用于电池-光伏系统联合设计与控制的强化学习方法
最优化与控制
2023-07-11 v1
摘要
新型可再生能源的去中心化与不可预测性要求我们重新思考能源系统。数据驱动方法(如强化学习(RL))已成为运行这些系统的新控制策略,但尚未应用于系统设计。本文旨在通过研究一种基于RL的方法在真实光伏与电池系统联合设计与控制中的使用来弥补这一空白。首先将设计问题表述为混合整数线性规划问题(MILP)。然后将MILP的最优解用于评估在一个为应用现有数据驱动算法而构建的代理环境中训练的RL智能体的性能。两种模型的主要区别在于其优化方法: MILP在给定确定性历史数据下寻找使一年运行总成本最小的解,而RL是一种随机方法,在历史数据集中所有周的期望意义上基于一周数据搜索最优策略。两种方法均应用于使用一周数据的示例和使用一年数据的案例研究。在两种情况下,模型均收敛到相似的控制解,但投资决策不同。总体而言,这些结果是说明将RL用于能源系统联合设计与控制的益处与挑战的初步步骤。
引用
@article{arxiv.2307.04244,
title = {Reinforcement Learning for Joint Design and Control of Battery-PV Systems},
author = {Marine Cauz and Adrien Bolland and Bardhyl Miftari and Lionel Perret and Christophe Ballif and Nicolas Wyrsch},
journal= {arXiv preprint arXiv:2307.04244},
year = {2023}
}