随着大规模分布式可再生能源发电的高度普及,使电力系统面临着巨大的挑战。在这方面,虚拟电厂技术可以更有效地集成大量分布式发电单元,在改善电力系统的稳定性方面可以发挥关键作用。由于虚拟电厂中可靠的经济调度要求分布式发电单元之间以及发电侧和负荷侧之间进行及时可靠的通信。现有方法存在的通信负载和延迟大、计算复杂度高以及数据传输的可靠性差的问题。我们设计了一个边缘计算框架,用于满足虚拟电厂中经济调度的实时通信和计算要求。此外,确保终端收集的数据的真实性并准确描述数据特征也是经济调度的关键问题。我们采用LSTM作为错误数据容忍机制,为可再生能源消纳能力的评估提供真实的状态值,从而确保了评估的准确性。考虑到分布式电源的不确定性和非线性特性,以及高维状态空间问题和真实场景的实时性。我们采用了一种深度强化学习算法用于求解虚拟电厂中最优在线经济调度策略。基于经济调度的新能源消纳能力评估问题,可以合理评估随机情况下的大规模可再生能源并网消纳能力,对于促进有效利用可再生能源和提高电力系统的稳定性至关重要。本文提出了一种基于深度强化学习(DRL)的算法,以最大程度地提高5G能源互联网中的可再生能源消纳能力。具体地,本文的研究主要贡献包括以下四个方面:1.我们设计了一个基于边缘计算的利用三层体系结构的分布式发电经济调度结构,其中:第一层和第二层是边缘计算层,而第三层是云计算层。所提出的三层边缘计算架构降低了在中央节点处处理训练任务的计算复杂度,并进一步降低了虚拟电厂运营商与分布式电源之间的通信负载,因此也降低了工业用户的响应时间,同时还保留了工业用户的隐私,提高了数据传输的可靠性。2.为了确保5G能源互联网中数据的真实性和有效性,采用LSTM作为错误数据的容忍机制,为求解策略提供了真实的状态值。实验证明了该算法的有效性。3.考虑经济调度的目标函数为非线性,提出了基于深度强化学习的算法,以实现尽管具有高维状态空间(由于分布式电源相关的随机性),但计算复杂度低的经济调度问题的最优解决方案。将我们提出的方法与DPG对比,我们提出的方法具有更好的性能。4.为了合理评估随机情况下的大规模可再生能源并网消纳能力,我们提出一种L-DRL方法,以基于储能技术和用户需求响应来实现最大程度的消纳可再生能源。