强化学习在实时电价下 residential 储能中的应用
系统与控制
2021-11-23 v1 系统与控制
摘要
随着高级计量基础设施（AMI）的普及，电力公司和消费者可获得更多实时数据。如此海量的数据促进了超越固定费率与分时（TOU）电价之外的创新电价结构。其中一项创新是实时电价（RTP），即将批发市场的出清价格按小时直接传递给消费者。尽管罕见，RTP 在美国部分地区存在，并已被观察到能降低电费。虽然这些降低大多是偶然的，但当与智能控制系统配合时，RTP 可能代表大规模削峰、需求响应和经济效率的机遇。文献中已部署了控制柔性负荷与储能的算法用于需求响应，但极少有研究在 RTP 环境下考察这些算法。若得到适当优化，RTP 与智能控制之间的动态关系有潜力抵消由分布式可再生能源与电动汽车（EV）渗透率增长所驱动的需求中不受欢迎的峰谷波动。本文提出了一种简单的强化学习（RL）应用，用于在 RTP 信号下实现电池的最优控制。
引用
@article{arxiv.2111.11367,
title = {An application of reinforcement learning to residential energy storage under real-time pricing},
author = {Eli Brock and Lauren Bruckstein and Patrick Connor and Sabrina Nguyen and Robert Kerestes and Mai Abdelhakim},
journal= {arXiv preprint arXiv:2111.11367},
year = {2021}
}
备注
To be published in the proceedings of the IEEE Power and Energy Society Innovative Smart Grid Technologies (ISGT) Asia Conference