基于深度学习的频率调节电池管理预测控制
系统与控制
2022-01-05 v1 系统与控制
摘要
本文通过集成模型预测控制(MPC)、监督学习(SL)、强化学习(RL)和高保真电池模型,提出了一种基于深度学习的最优电池管理方案用于频率调节(FR)。借助深度神经网络(DNN),所导出的DNN近似策略在在线实现中计算高效。所提方案的设计过程包括两个顺序过程:(1) SL过程,其中我们首先运行嵌入低保真电池模型的MPC仿真以生成训练数据集,然后基于所生成的数据集,利用SL算法优化DNN近似策略;以及(2) RL过程,其中我们利用RL算法,通过平衡短期经济激励与长期电池退化来提升DNN近似策略的性能。SL过程通过提供良好的初始化加速了后续的RL过程。利用RL算法,所提方案的一个显著特性是它能够从在高保真电池模拟器上仿真FR策略所生成的数据中学习,以调整最初基于低保真电池模型的DNN近似策略。我们使用FR信号与电价的真实世界数据进行了案例研究。仿真结果表明,与传统MPC方案相比,所提出的基于深度学习的方案能够在保持更低在线计算成本的同时,有效实现更高的FR参与经济效益。
引用
@article{arxiv.2201.01166,
title = {Deep Learning-based Predictive Control of Battery Management for Frequency Regulation},
author = {Yun Li and Yixiu Wang and Yifu Chen and Kaixun Hua and Jiayang Ren and Ghazaleh Mozafari and Qiugang Lu and Yankai Cao},
journal= {arXiv preprint arXiv:2201.01166},
year = {2022}
}
备注
30 pages, 5 figures, 2 tables