基于改进联邦竞争深度Q网络的多微网能量管理策略

目前，基于联邦深度强化学习的微网（MG）能量管理研究未考虑多类型能量转换与MG间电量交易的问题，同时，频繁交互模型参数导致通信时延较大。基于此，以一种包含风、光、电、气等多类型能源的MG为研究对象，构建了支持MG间电量交易和MG内能量转换的能量管理模型，提出基于正余弦算法的联邦竞争深度Q网络学习算法，并基于该算法设计了计及能量交易与转换的多MG能量管理与优化策略。仿真结果表明，所提能量管理策略在保护数据隐私的前提下，能够得到更高奖励且最大化MG经济收益，同时降低了通信时延。