李 華，于 瀟

（1.省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業(yè)大學），天津300132；2.河北省電磁場與電器可靠性重點實驗室（河北工業(yè)大學），天津300132）

0 引言

近年來，國家對分布式發(fā)電的扶持力度不斷加大，屋頂分布式光伏發(fā)電成為了許多家庭的有效選擇。而光電本身的不確定性會造成一定程度的棄光現(xiàn)象，給公共電網(wǎng)的穩(wěn)定運行帶來很大的挑戰(zhàn)[1]。為此，在新能源消納困難的地區(qū)要提高光電的就近消納能力，充分挖掘現(xiàn)有系統(tǒng)的調(diào)峰能力[2]。儲能技術(shù)的引入不僅能夠提升分布式光伏的就地消納能力，還可以提升系統(tǒng)穩(wěn)定性，改善電能質(zhì)量，將系統(tǒng)由“剛性”變?yōu)椤叭嵝浴盵3]，[4]。

針對微電網(wǎng)中的能量管理和優(yōu)化控制問題，文獻[5]利用粒子群優(yōu)化算法尋求儲能電站調(diào)度任務的最優(yōu)分配方案，最大限度地降低了調(diào)度成本。文獻[6]提出了一種集成混合整數(shù)線性規(guī)劃、多尺度規(guī)劃和基于優(yōu)先級的模糊隨機規(guī)劃算法，這些算法能夠解決微電網(wǎng)中的許多問題。文獻[7]構(gòu)造了包含蓄電池和儲氫裝置的微電網(wǎng)復合儲能模型，采用DQN（Deep Q Network）算法對微電網(wǎng)系統(tǒng)的能量調(diào)度進行決策優(yōu)化。文獻[8]采用Q學習算法研究了以風儲合作系統(tǒng)長期收益最大化為目標的風儲合作系統(tǒng)參與電力交易的能量調(diào)度優(yōu)化問題，并考慮了申購的備用容量成本。文獻[9]采用強化學習算法，使電源、分布式存儲系統(tǒng)和用戶在互相沒有先驗信息的情況下能夠達到納什均衡。

針對微電網(wǎng)中儲能設備的管理問題，本文以家庭光儲系統(tǒng)的累計經(jīng)濟收益和蓄電池調(diào)節(jié)能力為目標，設計了一種基于深度確定性策略梯度（Deep Deterministic Policy Gradient，DDPG）的光儲微電網(wǎng)系統(tǒng)能量調(diào)度方法。首先闡述了理論基礎(chǔ)和數(shù)學模型，然后通過歷史數(shù)據(jù)和探索性策略進行網(wǎng)絡參數(shù)的訓練，最后對比和分析了不同獎勵函數(shù)下系統(tǒng)的年收益，驗證了以長期收益最大為目標的小型家庭式光儲系統(tǒng)能量調(diào)度策略的有效性和可行性。

1 深度確定性策略梯度

1.1 算法基礎(chǔ)

強化學習作為機器學習的一個分支，其原理為智能體在通過與環(huán)境的不斷交互的過程中得到環(huán)境的反饋獎勵，然后根據(jù)反饋獎勵對動作進行評估和改進，以使評估越來越準、采取的動作越來越好。強化學習的理論基礎(chǔ)是馬爾科夫決策過程（Markov Decision Process，MDP），MDP可以用一個五元組（S，A，P，R，γ）來表示，其中，S為狀態(tài)集，A為動作集，P為轉(zhuǎn)移概率，R為獎勵函數(shù)，γ為折扣因子。t時刻，在策略π下，智能體根據(jù)當前狀態(tài)st采取動作at，并依據(jù)轉(zhuǎn)移概率p（st+1|st，at）進入到下一個狀態(tài)st+1，同時得到來自環(huán)境的反饋rt。為降低未來反饋對當前的影響，須將γ與回報函數(shù)r相乘來計算累計回報Rt。

強化學習的目標是找到最佳策略π，得到累計回報期望的最大值。為了便于求解，須對某一時刻的狀態(tài)動作進行評估，為此引入了狀態(tài)動作值函數(shù)的概念，表達式如下：

利用基于蒙特卡羅的強化學習方法、基于時間差分的強化學習方法和基于值函數(shù)逼近的強化學習方法，對狀態(tài)動作值函數(shù)進行求解。其中，前兩個方法難以解決狀態(tài)空間和動作空間較大的問題，在基于值函數(shù)的強化學習方法中，DDPG算法在處理高維連續(xù)動作空間問題時有良好的表現(xiàn)。

1.2 算法原理

DDPG是強化學習算法的一個重要里程碑，其中深度神經(jīng)網(wǎng)絡的應用增強了模型的特征提取能力，為強化學習在高維連續(xù)狀態(tài)空間的應用提供了可能。同時，DDPG算法繼承了DQN算法中的經(jīng)驗回放和獨立目標網(wǎng)絡，旨在打破數(shù)據(jù)之間的關(guān)聯(lián)性，降低模型的訓練難度。與DQN算法相比，DDPG算法使用了演員-評論家（Actor-Critic Algorithm，AC）網(wǎng)絡，使動作空間也升級為連續(xù)。DDPG算法更新網(wǎng)絡參數(shù)如式（3）～（7）所示。

DDPG算法避開了傳統(tǒng)啟發(fā)式算法在解決微電網(wǎng)能量管理和調(diào)度上的局限，它不需要研究者制定具體的決策流程和目標函數(shù)，代之以動作空間、狀態(tài)空間、獎勵函數(shù)和一定的變量約束就可以將初始網(wǎng)絡訓練成想要的網(wǎng)絡。系統(tǒng)的預測和能量調(diào)度在該算法下可實時進行，電能交易規(guī)則根據(jù)獎勵函數(shù)值實時更新，具有自發(fā)滾動協(xié)調(diào)不同時間尺度的功能。與隨機策略相比，確定性策略對采樣數(shù)量要求低，在處理高維動作空間的問題時計算速度更快。

2 數(shù)學模型

2.1 源-網(wǎng)-儲-荷場景構(gòu)建

如圖1所示，家庭光儲一體化模型為源-網(wǎng)-儲-荷的家庭微電網(wǎng)系統(tǒng)，包括交直流母線、光伏組件、公共電網(wǎng)、蓄電池、變流器以及由直流負載和交流負載組成的家庭用電負荷，箭頭代表功率流向。其中光伏組件將太陽能轉(zhuǎn)換為電能，供給交流負荷或經(jīng)過變流器將電能轉(zhuǎn)換成直流電供給直流負載或蓄電池。用戶是光儲一體化系統(tǒng)的直接收益者，當光伏發(fā)電量和蓄電池存儲電能不足以供給本地負荷使用時，用戶從公共電網(wǎng)購電；當光伏發(fā)電量或蓄電池存儲電能盈余時，用戶可以選擇出售給電網(wǎng)獲取收益或存儲備用。

圖1 光儲系統(tǒng)合作機制Fig.1 Hybrid system cooperationmechanism

2.2 光伏組件出力模型

光伏發(fā)電系統(tǒng)的出力模型為

2.3 蓄電池充放電模型

蓄電池的充、放電模型分別為

2.4 合作機制及約束

2.5 空間及獎勵函數(shù)

2.5.1 狀態(tài)空間和動作空間

家庭式光儲系統(tǒng)的狀態(tài)空間s：{m，sbat，Ppv-Pl}，其中：m包含24個狀態(tài)，代表了從開始到之后24 h每個時段的電價，分別為m（t），m（t+1），…，m（t+23）；sbat為蓄電池的剩余電量；Ppv-Pl為光伏發(fā)電系統(tǒng)供給家庭用電負荷后的剩余電量。動作空間A：{pbat}，其中：pbat＞0蓄電池放電；pbat＜0蓄電池充電；pbat=0蓄電池閑置，既不充電也不放電。

2.5.2 獎勵函數(shù)

式中：R為累計收益；M-M＇為光儲一體化系統(tǒng)比采用“自發(fā)自用，余電上網(wǎng)”模型的系統(tǒng)多出的盈利額，它保證了系統(tǒng)的累計收益和功率平衡；μ為蓄電池調(diào)節(jié)能力的獎勵系數(shù)；C為蓄電池的調(diào)節(jié)能力。

μ反映了蓄電池調(diào)節(jié)能力的重要程度，是系統(tǒng)自身盈利與系統(tǒng)功率波動平衡之間的平衡度量。μ的取值越小，經(jīng)訓練后的模型盈利能力越強；μ的取值越大，經(jīng)訓練后的模型平抑功率波動能力越強。經(jīng)多次實驗分析對比，得到較為理想的μ值，在該μ值下，系統(tǒng)的自身盈利與系統(tǒng)功率波動平衡之間達到博弈均衡。

3 學習步驟

本實驗中所用的AC網(wǎng)絡架構(gòu)如圖2所示。為了使模型響應不同時間的電價，在Actor網(wǎng)絡中，s1先經(jīng)過兩個卷積池化塊，每個卷積池化塊包含一個卷積核尺寸為15的卷積層和一個尺寸為2的最大池化層，連接層將其與s2連接為一個變量；之后經(jīng)過4個全連接層，其中，前3個全連接層的激活函數(shù)為relu，最后一個全連接層通過

圖2 網(wǎng)絡架構(gòu)圖Fig.2 Network architecture diagram

softsign激活函數(shù)得到動作a。在Critic網(wǎng)絡中，s1先經(jīng)過兩個卷積池化塊，連接層將其與動作a和s2連接成一個變量輸入到一個激活函數(shù)為relu的全連接層中，之后再經(jīng)過一個無激活函數(shù)的全連接層得到Q（s，a）。該網(wǎng)絡的具體訓練步驟如圖3所示。

圖3 DDPG訓練流程圖Fig.3 DDPG training flowchart

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

表1 日分時電價Table 1 Time-of-use power price

在本文所建立的家庭光儲微電網(wǎng)模型中，采用時間跨度為1 a的實驗數(shù)據(jù)進行了多次實驗，將光伏發(fā)電所需的氣象數(shù)據(jù)、負荷數(shù)據(jù)與分時電價信息作為輸入數(shù)據(jù)，蓄電池動作作為輸出數(shù)據(jù)。為使結(jié)果更加清晰直觀，下文將用蓄電池剩余電量、微電網(wǎng)-公共電網(wǎng)聯(lián)絡線上的功率波動和系統(tǒng)年收益加以表示。

4.2 實驗結(jié)果對比

圖4為損失值變化趨勢曲線，其中，loss1為C網(wǎng)絡的損失值，loss2為A網(wǎng)絡的損失值。從圖中可以看出，隨著訓練次數(shù)的增加，損失值逐漸接近0，說明訓練效果趨于穩(wěn)定，模型趨于收斂。

圖4 損失值變化趨勢曲線Fig.4 Trend curve of loss value

圖5為截取了時長為1 d的蓄電池剩余電量變化趨勢曲線。從圖中可以看出：當μ=0.1時，經(jīng)訓練后的模型以系統(tǒng)最大年收益為主要目標，高電價時蓄電池迅速放電至容量下限，低電價時蓄電池迅速充電至容量上限，且蓄電池剩余電量達到容量上限和容量下限的狀態(tài)持續(xù)了很長時間，在此期間，蓄電池始終沒有調(diào)節(jié)能力；當μ=0.2時，蓄電池剩余電量停留在容量上限和容量下限的時間變短；當μ=0.3時，蓄電池剩余電量停留在容量上限和容量下限的時間為0，說明在第8小時以外的時段蓄電池均保留了調(diào)節(jié)能力，在第13小時，蓄電池的工況由放電轉(zhuǎn)為充電，說明其具備感知平時段和峰時段之間微小電價差的能力，在后面的峰時段電價到來之際，蓄電池開始放電以套取更多收益；當μ=0.4時，蓄電池剩余電量曲線接近于一條水平直線，說明此時經(jīng)訓練后的模型以蓄電池調(diào)節(jié)能力為主要目標，盈利意愿不明顯。

圖5 蓄電池剩余電量曲線圖Fig.5 Curve of battery remaining power

在實際運行過程中，由于光伏發(fā)電的波動性，光伏系統(tǒng)出力的實際值與預測值存在一定的偏差，這會導致源-儲-荷系統(tǒng)與公共電網(wǎng)間的聯(lián)絡線上的功率波動較大，而有調(diào)節(jié)能力的蓄電池可以在一定程度上平抑聯(lián)絡線上的功率波動，其平抑功率波動能力的強弱取決于獎勵函數(shù)中μ值的大小。圖6為截取了800 h內(nèi)，μ分別取0.1，0.2，0.3和0.4時聯(lián)絡線上的功率波動情況。從圖中可以看出，μ的取值越大，聯(lián)絡線上的功率波動越小，說明蓄電池平抑功率波動的能力越強，系統(tǒng)向電網(wǎng)申購備用容量的成本越低。

圖6 聯(lián)絡線上的功率波動曲線Fig.6 Curve of power fluctuations on the Power tie line

表2給出了不同模型下家庭光儲微網(wǎng)系統(tǒng)的年支出與年收益對比，年支出為系統(tǒng)用電成本，年收益為系統(tǒng)利用電價差進行低電價買入電能、高電價賣出電能掙得的額外收益。其中“自發(fā)自用”模型即采用“自發(fā)自用，余電上網(wǎng)”政策的模型。從表中可以看出，在家庭光儲微電網(wǎng)模型中，當μ=0.2和μ=0.3時，系統(tǒng)的年收益較多，且這兩種情況下的系統(tǒng)年收益差別不大。

表2 不同模型下的年支出與年收益Table 2 Annual expenditure and annual income under differentmodels

綜上所述，當μ=0.3時，家庭光儲微電網(wǎng)系統(tǒng)中的蓄電池調(diào)節(jié)能力較強，同時也可以很好地響應電價激勵。說明此時，該模型并沒有以犧牲很多年收益為代價來提高蓄電池對聯(lián)絡線上功率波動的平抑能力，反而維持在較高的年收益水平，同時對電網(wǎng)負荷側(cè)也起到了削峰填谷的作用。

5 結(jié)論

本文將深度強化學習理論引入源-網(wǎng)-儲-荷的家庭光儲一體化微電網(wǎng)系統(tǒng)中，計算系統(tǒng)中蓄電池的充放電功率，其結(jié)果具有很強的自洽性。將DDPG算法應用于家庭光儲微電網(wǎng)系統(tǒng)的能量決策優(yōu)化問題中，有效地改善了系統(tǒng)的靈活性、實時性和經(jīng)濟性，提升了系統(tǒng)平抑功率偏差的能力。