基于模型预测控制与强化学习算法的受网络峰值费用约束的可再生能源社区最优控制
系统与控制
2024-02-27 v2 系统与控制
摘要
本文为配备可控资产的可再生能源社区 (REC) 提出一个最优控制框架。此类 REC 允许其成员通过内部市场交换生产盈余。目标是通过控制其资产以最小化个体电费总和。这些电费包括通过 REC 和与零售商交换的电力。通常，对于大公司而言，电费的另一个重要组成部分是与功率峰值相关的成本；在我们的框架中，这些成本由与零售商的能量交换决定。我们将基于规则的控制策略与以下两种控制算法进行比较。第一种源自模型预测控制技术，第二种则基于强化学习技术构建。我们还比较了这些算法忽略峰值功率成本的变体。结果证实，使用考虑功率峰值的策略可显著降低电费总和，从而获得更好的控制策略，但代价是计算时间更长。此外，通过强化学习方法训练的策略在社区实时控制中显示出前景，而模型预测控制策略在实践中可能计算成本高昂。这些发现鼓励继续努力，从集中式角度为配备可控资产的可再生能源社区开发可扩展的控制算法。
引用
@article{arxiv.2401.16321,
title = {Optimal Control of Renewable Energy Communities subject to Network Peak Fees with Model Predictive Control and Reinforcement Learning Algorithms},
author = {Samy Aittahar and Adrien Bolland and Guillaume Derval and Damien Ernst},
journal= {arXiv preprint arXiv:2401.16321},
year = {2024}
}
备注
13 pages (excl. appendices and references), 14 pages of appendix. 10 figures and 10 tables. To be reviewed as a journal paper