基于深度强化学习技术的光伏-固体氧化物燃料电池混合能源系统多场景控制

摘要：固体氧化物燃料电池(solidoxidefuelcell,SOFC)运行安静、清洁高效，具有广泛的应用前景。SOFC能够与其他发电装置和储能装置灵活耦合形成混合能源系统，该文所研究的光伏-燃料电池(photovoltaic-solidoxidefuelcell,PV-SOFC)混合能源系统将太阳能通过电转气技术(powerto gas,P2G)转换为氢能供SOFC使用，能够有效弥补太阳能波动性大、间歇性强的缺点。针对SOFC混合能源系统多变量、强非线性的特征，该文采用深度强化学习(deep reinforcement learning,DRL)技术研究一种智能运行控制策略。首先，搭建PV-SOFC混合能源系统的仿真模型，该模型以SOFC为核心，侧重于系统中的功率流向和氢气流向，并考虑了系统内部的运行条件约束。其次，分别提出联网运行模式与孤岛运行模式下基于深度确定性策略梯度算法(deep deterministic policy gradient,DDPG)的系统智能运行控制策略。最后，通过算例仿真验证该算法的有效性。结果表明，孤岛运行模式下DDPG算法能够在不同环境和负荷需求条件下使混合能源系统保持较低的系统失电概率和弃电概率，有效提高系统的运行可靠性和经济性。联网运行模式下DDPG算法能够利用不同时间段的电价差和剩余储氢与电网灵活交易，从而获取更高的系统长期收益。