基于风险敏感强化学习的多微网协同能源调度
系统与控制
2025-12-22 v1 系统与控制
摘要
随着分布式可再生能源的快速发展，多微网在提高能源供应的灵活性和可靠性方面发挥着越来越重要的作用。强化学习因其无模型特性在协同策略方面显示出巨大的潜力。当前方法缺乏对个体风险值与联合风险值之间关系的明确量化，导致信用分配不清晰。此外，它们通常依赖于显式通信，当系统复杂度增加时会变得效率低下。为此，本文提出一种基于风险敏感强化学习框架（RRL-SM），集成共享记忆用于多微网调度。具体而言，提出一种风险敏感价值分解方案，通过利用分布式建模和注意力表示来量化个体与联合风险值之间的关系，从而将局部决策与全局风险目标对齐。通过全局记忆空间实现隐式共享记忆协调机制，以增强去中心化决策的整体效率。综合而言，所提出的方法在可再生能源不确定性下提供了更可靠的协同调度。仿真结果表明，RRL-SM将负荷削减风险降低了84.5%，在可靠性和经济性能之间取得了良好的平衡。
引用
@article{arxiv.2512.17246,
title = {Cooperative Energy Scheduling of Multi-Microgrids Based on Risk-Sensitive Reinforcement Learning},
author = {Rongxiang Zhang and Bo Li and Jinghua Li and Yuguang Song and Ziqing Zhu and Wentao Yang and Zhengmao Li and Edris Pouresmaeil and Joshua Y. Kim},
journal= {arXiv preprint arXiv:2512.17246},
year = {2025}
}