-
公开(公告)号：CN112149347B
公开(公告)日：2023-12-26
申请号：CN202010974175.8
申请日：2020-09-16
Applicant: 北京交通大学
IPC: G06F30/27 , G06Q10/063 , G06Q50/06 , G06N3/092 , G06F111/04 , G06F113/04
Abstract: 本发明提供了一种基于深度强化学习的配电网负荷转供方法。该方法包括：配电网发生故障，开始负荷转供；将配电网的实时状态信息输入到智能体，计算出动作评价向量，基于动作评价向量根据动作策略选取相应的动作；智能体对配电网执行所述动作，对配电网的动作及动作后的状态进行评价,根据约束条件与目标函数计算奖励Reward，根据奖励Reward和结束规则确定Done的值，对智能体进行参数更新；依据结束标志位判断是否结束序列动作。本申请的方法利用深度强化学习来提高配电网的故障应急恢复能力与可靠性，基于深度强化学习的配电网负荷转供算法避免了故障时的大量运算与电网仿真迭代，提高了负荷转供的速度，使配电网具有更高的可靠性。
-
公开(公告)号：CN112149347A
公开(公告)日：2020-12-29
申请号：CN202010974175.8
申请日：2020-09-16
Applicant: 北京交通大学
IPC: G06F30/27 , G06Q10/06 , G06Q50/06 , G06F111/04 , G06F113/04
Abstract: 本发明提供了一种基于深度强化学习的配电网负荷转供方法。该方法包括：配电网发生故障，开始负荷转供；将配电网的实时状态信息输入到智能体，计算出动作评价向量，基于动作评价向量根据动作策略选取相应的动作；智能体对配电网执行所述动作，对配电网的动作及动作后的状态进行评价,根据约束条件与目标函数计算奖励Reward，根据奖励Reward和结束规则确定Done的值，对智能体进行参数更新；依据结束标志位判断是否结束序列动作。本申请的方法利用深度强化学习来提高配电网的故障应急恢复能力与可靠性，基于深度强化学习的配电网负荷转供算法避免了故障时的大量运算与电网仿真迭代，提高了负荷转供的速度，使配电网具有更高的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN112186811A
公开(公告)日：2021-01-05
申请号：CN202010972441.3
申请日：2020-09-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度强化学习的AGC机组动态优化方法，本发明引入了强化学习中的深度Q网络(deep Q network,DQN)算法，通过智能体与环境的不断交互，根据环境反馈的奖励值，不断改进智能体的策略，实现对系统中不确定性变量的学习，避免了对系统中的不确定性变量的建模。本方法能够根据负荷和风电的预测信息，自适应学习预测带来的不确定性，使得所给出的结果，即各台AGC机组的调节量能够更加吻合电力系统实际有功缺额，有助于系统的频率稳定，解决大规模新能源并网带来的随机扰动问题。
-
公开(公告)号：CN112186743A
公开(公告)日：2021-01-05
申请号：CN202010972420.1
申请日：2020-09-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度强化学习的动态电力系统经济调度方法，将动态经济调度转化为多阶段序贯决策模型，本发明将进行动作决策的调度中心作为决策主体，实际电力系统作为环境，通过对强化学习中动作、状态、奖励等元素的设计，将电力系统的经济调度模型转化为典型的多阶段序贯决策模型。该模型避免了对日益复杂的电力系统进行建模，且不要求精确的火电机组出力成本函数，通过智能体与环境的不断交互，更新策略，自适应负荷与新能源出力的不确定性，实现任意场景下的电力系统动态经济调度。
-
公开(公告)号：CN112186811B
公开(公告)日：2022-03-25
申请号：CN202010972441.3
申请日：2020-09-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度强化学习的AGC机组动态优化方法，本发明引入了强化学习中的深度Q网络(deep Q network,DQN)算法，通过智能体与环境的不断交互，根据环境反馈的奖励值，不断改进智能体的策略，实现对系统中不确定性变量的学习，避免了对系统中的不确定性变量的建模。本方法能够根据负荷和风电的预测信息，自适应学习预测带来的不确定性，使得所给出的结果，即各台AGC机组的调节量能够更加吻合电力系统实际有功缺额，有助于系统的频率稳定，解决大规模新能源并网带来的随机扰动问题。
-
公开(公告)号：CN119831565A
公开(公告)日：2025-04-15
申请号：CN202411869986.6
申请日：2024-12-18
Applicant: 北京交通大学 , 中国电力科学研究院有限公司 , 国网上海市电力公司
IPC: G06Q10/20 , G06Q50/06 , G06F30/27 , G06N3/092 , G06F111/04 , G06F111/06 , G06F113/04
Abstract: 本发明提供一种多目标强化学习的配电网检修计划设置方法和系统。包括：利用搜索法开展初始计划的合并与互斥判断；建立了包括配电网检修计划经济性、任务量等多个目标的检修计划调整数学模型，同时考虑了可能出现的工期时长波动；将数学模型转化为约束马尔可夫决策过程，定义检修状态、检修动作、检修计划编排奖励函数和约束空间，利用噪声深度Q强化学习对计划编排智能体进行训练求解；利用某检修计划数据验证了所提方法的有效性。本发明通过搜索法和多目标噪声深度Q强化学习，可以进行配电网检修计划自动合并与计划排期，提高检修计划的合理性和经济性，提升配电网决策的智能化。
-
公开(公告)号：CN112186743B
公开(公告)日：2022-03-25
申请号：CN202010972420.1
申请日：2020-09-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度强化学习的动态电力系统经济调度方法，将动态经济调度转化为多阶段序贯决策模型，本发明将进行动作决策的调度中心作为决策主体，实际电力系统作为环境，通过对强化学习中动作、状态、奖励等元素的设计，将电力系统的经济调度模型转化为典型的多阶段序贯决策模型。该模型避免了对日益复杂的电力系统进行建模，且不要求精确的火电机组出力成本函数，通过智能体与环境的不断交互，更新策略，自适应负荷与新能源出力的不确定性，实现任意场景下的电力系统动态经济调度。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
