-
题名基于深度强化学习的居民实时自治最优能量管理策略
被引量：7
- 1
-
-
作者
叶宇剑
王卉宇
汤奕
Goran STRBAC
-
机构
东南大学电气工程学院
伦敦帝国理工学院电气与电子工程系
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2022年第1期110-119,共10页
-
基金
国家自然科学基金资助项目(51877037)。
-
文摘
随着居民分布式资源的普及,如何考虑用户多类型设备的运行特性,满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性,为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先,对用户设备进行分类,采用统一的三元组描述其运行特性,并确定相应的能量管理动作;接着,采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势;进而,基于近端策略优化算法,赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略,在最小化用电成本的同时提升策略对不确定性的适应性;最后,通过实际情境对比现有方法的优化决策效果,验证所提方法的有效性。
-
关键词
实时自治能量管理优化
不确定性
连续-离散混合动作
长短期记忆神经网络
深度强化学习
-
Keywords
real-time autonomous energy management optimization
uncertainties
continuous-discrete mixed actions
long short-term memory neural network
deep reinforcement learning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TM73
[自动化与计算机技术—控制科学与工程]
-
