基于深度强化学习的微网优化运行综述

Abstract

微网在分布式新能源消纳、负荷优化、提高能源利用效率等方面具有重要作用。但新能源出力的间歇性、负荷侧用电行为的随机性导致微网成为一个动态的复杂系统，难以通过准确的物理模型刻画，给微网优化运行带来巨大挑战。深度强化学习（deep reinforcement learning，DRL）通过与环境交互试错寻找最优策略，不依赖于新能源出力和负荷的精确建模，适用于解决序贯决策问题，在求解含有大量不确定性的微网优化运行难题时具有优势。为此，从DRL原理、DRL在单个微网以及微网群优化运行中的应用进行了综述与分析，最后对应用中所面临的算法可解释性、奖励函数设置、用户隐私性等方面进行了展望。

Keywords

• 微网
• 深度强化学习
• 复杂系统
• 优化运行