基于蒙特卡洛树搜索与学习模型的住宅微电网在线调度
系统与控制
2021-05-31 v3 系统与控制
摘要
分布式可再生能源的不确定性给微电网的经济运行带来显著挑战。常规的在线优化方法需要预测模型。然而，准确预测可再生能源发电仍是一项艰巨任务。为实现不需要预测模型来预测未来光伏/风电与负荷功率序列的住宅微电网（RM）在线调度，本文研究利用强化学习（RL）方法来应对该挑战。具体地，基于模型基强化学习的最新进展 MuZero，我们研究其在 RM 调度问题中的应用。为适配 RM 调度应用的特点，设计了一种将模型基 RL 智能体与数学优化技术相结合的优化框架，并采用长短期记忆（LSTM）单元从过去的可再生发电与负荷序列中提取特征。在每个时间步，通过利用学习模型进行蒙特卡洛树搜索（MCTS）并求解最优潮流子问题来获得最优决策。以此方式，该方法可顺序地在线作出运行决策，而无需依赖预测模型。数值仿真结果证明了所提算法的有效性。
引用
@article{arxiv.2005.06161,
title = {Online Scheduling of a Residential Microgrid via Monte-Carlo Tree Search and a Learned Model},
author = {Hang Shuai and Haibo He},
journal= {arXiv preprint arXiv:2005.06161},
year = {2021}
}
备注
14 pages, 17 figures, submitted to TSG