基于强化学习的含风能与光伏资源的直流纳米电网集群间协作式P2P电力交易
机器学习
2023-01-03 v2 系统与控制
系统与控制
摘要
在以可再生能源替代化石燃料实现碳中和的过程中，间歇式风能和光伏（PV）发电的资源产出不平衡是点对点（P2P）电力交易的一个关键问题。为解决该问题，本文引入强化学习（RL）技术。针对RL，基于合作博弈论，将图卷积网络（GCN）与双向长短期记忆（Bi-LSTM）网络联合应用于纳米电网集群间的P2P电力交易。灵活可靠的直流纳米电网适用于为配电系统整合可再生能源。每个本地纳米电网集群充当产消者角色，同时关注电力生产与消费。对于纳米电网集群的电力管理，采用物联网（IoT）技术对每个本地纳米电网集群进行多目标优化。考虑到风能和光伏电力生产的间歇性特征，执行电动汽车（EV）的充放电。仿真中使用了GCN-卷积神经网络（CNN）层用于深度Q学习网络（DQN）、GCN-LSTM层用于深度循环Q学习网络（DRQN）、GCN-Bi-LSTM层用于DRQN、以及GCN-Bi-LSTM层用于近端策略优化（PPO）等RL算法。结果表明，协作式P2P电力交易系统在考虑基于分时（ToU）电价的用电成本和系统边际价格（SMP）下实现了利润最大化，并最小化了电网电力消耗量。含P2P电力交易的纳米电网集群电力管理在配电测试馈线上实时仿真，所提出的GCN-Bi-LSTM-PPO技术在用于比较的RL算法中实现了最低用电成本，较平均纳米电网集群降低用电成本36.7%。
引用
@article{arxiv.2209.07744,
title = {Reinforcement Learning-Based Cooperative P2P Power Trading between DC Nanogrid Clusters with Wind and PV Energy Resources},
author = {Sangkeum Lee and Sarvar Hussain Nengroo and Hojun Jin and Taewook Heo and Yoonmee Doh and Chungho Lee and Dongsoo Har},
journal= {arXiv preprint arXiv:2209.07744},
year = {2023}
}
备注
28 pages, 8 figures, to be submitted to Applied Energy