微电网中储能的随机调度：一种增强型强化学习方法
系统与控制
2020-07-07 v2 系统与控制
摘要
集成波动性能源资源的微电网中电池储能系统（BESSs）的动态调度（DD）本质上是一个多周期随机优化问题（MSOP）。由于 BESS 的寿命受其充放电行为显著影响，其生命周期退化成本应纳入 BESS 的 DD 模型，这使其非凸。一般而言，该 MSOP 难以求解。为解决此问题，我们提出一种由蒙特卡洛树搜索（MCTS）和表示为调度规则的领域知识增强的强化学习（RL）方案。在该方案中，采用带函数逼近的 Q-learning 作为基础学习架构，允许多步自举和连续策略学习。为提高随机多步仿真的计算效率，我们采用 MCTS 估计期望最大动作值。此外，我们将若干调度规则作为概率逻辑嵌入 RL 中，以减少不可行动作探索，从而提升数据驱动解的质量。数值测试结果表明，所提算法在所有测试案例中均优于其他基线 RL 算法。
引用
@article{arxiv.1910.04541,
title = {Stochastic Dispatch of Energy Storage in Microgrids: An Augmented Reinforcement Learning Approach},
author = {Yuwei Shang and Wenchuan Wu and Jianbo Guo and Zhe Lv and Zhao Ma and Wanxing Sheng and Ran Chen},
journal= {arXiv preprint arXiv:1910.04541},
year = {2020}
}