Namkyoung Lee · Joohyun Wooc · Sungryul Kimbd · Applied Energy · 2025年1月 · Vol.377

摘要 海上风能作为可持续发电的核心组成部分，随着风电场规模扩大以实现成本效益，其运行面临的挑战日益加剧，其中包括必须应对由尾流效应和天气波动引起的功率波动问题。本研究提出了一种基于领域知识的深度Q网络（DQN）框架，旨在优化维护资源的分配以及维护任务的战略选择，相较于默认风况条件，发电量提升了11.1%。通过引入多种尾流模型以提高决策精度，将维护调度问题建模为马尔可夫决策过程（MDPs），以应对维护调度中的复杂性。一个显著的创新点是引入卷积层，有效加快了算法的收敛速度。结果表明，所提出的模型在提...

解读: 该深度强化学习运维调度技术对阳光电源海上风储系统具有重要应用价值。可集成至iSolarCloud平台,结合ST系列储能变流器和PowerTitan系统,通过DQN算法优化风电场功率波动补偿策略。其马尔可夫决策模型可应用于大规模储能电站的预测性维护调度,卷积神经网络加速收益与阳光GFM控制快速响应特性...