面向含储能可再生能源电厂稳定性约束运行的输电功率预测

《CSEE Journal of Power and Energy Systems》:Transmission Power-Oriented Forecasting Towards Stability-Constrained Operation of Renewable Energy Power Plants with Energy Storages

【字体: 大 中 小 】 时间:2026年08月27日 来源:CSEE Journal of Power and Energy Systems 5.6

编辑推荐:

  电力市场仿真旨在模拟发电公司(generation companies, GENCOs)等市场参与者在预定市场规则下的交互与决策行为。这些仿真辅助政策制定者和市场设计者评估市场机制变化如何影响参与者行为、能源分配效率以及市场结果公平性。然而,当前仿真工具存在显

  
电力市场仿真旨在模拟发电公司(generation companies, GENCOs)等市场参与者在预定市场规则下的交互与决策行为。这些仿真辅助政策制定者和市场设计者评估市场机制变化如何影响参与者行为、能源分配效率以及市场结果公平性。然而,当前仿真工具存在显著局限,例如难以完整建模GENCOs在多市场环境中的决策过程、多时间尺度仿真收敛性差,以及无法准确捕捉GENCOs行为中的相关性与非理性特征。本文提出一种创新的量子-经典决策仿真框架,利用量子计算优势克服上述挑战。研究人员首先构建分层马尔可夫决策过程(hierarchical Markov decision process, H-MDP)模型,以模拟GENCOs在长期市场与现货市场等不同时间尺度,以及电力市场与碳排放拍卖市场等不同类型市场中的决策。基于该H-MDP模型,进一步提出量子增强多智能体软演员-评论家(quantum-enhanced multi-agent soft actor-critic, Q-MASAC)算法,采用变分量子电路(variational quantum circuit, VQC)替代传统深度神经网络以优化GENCOs决策。该框架利用量子计算的并行处理能力加速仿真并显著提升收敛性能。此外,通过利用量子态的叠加与纠缠特性,该框架能更有效地捕捉GENCOs决策中的相关性与非理性行为。案例研究结果表明,该算法实现了更优的收敛性,仿真结果更贴近真实市场动态。
论文解读:量子增强多智能体强化学习在电力市场仿真中的应用

电力市场机制对发电公司(generation companies, GENCOs)的行为塑造起着关键作用,进而直接影响社会福利与竞争公平性。市场仿真是评估机制设计效果的重要工具,但现有仿真手段在多市场环境下的GENCOs决策建模、多时间尺度收敛性以及行为相关性和非理性捕捉方面存在明显不足。传统数学优化方法依赖均衡假设,在大规模市场中的求解往往不可行;基于智能体的建模(agent-based modeling, ABM)虽具备灵活性,但现有研究多局限于单一市场或单一时间尺度,且难以刻画参与者间的隐性关联和有限理性。针对上述问题,研究人员提出一种量子-经典混合决策框架,旨在提升对耦合多时间尺度、多类型市场环境的仿真能力。

该研究构建了分层马尔可夫决策过程(hierarchical Markov decision process, H-MDP)模型,将市场分为上层长期市场(月度电力交易与碳排放配额交易)和下层日前现货市场,并通过状态与奖励函数实现上下层耦合。基于该模型,提出量子增强多智能体软演员-评论家(quantum-enhanced multi-agent soft actor-critic, Q-MASAC)算法,利用变分量子电路(variational quantum circuit, VQC)替代传统深度神经网络作为策略和价值函数逼近器。通过量子叠加与纠缠特性,该算法可同时探索多种投标策略并捕捉参与者间的复杂交互关系,从而提升仿真效率与真实性。案例研究采用IEEE 30节点系统作为实验环境,包含6个GENCOs(4个火电机组、1个风电场和1个光伏电站),年负荷曲线、风电光伏出力概率分布及碳市场参数均来自公开标准数据。主要技术方法包括:构建分层马尔可夫决策过程(H-MDP)模型,上层市场采用双边匹配机制确定月度合同电价和碳配额交易量,下层市场通过安全约束直流最优潮流(security-constrained direct current optimal power flow, SC-DCOPF)出清;采用多智能体软演员-评论家(MASAC)算法框架,每个GENCO智能体拥有独立的演员网络和评论家网络,以局部信息为输入降低状态维度;量子版本(Q-MASAC)通过参数化量子门(如Ry、Rz、CNOT)编码经典状态,利用参数平移规则计算梯度,并由经典优化器更新参数。

研究结果分为以下几个方面:

可再生能源渗透率对发电公司行为的影响:在10%可再生能源渗透率情景下,QRL(量子强化学习)将65%的能源分配至长期市场,而传统RL仅分配54%;当渗透率升至50%时,QRL的长期市场份额增至77%,RL仅增至59%。同时,QRL的月度投标价格标准差更低(高渗透率下为19.65 CNY/MWh,RL为24.19 CNY/MWh),表明QRL具有更强的风险规避能力和市场适应性。

碳排放配额交易市场(carbon emission allowance market, CEAM)价格上限对发电公司行为的影响:在碳价上限为70 CNY/吨和100 CNY/吨两种情景下,QRL的长期市场份额分别从71%升至83%,而RL仅从66%升至69%;QRL的平均碳交易价格在100 CNY/吨上限时达81.32 CNY/吨,高于RL的74.38 CNY/吨,且价格波动控制更优,表明QRL对碳成本变化更敏感且策略调整更有效。

市场竞争性对发电公司行为的影响:当GENCO数量减至3个且负荷需求增加20%时,QRL和RL的月度投标价格均集中在180–200 CNY/MWh之间,平均价格约191 CNY/MWh,高价集中现象暗示发电公司可能存在默契合谋以维持市场高价,反映出仿真模型能够捕捉潜在的价格操纵行为。

计算性能评估:QRL平均需要10,238.48个回合收敛,显著少于RL的12,097.86个回合,但QRL的收敛回合数方差较大且单回合训练时间更长(约60秒 vs 10秒),原因是量子电路执行开销较高。该算法在减少收敛回合数方面的优势,使其更适用于动态市场环境的快速策略调整。

可扩展性讨论:当前量子硬件比特数有限(通用量子计算机通常少于100个物理比特,且多半用于纠错),Q-MASAC采用混合量子-经典框架,将量子计算用于策略逼近与关键优化步骤,并结合策略简化和降维技术减少比特需求。未来随着量子硬件发展(预期超过1000个纠错逻辑比特),该算法有望应用于更大规模市场。

讨论部分指出,量子增强算法的必要性不仅体现在当前训练回合数的减少,更在于其能够快速适应动态环境、高效探索策略空间并建模复杂的市场交互关系。量子纠缠特性可减少对大量训练样本的依赖,而量子并行性有助于避免传统强化学习在高维状态空间中的局部最优问题。尽管目前量子电路开销导致单次迭代时间较长,但硬件进步将显著缩短训练时间。研究结论总结为:本文提出了一种用于电力市场仿真的量子-经典混合决策框架,以应对多时间尺度、多市场耦合环境中的复杂性与不确定性。研究人员开发了H-MDP模型以表示GENCOs在月度和小时尺度上的决策,涵盖电力市场(EM)与碳排放配额交易市场(CEAM)。在此基础上,引入了分层MASAC算法,并利用变分量子电路(VQC)进行增强。实验结果表明,与传统MASAC方法相比,量子增强版本在高可再生能源渗透率、碳交易价格上限变化以及市场竞争波动等复杂场景下表现更优:在能源分配和价格波动控制方面展现出更优的风险管理能力,并对市场不确定性表现出更强的适应性。此外,量子特性(如并行性、叠加性)使该版本获得更快的收敛速度,仿真结果也更贴近真实市场,尽管计算复杂度的增加有时会导致更长的处理时间。总体而言,该研究揭示了量子强化学习在复杂电力市场中的潜力,为未来市场仿真与机制设计提供了有价值见解。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号