负荷、光伏发电与能源价格不确定性下基于深度强化学习的社区电池调度
机器学习
2023-12-07 v1 人工智能
最优化与控制
摘要
为应对分布式能源（DERs）日益增长的普及，社区电池已成为支持可再生能源整合、降低峰值负荷和增强电网可靠性的一个有前景的解决方案。本文提出一种以软演员-评论家（SAC）算法为核心的深度强化学习（RL）策略，用于在太阳能光伏（PV）发电、本地需求和实时能源价格等不确定性存在的情况下调度社区电池系统。我们将社区电池定位为扮演多重角色：整合本地光伏能源、降低峰值负荷以及利用能源价格波动进行套利，从而最小化系统成本。为改善 RL 训练期间的探索与收敛，我们采用了噪声网络技术。本文对不同 RL 算法进行了比较研究，包括近端策略优化（PPO）和深度确定性策略梯度（DDPG）算法，以评估它们在社区电池调度问题中的有效性。结果证明了 RL 在应对社区电池调度挑战方面的潜力，并表明 SAC 算法相比 RL 和优化基准实现了最佳性能。
引用
@article{arxiv.2312.03008,
title = {Deep Reinforcement Learning for Community Battery Scheduling under Uncertainties of Load, PV Generation, and Energy Prices},
author = {Jiarong Fan and Hao Wang},
journal= {arXiv preprint arXiv:2312.03008},
year = {2023}
}
备注
The 7th IEEE Conference on Energy Internet and Energy System Integration (EI2 2023)