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...
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...