找到 1 条结果
通过结合负荷与光伏预测的迁移学习提升基于强化学习的能量管理
Enhancing Reinforcement Learning-Based Energy Management Through Transfer Learning With Load and PV Forecasting
Chang Xu · Masahiro Inuiguchi · Naoki Hayashi · Wong Jee Keen Raymond 等6人 · IEEE Access · 2025年1月
在可再生能源微电网中，高效能量管理对维持系统稳定性和降低运行成本至关重要。传统强化学习（RL）控制器常面临训练时间长和过程不稳定等问题。本研究提出一种融合迁移学习（TL）技术的新型RL方法，利用ResNet18+BiLSTM等先进预测模型生成的合成数据对RL智能体进行预训练，嵌入领域知识以提升性能。基于一年运行数据的实验结果表明，相较于基线模型，TL增强的RL控制器累计运行成本最高降低62.63%，系统不平衡度改善达80%，并显著提升初始性能与训练效率。该方法展现了TL与RL结合在复杂电力系统实...
解读: 该迁移学习增强的强化学习能量管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究中的ResNet18+BiLSTM预测模型可集成至iSolarCloud云平台，提升光伏-储能微电网的实时调度能力。62.63%的成本降低和80%的系统不平衡改善直接契合阳光电源ESS...