找到 3 条结果
基于模型优化的残差深度强化学习在逆变器型电压-无功控制中的应用
Residual Deep Reinforcement Learning With Model-Based Optimization for Inverter-Based Volt-Var Control
Qiong Liu · Ye Guo · Lirong Deng · Haotian Liu 等6人 · IEEE Transactions on Sustainable Energy · 2024年9月
提出一种基于近似模型驱动优化的残差深度强化学习（RDRL）方法，用于主动配电网中的逆变器型电压-无功控制（IB-VVC）。通过改进的马尔可夫决策过程统一建模模型驱动与RDRL方法，RDRL在模型基策略动作基础上学习残差动作。该方法继承了近似模型优化的控制能力，并通过残差策略学习增强策略优化性能。由于实际中获取的近似模型通常较为可靠，模型优化所得动作接近最优，从而缩小残差动作搜索空间，提升评论器逼近精度并降低执行器搜索难度。仿真结果表明，RDRL在学习过程中显著提升优化性能，并在69节点和141节...
解读: 该残差深度强化学习方法对阳光电源ST系列储能变流器和PowerTitan大型储能系统的电压-无功控制具有重要应用价值。技术可直接应用于：1）ST系列储能变流器的智能VVC控制策略，通过残差学习优化逆变器无功输出，提升电网电压支撑能力；2）PowerTitan储能系统的多机协调控制，在iSolarCl...
数据驱动的无模型自适应控制在微电网多场景下电力变换器中的应用
Data-Driven Model-Free Adaptive Control for Power Converter Under Multiscenarios in Microgrids
Lei Liu · Zhenbin Zhang · Yuxin Zhao · Guangze Chen 等6人 · IEEE Transactions on Industrial Electronics · 2025年1月
微电网需要高效的控制方案，以实现电力变换器的高渗透率。基于模型的控制因其简便性而在变换器中得到广泛应用，但在处理模型不准确、关键负载和多扰动问题时面临挑战。为解决这些问题，本文针对三电平中点箝位（3L - NPC）电力变换器系统提出了一种数据驱动的无模型自适应控制（MFAC）方法，可在无需任何系统参数的情况下实现鲁棒、高质量的电流和电压控制。具体而言，无模型自适应控制是一种通过设计基于李雅普诺夫理论直观推导得出的自适应律来估计系统动态特性的有效方法，以此调节电流和电压，确保对未建模动态、模型变化...
解读: 从阳光电源的业务视角来看，这项数据驱动无模型自适应控制（MFAC）技术对我们的核心产品线具有重要战略价值。该技术针对微电网场景下三电平NPC变流器的控制难题，提出了突破传统模型依赖的创新方案，与我们在光伏逆变器、储能变流器及微电网系统的技术发展方向高度契合。 技术价值方面，MFAC的核心优势在于无...
量化光伏双层幕墙的参数交互：基于二阶Morris方法的敏感性分析
Quantifying the parameter interaction of photovoltaic double skin façade: A sensitivity analysis based on second-order Morris method
Xingjiang Liu · Haotian Yang · Chao Shen · Lin LU 等5人 · Applied Energy · 2025年1月 · Vol.386
针对光伏双层幕墙（PV-DSF）的大量参数化分析已为其实际设计提供了有价值的参考，然而已有研究报道的最优参数值存在不一致现象，通常归因于气候条件的差异。其他研究也识别出参数之间的耦合效应，这种耦合可能对优化结果引入潜在误差。为解决参数影响中的此类差异，本文采用Morris方法对三类共十个参数分别进行一阶和二阶敏感性分析。通过选取具有最大欧氏距离的轨迹组以实现高效的分析过程。一阶敏感性分析结果表明，太阳能量丰富程度、室内照度设定值（Lset）以及半透明光伏模块的蚀刻率（ϑSTPV）具有最强的独立影...
解读: 该光伏双层表皮幕墙参数耦合研究对阳光电源SG系列光伏逆变器及智能运维平台具有重要价值。研究揭示的半透明光伏组件蚀刻比与腔体深度的强耦合效应,可指导逆变器MPPT算法优化,针对建筑光伏复杂遮挡场景实现精准功率追踪。室内照度设定值与采光参数的交互作用,为iSolarCloud平台开发BIPV智能控制策略...