找到 2 条结果
基于强化学习的主动模型变化死区控制用于含恒功率负载的直流微电网储能系统
Reinforcement Learning Based Active Model Variation Deadbeat Control for Energy Storage System in DC Microgrids With Constant Power Loads
Xibeng Zhang · Pengpeng Li · Yanyu Zhang · Darong Huang 等8人 · IEEE Transactions on Industrial Electronics · 2025年10月 · Vol.73
针对直流微电网中恒功率负载与模型失配引发的电流纹波和电压波动问题，本文提出一种基于强化学习的主动模型变化死区控制（RL-AMVDB），动态优化电流环模型参数。仿真与硬件实验表明，该方法显著降低电流纹波（最高20%）及电压波动，提升动态响应性能。
解读: 该研究直接支撑阳光电源ST系列PCS及PowerTitan储能系统在直流微电网场景下的高鲁棒性控制需求，尤其适用于含大量CPL（如数据中心、充电桩集群）的用户侧/电网侧储能项目。RL-AMVDB可嵌入iSolarCloud智能平台实现自适应参数整定，建议在新一代构网型PCS固件升级中集成该算法，并面...
深度强化学习与无静差混合控制方法在考虑非线性功率损耗和模型失配的混合储能系统中的应用
Deep Reinforcement Learning and Deadbeat Hybrid Control Method for Hybrid Energy Storage System Considering Nonlinear Power Loss and Model Mismatch
Yanyu Zhang · Pengpeng Li · Xibeng Zhang · Feixiang Jiao 等6人 · IEEE Transactions on Industrial Informatics · 2025年1月
摘要：微电网应用中的混合储能系统（HESS）需进行控制，以平衡发电侧与负载侧之间的功率。然而，转换过程中的功率损耗和模型参数不匹配会影响控制性能。为此，本文提出一种结合深度强化学习的混合储能系统无差拍控制算法。在该方法中，将非线性功率损耗和模型不匹配导致的混合储能系统最优电流参考值的变化视为集中扰动，可由深度确定性策略梯度智能体进行补偿，无差拍控制则基于精确的参考电流生成最优占空比，以消除系统稳态误差并提高动态响应速度。通过仿真和硬件实验验证了所提算法的有效性。结果表明，稳态误差可保持在 1%以...
解读: 从阳光电源储能系统业务视角来看，这项结合深度强化学习与无差拍控制的混合储能技术具有显著的工程应用价值。该技术直击当前储能系统面临的两大核心痛点：非线性功率损耗和模型参数失配，这些问题在我们的光储一体化项目中普遍存在，直接影响系统效率和电能质量。 技术层面，该方法通过深度确定性策略梯度（DDPG）算...