找到 98 条结果
基于稳定性保证的构网型逆变器频率调节安全强化学习
Safe Reinforcement Learning for Grid-forming Inverter Based Frequency Regulation with Stability Guarantee
Hang ShuaiBuxin SheJinning WangFangxing Li · 现代电力系统通用与清洁能源学报 · 2025年1月 · Vol.1
本研究提出一种面向构网型（GFM）逆变器频率调节的安全强化学习算法。为确保在学习控制策略下基于逆变器的资源（IBR）系统稳定性，将基于模型的强化学习（MBRL）与Lyapunov方法相结合，界定状态与动作的安全区域。通过在吸引域（ROA）内采样数据，利用近似动态规划（ADP）在保障安全的前提下提升控制性能。此外，引入高斯过程（GP）模型以增强控制器对逆变器参数不确定性的鲁棒性。数值仿真验证了所提算法的有效性。
解读: 该安全强化学习算法对阳光电源PowerTitan储能系统和ST系列储能变流器的构网型控制具有重要应用价值。研究提出的Lyapunov约束下的模型强化学习方法，可直接应用于GFM模式下的频率调节优化，在保证系统稳定性前提下提升调频性能，这与阳光电源储能系统参与电网一次调频的应用场景高度契合。引入的高斯...
基于神经网络预测器与软演员-评论家算法的电力电子变换器预测控制方法
A Predictive Control Method Based on Neural Predictor and Soft Actor–Critic for Power Converters
Chenghao Liu · Jien Ma · Xing Liu · Lin Qiu 等6人 · IEEE Transactions on Industrial Electronics · 2024年10月
本文着重于将软强化学习（RL）技术引入有限控制集模型预测控制（FCS - MPC）框架，以提升鲁棒性能。更确切地说，在神经预测器的基础上，开发了一个使用软演员 - 评论家算法训练的智能体，用于探索嵌入在MPC框架内的最优控制输入。同时，在训练过程中引入了基于李雅普诺夫函数的约束条件，并给出了相应的权重更新法则。此外，所提出的方法保证了集成了RL智能体的系统的稳定性。最后，仿真和实验结果均验证了该方法相较于现有FCS - MPC方法的优越性。
解读: 从阳光电源的核心业务视角来看，这项基于软强化学习的预测控制技术具有重要的战略价值。该方法将软演员-评论家算法与有限集模型预测控制相结合，通过神经网络预测器实现智能决策，这与我们在光伏逆变器和储能变流器中广泛应用的MPC控制策略形成了技术演进路径。 对于阳光电源的产品线，该技术的核心价值体现在三个层...
基于物理引导的强化学习进行停电缓解
Blackout Mitigation via Physics-Guided RL
Anmol Dwivedi · Santiago Paternain · Ali Tajer · IEEE Transactions on Power Systems · 2024年10月
本文研究针对系统异常的顺序校正控制策略设计，以防止停电事故。提出一种物理引导的强化学习框架，综合考虑长期稳定性影响，识别有效的实时前瞻性校正决策序列。控制空间包含离散的线路投切操作与连续的发电机调节。通过引入电力网络潮流灵敏度因子指导智能体训练过程中的探索，提升策略质量。基于Grid2Op平台的实验表明，融合物理信号显著优于黑箱方法。值得注意的是，战略性地断开部分输电线路并配合多步发电机调节，常可形成有效延缓或避免停电的长周期决策。
解读: 该物理引导强化学习框架对阳光电源PowerTitan储能系统和构网型控制技术具有重要应用价值。研究中的潮流灵敏度因子引导策略可直接应用于ST系列储能变流器的实时功率调节决策，在电网异常时通过多步序列控制优化有功/无功输出，配合线路投切信号实现主动支撑。该方法与阳光电源GFM构网型控制技术深度契合，可...
点对点太阳能与储能交易：一种基于网络化多智能体强化学习的方法
Peer-to-peer energy trading of solar and energy storage: A networked multiagent reinforcement learning approach
Chen Feng · Andrew L.Liu · Applied Energy · 2025年1月 · Vol.383
摘要 利用分布式可再生能源，特别是太阳能和储能系统，通过点对点（P2P）能源交易在本地配电网中运行，长期以来被视为提升能源系统韧性与可持续性的一种解决方案。然而，消费者和产消者（即拥有光伏系统和/或储能设备的用户）缺乏参与重复性P2P交易所需的专业知识，而可再生能源边际成本为零的特点也给公平市场价格的确定带来了挑战。为解决这些问题，本文提出多智能体强化学习（MARL）框架，以帮助自动化消费者对其光伏系统和储能资源的投标与管理行为，该框架基于一种采用供需比（supply–demand ratio）...
解读: 该多智能体强化学习框架对阳光电源ST系列储能变流器和SG光伏逆变器的协同控制具有重要价值。可将MARL算法集成到iSolarCloud平台,实现分布式光储资产的自主竞价与能量管理优化。特别是供需比清算机制与物理网络约束的结合,为PowerTitan储能系统在虚拟电厂场景下的P2P交易提供可行路径,提...
用于海上风电场维护调度的深度强化学习集成方法
A deep reinforcement learning ensemble for maintenance scheduling in offshore wind farms
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...
基于深度强化学习的移动式风力发电机分配以增强配电系统韧性
Deep Reinforcement Learning-Based Allocation of Mobile Wind Turbines for Enhancing Resilience in Power Distribution Systems
Ruotan Zhang · Jinshun Su · Payman Dehghanian · Mohannad Alhazmi 等5人 · IEEE Transactions on Sustainable Energy · 2025年6月
风能资源的广泛应用在应对气候变化中展现出显著优势。移动式风力发电机（MWT）可通过运输系统灵活部署，作为应急电源参与配电系统（PDS）灾后恢复，提升系统韧性。本文提出一种基于多智能体深度强化学习（MADRL）的MWT调度框架，采用深度Q网络（DQL）与双深度Q网络（DDQL）进行训练与对比，并引入动作限制机制以抑制风电波动影响。在锡乌福尔斯交通系统与四个IEEE 33节点配电系统耦合的案例中验证了该方法在提升灾后服务恢复能力方面的有效性。
解读: 该研究的MWT调度与深度强化学习方法对阳光电源储能产品线具有重要参考价值。首先，MADRL框架可优化ST系列储能变流器的调度策略，提升PowerTitan系统在极端天气下的应急响应能力。其次，动作限制机制的设计思路可用于改进储能PCS的功率波动抑制算法。研究中的分布式协同控制方案也可集成到iSola...
基于序的异构智能体强化学习方法用于配电网与输电网协调的负荷频率控制
Order-based Heterogeneous Agents Reinforcement Learning Method with the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月
随着大规模分布式能源（DERs）持续接入配电网（DN），DN已具备参与负荷频率控制（LFC）的能力。本文提出一种基于序的异构智能体软演员-评论家方法（OHASAC），以解决异构可控DERs间的协调问题。通过神经网络估计异构智能体的最优更新顺序，并将最优LFC问题建模为考虑DN与输电网（TN）协调的局部可观测马尔可夫博弈。模型涵盖变辐照条件下电池储能系统（BESS）与光伏（PV）的协同调频。仿真结果表明，该方法在DN-TN协同环境中能有效管理多种分布式电源，兼具优良的泛化性与可扩展性。
解读: 该异构智能体协同控制技术对阳光电源PowerTitan储能系统与SG系列光伏逆变器的协同调频具有重要应用价值。OHASAC方法可优化ST储能变流器在变辐照条件下的BESS-PV协同响应策略，提升配电侧分布式资源参与电网LFC的能力。基于序的智能体更新机制可集成至iSolarCloud平台，实现多站点...
受脑启发的协作式自动发电控制与大规模电动汽车集成
Brain-Inspired Collaborative Automatic Generation Control With Large-Scale Electric Vehicles Integration
Zhihong Liu · Lei Xi · Yue Quan · Chen Cheng 等5人 · IEEE Transactions on Sustainable Energy · 2024年10月
分布式能源、负荷与储能设备具有间歇性和强随机性，接入电网后易引发显著的频率波动。现有基于多智能体协同神经网络的控制算法易遭遇灾难性遗忘问题，难以在强随机扰动下实现最优控制。本文提出一种基于正交权重修正策略网络更新的近端受脑启发策略优化（PBPO）算法，赋予网络类脑上下文感知能力，从而加速多区域协同控制的收敛速度，有效抑制电网严重随机扰动引起的频率波动。通过大规模电动汽车接入场景下的两个负荷频率控制模型仿真验证，所提PBPO算法在收敛速度、频率稳定性及控制性能方面均优于多种强化学习算法。
解读: 该脑启发协同控制技术对阳光电源储能与充电桩产品具有重要应用价值。针对PowerTitan大型储能系统参与电网AGC调频场景，PBPO算法的抗遗忘特性可显著提升多储能站点协同响应能力，解决ST系列储能变流器在强随机扰动下的频率稳定问题。对于新能源汽车业务，该算法可优化大规模充电桩V2G协同控制策略，实...
基于混合惩罚函数增强型D3QN算法的微网低碳经济能量管理方法
Low Carbon Economic Energy Management Method in a Microgrid Based on Enhanced D3QN Algorithm With Mixed Penalty Function
Chanjuan Zhao · Yunlong Li · Qian Zhang · Lina Ren · IEEE Transactions on Sustainable Energy · 2025年1月
本文提出一种融合混合惩罚函数的增强型 Dueling Double Deep Q Network 算法（EN-D3QN-MPF），用于微网能量管理。构建包含光伏、风力发电、储能系统、电动汽车充电站、温控负荷及价格响应负荷的新型微网模型。通过结合混合惩罚函数与D3QN强化学习，动态平衡奖励权重，实现微网低碳经济运行与用户充电满意度的协同优化。基于中国东部2019年实测数据的仿真结果表明，所提方法在能量管理性能上优于遗传算法、粒子群算法、Dueling DQN、DDQN及D3QN。
解读: 该EN-D3QN-MPF算法对阳光电源微网能量管理系统具有重要应用价值。可直接应用于PowerTitan储能系统的智能调度模块，结合ST系列储能变流器实现多时间尺度的功率优化。算法融合的混合惩罚函数机制可嵌入iSolarCloud平台，协同优化SG系列光伏逆变器出力、储能充放电策略与充电桩负荷管理，...
三相双有源桥变换器效率优化的无模型深度强化学习框架
A Model-Free Deep Reinforcement Learning Framework for Efficiency Optimization of Three-Phase Dual Active Bridge Converters
Zhihao Chen · Zhen Li · Sijia Huang · Haoyu Chen 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
针对三相双有源桥(3p-DAB)变换器效率优化面临的挑战,现有数学推导和人工智能方法依赖复杂耗时的解析或数据驱动建模增加开发复杂度。提出基于深度强化学习的无模型优化框架,通过系统交互直接学习策略而无需电气参数显式建模,显著减少开发时间并确保优化性能。参数敏感性分析验证不同变换器条件下的强泛化性。开发深度确定性策略梯度算法退化变体用于3p-DAB单步决策优化,配合AI驱动占空比控制策略提升效率。与先进数学分析和数据驱动方法的综合对比验证了所提方法的有效性。
解读: 该深度强化学习DAB优化技术对阳光电源智能变换器开发有重要创新价值。无模型优化框架可应用于ST储能变流器的DAB模块效率优化,减少建模工作量并加快产品开发周期。深度确定性策略梯度算法对PowerTitan大型储能系统的多模块协调控制有借鉴意义,可实现自适应效率优化。该技术对阳光电源AI驱动的iSol...
受脑启发的深度强化学习在复合干扰下电力系统负荷频率控制中的应用
Brain-Inspired Deep Reinforcement Learning for Load Frequency Control of Power Systems With Composite Interference
Xiaoming Sun · Chen Peng · Xinchun Jia · Yajian Zhang · IEEE Transactions on Industrial Informatics · 2025年4月
本文针对存在内部噪声和外部负荷波动复合干扰的电力系统，提出了一种受大脑启发的基于深度强化学习（DRL）的负荷频率控制框架。具体而言，受人类大脑决策过程的启发，系统状态的一些历史、当前和未来特征被充分提取到经验池中，以便深度强化学习智能体进行高效训练。同时，设计了一种渐进式训练机制，通过逐步增加训练目标将训练过程划分为多个阶段，以减少训练过程中的盲目性。此外，针对复合干扰，预先学习一些模拟干扰，以提高深度强化学习智能体的适应性。在单发电机组电力系统上的实验结果表明，所提出的方法能够在复合干扰下有效...
解读: 从阳光电源的业务视角来看，这项基于脑启发式深度强化学习的负荷频率控制技术具有重要的战略价值。随着公司光伏逆变器和储能系统在全球电网中的装机规模持续扩大，如何应对新能源接入带来的频率波动问题已成为核心技术挑战。 该技术的创新点与阳光电源的实际需求高度契合。首先，其针对"内部噪声与外部负荷波动复合干扰...
基于物理信息强化学习的可再生能源实时最优潮流控制
Physics-Informed Reinforcement Learning for Real-Time Optimal Power Flow With Renewable Energy Resources
Zhuorui Wu · Meng Zhang · Song Gao · Zheng-Guang Wu 等5人 · IEEE Transactions on Sustainable Energy · 2024年8月
针对可再生能源大规模接入带来的强不确定性，电力系统调度对实时性提出了更高要求。为实现实时环境下经济且可行的发电运行，本文提出一种基于约束强化学习（CRL）的物理信息强化学习（PIRL）方法用于最优潮流（OPF）求解。该方法设计了基于潮流方程的物理信息执行器，确保生成满足等式约束的发电方案，并通过在策略梯度中引入不等式约束来修正不可行动作。特别地，与传统CRL中使用网络逼近不同，所提方法可直接基于执行器输出精确计算约束相关成本。在IEEE 118节点系统上的仿真结果表明，该方法在获得相近发电成本的...
解读: 该物理信息强化学习技术对阳光电源储能与光伏并网系统具有重要应用价值。针对PowerTitan大型储能系统和SG系列光伏逆变器的实时功率调度，该方法可嵌入iSolarCloud云平台，实现毫秒级最优潮流计算，显著优于传统优化算法。其约束强化学习框架可直接应用于储能变流器的多目标协调控制，在满足电网安全...
基于深度强化学习的Vienna整流器PMSG风力发电系统性能优化控制方案
Deep Reinforcement Learning-Based Control Scheme for Performance Enhancement of PMSG Wind Turbine With Vienna Rectifier
Yucheng Du · Bin Cai · Shaomin Yan · Weiyu Zhang 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年9月
提出一种基于深度强化学习（DRL）的新型控制方案，以提升采用Vienna整流器的永磁同步发电机（PMSG）在风力发电系统中的运行性能。针对PMSG定子电流谐波及Vienna整流器中点电压波动问题，设计了基于风速、具有变权重系数的奖励函数，并构建以风速为首要观测状态的快速响应Agent模型，以降低外部环境干扰。通过构建多样化的随机训练环境，增强系统对不同风速变化场景的适应能力。采用双延迟深度确定性策略梯度（TD3）算法进行离线训练。仿真与实验结果表明，该方案在不同风速下控制误差小，显著提升了电能质...
解读: 该研究提出的基于DRL的Vienna整流器控制方案对阳光电源的风电变流器和储能变流器产品线具有重要参考价值。特别是其针对电流谐波和中点电压波动的优化思路，可应用于ST系列储能变流器的三电平拓扑控制。研究中基于风速的变权重奖励函数设计方法，对改进公司产品在复杂工况下的控制性能具有启发意义。该方案通过T...
基于斯塔克尔伯格博弈的软演员评论家-深度强化学习方法用于锂离子电池及冷却系统的快速充电管理
Fast Charging Management of a Lithium-Ion Battery and Cooling System: A Stackelberg Game-Based Soft Actor Critic−Deep Reinforcement Learning Method
Hongrong Yang · Quanyi Chen · Xiaoying Shi · Yinliang Xu 等5人 · IEEE Transactions on Industrial Electronics · 2025年5月
本文提出了一种针对锂离子电池和冷却系统的快速充电管理策略，旨在解决在多种物理约束条件下实现快速充电，同时将冷却能耗和电池老化降至最低的难题。将电池与冷却系统之间的复杂耦合关系构建为基于斯塔克尔伯格博弈的双层优化框架，以反映充电和冷却过程的顺序交互。为此，开发了一种基于斯塔克尔伯格博弈的软演员 - 评论家深度强化学习方法，并对其收敛性进行了严格证明，确保了该方法的可靠性。大量实验结果验证了该方法的有效性，表明其优于现有先进策略，包括单智能体深度强化学习、贝叶斯方法以及恒流 - 恒压（CCCV） -...
解读: 从阳光电源的业务视角来看，这项基于Stackelberg博弈和深度强化学习的快充管理技术具有重要的战略价值。该技术通过将电池充电与热管理系统的耦合关系建模为双层优化框架，实现了充电速度、能耗控制和电池寿命之间的动态平衡，这与我司储能系统的核心技术需求高度契合。 在储能业务层面，该技术可直接应用于我...
生成式人工智能的演进：趋势与应用
The Evolution of Generative AI: Trends and Applications
Maria Trigka · Elias Dritsas · IEEE Access · 2025年1月
生成式AI通过实现文本、图像、音频和结构化数据的高保真内容创建彻底革新AI领域。本综述探讨生成式AI的核心方法、进展、应用和持续挑战，涵盖变分自编码器、生成对抗网络、扩散模型和Transformer架构等关键模型。这些创新推动医疗、科学计算、自然语言处理、计算机视觉和自主系统的突破。尽管取得进展，生成式AI在偏见缓解、可解释性、计算效率和伦理治理方面面临挑战，需要研究可扩展架构、可解释性和AI安全机制。整合强化学习、多模态学习和自监督技术增强生成模型可控性和适应性。随着AI重塑工业自动化、数字媒...
解读: 该生成式AI综述对阳光电源智能化转型具有战略指导意义。阳光可将生成式AI应用于多个领域：电站运维中的故障诊断报告自动生成、光伏发电预测模型优化、储能调度策略智能生成等。结合阳光iSolarCloud平台的海量数据，可构建电力电子领域专用大模型，提升系统智能化水平，加速产品设计和运维优化，推进数字化转...
基于模型优化的残差深度强化学习在逆变器型电压-无功控制中的应用
Residual Deep Reinforcement Learning With Model-Based Optimization for Inverter-Based Volt-Var Control
Qiong Liu · Ye Guo · Lirong Deng · Haotian Liu 等6人 · IEEE Transactions on Sustainable Energy · 2024年9月
提出一种基于近似模型驱动优化的残差深度强化学习（RDRL）方法，用于主动配电网中的逆变器型电压-无功控制（IB-VVC）。通过改进的马尔可夫决策过程统一建模模型驱动与RDRL方法，RDRL在模型基策略动作基础上学习残差动作。该方法继承了近似模型优化的控制能力，并通过残差策略学习增强策略优化性能。由于实际中获取的近似模型通常较为可靠，模型优化所得动作接近最优，从而缩小残差动作搜索空间，提升评论器逼近精度并降低执行器搜索难度。仿真结果表明，RDRL在学习过程中显著提升优化性能，并在69节点和141节...
解读: 该残差深度强化学习方法对阳光电源ST系列储能变流器和PowerTitan大型储能系统的电压-无功控制具有重要应用价值。技术可直接应用于：1）ST系列储能变流器的智能VVC控制策略，通过残差学习优化逆变器无功输出，提升电网电压支撑能力；2）PowerTitan储能系统的多机协调控制，在iSolarCl...
基于多智能体深度强化学习的氢储能系统参与式分散电压控制
Hydrogen Energy Storage System Participated Decentralized Voltage Control With Multi-Agent Deep Reinforcement Learning Method
Xian Zhang · Changlei Gu · Hong Wang · Guibin Wang 等6人 · IEEE Transactions on Industry Applications · 2025年1月
随着电力电子技术的发展，智能逆变器和储能系统正逐步应用于有源配电网（ADN）的电压调节。本文将氢能储能系统（HESS）纳入配电网电压控制，并提出一种协同电压控制框架。首先，考虑不同电压调节设备的特性，构建了一个双时间尺度电压控制问题。对HESS进行精确建模并引入快速时间尺度。为了实现该问题的分散高效求解，将其重新表述为双时间尺度马尔可夫博弈问题，然后提出一种改进的多智能体软演员 - 评论家（MASAC）算法来求解。具体而言，将优先经验回放引入MASAC算法，即PER - MASAC，以增强训练过...
解读: 该多智能体深度强化学习的分散电压控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。氢储能系统的无功调节策略可直接迁移至电化学储能PCS控制，增强ST储能变流器在配电网中的自主电压支撑能力。多智能体协同框架可应用于PowerTitan多机并联场景，实现分布式协同控...
基于深度强化学习的考虑网络重构的多时间尺度电压/无功控制
Deep Reinforcement Learning Based Multi-Timescale Volt/Var Control in Distribution Networks Considering Network Reconfiguration
Hexiang Peng · Kai Liao · Jianwei Yang · Bo Pang 等5人 · IEEE Transactions on Sustainable Energy · 2025年5月
针对配电网中不同响应特性的设备带来的多时间尺度电压/无功控制（VVC）难题，本文提出一种新型双层数据驱动的多时间尺度VVC方法。该方法将光伏等连续型设备的短时间尺度控制与电容器组及网络重构等离散型设备的长时间尺度控制相协调，构建双层部分可观测马尔可夫决策过程（POMDP）模型。内层采用TD3算法控制连续变量，外层利用DDQN算法处理离散动作与网络重构。通过统一奖励信号并传递内层动作为外层状态实现协同训练，并引入图神经网络（GNN）识别代表性拓扑以缩减重构空间，抑制过度探索。在IEEE 33节点和...
解读: 该多时间尺度Volt/Var控制技术对阳光电源配电侧产品具有重要应用价值。在SG系列光伏逆变器中，可利用TD3算法实现连续无功功率的快速调节，优化现有MPPT算法与无功控制的协同；在ST系列储能变流器及PowerTitan大型储能系统中，可通过DDQN算法协调储能充放电与电容器组的离散控制决策。该方...
基于深度强化学习的储能控制用于区域间振荡阻尼
Deep Reinforcement Learning-Based Control of Energy Storage for Interarea Oscillation Damping
Abu Shouaib Hasan · Rui Fan · Di Wu · IEEE Transactions on Industrial Informatics · 2025年2月
随着电力消耗的不断增加以及输电投资的不足，如今的电力系统运行状态更接近其极限，这引发了对影响系统稳定性的区域间振荡问题的担忧。本文提出了一种用于增强区域间振荡阻尼的新型储能配置与控制方法。通过结合留数分析和主导模式分析，我们能够确定有利于提升阻尼性能的储能配置位置。为应对控制参数固定和阻尼不足等挑战，我们提出采用基于深度强化学习的方法进行储能控制。利用先进的基于引导替代梯度的进化策略，以稳健、高效且可重复的方式训练学习智能体。同时采用并行计算来加快训练过程。所提出的策略已在中型和大型系统上进行了...
解读: 从阳光电源储能系统业务视角来看，这项基于深度强化学习的区域间振荡抑制技术具有重要战略价值。随着新能源渗透率提升和电网运行接近极限状态，区域间振荡已成为威胁大规模新能源并网稳定性的关键问题，这与我司储能系统的核心应用场景高度契合。 该技术的核心价值在于两个维度的突破：首先，通过残差分析与主导模态分析...
基于多智能体深度强化学习的含电池更换站的微电网群交易能源管理
Multiagent Deep Reinforcement Learning for Transactive Energy Management of MMGs Incorporating Battery Swapping Stations
Ting Cai · You Zhang · Yuxin Wu · Haoyuan Yan 等5人 · IEEE Transactions on Industrial Informatics · 2025年4月
微电网（MGs）与换电站（BSSs）之间的最优能源管理可带来显著的经济效益。然而，由于分布式可再生能源和新兴负荷的时空不确定性以及信息不完整，现有研究在制定微电网与换电站之间的最优交互策略方面面临挑战。本文采用混合多智能体深度强化学习方法解决多微电网与多换电站之间的能源交易问题，以实现运营成本最小化。具体而言，引入了一个分层的交易能源管理社区，在考虑不同利益相关者利益的情况下，促进多微电网与换电站之间的能源交换。该问题被建模为部分可观测马尔可夫博弈。所提出的混合算法将多智能体近端策略优化算法（M...
解读: 从阳光电源的业务角度看，这项基于多智能体深度强化学习的能源交易管理技术，与公司在储能系统和综合能源解决方案领域的战略布局高度契合。该技术通过MAPPO-DDQN混合算法实现多微网与换电站间的优化能源调度，平均降低13.71%的微网运营成本并提升14.62%的换电站收益，这为阳光电源的储能系统集成和能...
第 2 / 5 页