融合注意力机制与SAC算法的虚拟电厂多能流低碳调度
虚拟电厂(virtual power plant,VPP)作为多能流互联的综合能源网络，已成为中国加速实现双碳目标的重要角色。但VPP内部资源协同低碳调度面临多能流的耦合程度紧密、传统碳交易模型参数主观性强、含高维动态参数的优化目标在线求解困难等问题。针对这些问题，文中提出一种融合注意力机制(attention mechanism,AM)与柔性动作评价(soft actor-critic,SAC)算法的VPP多能流低碳调度方法。首先，根据VPP的随机碳流特性，面向动态参数建立基于贝叶斯优化的改进阶梯型碳交易机制。接着，以经济效益和碳排放量为目标函数构建含氢VPP多能流解耦模型。然后，考虑到该模型具有高维非线性与权重参数实时更新的特征，利用融合AM的改进SAC深度强化学习算法在连续动作空间对模型进行求解。最后，对多能流调度结果进行仿真分析和对比实验，验证了文中方法的可行性及其相较于原SAC算法较高的决策准确性。
标题：
融合注意力机制与SAC算法的虚拟电厂多能流低碳调度
Optimizing multi-energy fow scheduling of hydrogen-inclusive virtual power plants based on deep reinforcement learning under dual-carbon targets
作者：
俞晓荣，徐青山，杜璞良，王冬
YU Xiaorong, XU Qingshan, DU Puliang, WANG Dong
