文献类型：期刊文章

作　　者：刘俊峰[1] 陈剑龙[1] 王晓生[1] 曾君[2] 黄倩颖[1]

LIU Junfeng;CHEN Jianlong;WANG Xiaosheng;ZENG Jun;HUANG Qianying(School of Automation Science and Engineering,South China University of Technology,Guangzhou 510640,Guangdong Province,China;School of Electric Power,South China University of Technology,Guangzhou 510640,Guangdong Province,China)

机构地区：[1]华南理工大学自动化科学与工程学院,广东省广州市510640 [2]华南理工大学电力学院,广东省广州市510640

出　　处：《电网技术》

基　　金：国家自然科学基金(61573155,51877085)。

年　　份：2020

卷　　号：44

期　　号：10

起止页码：3794-3803

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：面向多种可再生能源接入的微能源网,提出一种基于深度强化学习(deep reinforcement learning,DRL)的微能源网能量管理与优化方法。该方法使用深度Q网络(deepQ network,DQN)对预测负荷、风/光等可再生能源功率输出和分时电价等环境信息进行学习,通过习得的策略集对微能源网进行能量管理,是一种模型无关基于价值的智能算法。首先,基于能量总线模型,建立了微能源网研究框架及设备模型。在深入阐述强化学习的框架、Q学习算法和DQN算法的基础理论的基础上,分析了提升DQN性能的经验回放机制与冻结参数机制,并以经济性为目标完成了微能源网能量管理与优化。通过对比不同参数的DQN算法及Q学习算法在微能源网能量管理中的表现,仿真结果展示了继承策略集后算法性能的提升,验证了深度强化学习相比启发式算法在微能源网能量管理应用的可行性和优越性。

关 键 词：微能源网  能量管理 深度强化学习  Q学习 深度Q网络  

分 类 号：TM721]