王荣茂，刘 淼，李青春，张 晔

(辽宁电力交易中心有限公司，辽宁 沈阳 110006)

0 引 言

利用热启动Hotbooting技术融合Q-Learning算法(以下简称Q学习算法)构成Hotbooting-Q交易算法[1]。通过Hotbooting技术得到类似场景下Q学习算法的Q值表及V值表，其中，Q值及V值是Hotbooting-Q交易算法在强化学习中的定义值，其在较大程度上缩减该算法的学习步长，提升收敛性能的同时获取优良学习效果[2-3]。

电能交易需求猛增，电网企业的业务压力也随之增强。近年来，国家高度重视抽水蓄能发电，作为发展新型能源的关键组成部分，其优势在于可靠性高、技术发展成熟、生命周期久，抽水蓄能电站可提升电网运行的平稳性及协调能力，节能减排、低碳环保、促进可再生能源发展是我国对新兴能源的基本要求，实现资源优化配置[4]，关乎社会、经济、文明发展，对电力储能具有重要意义。电网电能在频繁交易过程中可能存在风险，对风险的识别显得格外重要，及时发现并规避风险，保证电能交易安全可靠运行，关乎民生经济等各个方面的安全运行。陈涛等[5]提出抽水蓄能水电站职业健康风险评价方法，在模糊数学法基础上进行风险评估，该方法成本较高不适宜全面推广使用；李刚等[6]提出抽水蓄能电站水淹风险评价研究方法。

综合以往研究方法，本文提出基于Hotbooting-Q算法的抽水蓄能电网电能交易风险识别方法，及时发现并规避风险。

1 基于Hotbooting- Q算法的抽水蓄能电网电能交易策略

1.1 基于深度Q学习算法的电网电能交易模型

抽水……