为充分挖掘供给侧发电机和需求侧柔性负荷的联合优化调度空间，实现分布式自律计算与集中协调的互动框架，满足供需互动快速决策的需求，最大化系统的整体效益，搭建了基于stackelberg博弈的电力系统实时供需互动模型，并提出了一种全新的深度迁移强化学习（deep transfer reinforcement leaming，DTRL）算法。该算法通过对历史优化任务的有效信息进行知识存储，利用深度学习实现高精度的非线性迁移学习，并借助分布式计算优势，可快速获得高质量的最优解。算例仿真表明：DTRL在保证最优解质量的同时，其求解速度可达其他6种对比算法的419倍以上，适合求解大规模电力系统的供需互动快速决策问题。
针对传统的储能调度策略难以取得经济最优的不足,建立了考虑电池寿命损耗的光储充电站储能系统调度模型。首先通过OpenDSS(open distribution system simulation)建立准确的储能、光伏及电动汽车(electric vehicle,EV)充电的底层模型,模拟充电站日运行情况。其次结合雨流计数法求解出不同运行工况下储能系统的运行年限并折算为电池损耗成本计入优化目标,以此实现光储充电站日充电成本最小。最后利用改进后的粒子群优化(particle swarm optimization,PSO)算法对优化问题进行求解得到经济最优的储能容量配置以及该配置下的储能日运营方案,通过算例仿真验证了模型的可行性并分析了不同储能运营方案对收益与组成成本的影响。
