面向减少弃风与能量套利的储能最优调度：一种深度强化学习方法
机器学习
2023-04-06 v1 系统与控制
系统与控制
摘要
风能作为一种应对气候变化的手段已迅速普及。然而，风力发电的波动性会削弱系统可靠性并导致弃风，给风电生产商带来 substantial 经济损失。作为现场备用电源的电池储能系统（BESS）是缓解弃风的解决方案之一。然而，BESS 的这种辅助角色可能严重削弱其经济可行性。本文通过提出 BESS 的联合减少弃风与能量套利来解决该问题。我们将共址风-储系统的市场参与解耦，并为风电场与 BESS 开发了一个联合投标框架。由于能源价格与风力发电的随机性，优化联合投标具有挑战性。因此，我们利用深度强化学习在最大化现货市场总体收益的同时，释放 BESS 在并行减少弃风与进行能量套利方面的潜力。我们使用真实风电场数据验证了所提策略，并证明我们的联合投标策略比基于优化的基准更好地响应弃风并产生更高收益。我们的仿真还揭示，原本被弃掉的多余风电可作为给 BESS 充电的有效电源，带来额外财务回报。
引用
@article{arxiv.2304.02239,
title = {Optimal Energy Storage Scheduling for Wind Curtailment Reduction and Energy Arbitrage: A Deep Reinforcement Learning Approach},
author = {Jinhao Li and Changlong Wang and Hao Wang},
journal= {arXiv preprint arXiv:2304.02239},
year = {2023}
}
备注
2023 IEEE Power & Energy Society General Meeting (PESGM). arXiv admin note: text overlap with arXiv:2212.13368