Yuan Gao · Zehuan Hu · Shun Yamat · Junichiro Otomo 等9人 · Applied Energy · 2025年1月 · Vol.384

摘要 可再生能源的部署以及智能能源管理策略的实施对于建筑能源系统（BES）的脱碳至关重要。尽管数据驱动的深度强化学习（DRL）在优化BES方面已取得近期进展，但仍存在显著挑战，例如缺乏针对时间序列数据观测空间的研究以及模型可解释性的不足。本文首次将未来预测信息引入DRL算法中，以构建时间序列数据的观测空间，并采用门控循环单元（GRU）和Transformer网络与DRL算法相结合，用于建筑一体化光伏与电池（BIPVB）系统的运行控制。此外，通过将前沿的Shapley加性解释（SHAP）技术与所开...

解读: 该深度强化学习优化技术对阳光电源光储一体化系统具有重要应用价值。研究中的GRU/Transformer时序预测与DRL决策框架可直接应用于ST系列储能变流器的智能调度策略,结合电价预测信息实现成本降低10%以上。SHAP可解释性分析方法可增强iSolarCloud平台的AI决策透明度,为PowerT...