找到 105 条结果
面向主动配电网安全运行的人在环路强化学习伏/无功控制方法
Human-in-the-Loop Reinforcement Learning Method for Volt/Var Control in Active Distribution Network With Safe Operation Mechanism
Yuechuan Tao · Zhao Yang Dong · Jing Qiu · Shuying Lai 等8人 · IEEE Transactions on Sustainable Energy · 2025年6月 · Vol.17
本文提出一种人在环路深度强化学习（HITL-DRL）框架，结合人类专家经验与Security-Clipped PPO算法，提升主动配电网中光伏与储能系统的电压/无功快速协同调控能力，显著降低电压越限率（73.4%），增强鲁棒性与可解释性。
解读: 该研究高度契合阳光电源在光储协同智能调控领域的战略布局。其HITL-DRL框架可直接赋能ST系列PCS、PowerTitan及iSolarCloud平台的Volt/Var自适应调节功能，提升组串式逆变器在弱电网下的动态无功响应精度与安全性；建议将SC-PPO算法嵌入iSolarCloud边缘控制器，...
基于安全运行机制的主动配电网人机协同强化学习电压/无功控制方法
Human-in-the-loop Reinforcement Learning Method for Volt/Var Control in Active Distribution Network with Safe Operation Mechanism
Yuechuan Tao · Zhao Yang Dong · Jing Qiu · Shuying Lai 等6人 · IEEE Transactions on Sustainable Energy · 2025年6月
针对分布式能源接入带来的主动配电网运行复杂性，传统调压方法难以应对。本文提出一种融合人类经验的人机协同深度强化学习（HITL-DRL）框架，并引入安全约束裁剪的近端策略优化（SC-PPO）算法以保障学习过程的安全性。通过人类示范、反馈与对抗设置三种干预策略，提升学习效率与可解释性。仿真表明，该方法在IEEE 33节点系统中相较传统DRL算法具有更快的收敛速度与更强的鲁棒性，电压越限率降低73.4%，决策时间小于1毫秒，接近最优解性能，具备实时应用潜力。
解读: 该人机协同强化学习电压/无功控制技术对阳光电源配电网侧储能系统具有重要应用价值。SC-PPO算法的安全约束机制可直接应用于PowerTitan储能系统的电压调节策略，保障分布式光伏并网场景下的安全运行。毫秒级决策响应能力契合ST系列储能变流器的实时控制需求，73.4%的电压越限率降低可显著提升含高比...
多相关性联合驱动的高维水-风-光场景生成方法
High-dimensional scenario generation method joint-driven by multiple correlations for hydro-wind-photovoltaic
Zixuan Liua · Li Moa · Mi Zhanga · Jiangrui Kangd 等7人 · Applied Energy · 2025年12月 · Vol.400
摘要 随着清洁能源在电网中占比不断提高，准确刻画其不确定性已成为规划与优化水-风-光（HWP）多能互补系统的关键挑战。为应对HWP能源在高维变量及时空随机依赖关系方面的复杂建模需求，本文提出一种由多种相关性联合驱动的新型高维场景生成方法。首先，基于高斯混合模型（GMM）构建时间自相关模型，并结合Copula函数建立空间互相关模型，通过累积分布函数实现多种相关性的协同建模。其次，通过评估经验数据分布与理论模型分布之间的均方根误差，并辅以Kolmogorov-Smirnov拟合优度检验，验证所构建模...
解读: 该高维场景生成方法对阳光电源水风光储多能互补系统具有重要价值。通过GMM-Copula联合建模精准刻画时空相关性,可显著提升ST系列储能变流器和PowerTitan系统的调度优化精度。该方法生成的日尺度场景集能为iSolarCloud平台提供更准确的不确定性预测数据支撑,优化GFM/GFL控制策略在...
基于竞争深度Q网络的移动边缘计算部分卸载与资源分配深度强化学习
Deep Reinforcement Learning With Dueling DQN for Partial Computation Offloading
Ehzaz Mustafa · Junaid Shuja · Faisal Rehman · Abdallah Namoun 等6人 · IEEE Access · 2025年5月
计算卸载将IoT设备资源密集型任务转移到强大边缘服务器，最小化延迟并降低计算负载。深度强化学习广泛用于优化卸载决策，但现有研究存在两大不足：未全面优化状态空间，且Q学习和DQN在大动作空间中难以辨别最优动作。本文提出多分支竞争深度Q网络MBDDQN，解决高维状态-动作空间和动态环境长期成本优化挑战。竞争DQN缓解同步卸载和资源分配决策复杂性，每个分支独立控制决策变量子集，随IoT设备增加高效扩展，避免组合爆炸。实施LSTM网络和独特优势-价值层增强短期动作选择和长期成本估计，提升模型时序学习能力...
解读: 该多分支强化学习技术可应用于阳光电源储能系统的智能调度优化。阳光ST储能变流器在电网侧和工商业场景面临多目标优化挑战，需同时考虑能耗、响应延迟和功率分配。该MBDDQN算法的自适应权重机制可集成到阳光EMS能量管理系统，实现储能系统在削峰填谷、调频调峰和需求响应等多场景下的动态优化。结合阳光iSol...
一种新颖的数据驱动多步风功率点-区间预测框架，集成基于滑动窗口的双层自适应分解与多目标优化以平衡预测精度与稳定性
A novel data-driven multi-step wind power point-interval prediction framework integrating sliding window-based two-layer adaptive decomposition and multi-objective optimization for balancing prediction accuracy and stability
Xiwen Cui · Xiaoyu Yuab · Haowei Niu · Dongxiao Niu 等5人 · Applied Energy · 2025年11月 · Vol.397
摘要 风能对大规模并网和实现碳中和至关重要，因此需要准确且稳定的预测方法来应对风电数据固有的随机性和复杂耦合特性。本研究提出了一种创新的数据驱动型点-区间预测框架，旨在克服现有模型仅关注预测精度而忽略预测所需稳定性的局限性，从而减少由此带来的不确定性。该框架首先引入异常值处理机制，并采用一种新的基于滑动窗口的双层自适应分解策略，在避免信息泄露的同时将风电数据分解为规律性子序列。随后通过Lempel-Ziv复杂度分析对这些子序列进行分类，以最小化计算冗余。进一步地，有针对性地部署先进模型——包括倒...
解读: 该多目标优化风电预测框架对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。其点-区间预测方法可显著提升储能系统充放电策略的准确性与稳定性,MAE降低27-58%为iSolarCloud平台的预测性维护提供可靠的不确定性量化能力。多层自适应分解策略可集成至GFM/GFL控制算...
第 6 / 6 页