面向微网格韧性能源管理的深度强化学习及局部可解释性
系统与控制
2025-08-12 v1 系统与控制
摘要
可再生能源集成到微网格已成为应对全球能源问题（如气候变化和资源匮乏）的关键方法。然而，可再生能源的波动性和高影响低概率（HILP）事件的日益增多，要求创新策略以实现可靠和韧性的能源管理。本研究引入一种实用方法，通过可解释深度强化学习（XDRL）管理微网格韧性。它将近端策略优化（PPO）算法用于决策，结合局部可解释模型中性释义（LIME）方法提高演员网络决策的透明度。印度孟加拉案例研究检验了所提方法，微网格包含风力、太阳能和储能组件，以验证所提方法。微网格在Layla热带风暴期间的极端天气条件下进行仿真。LIME用于分析情景，显示关键因素如可再生能源发电、储能状态和负荷优先级对决策的影响。结果表明，恢复指数（RI）为0.9736，预计电池寿命为15.11年。LIME分析揭示了空闲、充电和放电模式下代理人行为的依据，确定可再生能源发电为最具影响力的特征。本研究表明，将先进深度强化学习算法与可解释AI技术相结合可实现微网格可靠且透明的能源管理。
引用
@article{arxiv.2508.08132,
title = {Deep Reinforcement Learning with Local Interpretability for Transparent Microgrid Resilience Energy Management},
author = {Mohammad Hossein Nejati Amiri and Fawaz Annaz and Mario De Oliveira and Florimond Gueniat},
journal= {arXiv preprint arXiv:2508.08132},
year = {2025}
}