基于深度强化学习的含不确定性多能微网最优能量管理
系统与控制
2023-12-01 v1 系统与控制
摘要
多能微网（MEMG）为应对需求侧能源需求多样化与新能源消纳提供了有效途径。在 MEMG 中，部署能量管理系统（EMS）以实现能源高效利用与系统可靠运行至关重要。为辅助 EMS 制定最优调度方案，本文提出一种考虑可再生能源（RES）不确定性的基于深度强化学习（DRL）的 MEMG 能量管理方案。为准确描述 MEMG 运行状态，调度中考虑了能量转换设备的非设计工况性能模型。该非线性最优调度模型被表述为马尔可夫决策过程（MDP），并随后由双延迟深度确定性策略梯度（TD3）算法求解。此外，为准确刻画 RES 不确定性，提出基于 RES 预测功率的条件最小二乘生成对抗网络（C-LSGANs）方法以构建 RES 发电场景集。所生成的 RES 数据用于调度，以获得购电与购天然气的上下限。基于此，上级能源供应部门可提前制定方案以应对 RES 不确定性。最后，仿真分析证明了该方法的有效性与优越性。
引用
@article{arxiv.2311.18327,
title = {Deep Reinforcement Learning Based Optimal Energy Management of Multi-energy Microgrids with Uncertainties},
author = {Yang Cui and Yang Xu and Yang Li and Yijian Wang and Xinpeng Zou},
journal= {arXiv preprint arXiv:2311.18327},
year = {2023}
}
备注
Accepted by CSEE Journal of Power and Energy Systems