【技术实现步骤摘要】
本专利技术涉及光储充电站系统优化的，特别涉及一种基于强化学习的光储充电站系统的优化方法及终端。
技术介绍
1、传统的模型驱动随机优化方法对光储充电站进行运营优化时，无法充分考虑到储能系统复杂的运行特性以及光伏发电和电动汽车充电负载的不确定性。这导致系统在运营中存在一些问题，如无法有效满足电动汽车的充电需求、无法实现光储充电站的收入最大化等。
技术实现思路
1、本专利技术所要解决的技术问题是：提出了一种基于强化学习的光储充电站系统的优化方法及终端，能够考虑电动汽车充电需求、光伏输出以及电价的不确定性，采用强化学习技术建立储能优化运营策略，从而在确保满足电动汽车的充电需求。
2、为了解决上述技术问题，本专利技术采用的技术方案为：
3、一种基于强化学习的光储充电站系统的优化方法，包括步骤：
4、通过精细建模建立考虑储能运行效率和容量衰减的光储模型；
5、通过对所述光储模型进行强化学习，采用双延迟深度确定性策略梯度算法建立基于强化学习的光储优化运营策略的决策模型，结合电动汽车充电负荷、光伏发电量以及电价进行所述决策模型的学习优化，并使用获取到的光储充电站的环境参数对所述决策模型进行交互学习；
6、使用实际历史数据对所述决策模型进行训练，并根据当前时段状态实时优化光储优化运营策略，以生成最优的连续性光储优化运营策略，并发送至所述光储充电站。
7、为了解决上述技术问题，本专利技术采用的另一种技术方案为：
8、一
9、本专利技术的有益效果在于：考虑到电动汽车充电负荷、光伏发电量和电价的不确定性，通过对储能运行效率和容量衰减进行精细建模，然后基于强化学习技术建立储能优化运营策略，以确保满足电动汽车的充电需求的同时满足光伏自身的消耗。采用双延迟深度确定性策略梯度算法能够解决储能充放电决策的连续性问题，通过使用实际历史数据进行模型训练，并根据当前时段状态实时优化储能充放电策略。以此方式，能够提高光储充电站系统的经济性并提升储能系统的运行效率，解决了传统方法在考虑不确定性时的局限性，因此还具有较高的实用性和可行性。
本文档来自技高网...【技术保护点】
1.一种基于强化学习的光储充电站系统的优化方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，所述通过精细建模建立考虑储能运行效率和容量衰减的光储模型，包括：
3.根据权利要求1所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，所述通过精细建模建立考虑储能运行效率和容量衰减的光储模型，还包括：
4.根据权利要求3所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，对所述光储模型进行强化学习，包括：
5.根据权利要求4所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，采用双延迟深度确定性策略梯度算法建立基于强化学习的光储优化运营策略的决策模型，包括：
6.一种基于强化学习的光储充电站系统的优化终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
7.根据权利要求6所述的一种基于强化学习的光储充电站系统的优化终端，其特征在于，所述通过精细建模
8.根据权利要求6所述的一种基于强化学习的光储充电站系统的优化终端，其特征在于，所述通过精细建模建立考虑储能运行效率和容量衰减的光储模型，还包括：
9.根据权利要求8所述的一种基于强化学习的光储充电站系统的优化终端，其特征在于，对所述光储模型进行强化学习，包括：
10.根据权利要求9所述的一种基于强化学习的光储充电站系统的优化终端，其特征在于，采用双延迟深度确定性策略梯度算法建立基于强化学习的光储优化运营策略的决策模型，包括：
...【技术特征摘要】
1.一种基于强化学习的光储充电站系统的优化方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，所述通过精细建模建立考虑储能运行效率和容量衰减的光储模型，包括：
3.根据权利要求1所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，所述通过精细建模建立考虑储能运行效率和容量衰减的光储模型，还包括：
4.根据权利要求3所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，对所述光储模型进行强化学习，包括：
5.根据权利要求4所述的一种基于强化学习的光储充电站系统的优化方法，其特征在于，采用双延迟深度确定性策略梯度算法建立基于强化学习的光储优化运营策略的决策模型，包括：
6.一种基于强化学习的光储充电站系统的优化终端，...
【专利技术属性】
技术研发人员：李小娴，王彦铭，吴灿雄，吴鲤滨，陶华，
申请(专利权)人：国网福建省电力有限公司泉州供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。