找到 2 条结果
基于模仿专家经验的可解释深度强化学习在电动汽车智能充电中的应用
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles
Shuangqi Li · Alexis Pengfei Zhao · Chenghong Gu · Siqi Bu 等6人 · IEEE Transactions on Power Systems · 2024年7月
深度强化学习（DRL）因计算效率高，有望实现复杂系统的在线优化控制，但其可解释性与可靠性限制了在智能电网能量管理中的工程应用。本文首次提出一种新颖的模仿学习框架，用于解决电网连接电动汽车（GEV）充电管理中的高效计算问题。通过基于车网互动（V2G）成本效益分析的先验优化模型生成最优策略，并构建专家经验池以配置学习环境。设计双Actor-Imitator网络结构，实现专家知识向强化学习模型的有效迁移，提升训练效率与调度性能。实验结果表明，该方法在英国某示范微网中有效提升了V2G经济效益并缓解了电池...
解读: 该可解释深度强化学习技术对阳光电源充电桩产品线及储能系统具有重要应用价值。文章提出的模仿学习框架可直接应用于阳光电源V2G充电桩的智能调度算法，通过专家经验池加速DRL训练，提升充电策略的可靠性与可解释性，解决传统黑盒AI在电网能量管理中的工程化难题。该方法可集成至iSolarCloud云平台，实现...
基于深度强化学习的氢燃料电池列车能量与热管理协同优化策略
Collaborative optimization strategy of hydrogen fuel cell train energy and thermal management system based on deep reinforcement learning
Kangrui Jiang · Zhongbei Tian · Tao Wen · Kejian Song 等6人 · Applied Energy · 2025年1月 · Vol.393
摘要 轨道交通脱碳已成为轨道交通行业未来发展的主要方向。氢燃料电池（HFC）列车因其零碳排放和较低的改造成本，成为具有竞争力的潜在解决方案。然而，由于氢气在储存、运输和利用方面面临的挑战，其成本较高，仍是制约HFC列车商业化的主要因素。温度对HFC的能量转换效率和寿命具有显著影响，其热管理要求比内燃机更为严格。现有的HFC列车能量管理系统（EMS）通常忽略了HFC温度变化对能量转换效率的影响，难以根据环境动态条件实现能量与热管理的实时平衡控制。为解决这一问题，本文提出一种基于深度强化学习（DRL...
解读: 该深度强化学习能量-热管理协同优化技术对阳光电源氢能及储能系统具有重要借鉴价值。其MDP建模与双深度Q学习算法可应用于ST系列PCS的多能源协调控制,实现电池SOC动态平衡与温控优化。该方法在充电站EV Solutions中可优化充电功率分配,降低设备热应力;在PowerTitan储能系统中可提升变...