找到 1 条结果 · IEEE Transactions on Industry Applications
一种面向时空城市轨道交通的混合储能系统容量优化与能量管理多任务强化学习方法
A Multi-Task Reinforcement Learning Approach for Optimal Sizing and Energy Management of Hybrid Electric Storage Systems Under Spatio-Temporal Urban Rail Traffic
Guannan Li · Siu Wing Or · IEEE Transactions on Industry Applications · 2025年1月
客流波动和延误导致的交通管制给城市轨道交通牵引网络中混合储能系统（HESS）的高效再生制动能量利用带来了巨大挑战。本文提出了一种基于多任务强化学习（MTRL）的协同HESS容量配置与能量管理优化框架，以提高动态时空城市轨道交通下HESS的经济运行水平。将不同时空牵引负荷分布下特定配置的HESS控制问题表述为多任务马尔可夫决策过程（MTMDP），并设计了一种考虑日常运营模式的迭代容量优化方法，以最小化HESS的生命周期成本（LCC）。然后，开发了一个由基于Copula的客流生成方法和结合牵引能耗 ...
解读: 该多任务强化学习框架对阳光电源轨道交通储能解决方案具有重要应用价值。可直接应用于ST系列储能变流器的容量配置优化和PowerTitan储能系统的实时能量管理策略，通过协同优化提升再生制动能量回收效率。该方法处理时空负荷波动的能力可启发iSolarCloud云平台增强预测性维护功能，将强化学习算法集成...