文献类型：期刊文章

作　　者：梁涛[1] 孙博峰[1] 谭建鑫[2] 曹欣[2] 孙鹤旭[3]

LIANG Tao;SUN Bofeng;TAN Jianxin;CAO Xin;SUN Hexu(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300130,China;Hebei Construction&Investment Group Co.,Ltd.,Shijiazhuang 050051,China;School of Electrical Engineering,Hebei University of Science and Technology,Shijiazhuang 050018,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300130 [2]河北建投能源投资股份有限公司,石家庄050051 [3]河北科技大学电气工程学院,石家庄050018

出　　处：《高电压技术》

基　　金：河北省科技支撑计划(19210108D,19214501D,20314501D,F2021202022)。

年　　份：2023

卷　　号：49

期　　号：6

起止页码：2264-2274

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：风光可再生能源制备“绿氢”是实现能源低碳化的重要途径,但风能、太阳能的波动性、间歇性等问题会使系统存在“弃风、弃光”现象。为解决该问题,构建了可再生能源并网制氢系统,针对传统CPLEX需要精准预测数据、基于状态控制法的监控策略控制效果不够理想的缺点,将协调控制转化为序列决策问题,采用深度强化学习连续近端策略优化算法进行解决。在发电量、负荷等多种因素变化的情况下,设计了适合解决可再生能源制氢系统调度问题的深度强化学习模型(renewable energy to hydrogen-proximal policy optimization,R2H-PPO),经过足够的训练后能够实现在线决策控制,并与日前控制方案和基于状态控制法的监控策略进行了对比,证明所采用方法避免了传统方案的不足,并能有效处理不同时刻、天气、季节的场景。结果证明了所提出的R2H-PPO方法的可行性和有效性。

关 键 词：可再生能源 制氢系统 深度强化学习  近端策略优化  运行优化  R2H-PPO  

分 类 号：TQ116.2] TP18]