通过本地能源市场与深度强化学习实现分布式能源资源的去中心化协调
系统与控制
2024-11-18 v2 人工智能
机器学习
多智能体系统
系统与控制
摘要
随着分布式能源资源（DERs）的增长，电网在电网边缘面临净负荷波动性增加的问题，影响了可操作性与可靠性。通过本地能源市场促进的交易能源提供了一种去中心化、间接的需求响应解决方案，而诸如深度强化学习（DRL）等无模型控制技术则实现了自动化、去中心化的参与。然而，现有研究很大程度上忽视了社区层面的净负荷波动性，而是将重点放在社会经济指标上。本研究通过使用 DRL 智能体自动化终端用户在本地能源市场（ALEX）中的参与来填补这一空白，其中智能体独立行动以最小化个人能源账单。结果显示，账单的减少与净负荷波动性的降低之间存在强烈的联系，这一联系通过不同时间跨度下的爬坡率、负荷率和峰值需求等指标进行了评估。使用无控制基线，将 DRL 智能体与近最优动态规划方法进行了基准比较。动态规划基准在每日进口、出口和峰值需求上分别实现了 22.05%、83.92% 和 24.09% 的减少，而 DRL 智能体表现出可比或更优的结果，分别减少了 21.93%、84.46% 和 27.02%。本研究证明了 DRL 在去中心化电网管理中的有效性，突出了其在减少社区驱动型能源市场中净负荷波动性方面的可扩展性和近最优性能。
引用
@article{arxiv.2404.13142,
title = {Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning},
author = {Daniel May and Matthew Taylor and Petr Musilek},
journal= {arXiv preprint arXiv:2404.13142},
year = {2024}
}
备注
preprint, submitted to Energy and AI