基于自动化强化学习多周期预测的孤立微电网优化调度
信号处理
2021-12-21 v1 机器学习
系统与控制
系统与控制
摘要
为降低负荷与可再生能源出力不确定性对微电网运行的负面影响，提出一种利用基于自动化强化学习的可再生发电与负荷多周期预测对孤立微电网进行优化调度的模型。首先，设计优先经验回放自动化强化学习（PER-AutoRL）以定制化方式简化基于深度强化学习（DRL）的预测模型部署，首次提出基于PER-AutoRL的单步多周期预测方法以解决现有多步预测方法所面临的误差累积问题，随后通过误差分布对所得预测值进行修正以提高预测精度；其次，构建考虑需求响应的调度模型以最小化微电网总运行成本，其中修正后的预测值作为调度依据，并根据误差分布设置旋转备用机会约束；最后，借助序列运算理论（SOT）将原调度模型转化为易求解的混合整数线性规划，并利用CPLEX求解器求解。仿真结果表明，相较于无预测的传统调度模型，该方法通过提高预测精度显著降低了系统运行成本。
引用
@article{arxiv.2108.06764,
title = {Optimal Scheduling of Isolated Microgrids Using Automated Reinforcement Learning-based Multi-period Forecasting},
author = {Yang Li and Ruinong Wang and Zhen Yang},
journal= {arXiv preprint arXiv:2108.06764},
year = {2021}
}
备注
Accepted by IEEE Transactions on Sustainable Energy