找到 99 条结果
基于多智能体强化学习的混合风电-氢能电站日前交易与功率控制
Day-ahead trading and power control for hybrid wind-hydrogen plants with multi-agent reinforcement learning
Stijn Allya · Timothy Verstraeten · Ann Nowéb · Jan Helsen · Applied Energy · 2025年12月 · Vol.401
摘要 海上风电场及混合风电-氢能电站在多个收益来源中获取收入，而每个来源均存在不确定性与权衡关系，因此最大化其整体盈利能力具有挑战性。由于电力通常在实际发电前进行交易，天气预报在电力交易策略中起着关键作用。此外，其他市场参与者交易与控制策略会影响公共电网的平衡，从而影响通过电网调频所能获得的收益。同时，电解槽的运行状态可能影响当前及近期的氢气生产潜力。为应对上述挑战，本文提出一种新颖的多智能体强化学习（MARL）方法，包含两个专门设计的强化学习（RL）智能体：一个负责日前电力市场交易，另一个负责...
解读: 该多智能体强化学习技术对阳光电源风储氢一体化系统具有重要应用价值。可应用于ST系列储能变流器与电解制氢设备的协同优化控制:日前交易智能体优化PowerTitan储能系统的电力市场竞价策略,实时控制智能体动态调节风电并网与电解槽功率分配。结合iSolarCloud平台的气象预测与市场数据,该MARL架...
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年12月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
基于鲁棒深度强化学习的不完全可观测配电网逆变器电压无功控制
Robust deep reinforcement learning for inverter-based volt-var control in partially observable distribution networks
Qiong Liua · Ye Guoa · Tong Xub · Applied Energy · 2025年12月 · Vol.399
摘要 基于逆变器的电压无功控制在主动配电网（ADN）中调节电压和最小化功率损耗方面发挥着关键作用。然而，将深度强化学习（DRL）应用于该任务面临的一个主要挑战是ADN中量测设备部署有限，导致系统状态不完全可观测以及奖励信号未知的问题。为解决这些问题，本文提出了一种具有保守评论家（conservative critic）和代理奖励（surrogate reward）的鲁棒DRL方法。该保守评论家利用分位数回归技术，基于不完全可观测的状态估计出保守的状态-动作值函数，从而有助于训练出更具鲁棒性的策...
解读: 该鲁棒深度强化学习方法对阳光电源ST系列储能变流器及SG系列光伏逆变器的Volt-Var控制具有重要应用价值。通过保守critic和代理奖励机制,可在配电网测点有限(仅10%节点可测)条件下实现电压调节和网损优化,契合实际工程部署约束。该技术可增强PowerTitan储能系统在部分可观测环境下的自适...
基于贝叶斯鲁棒强化学习的高性能住宅建筑中空调与储能系统协同控制方法研究
Bayesian robust reinforcement learning for coordinated air conditioning and energy storage system control in high-performance residential buildings under forecast uncertainty
Luning Suna · Zehuan Hua · Mitsufusa Nitt · Shimpei Ohsugi 等7人 · Applied Energy · 2025年12月 · Vol.400
摘要 在高性能住宅建筑中，通常采用单台设备集中供冷供热的方式以在低负荷条件下提高能源效率。然而，该策略在冬季常导致频繁化霜，降低热舒适性并增加用电量。尽管强化学习在建筑能源控制方面展现出良好前景，尤其是在将天气和电价预测纳入状态变量时，但其性能在预测存在误差的情况下往往显著下降。为解决这一问题，本研究提出一种贝叶斯鲁棒强化学习方法，用于空调与电池系统的联合控制。该方法集成了一种基于物理机制的化霜评估模块，用于动态估算结霜条件下的供暖性能。在训练过程中，引入基于先验知识构建的结构化扰动以模拟真实的...
解读: 该贝叶斯鲁棒强化学习技术对阳光电源户用储能系统(如ST系列PCS)与空调协同控制具有重要应用价值。研究通过物理驱动的除霜评估模块和KL散度正则化,在预测误差下仍可降低8.2%电费,验证了算法鲁棒性。可启发iSolarCloud平台集成该算法,实现储能系统与家用空调的智能联动:利用建筑热惯性预判除霜风...
家庭电池储能系统在配电网中控制的机器学习与MPC方法比较
Comparison of machine learning and MPC methods for control of home battery storage systems in distribution grids
Felicitas Mueller · Stevende Jongh · Claudio A.Cañizares · Thomas Leibfried 等5人 · Applied Energy · 2025年12月 · Vol.400
本文在主动配电网的影响及其交互作用背景下，提出并比较了采用传统优化技术与最先进的机器学习方法实现的家庭能源管理系统控制策略。首先介绍了基于模型预测控制算法的模型驱动方法，并将其在不同预测精度条件下与基于模仿学习和强化学习的无模型方法进行对比。以一种实用的、当前最先进的启发式规则控制器作为基准。通过目标函数值、电网约束违反情况以及计算时间等指标进行了深入比较。讨论了将这些家庭能源管理系统应用于一个包含13个连接住户的真实德国低压基准电网时的结果，每个住户均配备光伏发电、电池储能系统及电力负荷。结果...
解读: 该研究对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要参考价值。文章对比了MPC模型预测控制与机器学习方法在家庭储能系统中的应用效果,验证了模仿学习在计算效率与性能间的最佳平衡。建议将此技术融入iSolarCloud平台的智能控制算法,通过强化学习优化多户储能系统的协同调...
深度强化学习作为多能系统中能量流分析与优化的工具
Deep reinforcement learning as a tool for the analysis and optimization of energy flows in multi-energy systems
Andrea Franzos · Gabriele Fambr · Marco Badam · Energy Conversion and Management · 2025年10月 · Vol.341
摘要 深度强化学习算法不仅有助于开发优化的控制策略，而且可作为探索复杂问题并揭示非显而易见控制方案的有力工具。本文研究了深度强化学习在高比例可再生能源渗透条件下对多能系统进行优化的应用。关键的能量转换技术，如热电联产、电池储能系统、热泵和电转气技术，实现了不同能源网络之间的双向能量交换，从而促进了运行协同效应。由于这些互联关系导致各能源部门之间的相互依赖性，某一领域内的能量流动会显著影响其他领域的流动，因而增加了优化的复杂性。本研究旨在展示一种方法的优势，该方法可用于解读深度强化学习算法所实施的...
解读: 该深度强化学习优化方法对阳光电源多能源系统集成具有重要价值。研究验证了储能系统(ST系列PCS、PowerTitan)与热泵、电转气等多能转换技术的协同优化潜力,可降低15%天然气消耗和18%碳排放。建议将此算法框架应用于iSolarCloud平台,实现储能PCS与光伏逆变器(SG系列)的智能协调控...
结合MPC与深度强化学习的燃料电池/电池混合能源系统新型能量管理策略
Novel energy management strategy for fuel cell/battery hybrid energy systems combining MPC and deep reinforcement learning
Shengnan Liu · Hangyu Cheng · Seunghun Jung · Young-Bae Kim · Energy Conversion and Management · 2025年10月 · Vol.341
摘要 本文提出了一种新型的能量管理策略（EMS），用于燃料电池/电池混合能源系统，该策略通过将模型预测控制（MPC）与深度强化学习（DRL）相结合实现。所提出的EMS充分利用了MPC与DRL各自的优势，有效缓解了由于模型不确定性导致的MPC性能下降问题，同时加速了DRL的收敛过程，并增强了其对未预见工况的适应能力。具体而言，本研究首先建立了包含各部件退化特性的燃料电池/电池混合能源系统的动态模型，在此基础上构建相应的MPC模型。MPC作为基础控制器，利用线性化模型确保系统的稳定性及约束条件的满足...
解读: 该MPC与深度强化学习融合的能源管理策略对阳光电源ST系列储能变流器及PowerTitan系统具有重要应用价值。通过MPC保障系统稳定性与约束遵循,DRL优化长期决策,可显著降低燃料电池衰减51.43%并减少系统运行成本4.45%。该混合控制架构可应用于阳光电源多能互补储能系统,特别是氢储能与电池储...
跟网型逆变器鲁棒稳定性分析：集成参数不确定性和区间时延的PI控制器整定
Robust Stability Analysis of Grid-Following Inverters
Nima Mahdian Dehkordi · Ali Rezaei · Mohsen Hamzeh · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
针对跟网型逆变器面临区间参数不确定性和未知有界时延问题,提出新型鲁棒稳定性分析框架。不同于经典鲁棒控制策略(H∞、μ综合、滑模控制)导致高阶或非线性控制器难以实时调谐,以及无模型方法(强化学习、数据驱动)缺乏稳定性保证,该方法采用时延相关准则结合值集和零点排除原理。该方法简单、系统、非保守,无需复杂调谐即可完全确定PI稳定增益。仿真和实验验证了实际鲁棒性和逆变器控制适用性。
解读: 该鲁棒稳定性分析框架对阳光电源跟网型逆变器控制参数整定有重要应用价值。时延相关准则和参数不确定性集成方法可应用于ST储能变流器和SG光伏逆变器的GFL控制器设计,提高在电网参数变化和通信延迟条件下的稳定性。简化的PI增益确定方法便于工程实现,优于复杂鲁棒控制策略。该技术对阳光电源逆变器在弱电网和高比...
DAB DC-DC变换器六控制自由度调制方案及深度强化学习效率增强
Six Control Degrees of Freedom Modulation Scheme for DAB DC-DC Converters
Zhichen Feng · Huiqing Wen · Xu Han · Guangyu Wang 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
通过增加控制自由度(DoF)可提高双有源桥(DAB)变换器转换效率。提出六控制自由度(6-DoF)调制进一步提升DAB变换器效率。采用频域分析直接推导变换器运行表达式,包括传输功率、电感电流和均方根(RMS)电流。提出6-DoF深度强化学习(DRL-6DoF)优化方案,采用深度确定性策略梯度(DDPG)算法求解最小功率损耗最优解。训练后的DDPG代理可在各种运行工况下输出控制变量最优值。采用DRL-6DoF控制方案,因低RMS电流和优异ZVS性能进一步提升DAB变换器效率。特别在重载工况下,因可...
解读: 该六自由度深度强化学习DAB优化技术对阳光电源储能变流器的DAB变换器效率提升有重要应用价值。DDPG算法优化可应用于ST储能系统的DC-DC变换级,实现全工况高效运行。可变开关频率和低RMS电流技术对阳光电源DAB拓扑产品的重载效率优化有借鉴意义。该技术对PowerTitan大型储能系统的智能控制...
多目标集成电路物理布局优化的分层深度强化学习及拥塞感知奖励塑造
Hierarchical Deep Reinforcement Learning for Multi-Objective Integrated Circuit Physical Layout Optimization With Congestion-Aware Reward Shaping
Haijian Zhang · Yao Ge · Xiuyuan Zhao · Jiyuan Wang · IEEE Access · 2025年9月
随着半导体技术向先进节点演进,集成电路物理布局优化面临关键挑战,传统EDA工具难以同时优化布线拥塞、功耗和时序等多个冲突目标。本文提出一种新型分层深度强化学习框架,采用拥塞感知奖励塑造机制动态平衡探索与利用。
解读: 该深度强化学习优化技术可直接应用于阳光电源SiC功率模块的芯片布局设计。通过多目标优化框架同时优化功率密度、热分布和可靠性,为ST系列储能变流器的新一代高功率密度芯片设计提供AI辅助工具。...
面向三相双有源桥变换器效率优化的无模型深度强化学习框架
A Model-Free Deep Reinforcement Learning Framework for Efficiency Optimization of Three-Phase Dual-Active-Bridge Converters
Zhihao Chen · Zhen Li · Sijia Huang · Haoyu Chen 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月 · Vol.14
本文提出一种基于深度强化学习的无模型优化框架，直接通过系统交互学习高效控制策略，无需电气参数建模；开发了适配三相DAB单步决策的改进DDPG算法及AI驱动占空比控制策略，并通过参数敏感性分析验证其强泛化能力。
解读: 该研究高度契合阳光电源ST系列PCS、PowerTitan及光储一体化系统中双向DC-DC环节的效率优化需求。三相DAB拓扑广泛应用于储能变流器的直流侧隔离与电压匹配，其动态效率直接影响系统LCOE。所提无模型RL方法可嵌入iSolarCloud智能运维平台，实现PCS在宽工况下的自适应效率寻优，建...
三相双有源桥变换器效率优化的无模型深度强化学习框架
A Model-Free Deep Reinforcement Learning Framework for Efficiency Optimization of Three-Phase Dual Active Bridge Converters
Zhihao Chen · Zhen Li · Sijia Huang · Haoyu Chen 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
针对三相双有源桥(3p-DAB)变换器效率优化面临的挑战,现有数学推导和人工智能方法依赖复杂耗时的解析或数据驱动建模增加开发复杂度。提出基于深度强化学习的无模型优化框架,通过系统交互直接学习策略而无需电气参数显式建模,显著减少开发时间并确保优化性能。参数敏感性分析验证不同变换器条件下的强泛化性。开发深度确定性策略梯度算法退化变体用于3p-DAB单步决策优化,配合AI驱动占空比控制策略提升效率。与先进数学分析和数据驱动方法的综合对比验证了所提方法的有效性。
解读: 该深度强化学习DAB优化技术对阳光电源智能变换器开发有重要创新价值。无模型优化框架可应用于ST储能变流器的DAB模块效率优化,减少建模工作量并加快产品开发周期。深度确定性策略梯度算法对PowerTitan大型储能系统的多模块协调控制有借鉴意义,可实现自适应效率优化。该技术对阳光电源AI驱动的iSol...
多时间尺度深度强化学习光储配电网电压优化
Multi-time Scale Deep Reinforcement Learning for Voltage Optimization in Photovoltaic-Storage Distribution Networks
黄冬梅 · 余京朋 · 崔承刚 · 董倩文 等6人 · 中国电机工程学报 · 2025年9月 · Vol.45
针对分布式光伏接入导致的配电网电压越限问题，提出一种基于多时间尺度深度强化学习的电压优化策略。该方法结合无模型深度强化学习，综合考虑多种离散与连续调压设备、光伏逆变器及储能的动作时域特性，通过事件触发机制限制储能动作次数与荷电状态变化，以最小化电压偏移与网损为目标，实现多时间尺度协同优化。仿真结果表明，所提方法在IEEE 33节点系统中显著降低电压偏移至0.0166 pu和平均网损至141.2 kW，同时将有载调压变压器与电容器组动作次数分别控制在6次与3次，储能15分钟内荷电状态变化低于30%...
解读: 该多时间尺度深度强化学习电压优化技术对阳光电源光储协同控制具有重要应用价值。可直接应用于SG系列光伏逆变器的无功调压功能与ST系列储能变流器的协同控制策略，通过事件触发机制优化储能动作频次，有效延长PowerTitan储能系统寿命。该方法将储能SOC变化控制在30%以内、动作频次降至10%以下的成果...
基于序的异构智能体强化学习方法用于配电网与输电网协调的负荷频率控制
Order-based Heterogeneous Agents Reinforcement Learning Method with the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月
随着大规模分布式能源（DERs）持续接入配电网（DN），DN已具备参与负荷频率控制（LFC）的能力。本文提出一种基于序的异构智能体软演员-评论家方法（OHASAC），以解决异构可控DERs间的协调问题。通过神经网络估计异构智能体的最优更新顺序，并将最优LFC问题建模为考虑DN与输电网（TN）协调的局部可观测马尔可夫博弈。模型涵盖变辐照条件下电池储能系统（BESS）与光伏（PV）的协同调频。仿真结果表明，该方法在DN-TN协同环境中能有效管理多种分布式电源，兼具优良的泛化性与可扩展性。
解读: 该异构智能体协同控制技术对阳光电源PowerTitan储能系统与SG系列光伏逆变器的协同调频具有重要应用价值。OHASAC方法可优化ST储能变流器在变辐照条件下的BESS-PV协同响应策略，提升配电侧分布式资源参与电网LFC的能力。基于序的智能体更新机制可集成至iSolarCloud平台，实现多站点...
基于深度强化学习的考虑动态风的风电场流动控制
Deep reinforcement learning-driven wind farm flow control considering dynamic wind
Hangyu Wang · Shukai He · Jie Yan · Shuang Han 等5人 · Energy Conversion and Management · 2025年8月 · Vol.337
摘要 克服由尾流效应引起的功率损失对于提高运行中风电场的效率至关重要。风电场流动控制是实现这一目标的关键方法。然而，包括风速和风向变化在内的动态风况以及环境不确定性，给有效的流动控制带来了重大挑战。为应对这些挑战，本文提出了一种基于深度强化学习并考虑动态风的风电场流动控制方法。首先，从LiDAR测量数据中提取动态风波动特征，构建了全面的数据集。随后，开发了一种以动态风作为输入、通过偏航角调整最大化风电场输出功率的流动控制方法。最后，引入双延迟深度确定性策略梯度（Twin Delayed Deep...
解读: 该深度强化学习风电场流控技术对阳光电源储能系统具有重要借鉴价值。TD3算法的实时优化与在线学习机制可应用于ST系列PCS的动态功率调度,通过经验回放处理新能源波动不确定性。动态风况建模思路可迁移至PowerTitan储能系统,结合iSolarCloud平台实现风光储协同控制,优化多能互补场景下的功率...
基于强化学习的结构健康监测物联网传感器网络自适应电池管理
Reinforcement learning for adaptive battery management of structural health monitoring IoT sensor network
Tahsin Afroz Hoque Nishat · Jong-Hyun Jeong · Hongki Jo · Shenghao Xi 等5人 · Applied Energy · 2025年7月 · Vol.390
摘要 由电池供电的无线传感器网络（WSN）为结构健康监测（SHM）提供了一种经济且易于部署的解决方案。然而，由于传感器网络中电池损耗不均、更换电池时面临后勤规划困难，以及维持SHM所需的服务质量（QoS）等问题，其长期运行的可行性面临挑战。系统层面的电池健康管理策略对于延长WSN的寿命和可靠性至关重要，尤其是在考虑到更换电池所需的昂贵维护行程的情况下。本研究提出了一种基于强化学习（RL）的框架，旨在在保持SHM服务质量的同时，主动在系统层面上管理电池老化问题。该框架聚焦于成组电池更换，以减轻后勤...
解读: 该强化学习电池管理技术对阳光电源储能系统具有重要应用价值。文中针对无线传感网络的系统级电池健康管理策略,可直接应用于ST系列PCS和PowerTitan储能系统的BMS优化。通过RL算法实现电池组均衡老化、延长系统寿命的思路,与阳光电源大规模储能电站面临的电池一致性管理挑战高度契合。特别是其考虑光伏...
基于联邦强化学习的主动配电网多主体博弈协同优化策略
A Multi-Agent Game-Based Cooperative Optimization Strategy for Active Distribution Networks Using Federated Reinforcement Learning
杨文伟 · 彭显刚 · 全欢 · 褚卓卓 等6人 · 电力系统自动化 · 2025年7月 · Vol.49
针对主动配电网多主体协同优化中隐私保护与信任缺失问题，提出一种基于多主体博弈与联邦强化学习的日前-日内协同优化调度策略。构建包含分布式电源、配电网及储能运营商的多主体架构，建立以综合收益最大和调整量最小为目标的优化模型。日前阶段采用有限理性信任演化博弈生成调度计划，日内阶段结合联邦自然策略梯度算法进行滚动优化，在满足系统约束的同时保障数据隐私。仿真结果验证了该方法的经济性与有效性。
解读: 该联邦强化学习多主体协同优化技术对阳光电源PowerTitan储能系统和iSolarCloud平台具有重要应用价值。可直接应用于ST系列储能变流器的日前-日内协同调度，通过联邦学习框架实现分布式光伏、储能运营商与配电网的隐私保护协同优化，解决多主体数据共享难题。该博弈优化策略可集成到iSolarCl...
基于MILP-TD3的用户侧储能系统优化运行
Optimal Operation of User-side Energy Storage Systems Based on MILP-TD3
陈景文单茜 · 中国电机工程学报 · 2025年7月 · Vol.45
深度强化学习（DRL）在用户侧储能调控中应用广泛，但智能体常难以严格满足运行约束，影响系统安全性。为此，提出一种混合整数线性规划与双延迟深度确定性策略梯度结合的MILP-TD3方法。构建以运行成本最小为目标、计及电池退化成本的实时优化模型，并将功率平衡约束嵌入马尔科夫决策过程。通过将TD3的动作价值函数转化为MILP公式，确保智能体严格执行约束。算例结果表明，该方法平均日运行成本较传统TD3降低25.34%，单次决策平均耗时0.024秒，满足实时性与安全性要求。
解读: 该MILP-TD3方法对阳光电源ST系列储能变流器和PowerTitan储能系统的智能调度具有重要应用价值。通过将约束嵌入强化学习决策过程，可直接集成到iSolarCloud云平台的能量管理系统中，提升用户侧储能的实时优化能力。该方法考虑电池退化成本的建模思路，可优化ST储能系统的全生命周期经济性，...
评估结合中间储能的电转X系统中基于网格惩罚的强化学习在可再生能源管理中的应用
Assessing Grid Penalized Reinforcement Learning for Renewable Energy Management of Power-to-X Integrated With Intermediate Storage
Jeongdong Kim · Jonggeol Na · Joseph Sang-Il Kwon · Seongbin Ga 等6人 · IEEE Transactions on Sustainable Energy · 2025年6月
本研究通过详细案例与对比分析，探讨了在可再生能源与电价不确定性下，基于深度强化学习（DRL）的电转X（PtX）系统规划策略。提出一种融合混合储能系统的DRL小时级规划模型，采用网格惩罚奖励函数以抑制电网电力过度使用，并考虑可再生能源出力与电价的时间不确定性。利用法国国家实际数据，将该模型与规则基线模型在不同时空不确定性下进行比较。结果表明，DRL模型在全国范围内实现月利润提升1360.12%，尽管可再生能源渗透率略低，但通过提高电网惩罚强度可有效缩小渗透率差距并维持高盈利性。该研究首次量化揭示了...
解读: 该DRL驱动的可再生能源管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究提出的网格惩罚强化学习策略可直接应用于储能系统的能量管理系统（EMS），通过动态优化充放电策略，在电价波动和新能源出力不确定性下实现经济性最优。混合储能系统的小时级规划模型可集成至iSol...
基于深度强化学习的移动式风力发电机分配以增强配电系统韧性
Deep Reinforcement Learning-Based Allocation of Mobile Wind Turbines for Enhancing Resilience in Power Distribution Systems
Ruotan Zhang · Jinshun Su · Payman Dehghanian · Mohannad Alhazmi 等5人 · IEEE Transactions on Sustainable Energy · 2025年6月
风能资源的广泛应用在应对气候变化中展现出显著优势。移动式风力发电机（MWT）可通过运输系统灵活部署，作为应急电源参与配电系统（PDS）灾后恢复，提升系统韧性。本文提出一种基于多智能体深度强化学习（MADRL）的MWT调度框架，采用深度Q网络（DQL）与双深度Q网络（DDQL）进行训练与对比，并引入动作限制机制以抑制风电波动影响。在锡乌福尔斯交通系统与四个IEEE 33节点配电系统耦合的案例中验证了该方法在提升灾后服务恢复能力方面的有效性。
解读: 该研究的MWT调度与深度强化学习方法对阳光电源储能产品线具有重要参考价值。首先，MADRL框架可优化ST系列储能变流器的调度策略，提升PowerTitan系统在极端天气下的应急响应能力。其次，动作限制机制的设计思路可用于改进储能PCS的功率波动抑制算法。研究中的分布式协同控制方案也可集成到iSola...
第 1 / 5 页