基于深度强化学习的分布式能源系统运行优化

分布式能源系统凭借其高效、环保、经济、可靠、和灵活等特点成为中国能源未来发展的重要方向。目前中国的很多分布式能源系统经济效益较差,主要原因是能源系统没有良好的运行策略。提出了一种基于深度强化学习的分布式能源系统运行优化方法。首先,对分布式能源系统的各个设备进行数学建模;其次,深入阐述了强化学习的基本原理、深度学习对强化学习的结合原理及一种基于演员评论家算法的分布式近端策略优化(distributed proximal policy optimization, DPPO)算法流程,将分布式能源系统运行优化问题转化为马尔可夫决策过程(Markov decision process, MDP);最后,采用历史的数据对智能体进行训练,训练完成的模型可以实现对分布式能源系统的实时优化,并对比了深度Q网络(deep Q network, DQN)算法和LINGO获得的调度策略。结果表明,基于DPPO算法的能源系统调度优化方法较DQN算法和LINGO得到的结果运行费用分别降低了7.12%和2.27%,可以实现能源系统的经济性调度。     

考虑负荷密度的区域能源系统供能分区规划

现有的区域能源系统规划研究中缺乏科学有效的供能分区优化方法,且能源站的供能范围、数量和选址中未能考虑负荷密度特性问题,为此提出考虑负荷密度的区域能源系统供能分区优化设计方法。首先研究了负荷分布与能源站经济供能半径的关系,根据管网拓扑结构简化模型建立了负荷密度与能源站经济供能半径优化模型。进而基于推导得到的经济供能半径和负荷密度的特性关系,建立了以传统空调系统与区域能源系统的全寿命周期费用差值最大为目标函数的规划模型。最后通过案例仿真并与传统K-means聚类方法进行比较,结果表明该方法可使区域能源系统的能耗损失成本、管网投资成本和运维费用分别降低了22%、5.1%和2.1%。     

基于建筑虚拟储能的分布式能源系统优化调度

由于建筑的热惰性及室内空气的蓄热属性,当系统制冷或制热设备功率变化后,室内温度存在滞后现象,同时室内温度在一定范围变化时不会影响人体的舒适度。该文根据建筑的蓄热属性建立了建筑虚拟储能模型,引入到分布式能源系统的优化调度当中,在用户可接受室温范围内对室温进行优化调节,实现了虚拟储能的充释能管理。算例以独栋的小型楼宇的夏季制冷场景为例,以包含环境因素的日综合运行成本最小为优化目标,根据求解结果分析了虚拟储能对调度产生的影响,结果表明建筑虚拟储能参与系统的优化调度使总费用下降约3.8%。     

贫数据中基于模型自训练的空气处理设备故障诊断

针对空气处理设备（AHU）故障贫数据,基于深度置信网络（DBN）模型对4种特征选择算法进行对比研究,结果表明最大相关最小冗余算法的特征子集在诊断准确率及子集元素稳定性上表现最优。提出将DBN 嵌入自训练框架的故障诊断模型,发现DBN自训练的诊断准确率较单纯DBN最高可提升19.5%。提出均匀抽样及按比例抽样2种自训练伪标签抽样策略,二者的诊断准确率均随抽样数减小而增大,在不同抽样数中的最大差异为3.42%;在所有贫数据样本中,均匀抽样策略始终优于按比例抽样,诊断准确率最大相差1.39%,表明在故障标签匮乏时,采用均匀抽样策略及较小的抽样数有利于提升DBN自训练的诊断性能。