学位论文简介
随着能源绿色化转型和电气化水平的提升，电网的供需平衡和稳定性面临更大挑战。传统的数据分析方法和基于专家经验的控制手段已无法满足电力系统复杂性要求，亟需引入先进的人工智能技术以提高电网调度与决策的效率和准确性。深度学习和强化学习因其在特征提取和复杂系统模拟中的优势，成为优化电网调度与决策的有效工具。本文提出了基于深度学习和强化学习的电网调度与决策的四个创新性模型，具体研究内容如下：
电力负荷预测（PLP）模型：提出了一种基于卷积神经网络（CNN）和双向长短时记忆网络（BiLSTM）的电力负荷预测模型，结合贝叶斯卷积神经网络模块以处理电力系统中不确定性数据。通过堆叠降噪自动编码器提高了模型计算效率，实验结果表明该模型能够有效预测用电需求的波动，提升电力系统的调度精度。
（2）电网智能定价（PGIP）算法：基于深度强化学习（DRL）提出了一种动态需求感知的电网智能定价算法。通过实时学习用户需求和市场变化，优化电力定价策略，减少峰值需求，提升资源利用效率。实验表明，PGIP算法相比传统定价方法，能够有效提高电网的智能定价准确度和系统运行效率。
（3）微电网储能策略优化（MESSO）算法：为应对微电网系统中的储能控制问题，提出了一种基于无模型强化学习的优化算法，能够在复杂和动态的微电网环境中进行实时适应性调节。该算法在储能系统中的应用表现出较高的稳定性和可靠性，为微电网的储能管理提供了技术支持。
（4）异常用电行为检测（APCBD）模型：针对电力用户的异常用电行为，提出了一种基于对抗训练自动编码器的检测模型，能够通过高低阶时空特征增强模型对复杂时序数据的捕捉能力。实验结果表明，该模型显著提高了异常行为的检测准确率，帮助电力公司提高了用电稽查效率和电网安全性。
综上所述，本文围绕智能电网技术的核心问题，提出了四个互相配合的模型，从电力负荷预测到智能定价，再到储能策略优化和异常行为检测，形成了一个完整的智能电网闭环系统。这些研究为电网调度与决策提供了新的思路和方法，具有重要的理论价值和实际应用意义。
主要学术成果
Chao Tang, Yunchuan Qin, Fan Wu, Zhuo Tang. Dynamic Demand-aware Power Grid Intelligent Pricing Algorithm Based on Deep Reinforcement Learning[J]. IEEE ACCESS, 2024, DOI:10.1109/ACCESS.2024.3406338 (SCI，第一作者)
Chao Tang, Yufeng Zhang, Fan Wu, Zhuo Tang. An Improved CNN-BILSTM Model for Power Load Prediction in Uncertain Power Systems[J]. Energies, 2024, 17(10): 2312. (SCI, 第一作者)
Chao Tang, Yunchuan Qin, Yumeng Liu, Huilong Pi, and Zhuo Tang. An Efficient Method for Detecting Abnormal Electricity Behavior[J]. Energies, 2024, 17(11): 2502. (SCI, 第一作者)
Chao Tang, Yufeng Zhang, Fan Wu, Zhuo Tang. MFRL: A Model-free Reinforcement Learning Model for Energy Storage in Microgrid Systems.(ESWA, 第一作者，小修)
Chao Tang, Yunchuan Qin, Huilong Pi, Zhuo Tang. An ultra-short-term power load forecasting method based on error correction and PatchTST-BiLSTM. (Electronic Letters, 第一作者，大修)
