基于深度强化学习的微网优化运行综述

TM732%TP181; 微网在分布式新能源消纳、负荷优化、提高能源利用效率等方面具有重要作用.但新能源出力的间歇性、负荷侧用电行为的随机性导致微网成为一个动态的复杂系统,难以通过准确的物理模型刻画,给微网优化运行带来巨大挑战.深度强化学习(deep reinforcement learning,DRL)通过与环境交互试错寻找最优策略,不依赖于新能源出力和负荷的精确建模,适用于解决序贯决策问题,在求解含有大量不确定性的微网优化运行难题时具有优势.为此,从DRL原理、DRL在单个微网以及微网群优化运行中的应用进行了综述与分析,最后对应用中所面临的算法可解释性、奖励函数设置、用户隐私性等方面进行了...

Full description

Saved in:
Bibliographic Details
Published in全球能源互联网 Vol. 6; no. 3; pp. 238 - 257
Main Authors 周翔, 王继业, 陈盛, 王新迎
Format Journal Article
LanguageChinese
Published 中国电力科学研究院有限公司,北京市 海淀区100192%国网数字科技控股有限公司,北京市西城区 100053 01.05.2023
Editorial Office of Journal of Global Energy Interconnection
Subjects
优化运行
复杂系统
微网
深度强化学习
优化运行
深度强化学习
复杂系统
微网
Online AccessGet full text
ISSN2096-5125
DOI10.19705/j.cnki.issn2096-5125.2023.03.003

Cover

More Information
Summary:TM732%TP181; 微网在分布式新能源消纳、负荷优化、提高能源利用效率等方面具有重要作用.但新能源出力的间歇性、负荷侧用电行为的随机性导致微网成为一个动态的复杂系统,难以通过准确的物理模型刻画,给微网优化运行带来巨大挑战.深度强化学习(deep reinforcement learning,DRL)通过与环境交互试错寻找最优策略,不依赖于新能源出力和负荷的精确建模,适用于解决序贯决策问题,在求解含有大量不确定性的微网优化运行难题时具有优势.为此,从DRL原理、DRL在单个微网以及微网群优化运行中的应用进行了综述与分析,最后对应用中所面临的算法可解释性、奖励函数设置、用户隐私性等方面进行了展望.
ISSN:2096-5125
DOI:10.19705/j.cnki.issn2096-5125.2023.03.003