找到 98 条结果
基于强化学习的CANFIS控制器自适应切负荷用于频率恢复准则导向控制
Reinforcement Learning Based Adaptive Load Shedding by CANFIS Controllers for Frequency Recovery Criterion-Oriented Control
Hao Yang · Bo Jin · Zhaohao Ding · Zhenglong Sun 等6人 · IEEE Transactions on Power Systems · 2024年5月
为满足电网导则中严格的频率恢复准则（FRC），本文提出一种面向受端电网的实时自适应切负荷方法。构建基于协同自适应神经模糊推理系统（CANFIS）的切负荷控制器，以母线频率的幅值偏差和恢复时间偏差作为反馈信号，实现智能切负荷决策。引入基于强化学习的确定性策略梯度（DPG）算法优化控制器性能，在最小切负荷成本下确保频率恢复满足FRC，并提升鲁棒性。通过在负荷站部署CANFIS控制器形成分散式控制策略，可实时自适应决策切负荷的时机、位置、量值与轮次。省级受端电网仿真验证了该方法的有效性与适应性。
解读: 该自适应切负荷技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。CANFIS控制器结合强化学习的频率响应策略可直接集成到储能系统的电网支撑功能中，增强构网型GFM控制的频率调节能力。通过实时监测母线频率偏差，储能系统可智能决策放电功率和持续时间，在满足电网FRC要求的同...
深度强化学习与无静差混合控制方法在考虑非线性功率损耗和模型失配的混合储能系统中的应用
Deep Reinforcement Learning and Deadbeat Hybrid Control Method for Hybrid Energy Storage System Considering Nonlinear Power Loss and Model Mismatch
Yanyu Zhang · Pengpeng Li · Xibeng Zhang · Feixiang Jiao 等6人 · IEEE Transactions on Industrial Informatics · 2025年1月
摘要：微电网应用中的混合储能系统（HESS）需进行控制，以平衡发电侧与负载侧之间的功率。然而，转换过程中的功率损耗和模型参数不匹配会影响控制性能。为此，本文提出一种结合深度强化学习的混合储能系统无差拍控制算法。在该方法中，将非线性功率损耗和模型不匹配导致的混合储能系统最优电流参考值的变化视为集中扰动，可由深度确定性策略梯度智能体进行补偿，无差拍控制则基于精确的参考电流生成最优占空比，以消除系统稳态误差并提高动态响应速度。通过仿真和硬件实验验证了所提算法的有效性。结果表明，稳态误差可保持在 1%以...
解读: 从阳光电源储能系统业务视角来看，这项结合深度强化学习与无差拍控制的混合储能技术具有显著的工程应用价值。该技术直击当前储能系统面临的两大核心痛点：非线性功率损耗和模型参数失配，这些问题在我们的光储一体化项目中普遍存在，直接影响系统效率和电能质量。 技术层面，该方法通过深度确定性策略梯度（DDPG）算...
知识增强的群体深度强化学习用于大规模电网实时网络约束经济调度
Knowledge-Augmented Population-Based Deep Reinforcement Learning for Real-Time Network-Constrained Economic Dispatch of Large-Scale Power Grid
Yixi Chen · Jizhong Zhu · Hanjiang Dong · Cong Zeng 等5人 · IEEE Transactions on Power Systems · 2025年6月
近年来，深度强化学习（DRL）因其在在线前瞻决策和应对不确定性方面的优势，被广泛应用于实时网络约束经济调度（NCED）。然而，传统DRL方法在计算效率与并行性方面存在局限，难以适应大规模电网环境。为此，本文提出一种新型知识增强的群体深度强化学习（PDRL）方法。PDRL通过扰动代理参数生成种群进行探索，并聚合个体结果构建代理梯度以更新模型，具有高效探索能力与高并行性。结合电网物理知识，提出序贯安全投影（S2P）技术，显著提升决策安全性并降低训练难度。在39节点、500节点和2383节点系统上的仿...
解读: 该知识增强群体深度强化学习技术对阳光电源PowerTitan大型储能系统及iSolarCloud云平台具有重要应用价值。在储能侧，PDRL的高并行性与序贯安全投影技术可优化ST系列储能变流器的实时调度策略，确保大规模储能电站在电网约束下实现经济最优充放电决策，提升电网友好性。在光伏侧，该方法可集成至...
微电网的统一物理信息神经网络框架及其在电压稳定性分析中的应用
Uniform Physics Informed Neural Network Framework for Microgrid and Its Application in Voltage Stability Analysis
Renhai Feng · Khan Wajid · Muhammad Faheem · Jiang Wang 等6人 · IEEE Access · 2025年1月
本文聚焦物理信息神经网络PINN在光伏PV、风电和储能设备模型参数提取中的应用。准确提取这些模型参数对有效控制和优化重庆电力系统CPS整体稳定性至关重要。尽管提出众多算法解决该问题，准确可靠提取参数仍是重大挑战。本文提出改进PINN命名为统一物理信息神经网络UPINN，采用基于近端策略优化PPO的强化学习进行参数提取。UPINN通过四种策略克服PINN困难：反馈算子、GRU门控机制、历史种群传递算子和PPO辅助强化学习修正因子。UPINN模型迭代训练以最大化参数和减少RMSE。UPINN准确提取...
解读: 该物理信息神经网络技术对阳光电源设备建模和电网分析有重要应用价值。阳光iSolarCloud平台管理海量光伏储能设备，需要准确的设备模型进行仿真和优化。UPINN参数提取方法可应用于阳光设备数字孪生模型的自动标定。强化学习PPO算法对阳光智能控制策略优化有借鉴意义。电压稳定性监测是阳光储能系统电网支...
基于图元强化学习的高比例光伏接入智能配电网自主电压调节
Autonomous Voltage Regulation for Smart Distribution Network With High-Proportion PVs: A Graph Meta-Reinforcement Learning Approach
Leijiao Ge · Jingjing Li · Luyang Hou · Jingang Lai · IEEE Transactions on Sustainable Energy · 2025年5月
高比例分布式光伏接入的智能配电网常面临严峻的电压质量问题。深度强化学习（DRL）无需显式建模即可实现优化控制，但在应用于此类系统时易受环境不稳定和智能体学习不均衡等问题影响。本文将电压控制建模为部分可观测马尔可夫决策过程，提出一种基于图卷积网络的多智能体元强化学习算法，融合元学习以提升智能体对他人行为的预测能力，缓解环境非稳性；通过引入自关注机制与值分解方法改善学习不均衡。在IEEE 33、141和322节点系统上的实验验证了所提方法的有效性，并优于五种主流多智能体DRL及模型预测控制方法。
解读: 该图元强化学习电压调节技术对阳光电源SG系列光伏逆变器和ST储能系统具有重要应用价值。可直接应用于分布式光伏并网场景的智能电压控制：1）通过多智能体协同优化，提升SG逆变器在高渗透率光伏配电网中的无功调节能力，解决传统MPC建模复杂、计算负荷高的问题；2）结合ST储能变流器的有功-无功协调控制，实现...
基于深度强化学习的可再生能源与储能系统在多电力市场中最大化收益策略
Deep reinforcement learning-based strategy for maximizing returns from renewable energy and energy storage systems in multi-electricity markets
Javier Cardo-Miota · Hector Beltran · Emilio Pérez · Shafi Khadem 等5人 · Applied Energy · 2025年1月 · Vol.388
摘要 可再生能源（RES）与储能系统（ESS）的集成在优化其参与电力市场的过程中带来了挑战与机遇。本研究提出了一种新方法，利用深度强化学习（RL）算法为共址配置的可再生能源与电池储能系统（BESS）开发最优投标策略，实现同时参与电能量市场和辅助服务（AS）市场的多市场运作。所提出的方法采用马尔可夫决策过程（MDP）框架，根据市场状况和技术约束动态管理BESS的使用。作为强化学习智能体，采用了名为双延迟深度确定性（TD3）策略梯度算法的Actor-Critic方法。数据驱动的训练过程有助于模型学习...
解读: 该深度强化学习多市场竞价策略对阳光电源ST系列储能变流器及PowerTitan系统具有重要应用价值。研究中TD3算法实现的动态BESS调度与我司储能系统的智能能量管理高度契合,可集成至iSolarCloud平台实现日前市场与辅助服务的联合优化。案例中光储协同参与调频备用服务的模式,可直接应用于我司1...
一种物理信息辅助的深度强化学习方法用于大规模TSV阵列的信号与电源完整性优化
A Physics-Assisted Deep Reinforcement Learning Methodology for Signal and Power Integrity Optimization of Large-Scale TSV Arrays
Bingheng Li · Ling Zhang · Hanzhi Ma · Li Jiang 等6人 · IEEE Transactions on Components, Packaging and Manufacturing Technology · 2025年5月
高带宽内存（HBM）中硅通孔（TSV）阵列的信号完整性（SI）和电源完整性（PI）优化对于提高系统可靠性至关重要。然而，以往的研究大多侧重于单独的 SI 或 PI 优化，尚未实现具有良好收敛性的 SI/PI 优化。基于 TSV 阵列 SI/PI 优化的物理机制，本文提出了一种新颖的物理辅助深度强化学习（DRL）方法。开发了一种分治策略来处理大规模 TSV 阵列。利用物理机制设计 DRL 方法的细节，从而将不同的优化场景（SI 优化、PI 优化和 SI/PI 协同优化）统一到一个单一的过程中，设计...
解读: 从阳光电源的业务视角来看，这项基于物理辅助深度强化学习的硅通孔（TSV）阵列信号与电源完整性优化技术，对我们的高功率密度产品开发具有重要参考价值。 在光伏逆变器和储能变流器领域，功率半导体模块的集成度不断提升，多芯片封装和3D集成技术正成为提高功率密度的关键路径。该论文针对高带宽存储器中TSV阵列...
家庭电池储能系统在配电网中控制的机器学习与MPC方法比较
Comparison of machine learning and MPC methods for control of home battery storage systems in distribution grids
Felicitas Mueller · Stevende Jongh · Claudio A.Cañizares · Thomas Leibfried 等5人 · Applied Energy · 2025年1月 · Vol.400
本文在主动配电网的影响及其交互作用背景下，提出并比较了采用传统优化技术与最先进的机器学习方法实现的家庭能源管理系统控制策略。首先介绍了基于模型预测控制算法的模型驱动方法，并将其在不同预测精度条件下与基于模仿学习和强化学习的无模型方法进行对比。以一种实用的、当前最先进的启发式规则控制器作为基准。通过目标函数值、电网约束违反情况以及计算时间等指标进行了深入比较。讨论了将这些家庭能源管理系统应用于一个包含13个连接住户的真实德国低压基准电网时的结果，每个住户均配备光伏发电、电池储能系统及电力负荷。结果...
解读: 该研究对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要参考价值。文章对比了MPC模型预测控制与机器学习方法在家庭储能系统中的应用效果,验证了模仿学习在计算效率与性能间的最佳平衡。建议将此技术融入iSolarCloud平台的智能控制算法,通过强化学习优化多户储能系统的协同调...
数字孪生与TD3算法实现车联网中电动汽车能量管理优化
Digital Twin and TD3-Enabled Optimization of xEV Energy Management in Vehicle-to-Grid Networks
Irum Saba · Abdulraheem H. Alobaidi · Sultan Alghamdi · Muhammad Tariq · IEEE Access · 2025年1月
电动汽车快速普及需优化储能系统管理以提升性能、寿命和可靠性。传统ESS管理方法在实时状态估计、能量优化和预测性维护方面存在困难，导致电池利用和可持续性效率低下。本文提出先进ESS框架，集成数字孪生DT技术和双延迟深度确定性策略梯度TD3算法（源自DDPG的最先进强化学习方法）。该集成实现关键ESS状态（SOC、SOH、SOE和RUL）的精确实时估计，增强预测性维护和运营效率。所提框架促进主动电池健康监控，生成潜在故障早期预警，通过DT驱动ESS控制实现智能电池更换。通过动态调整ESS控制策略，T...
解读: 该数字孪生技术对阳光电源新能源汽车业务具有重要价值。阳光OBC车载充电机和BMS系统需要精准的电池状态估计和智能能量管理。该研究的DT-TD3框架可集成到阳光车辆能量管理系统，实现99.8%的高精度SOC/SOH估计，优化充电策略和电池寿命管理。在V2G车网互动场景下，该技术可预测电池健康状态，智能...
基于鲁棒深度强化学习的考虑输电网电压波动的多馈线配电网分布式电压控制
Distributed voltage control for multi-feeder distribution networks considering transmission network voltage fluctuation based on robust deep reinforcement learning
Zhi Wu · Yiqi Li · Xiao Zhang · Shu Zheng 等5人 · Applied Energy · 2025年1月 · Vol.379
摘要 在多馈线配电网中，区域间光伏出力与负荷需求的功率平衡问题更加复杂。为解决上述问题，本文提出一种基于鲁棒深度强化学习的多智能体分布式电压控制策略，以降低电压偏差。将整个多馈线配电网划分为主智能体和多个子智能体，建立了一种考虑输电网电压波动及其对应功率波动的多智能体分布式电压控制模型。主智能体基于子智能体上传的信息，将输电网电压波动及相应功率波动的不确定性建模为对系统状态的扰动，并采用鲁棒深度强化学习方法确定有载调压变压器分接头的位置。进一步地，各子智能体利用二阶锥松弛技术调节每条馈线上逆变器...
解读: 该多馈线分布式电压控制技术对阳光电源ST系列储能变流器和SG系列光伏逆变器具有重要应用价值。论文提出的主从代理架构可应用于iSolarCloud平台,实现毫秒级电压调节决策。鲁棒深度强化学习方法可增强PowerTitan储能系统应对电网电压波动的能力,二阶锥松弛技术优化逆变器无功输出与阳光电源现有M...
基于鲁棒软演员-评论家算法的时空相关性风险调度方法
Risk-Based Dispatch of Power Systems Incorporating Spatiotemporal Correlation Based on the Robust Soft Actor-Critic Algorithm
Jianbing Feng · Zhouyang Ren · Wenyuan Li · IEEE Transactions on Power Systems · 2024年11月
基于安全深度强化学习（SDRL），本文提出一种考虑时空相关性的风险调度方法（SC-RD），同时建模违规风险的时间相关性与风电不确定性的空间相关性。为此设计了一种新型鲁棒软演员-评论家算法（R-SAC），无需近似或不确定性分布假设，即可在线求解非线性、非凸且含积分形式的SC-RD模型。通过构建鲁棒约束马尔可夫决策过程（R-CMDP），将违规风险作为智能体探索成本，并以成本的CVaR作为安全探索的风险指标。引入二阶中心矩评估模块高效估计CVaR，并结合加速原对偶优化实现最大熵自适应学习。在IEEE-...
解读: 该研究提出的时空相关性风险调度方法对阳光电源的储能与风电产品具有重要应用价值。R-SAC算法可优化ST系列储能变流器的调度策略,提升PowerTitan大型储能系统在风电场景的运行稳定性。具体而言:(1)可应用于储能电站EMS的调度优化,提高储能容量配置合理性;(2)可集成到iSolarCloud平...
风电场在中长期滚动交易中的策略性投标：一种双层多智能体深度强化学习方法
Strategic bidding of wind farms in medium-to-long-term rolling transactions: A bi-level multi-agent deep reinforcement learning approach
Yi Zheng · Jian Wang · Chengmin Wang · Chunyi Huang 等6人 · Applied Energy · 2025年1月 · Vol.383
摘要 随着可再生能源在电力市场中渗透率的不断提高，边际电价受到抑制，给风电生产商的盈利能力带来了挑战。为此，有效的中长期（MLT）滚动交易能够对冲现货市场价格风险，提升盈利水平。然而，传统的投标方法往往难以捕捉风电出力及交易动态在较长时间跨度内的复杂不确定性。本文提出了一种专为优化风电中长期滚动交易而设计的双层多智能体深度强化学习（DRL）方法。该方法创新性地将Black–Scholes模型与Hamiltonian函数相结合，构建了一个最优决策框架，能够在短期投标效率与长期战略定位之间实现平衡。...
解读: 该深度强化学习竞价策略对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过双层多智能体优化框架,可提升风储联合系统在中长期电力市场的收益能力,有效对冲现货价格风险。其时空建模技术可集成至iSolarCloud平台,实现储能参与市场交易的智能决策,优化充放电策略。结合阳光电...
面向区域建筑能源系统的智能化管理：一种结合深度强化学习的混合储能框架
Towards intelligent management of regional building energy systems: A framework combined with deep reinforcement learning for hybrid energy storage
Rendong Shena1 · Ruifan Zhengb1 · Dongfang Yangc · Jun Zhaob · Energy Conversion and Management · 2025年1月 · Vol.329
摘要 可再生能源的应用 increasingly被视为应对建筑能耗快速增长的有效解决方案。将储能装置集成到建筑能源系统中，能够有效缓解可再生能源带来的不确定性，并增强能源供需之间的平衡能力。与单一储能系统相比，混合储能具有更高的调节潜力和灵活性。然而，由于增加了调节变量，控制策略的复杂性显著上升，带来了巨大挑战。此外，现有研究往往忽视了热泵与储热装置之间的相互作用效应。针对上述问题，本研究以天津某区域能源系统为研究对象，该系统集成了可再生能源发电、地源热泵以及混合储能装置。研究中充分考虑地源热泵...
解读: 该混合储能智能管理技术对阳光电源ST系列PCS及PowerTitan储能系统具有重要应用价值。研究中的多智能体深度强化学习算法可应用于优化我司储能系统与地源热泵的协调控制,提升23.64%系统收益和27.96%新能源利用率的成果,为iSolarCloud平台集成AI优化算法提供创新方向。特别是混合储...
人工智能在聚光光伏热系统发展中的综合研究进展
A comprehensive review on the artificial intelligence for the development of thermal concentrating photovoltaic systems
Mohammad Karimzadeh Kolamroudi · Oluwasegun Henry Jaiyeob · Mustafa Ilkan · Babak Safaeie · Solar Energy · 2025年1月 · Vol.301
摘要 在气候危机加剧和化石燃料枯竭的背景下，太阳能有望成为一种关键的可再生能源。尽管传统光伏（PVs）的效率有限，但聚光光伏-热（CPV/T）系统能够同时发电和产热，实现60%至80%的总效率，显著高于单独使用光伏系统所达到的效率。然而，CPV/T系统的性能高度依赖于辐照度波动、电池温度和跟踪误差等运行参数，这限制了其在实际应用中的广泛部署。人工智能（AI）技术，包括深度神经网络（DNNs）、强化学习（RL）以及混合算法，通过实现自适应热管理、故障检测、实时优化和高精度太阳跟踪，有效解决了上述问...
解读: 该CPV/T系统AI优化技术对阳光电源具有重要借鉴价值。文中深度神经网络实现的实时优化、故障检测和预测性维护技术,可直接应用于SG系列逆变器的MPPT算法优化和iSolarCloud平台的智能运维功能增强。AI驱动的热管理控制提升35%以上热稳定性的成果,对ST系列储能变流器的温控策略和PowerT...
基于深度强化学习的风光水储混合能源系统长短周期协调调度
Long-Term and Short-Term Coordinated Scheduling for Wind-PV-Hydro-Storage Hybrid Energy System Based on Deep Reinforcement Learning
Huaiyuan Zhang · Kai Liao · Jianwei Yang · Zhe Yin 等5人 · IEEE Transactions on Sustainable Energy · 2025年1月
针对多时间尺度调度复杂的风光水储混合能源系统，传统长期调度策略常削弱短期调节能力，导致资源浪费与电力短缺。本文提出一种将短期运行特性嵌入长期调度规则的协同框架，将长期调度建模为马尔可夫决策过程，并在每一步耦合基于优化模型生成的短期发电计划。通过融合数据驱动与模型驱动方法，利用深度强化学习简化长期决策，结合混合整数线性规划确保短期约束满足。实证表明，该方法使弃电率由11.67%降至0.63%，切负荷率从3.3%降至0.69%，显著优于传统方法。
解读: 该深度强化学习协调调度技术对阳光电源PowerTitan储能系统和iSolarCloud云平台具有重要应用价值。研究提出的长短周期协同框架可直接集成到ST系列储能变流器的能量管理系统中，通过MDP建模和DRL算法优化多时间尺度调度决策，显著降低弃电率（11.67%→0.63%）和切负荷率（3.3%→...
一种基于在线强化学习的集中式控制微电网能量管理策略
An Online Reinforcement Learning-Based Energy Management Strategy for Microgrids With Centralized Control
Qinglin Meng · Sheharyar Hussain · Fengzhang Luo · Zhongguan Wang 等5人 · IEEE Transactions on Industry Applications · 2024年7月
为解决可再生能源，尤其是风能和太阳能显著的不可预测性和间歇性问题，本文提出了一种基于在线强化学习的新型优化模型。首先，考虑到风电 - 光伏储能系统（WPESS）固有的挑战，设计了一个能源管理优化模型，以实现计划执行并最小化储能（ES）运行成本。采用在线强化学习框架，为能源管理优化模型定义了各种状态变量、动作变量和奖励函数。应用状态 - 动作 - 奖励 - 状态 - 动作（SARSA）算法来学习微电网系统的联合调度策略，利用其迭代探索机制并与环境进行交互。该策略旨在实现有效功率跟踪和减少储能充放电...
解读: 从阳光电源的业务视角来看，这项基于在线强化学习的微电网能量管理技术具有重要的战略价值。该技术针对风光储系统的不确定性和间歇性问题，提出了SARSA算法驱动的实时优化方案，这与我司在光储一体化解决方案领域的核心需求高度契合。 在产品应用层面，该技术可直接赋能我司的PowerStack储能系统和微电网...
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...
基于无模型深度强化学习的微电网能量管理
Energy Management in Microgrids Using Model-Free Deep Reinforcement Learning Approach
Odia A. Talab · Isa Avci · IEEE Access · 2025年1月
随着智能电网技术的发展，微电网在整合风能、太阳能等可再生能源方面发挥着关键作用。然而，可再生能源的间歇性及电动汽车与快充站负荷的增长，给微电网运行的稳定性与效率带来挑战。本文提出一种无模型的实时能量管理策略，无需传统不确定性建模即可应对源荷双重不确定性。将问题建模为马尔可夫决策过程，并采用基于Actor-Critic架构的深度确定性策略梯度算法实现动态优化。仿真结果表明，该方法总成本降至51.8770 €ct/kWh，较Dueling DQN和DQN分别降低3.19%和4%，验证了其在现代微电网...
解读: 该无模型深度强化学习能量管理技术对阳光电源微电网解决方案具有重要应用价值。可直接应用于PowerTitan储能系统与ST系列储能变流器的能量调度优化，通过DDPG算法实现光伏-储能-充电桩的实时协同控制，无需复杂的不确定性建模即可应对源荷波动。该方法可集成至iSolarCloud云平台，提升微电网E...
深度强化学习作为多能系统中能量流分析与优化的工具
Deep reinforcement learning as a tool for the analysis and optimization of energy flows in multi-energy systems
Andrea Franzos · Gabriele Fambr · Marco Badam · Energy Conversion and Management · 2025年1月 · Vol.341
摘要 深度强化学习算法不仅有助于开发优化的控制策略，而且可作为探索复杂问题并揭示非显而易见控制方案的有力工具。本文研究了深度强化学习在高比例可再生能源渗透条件下对多能系统进行优化的应用。关键的能量转换技术，如热电联产、电池储能系统、热泵和电转气技术，实现了不同能源网络之间的双向能量交换，从而促进了运行协同效应。由于这些互联关系导致各能源部门之间的相互依赖性，某一领域内的能量流动会显著影响其他领域的流动，因而增加了优化的复杂性。本研究旨在展示一种方法的优势，该方法可用于解读深度强化学习算法所实施的...
解读: 该深度强化学习优化方法对阳光电源多能源系统集成具有重要价值。研究验证了储能系统(ST系列PCS、PowerTitan)与热泵、电转气等多能转换技术的协同优化潜力,可降低15%天然气消耗和18%碳排放。建议将此算法框架应用于iSolarCloud平台,实现储能PCS与光伏逆变器(SG系列)的智能协调控...
基于混合注意力深度强化学习的健康感知集成热管理策略
Health-Conscious Integrated Thermal Management Strategy Using Hybrid Attention Deep Reinforcement Learning for Battery Electric Vehicles
Changcheng Wu · Jiankun Peng · Dawei Pi · Xin Guo 等6人 · IEEE Transactions on Power Electronics · 2025年6月
有效的热管理策略（TMS）可以延长纯电动汽车（BEV）的续航里程，并在高温环境下提高车内热舒适性。考虑到集成热管理系统（ITMS）的发展趋势以及动力电池在纯电动汽车中的关键作用，本文建立了一个嵌入电池健康意识的集成热管理系统模型。为进一步挖掘所提出的集成热管理系统的温度控制和节能潜力，采用双延迟深度确定性策略梯度算法（TD3）设计了一种学习型热管理策略。鉴于集成热管理系统内复杂的状态信息，引入了一种混合注意力机制对原始TD3算法进行优化，使TD3智能体能够辨别各种状态信息的相对重要性，从而提高其...
解读: 从阳光电源的业务布局来看，这项基于混合注意力深度强化学习的电动汽车热管理技术具有显著的战略价值。该研究将电池健康意识嵌入集成热管理系统，通过TD3算法实现了电池健康退化降低22.50%、能量损失减少35.33%的效果，这与我司在储能系统和电动汽车动力解决方案领域的核心诉求高度契合。 从技术迁移角度...
第 4 / 5 页