考虑移动储能车队的微电网弹性负荷恢复：一种深度强化学习方法
最优化与控制
2020-03-30 v2 机器学习
系统与控制
系统与控制
摘要
移动储能系统(MESSs)提供了机动性与灵活性，以增强配电系统的弹性。本文提出了一种马尔可夫决策过程(MDP)公式，用于协调 MESSs 调度与微电网资源调度的综合服务恢复策略。其中考虑了负荷消耗的不确定性。利用深度强化学习(DRL)算法求解该 MDP 以实现最优调度。具体而言，采用双延迟深度确定性策略梯度(TD3)训练深度 Q 网络与策略网络，随后训练良好的策略可在线部署以同时执行多个动作。所提模型在由 Sioux Falls 交通网络连接的三个微电网组成的综合测试系统上进行了验证。仿真结果表明，移动与固定能源资源可被良好协调以提升系统弹性。
引用
@article{arxiv.1911.02206,
title = {Resilient Load Restoration in Microgrids Considering Mobile Energy Storage Fleets: A Deep Reinforcement Learning Approach},
author = {Shuhan Yao and Jiuxiang Gu and Peng Wang and Tianyang Zhao and Huajun Zhang and Xiaochuan Liu},
journal= {arXiv preprint arXiv:1911.02206},
year = {2020}
}
备注
Submitted to 2020 IEEE Power and Energy Society General Meeting