基于深度强化学习利用弃风弃光可再生能源优化混合储能系统规划
机器学习
2022-12-13 v1 系统与控制
系统与控制
摘要
为了利用持续增长的弃风弃光可再生能源，能源管理系统（EMS）正变得愈发重要。应采用电池与绿氢等具有前景的储能系统（ESS），以最大化能源相关方的效率。然而，最优决策（即在不同策略间进行规划的权衡）面临着大规模问题的复杂性与不确定性。在此，我们提出一种基于策略算法的精细深度强化学习（DRL）方法，以在弃风弃光可再生能源不确定性下实现实时最优储能系统规划。定量性能比较证明，即便在宽广的动作与观测空间中，DRL智能体也优于基于场景的随机优化（SO）算法。得益于DRL的不确定性抑制能力，我们能够在弃风弃光可再生能源的大不确定性下确认其鲁棒性能，实现净收益最大化与系统稳定。我们进行了动作映射，以可视化评估DRL智能体依据状态所采取的动作。相应结果证实，DRL智能体学习到了类似人类专家的行为方式，表明所提方法具有可靠的应用前景。
引用
@article{arxiv.2212.05662,
title = {Optimal Planning of Hybrid Energy Storage Systems using Curtailed Renewable Energy through Deep Reinforcement Learning},
author = {Dongju Kang and Doeun Kang and Sumin Hwangbo and Haider Niaz and Won Bo Lee and J. Jay Liu and Jonggeol Na},
journal= {arXiv preprint arXiv:2212.05662},
year = {2022}
}
备注
30 pages, 8 figures