面向直流微电网的协方差感知分层安全控制方法

《Mathematics》：Safety-Certified Hierarchical Control of DC Microgrids via Continuous Deep Reinforcement Learning and Covariance-Weighted Sliding Mode Synthesis

　　本文提出了一种面向直流微电网的分层安全控制方法，将基于学习的能源管理与严格的约束执行相结合。主要创新在于一种协方差感知耦合机制，该机制同时为控制障碍函数（CBF）约束收紧、滑模增益调度和深度强化学习状态增强提供信息。一个连续软演员-评论家（SAC）智能体生成平滑的电流参考值和灵活的负荷切除比例。一个预测性CBF二次规划（QP）作为安全滤波器，使用基于递归最小二乘预测器的在线置信区间。该滤波器确保具有样本间裕度的采样数据安全特性，并通过鲁棒CBF项适用于实际的不确定微电网，前提是QP可行且松弛度为零，同时真实电压保持在置信区间内。相同的协方差信息还作为自适应增益和权重调度的在线不确定性度量。复合Lyapunov-CBF定理证明了一致最终有界性和约束满足性。在严重条件下的仿真显示，在高概率下实现了约束满足且松弛度可忽略不计，同时改善了暂态恢复并降低了电池应力。与模糊逻辑、离散深度Q学习（DQL）以及纯SAC的对比突出了CBF的贡献，而消融研究评估了各个组件的作用。虽然鲁棒模型预测控制（MPC）也能执行约束，但所提方法以较低的复杂度实现了可比的约束满足效果。理论保证与仿真观察之间保持了明确的区别。