能电院:我校学者在用能互联网研究领域取得新进展

发布者:综合科发布时间:2021-11-18浏览次数:2634

在“碳达峰、碳中和”目标指引下,我国电网正在向着智能化、绿色化发展,传统“自顶向下”的电网发输配变用模式正在面临一系列挑战。一方面,可再生能源的大量渗透导致电网供给侧灵活性下降明显,给电网的安全稳定运行带来威胁;另一方面,先进信息通信技术的发展使大量分布式需求侧资源能够参与电网调节,但其海量、分布式的特点给供需互动调节提出了新的要求。“自底向上”构建新一代能源体系是现实意义下能源可持续发展切实可行的道路。借鉴互联网机制,同传统电网“自顶向下”的树状结构相比,用能互联网的形成是能量自治单元之间的对等互联。如何基于数据驱动的方法,从系统控制的角度精准实现“自底向上”实时能量管控模式,在一定区域内承担分布式可再生能源的灵活接入、动态负荷的局部消纳、与用户互动的需求侧响应等功能,仍存在诸多科学难题和技术瓶颈。

图1 “自底向上”能源体系示意图

近期,我校能源与电气学院教师华昊辰面向用能互联网研究重大需求和科学问题,创新提出了“自底向上”的能源体系管理架构以及多时间尺度动态能量管理方案,通过“源-网-荷-储”时间和空间的互动与互补,实现高比例可再生能源电网的安全高效运行。

图2 深度强化学习算法网络结构

针对需求侧分布式电源以及可调节负荷的多元不确定性,引入随机微分方程,结合神经网络构建“知识-数据”联合驱动的预测模型,实现对可再生能源出力、分布式负荷需求以及可调节资源调节潜力的精准描述。在此基础上,以微电网为典型场景,综合考虑可再生能源出力、用户负荷需求等因素,提出了基于深度强化学习(DRL)的控制策略,解决海量分布式用户及设备模型参数难以逐一获取的问题。进一步针对协同优化过程中用户隐私保护问题,设计了基于DRL的协同学习网络,在用户隐私数据不出本地的前提下实现了微电网的协同优化,有效保护了用户隐私。此外,针对电力系统的碳排放因子固定非时变的现状,提出了面向需求侧的碳排放流计算方法,实现了碳排放流从发电侧到用电侧的实时追踪,创新地提出了基于分布式储能的“虚拟储碳”概念,并构建面向与用能互联网的碳电耦合交易机制及优化策略,在需求侧实现经济效益与环境效益的协同与融合,实现电网、用户、环境的多方共赢。

上述理论研究成果由我校联合清华大学、牛津大学、剑桥大学、布鲁内尔大学、华威大学等国内外知名高校共同研究完成,发表在IEEE Transactions on Sustainable Energy、IEEE Transactions on Smart Grid、IEEE Transactions on Industrial Informatics、Applied Energy等能源电气领域顶尖期刊上。合作作者包括欧洲科学院王子栋院士等国际知名专家。该成果为我国构建新一代能源体系提供了科学参考和技术支撑。

代表成果:

Haochen Hua, Zhaoming Qin, Yuchao Qin, Nanqing Dong, Maojiao Ye, Zidong Wang, Xingying Chen, and Junwei Cao, “Data-driven dynamical control for bottom-up energy Internet system,” IEEE Transactions on Sustainable Energy, DOI: 10.1109/TSTE.2021.3110294, preprint.

Zhaoming Qin, Di Liu, Haochen Hua, and Junwei Cao, “Privacy preserving load control of residential microgrid via deep reinforcement learning,” IEEE Transactions on Smart Grid, vol. 12, no. 5, pp. 4079-4089, Sept. 2021.

Haochen Hua, Zhiqian Wei, Yuchao Qin, Tonghe Wang, Liuying Li, and Junwei Cao, “A review of distributed control and optimization in energy Internet: From traditional methods to artificial intelligence-based methods,” IET Cyber-Physical Systems: Theory & Applications, vol. 6, no. 2, pp. 63-79, 2021.

Haochen Hua, Yuchao Qin, Chuantong Hao, and Junwei Cao, “Optimal energy management strategies for energy Internet via deep reinforcement learning approach,” Applied Energy, vol. 239, pp. 598-609, Apr. 2019

Haochen Hua, Yuchao Qin, Chuantong Hao, and Junwei Cao, “Stochastic optimal control for energy Internet: A bottom-up energy management approach,” IEEE Transactions on Industrial Informatics, vol. 15, no. 3, pp. 1788-1797, Mar. 2019.