找到 2 条结果
基于多智能体深度强化学习的含电池更换站的微电网群交易能源管理
Multiagent Deep Reinforcement Learning for Transactive Energy Management of MMGs Incorporating Battery Swapping Stations
Ting Cai · You Zhang · Yuxin Wu · Haoyuan Yan 等5人 · IEEE Transactions on Industrial Informatics · 2025年4月
微电网（MGs）与换电站（BSSs）之间的最优能源管理可带来显著的经济效益。然而，由于分布式可再生能源和新兴负荷的时空不确定性以及信息不完整，现有研究在制定微电网与换电站之间的最优交互策略方面面临挑战。本文采用混合多智能体深度强化学习方法解决多微电网与多换电站之间的能源交易问题，以实现运营成本最小化。具体而言，引入了一个分层的交易能源管理社区，在考虑不同利益相关者利益的情况下，促进多微电网与换电站之间的能源交换。该问题被建模为部分可观测马尔可夫博弈。所提出的混合算法将多智能体近端策略优化算法（M...
解读: 从阳光电源的业务角度看，这项基于多智能体深度强化学习的能源交易管理技术，与公司在储能系统和综合能源解决方案领域的战略布局高度契合。该技术通过MAPPO-DDQN混合算法实现多微网与换电站间的优化能源调度，平均降低13.71%的微网运营成本并提升14.62%的换电站收益，这为阳光电源的储能系统集成和能...
一种考虑扩散性不确定性的铁路移动储能 resilient 机组组合两阶段鲁棒方法
A Two-Stage Robust Approach for Resilient Unit Commitment With Rail-Based Mobile Energy Storage Under Diffusional Uncertainties
Xiang Yang · Xinghua Liu · Tianyang Zhao · Zhonggang Yin 等6人 · IEEE Transactions on Sustainable Energy · 2024年12月
基于铁路的移动储能（RMES）为提升电力系统韧性提供了有效手段。本文提出扩展的时间-空间网络（TSN）模型，刻画飓风对铁路运输网络的影响。针对输电线路与铁路在灾害中随机故障的扩散性不确定性，构建两阶段鲁棒优化模型，协调电力系统与铁路网联合运行，最小化最恶劣场景下的运行成本。第一阶段决策机组启停与RMES预置位置，第二阶段基于实际不确定性调整RMES充放电行为以恢复负荷。设计并验证了一种改进的嵌套列与约束生成（N-C&CG）算法，在IEEE RTS系统与6节点铁路网耦合案例中表明，所提RMES策略...
解读: 该铁路移动储能鲁棒调度技术对阳光电源PowerTitan大型储能系统和ST系列储能变流器具有重要应用价值。文章提出的两阶段鲁棒优化框架可直接应用于阳光电源移动储能解决方案，通过时间-空间网络模型优化储能系统在极端天气下的预部署策略与实时调度，提升电网韧性。扩散性不确定性建模方法可集成到iSolarC...