找到 2 条结果
基于深度强化学习的移动式风力发电机分配策略以提升配电网韧性
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 · Vol.17
本文提出一种多智能体深度强化学习框架，用于极端事件后调度移动式风力发电机（MWTs）开展配电网服务恢复；采用DQL与DDQL算法，并引入动作约束抑制风电波动影响；在电力-交通耦合系统上验证了其提升系统韧性的有效性。
解读: 该研究虽聚焦风电场景，但其MADRL调度框架与动态功率协同控制思想可迁移至阳光电源PowerTitan/PowerStack储能系统在灾害响应中的智能调度，尤其适用于iSolarCloud平台集成AI运维模块。建议将DDQL算法适配至ST系列PCS的黑启动与孤岛微网协同控制逻辑中，增强光储柴多源应急...
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...