28、智慧城市可再生能源系统中的机器学习应用

智慧城市可再生能源系统中的机器学习应用

1. 强化学习

强化学习（RL）与其他技术有很大不同，它不依赖训练数据集。RL 专注于寻找一种最优行动策略，使特定任务的奖励最大化，类似于动态规划或优化问题。这种目标驱动的策略是通过与系统或模拟模型进行试错交互来制定的。

RL 逐渐收集经验，慢慢掌握一种能使既定目标最大化的特定技术，其理论基础是马尔可夫决策过程（MDP）。RL 的训练旨在创建一个 Q 表，该表代表一种行动选择策略，能使未来的预期总奖励最大化。Q 表作为一个信息丰富的策略矩阵，存储了在特定条件变量下要采取的最优行动。

例如，在风能转换系统（WECS）的最大功率点跟踪（MPPT）中就应用了 RL，且应用时不需要风速等相关参数。将人工神经网络（ANN）与 Q 学习相结合，可以避免寻找最优状态空间的挑战。当因系统老化导致学习到的良好关系退化时，可以重新激活在线学习方法，这能显著增强风能系统的自主能力。

强化学习的优势在于它从与系统的交互中获取经验，而非依赖现有数据集，这使其在系统先验知识有限或难以建立模型的场景中特别有利。

2. 机器学习在预测中的应用

2.1 太阳能预测

随着并网光伏（PV）系统数量的增加，准确的发电量预测对于电网集成变得越来越重要。光伏系统数量的增加归因于投资成本降低、激励措施、建筑工程技术要求法规等因素。然而，大量光伏系统接入电网，由于天气突然变化可能导致电网不稳定。

天气作为一个混沌系统，对预测有显著影响，长期的太阳能光伏发电预测（如下个季节）是不可能的。因此，基于统计和随机模型的智能技术被开发出来，以实现长期规划并全面了解分布式能源资源和负载的行为。