微电网利用可再生能源满足用户的动态负载需求。通过电能交易分配盈余电量,满足用户时变的负载需求,提高可再生能源的利用率,从而降低对煤炭等不可再生资源的依赖,并提高微电网的效益。论文研究微电网之间的电能交易博弈,设计了微电网电能交易系统。其中,微电网根据时变的可再生能源的产能及负载需求,与其他相连的微电网协商实际的交易策略,然后执行电能交易。论文推导了该博弈的纳什均衡及其存在条件,揭示微电网的可再生能源产能、负载需求及储能电量等因素对微电网收益的影响。在此基础上,论文设计了基于Q学习的电能交易算法,微电网通过无线网络感知可再生能源产能、负载需求和当前储能电量等信息,而无需感知其他微电网的产能和负载模型,通过足够长的动态博弈获取最佳交易策略。此外,论文提出了基于Hotbooting Q学习的电能交易算法,采用Hotbooting的模拟仿真经验原理,提高算法的探索力度和收敛速度,从而提高效益,并减少对不可再生能源发电的依赖。例如对于一天4次交易的场景,Hotbooting Q交易算法相对于Q交易算法,提高了 5.31%的效益,与变电站购买的平均电量减少了 33.33%。针对微电网数目众多的场景,设计了基于深度强化学习的微电网电能交易优化方案。通过观察可再生能源产能、负载需求、当前电量以及微电网个数等信息,快速地学习掌握外界环境交易变化规律,获取最优交易策略。该算法可提升可再生能源利用率和微电网效益。为加快DQN交易算法学习速度和探索力度,提出了 Fast DQN交易算法。对于一天交易8次的实验场景,DQN交易算法相对于Hotbooting Q交易算法,提升了 53.57%的效益,此基础上,Fast DQN交易算法下进一步提升了 4.65%的效益。