时间变化的约束感知强化学习与能量存储控制
本文提出了一种基于深度强化学习的多智能体控制策略,用于实时优化混合储能系统和能量需求,该系统由电池和氢能储存器组成,可以解决与电力价格、可再生能源生产和消费相关的不确定性问题,并优化使用可再生能源,降低能源成本和碳排放,提高可再生能源利用率。
Aug, 2022
我们解决了太阳能电池板和电池配备的电动汽车(EV)的充电调度的复杂挑战,特别是在分布外(OOD)条件下。我们引入了一种新的学习增强策略,通过实时适应强化学习策略的表现来使用动态的鲁棒性预算,从而在 EV 充电调度中更有效地平衡一致性和鲁棒性,显著提高适应性和效率。
Nov, 2023
提出了一种利用深度强化学习和混合整数规划的框架,用于优化能量储存系统的调度决策,同时严格执行操作约束,以及在存在不确定性的环境中取得高质量的调度决策。
Jul, 2023
本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法,提出了一种新的安全非同步策略优化强化学习方法,能够显著提高方案最优性和约束限制的达成。
Sep, 2022
该研究利用最新的强化学习算法和真实的电力网络环境,提出了一种系统的解决方案来解决传统能源调度面临的问题,并为电力系统提供了一个可持续的低碳未来。
Mar, 2023
使用基于线性函数近似的 Q 学习算法优化电池充 / 放电,考虑不同容量、斜坡、损耗和循环成本,目标是通过马尔可夫决策过程最小化电池循环中的退化成本,并设计了一类特殊的核函数以实现价值函数的结构近似。
Sep, 2021
本文提出了一种使用深度强化学习方法的车辆 - 电网技术中,对转移学习方面具有显著表现的连续充放电协调策略。该方法可以高效地优化电动汽车聚合器在实际操作条件下的实时充电 / 放电功率,与无控制充电相比,负荷变化减少了 97.37$%$,充电成本降低了 76.56$%$。
Oct, 2022
本研究利用 Q 学习在奶牛养殖场景中学习了一种有效的电池充放电策略,结果显示与基准算法相比,该策略显著降低了电费,突出了奶牛养殖业中强化学习在电池管理方面的有效性。
Aug, 2023
本文提出使用强化学习和马尔科夫决策过程 (MDP) 来协调多个电动汽车充电点,通过减少训练时间和使用线性空间和时间复杂度的新 MDP 公式,改善了业内现有技术,提高了充电需求协调达 40-50%的性能。
Mar, 2022