优化解引导的储能控制DRL

在线性能超MPC

一种深度强化学习方法，通过融合离线最优解并注入状态噪声，实现储能系统的在线优化控制，性能优于模型预测控制，且样本效率高。

Gaoyuan, Xu · Shi, Jian · Wu, Jiaman · Lu, Chenbei · 吴辰晔 · Wang, Dan · Han, Zhu

Applied Energy 2024

技术优势

在线性能优于MPC

利用离线最优解引导训练，加上状态噪声提升鲁棒性，相比模型预测控制在价格误差下实现更好的在线控制。

样本效率高

采用小规模神经网络和短时间间隔训练，减少对大量样本的依赖，实现高效学习。

应用场景

• 储能系统运行控制：在电价波动和可再生能源出力不确定下，用学习到的策略替代基于预测的控制器，提升储能套利收益。
• 电池储能管理：根据实时状态直接给出充放电决策，无需精确预测输入，适应电池动态和市场价格变化。
• 智能电网控制：为电网中的储能资产提供数据驱动的在线控制模块，增强对波动和不确定性的应对能力。