找到 1 条结果 · 储能系统技术
评估结合中间储能的电转X系统中基于网格惩罚的强化学习在可再生能源管理中的应用
Assessing Grid Penalized Reinforcement Learning for Renewable Energy Management of Power-to-X Integrated With Intermediate Storage
Jeongdong Kim · Jonggeol Na · Joseph Sang-Il Kwon · Seongbin Ga 等6人 · IEEE Transactions on Sustainable Energy · 2025年6月
本研究通过详细案例与对比分析，探讨了在可再生能源与电价不确定性下，基于深度强化学习（DRL）的电转X（PtX）系统规划策略。提出一种融合混合储能系统的DRL小时级规划模型，采用网格惩罚奖励函数以抑制电网电力过度使用，并考虑可再生能源出力与电价的时间不确定性。利用法国国家实际数据，将该模型与规则基线模型在不同时空不确定性下进行比较。结果表明，DRL模型在全国范围内实现月利润提升1360.12%，尽管可再生能源渗透率略低，但通过提高电网惩罚强度可有效缩小渗透率差距并维持高盈利性。该研究首次量化揭示了...
解读: 该DRL驱动的可再生能源管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究提出的网格惩罚强化学习策略可直接应用于储能系统的能量管理系统（EMS），通过动态优化充放电策略，在电价波动和新能源出力不确定性下实现经济性最优。混合储能系统的小时级规划模型可集成至iSol...