找到 5 条结果
基于软演员-评论家算法与逻辑型Benders分解相结合的风电不确定性下月度安全约束机组组合
Soft Actor-Critic Combined with Logic-Based Benders Decomposition Algorithm for Monthly Security Constrained Unit Commitment under Wind Power Uncertainty
Jianbing Feng · Zhouyang Ren · Wenyuan Li · IEEE Transactions on Power Systems · 2025年6月
月度安全约束机组组合（M - SCUC）从长期视角确保了高比例可再生能源渗透下电力系统运行的可靠性和灵活性。本文基于深度强化学习，提出了一种结合基于逻辑的Benders分解（LBD - SAC）的软演员 - 评论家算法，以高效求解M - SCUC问题。该算法无需进行任何紧凑性近似，即可处理M - SCUC模型中的高维、非凸和复杂不确定性问题。在LBD - SAC算法中，开发了一种任务分解和优化辅助的训练机制，以确保运行约束并提高收敛性能。M - SCUC问题被分解为主问题和子问题，主问题带有用于...
解读: 该研究提出的强化学习与Benders分解混合优化方法对阳光电源的储能与光伏产品线具有重要参考价值。具体而言：1) 可应用于ST系列储能变流器的调度优化,提升PowerTitan大型储能系统对风电波动的适应能力；2) 可优化SG系列光伏逆变器的MPPT控制策略,提高系统在复杂天气条件下的发电效率；3)...
基于软Actor-Critic算法的强化学习控制器改进交错并联DC-DC升压变换器电压调节
Improving Voltage Regulation of Interleaved DC-DC Boost Converter via Soft Actor-Critic Algorithm Based Reinforcement Learning Controller
Jian Ye · Di Zhao · Xuewei Pan · Sinan Li 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年5月
本文提出采用基于软Actor-Critic（SAC）算法的强化学习（RL）控制器作为三相交错并联DC-DC升压变换器的唯一主控制器，以提升输出电压的动态性能。阐述了最大熵学习的优势及SAC算法原理，给出了神经网络结构与奖励函数的设计方案。SAC智能体经离线训练后，在工作点处进行稳定性分析，并在物理平台上部署测试。与现有方法的对比表明，该方法显著提升了变换器的电压控制能力，且对参数、参考值及负载变化具有强鲁棒性。
解读: 该SAC强化学习控制技术对阳光电源DC-DC变换器产品具有重要应用价值。在ST系列储能变流器中，交错并联Boost拓扑广泛用于电池侧DC-DC升压环节，该方法可显著提升电压动态响应速度和参数鲁棒性，优化储能系统功率爬坡能力。在车载OBC充电机中，面对电池SOC变化和负载突变工况，SAC算法的最大熵学...
新型SEPIC衍生半桥式PFC变换器用于电池充电应用
New SEPIC Derived Semi-Bridgeless PFC Converter for Battery Charging Application
Sampson E. Nwachukwu · Komla A. Folly · Kehinde O. Awodele · IEEE Access · 2025年4月
本文提出交直流半桥双开关SEPIC变换器，专为电池充电设计。通过改进结构显著降低交流输入电流总谐波畸变率，提升功率因数。变换器工作在断续导通模式以实现低电流THD，同时大幅减小电感尺寸。采用两个功率开关实现功率因数校正，主要创新在于通过电感电容能量平衡原理设计电路结构，确保低THD和单位功率因数。阻断二极管消除输入电感环流，提升效率。100W/53V原型测试显示电流THD为2.1%、单位功率因数、额定工况效率92.4%。
解读: 该PFC变换器技术与阳光电源OBC车载充电机设计理念一致。阳光OBC产品追求高功率因数、低THD和高效率，该半桥SEPIC拓扑无需额外PFC控制算法即可实现2.1% THD，优于传统方案。该技术可应用于阳光下一代OBC产品，减小电感体积，提升功率密度，在800V高压快充平台上实现更紧凑的设计和更高的...
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...
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...