找到 2 条结果
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...
基于快速响应单元的韧性电力系统实时动态调度多阶段鲁棒优化
Multi-Stage Robust Optimization of Real-Time Dynamic Dispatch With Fast-Acting Units in Resilient Power Systems
Houbo Xiong · Yunhui Shi · Mohammad Shahidehpour · Chuangxin Guo 等5人 · IEEE Transactions on Power Systems · 2024年4月
提出一种基于动态规划的多阶段随机-鲁棒优化模型，用于含快速响应单元的电力系统实时调度，以提升极端事件下的系统韧性。该方法包含离线求解与在线调度：离线阶段将T时段实时调度建模为T阶段优化问题，采用改进的快速鲁棒对偶动态规划算法求解；在线阶段利用生成的成熟代价函数作为各时段策略，快速指导单元状态调整与调度决策。通过场景法建模多阶段故障，并构建风电不确定性集以降低计算复杂度。在改进的IEEE 14、118和300节点系统上的算例验证了所提方法的有效性。
解读: 该研究的多阶段鲁棒优化调度方法对阳光电源的储能与光储系统具有重要应用价值。可直接应用于ST系列储能变流器和PowerTitan大型储能系统的调度控制,提升极端工况下的系统韧性。特别是其快速响应调度算法,可优化储能系统的AGC调频和事故备用等辅助服务能力。研究中的风电不确定性建模方法也可用于改进iSo...