基于深度强化学习的网格规模可再生能源集成局部交易策略学习
机器学习
2024-11-26 v1 人工智能
系统与控制
系统与控制
最优化与控制
摘要
可变可再生能源发电增加了电力供需平衡的难度。与发电场共址的大规模电池可帮助缓解这种错位。本文探讨了使用强化学习（RL）来操作与太阳能发电共址的大规模电池。我们的结果表明，RL实现了平均61%（最高达96%）的近似理论最优（非因果）操作，平均超过了先进的控制方法。我们的发现表明，RL在未来信号难以预测时可能更受青睐。此外，RL相对于更简单的基于规则的控制具有两个显著优势：（1）太阳能电能更有效地向高需求时段转移，（2）不同位置的电池调度更具多样性，减少了由大量相似动作叠加导致的升降问题。
引用
@article{arxiv.2411.15422,
title = {Learning a local trading strategy: deep reinforcement learning for grid-scale renewable energy integration},
author = {Caleb Ju and Constance Crozier},
journal= {arXiv preprint arXiv:2411.15422},
year = {2024}
}
备注
Accepted to HICSS58