本文關(guān)鍵詞： 知識遷移 細菌覓食 強化學(xué)習(xí) 風(fēng)險調(diào)度　出處：《電力系統(tǒng)自動化》2017年08期 　論文類型：期刊論文

【摘要】：針對電力系統(tǒng)運行過程中負荷及故障的不確定性,在經(jīng)濟調(diào)度中引入風(fēng)險評估原理,并提出了一種全新的基于知識遷移的細菌覓食強化學(xué)習(xí)優(yōu)化算法。該算法將細菌覓食算法的尋優(yōu)模式與Q學(xué)習(xí)算法的試錯迭代機制結(jié)合,利用多主體協(xié)同合作來更新共有的知識矩陣,并以基于知識延伸的維度縮減方式避免了"維數(shù)災(zāi)難"。在預(yù)學(xué)習(xí)獲得最優(yōu)知識矩陣后,利用知識遷移加速在線學(xué)習(xí)進程。IEEE RTS-79測試系統(tǒng)的仿真結(jié)果表明:所提算法在保證獲得高質(zhì)量最優(yōu)解的同時,尋優(yōu)速度可達經(jīng)典智能算法的9~20倍,適合求解大規(guī)模復(fù)雜電網(wǎng)的風(fēng)險調(diào)度快速優(yōu)化。
[Abstract]:In view of the uncertainty of load and fault during the operation of power system, the risk assessment principle is introduced in the economic dispatch. A new bacterial foraging reinforcement learning optimization algorithm based on knowledge migration is proposed, which combines the optimization pattern of bacterial foraging algorithm with the iterative mechanism of Q-learning algorithm. Multi-agent collaborative cooperation is used to update the common knowledge matrix, and the dimensionality disaster is avoided by dimensionality reduction based on knowledge extension. The optimal knowledge matrix is obtained after pre-learning. The simulation results of the IEEE-based RTS-79 test system using knowledge migration to accelerate the online learning process show that the proposed algorithm can obtain the best solution with high quality. The speed of optimization is 9 ~ 20 times that of the classical intelligent algorithm, which is suitable for the rapid optimization of large-scale complex power grid risk scheduling.
【作者單位】： 華南理工大學(xué)電力學(xué)院;
【基金】：國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)資助項目(2013CB228205) 國家自然科學(xué)基金資助項目(51477055)~~
【分類號】：TM73;TP18
【正文快照】： 上網(wǎng)日期:2017-01-10。0引言為更好地權(quán)衡系統(tǒng)安全性與經(jīng)濟效益,增強調(diào)度操作抵御運行風(fēng)險的水平,國內(nèi)外學(xué)者已經(jīng)在發(fā)電優(yōu)化中引入電力系統(tǒng)的風(fēng)險理論,對風(fēng)險調(diào)度進行了大量研究。目前,實際電力系統(tǒng)中多采用確定性“N-1”原則指導(dǎo)安全約束經(jīng)濟調(diào)度[1],然而確定性準(zhǔn)則下的結(jié)果

【參考文獻】

相關(guān)期刊論文 前10條

1 黃小慶;楊夯;陳頡;江磊;曹一家;;基于LCC和量子遺傳算法的電動汽車充電站優(yōu)化規(guī)劃[J];電力系統(tǒng)自動化;2015年17期

2 張孝順;鄭理民;余濤;;基于多步回溯Q(λ)學(xué)習(xí)的電網(wǎng)多目標(biāo)最優(yōu)碳流算法[J];電力系統(tǒng)自動化;2014年17期

3 莊福振;羅平;何清;史忠植;;遷移學(xué)習(xí)研究進展[J];軟件學(xué)報;2015年01期

4 裴喜平;郝曉弘;陳偉;肖駿;王維洲;李恒杰;;基于梯度下降法的單相幅相鎖相環(huán)優(yōu)化設(shè)計[J];電力系統(tǒng)自動化;2014年02期

5 文云峰;江宇飛;沈策;廖俊宏;郭創(chuàng)新;王越;吳青華;;多階段協(xié)調(diào)的風(fēng)險調(diào)度模型及算法研究[J];中國電機工程學(xué)報;2014年01期

6 黃家棟;張富春;周慶捷;;基于輸電斷面識別的電力系統(tǒng)連鎖故障風(fēng)險評估模型[J];電力系統(tǒng)保護與控制;2013年24期

7 王晶;陳駿宇;藍愷;;基于實時電價的微網(wǎng)PSO最優(yōu)潮流算法研究[J];電力系統(tǒng)保護與控制;2013年16期

8 黃文濤;鄧長虹;汪志強;舒征宇;翁毅選;;基于外點罰函數(shù)法的實時低頻切泵策略[J];中國電機工程學(xué)報;2013年16期

9 邱威;張建華;劉念;朱星陽;劉力華;;計及運行風(fēng)險的多目標(biāo)發(fā)電優(yōu)化調(diào)度[J];中國電機工程學(xué)報;2012年22期

10 任博強;蔣傳文;彭鳴鴻;欒士巖;林海濤;靳希;;基于改進遺傳算法的含風(fēng)電場的電力系統(tǒng)短期經(jīng)濟調(diào)度及其風(fēng)險管理[J];現(xiàn)代電力;2010年01期

【共引文獻】

相關(guān)期刊論文 前10條

1 韓傳家;張孝順;余濤;瞿凱平;;風(fēng)險調(diào)度中引入知識遷移的細菌覓食強化學(xué)習(xí)優(yōu)化算法[J];電力系統(tǒng)自動化;2017年08期

2 盧軍雄;鐘俊;;基于量子遺傳算法的PID控制時間同步[J];計算機工程與設(shè)計;2017年04期

3 何培穎;房鑫炎;;基于聚類算法的關(guān)鍵輸電斷面快速搜索[J];電力系統(tǒng)保護與控制;2017年07期

4 武煜博;;圖像識別技術(shù)發(fā)展與應(yīng)用[J];電子技術(shù)與軟件工程;2017年04期

5 金勇;張菲;梁立新;劉廷章;;電動汽車充電站規(guī)劃優(yōu)化研究[J];自動化與儀器儀表;2017年02期

6 王紅斌;沈強;線巖團;;融合遷移學(xué)習(xí)的中文命名實體識別[J];小型微型計算機系統(tǒng);2017年02期

7 朱斐;劉全;傅啟明;陳冬火;王輝;伏玉琛;;一種不穩(wěn)定環(huán)境下的策略搜索及遷移方法[J];電子學(xué)報;2017年02期

8 劉田;趙潔;吳國e，

本文編號：1452693