Hyeonjin Kim · Avijit Das · Di Wu · IEEE Transactions on Industrial Informatics · 2025年8月

本文介绍了一个基于神经优化器的框架，用于优化电池储能系统（BESS）为电网服务的控制策略，包括降低需求费用和能源成本。通过利用以决策为中心的学习（DFL）方法，所提出的框架确保了无缝集成与自适应能力，显著提升了控制性能。该框架采用了一种补丁时间序列变压器进行峰值负荷预测，并结合了偶然不确定性量化，以在决策过程中考虑预测的不确定性。框架运用一种“求解器在环”的方法来生成电池储能系统的最优动作，然后利用这些动作来训练基于神经优化器的智能体。通过在神经网络中共同优化电池储能系统的运行模式和输出功率，该...

解读: 从阳光电源储能系统业务视角看，这项基于神经优化器和决策聚焦学习的储能控制技术具有显著的商业应用价值。该技术针对电池储能系统（BESS）在需量电费管理和能源成本削减等电网服务场景的优化控制，与阳光电源PowerStack、PowerTitan等储能产品的核心应用场景高度契合。 技术创新点在于通过决策...