多智能体强化学习控制策略

无需专家经验或建模

为分布式储能系统设计的全去中心化多智能体强化学习策略，无需专家经验或建模即可实现高效SOC均衡。

Zheng, Xiong · 罗彪 · Wang, Bing Chuan · Xu, Xiaodong · 刘晓东 · Huang, Tingwen

IEEE Transactions on Industrial Informatics 2024

技术优势

全去中心化也能协作

通过平均一致性算法扩展智能体观测，使每个控制器仅凭局部信息即可感知全局状态，在储能单元故障或并网时仍保持协同。

动作协调靠算法

需求均衡算法自动修正各智能体的初步动作，实现精确的功率需求分配，无需人工设计协调规则。

随机工况照样稳

面对随机初始状态和随机需求/光伏出力序列，策略仍能有效管理大规模系统，表现优于传统强化学习。

储能即插即用

当储能单元发生故障或新单元并入时，控制策略依然维持平衡性能，无需重新训练或重新整定。

应用场景

• 储能系统运行优化：用多智能体强化学习直接下发储能单元充放电指令，替代基于规则的调度策略。
• 电池均衡管理：在单体电池或电池簇之间自动分配功率，维持SOC一致，延长循环寿命。
• 多智能体控制：每个储能单元由独立智能体控制，通过局部通信实现全局协同。
• 去中心化强化学习：去除中央控制器，用去中心化强化学习直接在本地生成控制策略。
• 分布式能源管理：在分布式能源网络中平衡各节点的储能荷电状态，支撑系统稳定运行。