在“碳達峰、碳中和”目標指引下，我國電網正在向著智慧化、綠色化發展，傳統“自頂向下”的電網發輸配變用模式正在面臨一系列挑戰。一方面，可再生能源的大量滲透導致電網供給側靈活性下降明顯，給電網的安全穩定執行帶來威脅；另一方面，先進資訊通訊技術的發展使大量分散式需求側資源能夠參與電網調節，但其海量、分散式的特點給供需互動調節提出了新的要求。“自底向上”構建新一代能源體系是現實意義下能源可持續發展切實可行的道路。借鑑網際網路機制，同傳統電網“自頂向下”的樹狀結構相比，用能網際網路的形成是能量自治單元之間的對等互聯。如何基於資料驅動的方法，從系統控制的角度精準實現“自底向上”實時能量管控模式，在一定區域內承擔分散式可再生能源的靈活接入、動態負荷的區域性消納、與使用者互動的需求側響應等功能，仍存在諸多科學難題和技術瓶頸。
圖1 “自底向上”能源體系示意圖
近期，河海大學能源與電氣學院教師華昊辰面向用能網際網路研究重大需求和科學問題，創新提出了“自底向上”的能源體系管理架構以及多時間尺度動態能量管理方案，透過“源-網-荷-儲”時間和空間的互動與互補，實現高比例可再生能源電網的安全高效執行。
圖2 深度強化學習演算法網路結構
針對需求側分散式電源以及可調節負荷的多元不確定性，引入隨機微分方程，結合神經網路構建“知識-資料”聯合驅動的預測模型，實現對可再生能源出力、分散式負荷需求以及可調節資源調節潛力的精準描述。在此基礎上，以微電網為典型場景，綜合考慮可再生能源出力、使用者負荷需求等因素，提出了基於深度強化學習（DRL）的控制策略，解決海量分散式使用者及裝置模型引數難以逐一獲取的問題。進一步針對協同最佳化過程中使用者隱私保護問題，設計了基於DRL的協同學習網路，在使用者隱私資料不出本地的前提下實現了微電網的協同最佳化，有效保護了使用者隱私。此外，針對電力系統的碳排放因子固定非時變的現狀，提出了面向需求側的碳排放流計算方法，實現了碳排放流從發電側到用電側的實時追蹤，創新地提出了基於分散式儲能的“虛擬儲碳”概念，並構建面向與用能網際網路的碳電耦合交易機制及最佳化策略，在需求側實現經濟效益與環境效益的協同與融合，實現電網、使用者、環境的多方共贏。
上述理論研究成果由河海大學聯合清華大學、牛津大學、劍橋大學、布魯內爾大學、華威大學等國內外知名高校共同研究完成，發表在IEEE Transactions on Sustainable Energy、IEEETransactions on Smart Grid、IEEE Transactions onIndustrial Informatics、Applied Energy等能源電氣領域頂尖期刊上。合作作者包括歐洲科學院王子棟院士等國際知名專家。該成果為我國構建新一代能源體系提供了科學參考和技術支撐。
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, DiLiu, Haochen Hua, and Junwei Cao, “Privacy preserving load control of residential microgrid via deepreinforcement learning,” IEEE Transactions on SmartGrid, 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 distributedcontrol and optimization in energy Internet: From traditional methods toartificial intelligence-based methods,” IETCyber-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 deepreinforcement 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 energymanagement approach,” IEEE Transactions on IndustrialInformatics, vol. 15, no. 3, pp. 1788-1797, Mar. 2019.
