找到 5 条结果
基于多智能体深度强化学习的配电网三相不平衡在线治理方法
Online Three-Phase Imbalance Mitigation Method for Distribution Networks Based on Multi-Agent Deep Reinforcement Learning
李彬贤 · 李佳勇 · 海征 · 万灿 等7人 · 中国电机工程学报 · 2025年3月 · Vol.45
随着分布式电源渗透率提升，配电网三相不平衡问题日益严重。针对该问题，以分布式光伏为调控手段，提出一种基于多智能体深度强化学习的在线治理方法。通过地理分区构建多智能体协同架构，采用多智能体注意力动作-评价（MAAC）算法实现光伏控制策略的集中训练与分布式执行，利用实时观测数据在线生成控制指令。基于改进IEEE 123节点系统的仿真结果表明，所提方法能有效降低三相不平衡度，优于四种典型方法，具备良好的协同性与应用前景。
解读: 该多智能体深度强化学习三相不平衡治理技术对阳光电源SG系列光伏逆变器和ST储能变流器具有重要应用价值。可直接集成到三相逆变器的控制算法中，通过MAAC算法实现分布式光伏集群的协同控制，动态调节各相输出功率以平衡负载。该方法与阳光电源iSolarCloud云平台结合，可实现在线实时优化，提升配电网电能...
基于多智能体深度强化学习的城市轨道交通多储能系统分散协同控制
Decentralized Cooperative Control of Multiple Energy Storage Systems in Urban Railway Based on Multiagent Deep Reinforcement Learning
Feiqin Zhu · Zhongping Yang · Fei Lin · Yue Xin · IEEE Transactions on Power Electronics · 2020年9月
本文针对城市轨道交通中再生制动能量回收问题，提出了一种基于多智能体深度强化学习的分散协同控制策略。通过优化牵引供电系统中多储能单元的功率流，提升了系统的整体能源利用效率，解决了多储能系统在复杂动态环境下的协同调度难题。
解读: 该研究利用多智能体深度强化学习优化多储能系统协同，对阳光电源PowerTitan和PowerStack系列储能系统具有重要参考价值。在轨道交通等复杂多源耦合场景下，传统的规则控制难以实现最优能效，引入AI算法可提升PCS的动态响应与多机协同调度能力。建议研发团队关注该控制策略在大型工商业及电网侧储能...
基于多智能体深度强化学习的输入串联输出并联双有源桥变换器输出电流均流控制
Multiagent Deep Reinforcement Learning-Aided Output Current Sharing Control for Input-Series Output-Parallel Dual Active Bridge Converter
Yu Zeng · Josep Pou · Changjiang Sun · Ali I. Maswood 等7人 · IEEE Transactions on Power Electronics · 2022年11月
本文提出了一种基于多智能体软演员-评论家（MASAC）算法的深度强化学习方法，用于实现输入串联输出并联（ISOP）双有源桥（DAB）变换器的输出电流均流控制。该方法将模块化变换器划分为多个子模块，并将其视为马尔可夫博弈中的DRL智能体，通过去中心化执行实现实时控制。
解读: 该技术对阳光电源的储能系统（如PowerTitan、PowerStack）及大功率直流变换器产品具有重要意义。ISOP结构的DAB变换器常用于高压大功率储能变流器（PCS）中，通过多模块并联实现功率扩展。传统的均流控制依赖于精确的数学模型，而本文提出的多智能体强化学习（MADRL）方案能够实现去中心...
直流微电网中ISOP-DAB变换器的自主输入电压均压控制与三相移调制方法：基于多智能体深度强化学习的方法
Autonomous Input Voltage Sharing Control and Triple Phase Shift Modulation Method for ISOP-DAB Converter in DC Microgrid: A Multiagent Deep Reinforcement Learning-Based Method
Yu Zeng · Josep Pou · Changjiang Sun · Suvajit Mukherjee 等7人 · IEEE Transactions on Power Electronics · 2023年3月
本文提出了一种基于多智能体深度强化学习（MA-DRL）的输入串联输出并联（ISOP）双有源桥（DAB）变换器控制策略。该方法旨在解决直流微电网中的不确定性、功率平衡及变换器电流应力最小化问题，通过优化三相移调制实现高效自主的输入电压均压控制。
解读: 该研究针对ISOP-DAB拓扑的控制优化，与阳光电源的储能变流器（PCS）及直流微电网解决方案高度契合。在PowerTitan等大功率储能系统中，采用多模块串并联架构时，输入电压均压与电流应力优化是提升系统效率与可靠性的关键。引入多智能体深度强化学习（MA-DRL）可替代传统PI控制，显著增强系统在...
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...