[发明专利]基于SARSA(λ)算法的风电-抽蓄联合系统日随机动态调度方法

权利要求书

1.基于SARSA(λ)算法的风电-抽蓄联合系统日随机动态调度方法，其特征在于，包括：

S1：描述风电出力的随机性；

S2：根据风电出力的随机性以及分时电价，构建风电-抽蓄联合系统日随机动态调度模型的目标函数：

式中：T为一个周期内的时段数；R_t为t时段的指标函数；V_t为t时段初的抽水蓄能电站上水库的库容；P_t^gd为t时段抽水蓄能电站发出的功率，小于0为抽水，大于0为发电；R_t、P_t^gd的表达式如下所示：

式中：C_t为t时段对应的峰谷电价；将t时段风电出力预测误差分布函数曲线离散成N个值后，其对应功率为相应的概率为p_t,i；G_h为抽水蓄能电站启停单个机组所需的费用，n_t为抽水蓄能电站t时段开启/关闭的机组台数；当t时段抽水蓄能电站机组处于发电态时，的值为1，否则为0；P_t^g为t时段机组对应的发电出力；当t时段抽水蓄能电站机组处于电动机态时，的值为1，否则为0，P_t^d为t时段机组对应的抽水功率；

S3：确定风电-抽蓄联合系统日随机动态调度模型的约束条件；

S4：采用强化学习中的SARSA(λ)算法对风电-抽蓄联合系统日随机动态调度模型进行求解，得到调度结果；

其中，S4具体包括：

S4.1：将电价历史数据、风电出力历史数据处理后投入风电-抽蓄联合系统日随机动态调度模型求解中进行预学习，通过预学习阶段不断的探索积累经验，更新Q值表和效用迹函数E的元素值；

S4.2：根据预学习阶段得到的更新后的Q值表和效用迹函数E的元素值，进行在线学习，根据贪婪策略来选择当前状态下Q值最大的动作。

2.如权利要求1所述的动态调度方法，其特征在于，S1具体包括：

采用Beta分布来表示风电功率预测误差的概率密度函数，表达式为：

式中：x为风电出力预测误差；a,b为Beta分布的形状参数，通过改变a,b的值，可以得到不同形状的Beta分布，满足风电出力预测误差可能出现的正偏或负偏性；其中，B(a,b)表达式为：

通过对风电场历史数据的采集整理，得出风电场预测误差频数分布，由预测误差的均值和方差算出Beta分布的形状参数a,b，计算方程式为：

式中：μ为预测误差的均值；σ为预测误差的标准差。