基于强化学习的微电网储能系统最优充放电策略设计.docxVIP

PAGE2

基于强化学习的微电网储能系统最优充放电策略设计

摘要

随着可再生能源分布式接入规模的不断扩大，微电网作为集成新能源与负荷的重要载体，其运行的经济性与稳定性面临严峻挑战。

储能系统在平抑功率波动、削峰填谷、提升新能源消纳率等方面具有不可替代的作用，然而传统基于规则或模型预测的充放电策略难以在复杂不确定环境下实现长期最优。

本设计以包含光伏、负荷和储能单元的微电网为对象，建立以日运行成本最小化为目标的马尔可夫决策过程模型，并设计基于深度Q网络（DQN）的储能充放电策略。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开：首先分析微电网运行的不确定性痛点与现有策略的空缺，明确功能与非功能需求；进而构建总体架构与模块划分，详细设计状态空间、动作空间、奖励函数及DQN算法流程；在Python环境下实现仿真环境与智能体，并完成功能测试、收敛性测试及经济性对比测试。

结果表明，所提策略在分时电价与随机光伏出力场景下，相较传统规则策略可使日运行成本降低约15%~20%，且具备良好的鲁棒性。

核心创新点在于将深度强化学习应用于储能实时调度，无需精准预测即可学习最优充放电行为，并在MDP建模中综合考量电池老化、电网交互约束等实际因素，为微电网智能运维提供了一套可工程化的设计范式。

第一章绪论

1.1研究背景

在“双碳”目标驱动下，以光伏、风电为代表的分布式可