一种基于深度强化学习的微电网控制整体功率优化方法
系统与控制
2024-11-05 v2 系统与控制
摘要
全球能源格局正在向脱碳、可持续和成本效益方向转型。在这一转型中，集成可再生能源 (RES) 和储能系统 (ESS) 的微电网系统已成为关键组成部分。然而，优化此类集成能源系统的运行控制缺乏对多种环境、基础设施和经济因素的整体考量，更不用说需要考虑来自供应和需求两端的不确定性。本文提出了一种基于深度强化学习 (DRL) 的数据驱动整体功率优化方法，用于微电网控制，同时兼顾脱碳、可持续和成本效益的多种需求。首先，设计了两种数据驱动控制方案，即基于预测 (PB) 和无预测 (PF) 方案，以在马尔可夫决策过程 (MDP) 内构建控制问题。其次，设计了多变量目标（奖励）函数，以核算微电网系统的市场利润、碳排放、峰值负荷和电池退化。第三，我们开发了 Double Dueling Deep Q Network (D3QN) 架构，以优化实时能量管理的功率流并确定 ESS 的充放电策略。最后，进行了广泛的仿真，通过比较分析证明了所提方法的有效性和优越性。结果和分析还指出了在存在不确定性的实际应用中使用这两种控制方案的各自适用情形。
引用
@article{arxiv.2403.01013,
title = {A Holistic Power Optimization Approach for Microgrid Control Based on Deep Reinforcement Learning},
author = {Fulong Yao and Wanqing Zhao and Matthew Forshaw and Yang Song},
journal= {arXiv preprint arXiv:2403.01013},
year = {2024}
}