面向多種可再生能源接入的微能源網(wǎng),提出一種基于深度強(qiáng)化學(xué)習(xí)(deep reinforcement learning,DRL)的微能源網(wǎng)能量管理與優(yōu)化方法。該方法使用深度Q網(wǎng)絡(luò)(deepQ network,DQN)對(duì)預(yù)測(cè)負(fù)荷、風(fēng)/光等可再生能源功率輸出和分時(shí)電價(jià)等環(huán)境信息進(jìn)行學(xué)習(xí),通過(guò)習(xí)得的策略集對(duì)微能源網(wǎng)進(jìn)行能量管理,是一種模型無(wú)關(guān)基于價(jià)值的智能算法。首先,基于能量總線模型,建立了微能源網(wǎng)研究框架及設(shè)備模型。在深入闡述強(qiáng)化學(xué)習(xí)的框架、Q學(xué)習(xí)算法和DQN算法的基礎(chǔ)理論的基礎(chǔ)上,分析了提升DQN性能的經(jīng)驗(yàn)回放機(jī)制與凍結(jié)參數(shù)機(jī)制,并以經(jīng)濟(jì)性為目標(biāo)完成了微能源網(wǎng)能量管理與優(yōu)化。通過(guò)對(duì)比不同參數(shù)的DQN算法及Q學(xué)習(xí)算法在微能源網(wǎng)能量管理中的表現(xiàn),仿真結(jié)果展示了繼承策略集后算法性能的提升,驗(yàn)證了深度強(qiáng)化學(xué)習(xí)相比啟發(fā)式算法在微能源網(wǎng)能量管理應(yīng)用的可行性和優(yōu)越性。

【文章頁(yè)數(shù)】：10 頁(yè)


本文編號(hào)：3775332