近日，工业信息化领域国际顶级刊物《IEEE Transactions on Industrial Informatics》（一区TOP，IF 11.7）接收了人工智能学院协同控制团队在电力电子控制领方向的研究进展，论文题目为“Deep Reinforcement Learning and Deadbeat Hybrid Control Method for Hybrid Energy Storage System Considering Nonlinear Power Loss and Model Mismatch”。

微电网作为整合可再生能源的关键技术，通过由电池和超级电容器组成的混合储能系统，能够实现对电能的快速吸收与释放，从而平抑可再生能源输出功率和负载需求的波动。为实现混合储能系统中 DC-DC 转换器的快速响应，开发高效的控制策略是保障微电网稳定运行的核心。然而，在计算能力有限的情况下，如何有效应对功率损耗和模型参数不匹配带来的不利影响，依然是一项重大挑战。

论文提出了一种结合深度强化学习的混合储能系统无差拍控制算法，如图1所示。在该方法中，非线性功率损耗和模型失配引起的混合储能系统最佳电流参考值变化被视为集中扰动，通过深度确定性策略梯度算法进行补偿，并根据精确的参考电流生成最佳控制比，从而消除系统稳态误差并提高动态响应速度。

通过龙子湖新能源实验室-智能微电网实验室所搭建的硬件平台验证了所提算法的有效性。结果表明，稳态误差保持在1%以内。与传统的无差拍控制方法相比，所提出的方法可将母线电压动态误差和调节时间分别减小34.24%-44.44%和16.66%-40.00%，如图3所示。

图1：提出的RL-DBC控制算法流程图

图2：龙子湖新能源实验室-智能微电网实验室硬件测试平台图

图3：负载功率阶跃变化实验图

本项工作主要由2022级研究生李鹏鹏同学在张西镚、张延宇老师的联合指导下完成。该研究工作为河南大学、龙子湖新能源实验室、中山大学、新西兰奥克兰大学、河南省车联网协同技术国际联合实验室的联合研究成果。该成果受到国家自然科学基金专项项目（面向能源结构转型的中国储能布局预测研究）、龙子湖新能源实验室联合基金、河南省科技攻关项目、教育部春晖计划和中国博士后人才项目等项目的支持。

论文链接:https://ieeexplore.ieee.org/document/10843959