储能控制中传统方法与强化学习方法的比较
机器学习
2025-06-03 v1 人工智能
摘要
我们旨在更好地理解储能管理中传统方法与强化学习（RL）方法之间的权衡。更具体地说，我们希望更好地了解在特定实例中，使用生成式 RL 策略而非传统方法来寻找最优控制策略时所导致的性能损失。我们的比较基于一个简化的微电网模型，该模型包含负载组件、光伏电源和储能设备。基于此模型，我们考察了复杂度递增的三个用例：具有凸成本函数的理想储能、有损储能设备，以及具有凸传输损耗的有损储能设备。为了促进在这个充满挑战且重要的领域中基于 RL 方法的原则性应用，我们提供了每个用例的详细公式和优化挑战的详细描述。然后，我们比较了传统方法和 RL 方法的性能，讨论了各自适用的设置，并提出了未来研究的方向。
引用
@article{arxiv.2506.00459,
title = {Comparing Traditional and Reinforcement-Learning Methods for Energy Storage Control},
author = {Elinor Ginzburg and Itay Segev and Yoash Levron and Sarah Keren},
journal= {arXiv preprint arXiv:2506.00459},
year = {2025}
}