为冰岛首都地区供暖区,在很大程度上依赖地热水,其中一个关键组成部分是位于雷克雅未克附近Mosfellsdalur的Reykjahlíð的深井泵网。但是,该网络的操作尚未完全优化以达到整体效率。电动潜水泵(ESP)和垂直轴泵(VSP)的组合提出了一项计算强度的优化挑战。这项工作通过集成了使用Epanet开发的液压模拟模型与Dueling Dueling Q-Network(DQN)体系结构来应对挑战,在该模型中,神经网络作为核心组件起作用,用作功能近似器,以优化流动流量和动力消耗之间的复杂,非线性关系,实现多型目标。探索了两种不同的方法,与当前的操作相比,该网络的功耗降低了6.5%,同时准确地满足了需求。此优化是在几乎实时实时执行的,这使其非常适合区域供暖系统典型的波动需求条件。
3 最有名的替代标准理论的竞争者可以说是卡尼曼和特沃斯基的前景理论。然而,这一理论也经过了修改和完善,对于所谓的“理论”的功能形式,并没有达成共识。有关正在进行的辩论,请参阅 Bernheim 和 Sprenger (2020) 以及 Abdellaoui 等人 (2020),他们批评了前一篇论文,但也承认累积前景理论存在许多描述性缺陷。同样,半双曲线消费随时间变化的模型也因其经验上的缺陷而受到批评(Benhabib 等人,2010 年)。最后,许多实验结果似乎过于脆弱,无法作为稳健理论的基础(例如,参见 Grimm 和 Mengel (2010) 关于最后通牒博弈的论文,以及 Hertwig、Barron、Weber 和 Erev (2004) 关于小概率的作用的论文)。
I. 引言 微电网是一种很有前途的概念,它可以解决将分布式可再生能源和储能系统整合到电网中的挑战。在线优化是根据系统的实时状态来调度微电网的运行,是确保微电网经济运行的关键技术。然而,可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题,研究人员提出了几种在线优化方法,如模型预测控制 (MPC) [1] 和基于近似动态规划 (ADP) 的算法 [2]。然而,上述方法的在线优化性能依赖于预测信息。因此,性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖,已经提出了几种其他的微电网在线优化方法,包括 Lyapunov 优化 [3]、CHASE 算法 [4] 以及最近开发的基于深度强化学习 (DRL) 的优化方法(例如深度 Q 网络 (DQN) [5]、MuZero [6])。
引言微电网是一个很有前途的概念,它可以解决分布式可再生能源和储能系统融入电网的挑战。在线优化是根据系统的实时状态对微电网的运行进行调度,是确保微电网经济运行的关键技术。然而,可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题,研究人员提出了几种在线优化方法,如模型预测控制(MPC)[1]和基于近似动态规划(ADP)的算法[2]。然而,上述方法的在线优化性能依赖于预测信息。因此,性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖,已经提出了其他几种微电网在线优化方法,包括Lyapunov优化[3]、CHASE算法[4]以及最近开发的基于深度强化学习(DRL)的优化方法(例如深度Q网络(DQN)[5]、MuZero [6])。与传统的微电网在线优化方法(例如MPC)相比,基于DRL的算法通过历史可再生能源发电和负载序列来学习操作系统,并且可以在不使用任何预测信息的情况下进行近似最优调度[6]。然而,上述工作主要关注具有单个电池储能系统(BESS)的微电网的在线优化,未能解决BESS的分布式位置特性。随着商业和家庭储能技术的快速发展,大量BESS将安装在微电网的分布式位置。