；基于多智能体深度强化学习算法将风电储能建模为多智能体系统并且基于风储联合系统的收益最大化调度模型训练并执行多智能体以实现对风储联合系统的配置。

2.根据权利要求1所述的基于多智能体深度确定策略梯度算法的配电网优化方法，其特征在于：确定风储联合系统的收益最大化调度模型具体包括以下步骤：

S11：建立目标函数；以收益最大化为目标建立日前调度目标函数，综合考虑售电收益、出力偏差惩罚以及储能越限惩罚因素的使风储联合系统收益最大化，则目标函数表示为：

(1)式中：T为调度周期内时段个数，取24小时；λ_t为t时段的电价；P_sys，t为联合系统t时段出力；c_1，t为t时段出力偏差惩罚；c_2，t为t时段储能越限惩罚；

其中：

(2)式中：为风电实际出力；为储能实际放电功率；为储能实际充电功率；

(3)式中：为储能为风电提供的下调备用容量；为储能为风电提供的上调备用容量；P_ch，t为t时段储能计划充电功率；P_dis，t为t时段储能计划放电功率；

S12：确定约束；其中风电出力约束为：

(5)式中：P_w，max为风电场最大发电功率；

上报容量约束为：

0≤P_sys，t≤P_w，max+P_dis，max (6)

(6)式中：P_dis，max为储能最大放电功率；

储能荷电状态约束为：

SOC_min≤SOC_t≤SOC_max (7)

(7)式中：SOC_min、SOC_max为储能荷电状态最小值、最大值；

储能充放电约束：

I_dis，t+I_ch，t≤1 (12)

(8)至(12)式中：I_ch，t、I_dis，t分别为储能处于充放电状态的电流变量；P_ch，max为储能最大充电功率；

S13：为了考虑了惩罚费用，能够提高风电场风电功率预测结果的准确性和备用容量的充裕性，当上调备用不足，出力偏差的惩罚费用为：

(13)式中，分别表示储能在t时刻需要提供的上调、下调备用容量；ρ_dev，t为联合系统出力偏差惩罚价格；

当下调备用不足，出力偏差的惩罚费用为：

若t-1时段结束时储能荷电状态为SOC_t-1，假设t时段需要储能下调功率，为满足t时段结束时荷电状态不越上限，则储能充电功率最大值为：

(15)式中，E_B为储能电池额定容量；η_ch为储能电池充电效率；

此时储能状态越限的惩罚费用为：

(16)式中，ρ_lim为储能状态越限的惩罚价格；

若t时段需要储能上调功率，为满足储能调节完成后其荷电状态高于下限值，则放电功率最大值为：

(17)式中，η_dis为储能电池放电效率；

此时储能状态越限的惩罚费用为：