CN111275572B - 一种基于粒子群和深度强化学习的机组调度系统及方法 - Google Patents
一种基于粒子群和深度强化学习的机组调度系统及方法 Download PDFInfo
- Publication number
- CN111275572B CN111275572B CN202010043546.0A CN202010043546A CN111275572B CN 111275572 B CN111275572 B CN 111275572B CN 202010043546 A CN202010043546 A CN 202010043546A CN 111275572 B CN111275572 B CN 111275572B
- Authority
- CN
- China
- Prior art keywords
- target
- coal
- input
- particle swarm
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 62
- 230000002787 reinforcement Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003245 coal Substances 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 13
- 230000010354 integration Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于粒子群和深度强化学习的机组调度系统及方法，系统包括粒子群模块和深入强化学习模型，其中所述深入强化学习模型包括评估网络、经验回放池、目标网络和损失函数，其中，所述粒子群模块的输入为负荷需求，输出连接所述评估网络，评估网络输出Q估计值和所述经验回放池；所述经验回放池输出连接所述目标网络，所述目标网络输出Q目标值，Q目标值与Q估计值均输入所述损失函数，损失函数的输出再反馈给评估网络。本发明在优化机组调度的同时，切实从节约燃煤量的角度出发，既要满足负荷要求，也要在每一度电上至少节约出0.1克燃煤量，同时实现底层设备与机组调度控制一体化的控制优化。
Description
技术领域
本发明属于信息控制领域，涉及一种基于粒子群和深度强化学习的机组调度系统及方法。
背景技术
电力机组经济调度是电力系统运行中的重要环节，由于其多约束，非线性和高维度的特点，一直成为学术学者的研究对象。机组经济调度优化的意义对电力系统不仅仅是提高工作运行效率，更大大提升了电力企业的综合效益，减小了环境影响，而且人工智能的应用实现了系统自动化和智能化。
电力经济调度可以理解为：在保证满足电力生产的前提下，安全且充分调度各机组的发电生产，使得发电成本最低。目前有很多关于机组经济优化问题的研究，比如遗传算法，蚁群算法，粒子群算法，神经网络，强化学习以及各种不同算法相融合产生的算法。随着电力系统的发展，机组经济调度复杂程度增加，在原有的机组经济优化的问题中添加了不同的约束，如机组启停时间成本，机组爬坡消耗成本等等。然而，所有研究中只是在原有系统中优化了机组调度，但无法实现底层设备参数一体化的控制优化，从而无法进一步优化所需燃煤量。
发明内容
为解决上述问题，本发明的目的在于提供一种基于粒子群和深度强化学习的机组调度系统，包括粒子群模块和深入强化学习模型，其中所述深入强化学习模型包括评估网络、经验回放池、目标网络和损失函数，其中，
所述粒子群模块的输入为负荷需求，输出连接所述评估网络，评估网络输出Q估计值和所述经验回放池；所述经验回放池输出连接所述目标网络，所述目标网络输出Q目标值，Q目标值与Q估计值均输入所述损失函数，损失函数的输出再反馈给评估网络。
优选地，所述粒子群模块输出目标燃煤量和底层可控设备参数，目标燃煤量作为输入状态，底层可控设备参数作为输入动作。
优选地，所述评估网络向所述经验回放池输出的为目标燃煤量、底层可控设备参数、预估奖励和下一状态的目标燃煤量。
优选地，所述经验回放池向所述目标网络输出的为下一状态的目标燃煤量。
优选地，所述粒子群模块中粒子数为80，惯性权重w＝1，学习因子c1＝c2＝2.01，粒子的最大速度为1，迭代次数为1500次，适应值函数为：
其中ai,bi,ci为各机组能耗系数；粒子位置和速度更新公式为：
其中，k表示迭代步数，α为收缩因子，
pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]。
基于上述目的，本发明还提供了一种上述基于粒子群和深度强化学习的机组调度系统的方法，包括以下步骤：
S10，根据负荷需求利用粒子群模块优化得出所有机组出力：以符合需求指令为目标，在各个机组发力的约束下，利用粒子群模块对所有机组进行合理分配，所得结果为各个机组的生产值；
S20，根据机组出力计算燃煤量：根据燃煤量和机组出力的转化公式计算得到燃煤量和平均燃煤量、即为每度电的燃煤量，目标燃煤量为平均燃煤量至少再减少1g燃煤量每度电；
S30，将目标燃煤量作为输入状态，风水煤等底层可调节设备参数作为输入动作，输入到深度强化学习模型中；
S40，以目标燃煤量为目标，调控底层可控设备参数，所得结果在目标燃煤量的前提下，得到所有底层设备控制器的最优参数；
S50，根据目标燃煤量和机组负荷需求得到新的燃煤量和成本；按照新的成本和负荷需求重新利用粒子群模块规划机组输出，重复S10-S40，根据目标燃煤量得到底层设备最优参数，最后根据新的成本函数重新规划机组出力。
优选地，S40中，将目标燃煤量作为输入状态s，底层可控设备参数作为输入动作a，输入到深度强化学习模型的评估网络中，评估网络自主学习得到达到下一状态的预估奖励，并将Q估计值输入损失函数，将输入状态s，输入动作a，预估奖励r和下一状态s’组合并存输入经验回放池中，以下一状态s’作为输入状态输入到目标网络中得到实际可得的奖励，即为Q目标值，将Q目标值和Q估计值的差作为深度强化学习模型的反馈再次输入评估网络，提升学习性能。
与现有技术相比，本发明至少有以下有益效果：在优化机组调度的同时，切实从节约燃煤量的角度出发，既要满足负荷需求，也要在每一度电上至少节约出0.1克燃煤量，同时实现底层设备与机组调度控制一体化的控制优化。本发明组合了粒子群模块和深度强化学习模型。粒子群模块有参数少、易实现、寻找全局最优等特点，在机组调度优化问题上有着普遍的应用。深度强化学习模型是深度学习和强化学习的结合，深度学习具有较强的感知能力，但缺乏一定的决策能力；而强化学习具有决策能力，将两者结合起来优势互补，对复杂系统感知决策问题提供了解决思路。
附图说明
图1为本发明实施例的基于粒子群和深度强化学习的机组调度系统的结构框图；
图2为本发明具体实施例的基于粒子群和深度强化学习的机组调度方法的步骤流程图；
图3为本发明实施例的基于粒子群和深度强化学习的机组调度的对机组出力分配优化前后的变化图；
图4为本发明实施例的基于粒子群和深度强化学习的机组调度优化机组出力过程中的电厂成本的变化过程示意图；
图5为本发明实施例的基于粒子群和深度强化学习系统的损失函数的变化过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
系统实施例1
参见图1，所示为本发明一实施例的基于粒子群和深度强化学习的机组调度系统包括粒子群模块10和深入强化学习模型20，其中所述深入强化学习模型20包括评估网络21、经验回放池22、目标网络23和损失函数24，其中，
粒子群模块10的输入为负荷需求，输出连接评估网络21，评估网络21输出Q估计值和经验回放池22；经验回放池22输出连接目标网络23，目标网络23输出Q目标值，Q目标值与Q估计值均输入损失函数24，损失函数24的输出再反馈给评估网络21。
系统实施例2
粒子群模块10输出目标燃煤量和底层可控设备参数，目标燃煤量作为输入状态，底层可控设备参数作为输入动作。
评估网络21向经验回放池22输出的为目标燃煤量、底层可控设备参数、预估奖励和下一状态的目标燃煤量。
经验回放池22向目标网络23输出的为下一状态的目标燃煤量。
粒子群模块10中粒子数为80，惯性权重w＝1，学习因子c1＝c2＝2.01，粒子的最大速度为1，迭代次数为1500次，适应值函数为：
其中ai,bi,ci为各机组能耗系数；粒子位置和速度更新公式为：
其中，k表示迭代步数，α为收缩因子，
pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]。
深度强化学习模型20中的参数设置：使用fixed Q-network和经验回放池22实现深度强化学习。其中fixed Q-network中的评估网络21和目标网络23均为5层隐藏层，每层为20个神经元，每5步替换目标网络的参数，激活函数为
学习率为0.01，ε-greedy设置为0.9，奖励衰减值γ为0.9，记忆存储为500,奖励规则为若高于负荷要求则为+1，若低于负荷要求则为-1，若满足负荷要求则为0，迭代次数为300次，深度强化学习奖励函数是以成本函数为基础设计。输入层为观测值(Observation)，动作(Action)为二次风挡板开度a，磨煤机速度b，皮带转速c，给水量阀门开度d，给水泵功率e。观测表如表1所示，其中，C为平均燃煤量，C-0.1、C-0.2、C-0.3、C-0.4、C-0.5为目标平均燃煤量，即为最少节省0.1g、0.2g、0.3g、0.4g和0.5g燃煤量每度电。
表1观测表
方法实施例
参见图2，一种上述基于粒子群和深度强化学习的机组调度系统的方法，包括以下步骤：
S10，根据负荷需求利用粒子群模块优化得出所有机组出力：以符合需求指令为目标，在各个机组发力的约束下，利用粒子群模块对所有机组进行合理分配，所得结果为各个机组的生产值；
S20，根据机组出力计算燃煤量：根据燃煤量和机组出力的转化公式计算得到燃煤量和平均燃煤量、即为每度电的燃煤量，目标燃煤量为平均燃煤量至少再减少1g燃煤量每度电；
S30，将目标燃煤量作为输入状态，风水煤等底层可调节设备参数作为输入动作，输入到深度强化学习模型中；
S40，以目标燃煤量为目标，调控底层可控设备参数，所得结果在目标燃煤量的前提下，得到所有底层设备控制器的最优参数；
S50，根据目标燃煤量和机组负荷需求得到新的燃煤量和成本；按照新的成本和负荷需求重新利用粒子群模块规划机组输出，重复S10-S40，根据目标燃煤量得到底层设备最优参数，最后根据新的成本函数重新规划机组出力。
具体实施例中，S40中，将目标燃煤量作为输入状态s，底层可控设备参数作为输入动作a，输入到深度强化学习模型的评估网络中，评估网络自主学习得到达到下一状态的预估奖励，并将Q估计值输入损失函数，将输入状态s，输入动作a，预估奖励r和下一状态s’组合并存输入经验回放池中，以下一状态s’作为输入状态输入到目标网络中得到实际可得的奖励，即为Q目标值，将Q目标值和Q估计值的差作为深度强化学习模型的反馈再次输入评估网络，提升学习性能。
具体实施例中
首先利用粒子群模块根据负荷需求优化各个机组出力，得到的仿真效果参见图3，图4。
图3为利用收缩因子粒子群模块10对机组出力分配优化前后的变化图，横坐标为机组数，共40个机组。纵坐标为每个机组的出力情况。黑色柱状图为优化前的机组初始出力，白色柱状图为优化后的机组出力。
图4为优化机组出力过程中的电厂成本的变化过程。横坐标为方法迭代步数，纵坐标为电厂成本。从图中可以看出随着方法迭代，曲线一直呈现下降趋势，电厂成本也在不断下降。
根据以下公式利用优化后的各机组出力计算出燃煤量：
其中B为锅炉燃烧量(t/h)，N为机组输出功率(MW)，Qnet,ar为燃煤收到基低位发热量(kJ/kg)，29271为标煤低位发热量(kJ/kg)，fb为发电标煤耗(g/kWh)。
将燃煤量除以负荷需求得出每度电的煤耗量C，划分5个目标燃煤量状态(state)，分别为C-0.1、C-0.2、C-0.3、C-0.4和C-0.5，将观测值(observation)输入深度强化学习模型，所得效果参见图5，
图5为深度强化学习模型20中损失函数的变化过程，横坐标为深度强化学习的学习步数，纵坐标为深度强化学习中预测误差的变化情况。因为输入是一个不断探索的过程，并且输入的数据是根据学习情况所获得，所以曲线并不是光滑的曲线。
根据新的燃煤成本和原有的负荷要求重新利用粒子群模块规划机组出力，完成整个机组调度的优化。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于粒子群和深度强化学习的机组调度方法，其特征在于，其基于粒子群和深度强化学习的机组调度系统包括粒子群模块和深入强化学习模型，其中所述深入强化学习模型包括评估网络、经验回放池、目标网络和损失函数，其中，
所述粒子群模块的输入为负荷需求，输出连接所述评估网络，评估网络输出Q估计值和所述经验回放池；所述经验回放池输出连接所述目标网络，所述目标网络输出Q目标值，Q目标值与Q估计值均输入所述损失函数，损失函数的输出再反馈给评估网络；
所述粒子群模块输出目标燃煤量和底层可控设备参数，目标燃煤量作为输入状态，底层可控设备参数作为输入动作；
所述评估网络向所述经验回放池输出的为目标燃煤量、底层可控设备参数、预估奖励和下一状态的目标燃煤量；
所述经验回放池向所述目标网络输出的为下一状态的目标燃煤量；
所述粒子群模块中粒子数为80，惯性权重w＝1，学习因子c1＝c2＝2.01，粒子的最大速度为1，迭代次数为1500次，适应值函数为：
其中ai,bi,ci为各机组能耗系数；粒子位置和速度更新公式为：
其中，k表示迭代步数，α为收缩因子，
pbest为粒子历史中最优位置，gbest为全部粒子中最优位置，rand()为随机函数取值范围是[0,1]；
方法包括以下步骤：
S10，根据负荷需求利用粒子群模块优化得出所有机组出力：以符合需求指令为目标，在各个机组发力的约束下，利用粒子群模块对所有机组进行合理分配，所得结果为各个机组的生产值；
S20，根据机组出力计算燃煤量：根据燃煤量和机组出力的转化公式计算得到燃煤量和平均燃煤量、即为每度电的燃煤量，目标燃煤量为平均燃煤量至少再减少1g燃煤量每度电；
S30，将目标燃煤量作为输入状态，风水煤等底层可调节设备参数作为输入动作，输入到深度强化学习模型中；
S40，以目标燃煤量为目标，调控底层可控设备参数，所得结果在目标燃煤量的前提下，得到所有底层设备控制器的最优参数；
S50，根据目标燃煤量和机组负荷需求得到新的燃煤量和成本；按照新的成本和负荷需求重新利用粒子群模块规划机组输出，重复S10-S40，根据目标燃煤量得到底层设备最优参数，最后根据新的成本函数重新规划机组出力。
2.根据权利要求1所述的方法，其特征在于，所述S40中，将目标燃煤量作为输入状态s，底层可控设备参数作为输入动作a，输入到深度强化学习模型的评估网络中，评估网络自主学习得到达到下一状态的预估奖励，并将Q估计值输入损失函数，将输入状态s，输入动作a，预估奖励r和下一状态s’组合并存输入经验回放池中，以下一状态s’作为输入状态输入到目标网络中得到实际可得的奖励，即为Q目标值，将Q目标值和Q估计值的差作为深度强化学习模型的反馈再次输入评估网络，提升学习性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010043546.0A CN111275572B (zh) | 2020-01-15 | 2020-01-15 | 一种基于粒子群和深度强化学习的机组调度系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010043546.0A CN111275572B (zh) | 2020-01-15 | 2020-01-15 | 一种基于粒子群和深度强化学习的机组调度系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275572A CN111275572A (zh) | 2020-06-12 |
| CN111275572B true CN111275572B (zh) | 2023-07-11 |
Family
ID=71001640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010043546.0A Active CN111275572B (zh) | 2020-01-15 | 2020-01-15 | 一种基于粒子群和深度强化学习的机组调度系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275572B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016811A (zh) * | 2020-08-04 | 2020-12-01 | 四叶草(苏州)智能科技有限公司 | 一种基于强化学习的agv智能调度系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012143424A1 (fr) * | 2011-04-19 | 2012-10-26 | Ge Energy Products France Snc | Système et procédé de commande d'une installation de production d'énergie électrique |
| CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
| CN108539784A (zh) * | 2018-04-13 | 2018-09-14 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9373960B2 (en) * | 2013-03-13 | 2016-06-21 | Oracle International Corporation | Computerized system and method for distributed energy resource scheduling |
| CN104682405B (zh) * | 2015-03-31 | 2018-01-12 | 福州大学 | 一种基于禁忌粒子群算法的配电网无功优化方法 |
| CN108390369A (zh) * | 2017-12-31 | 2018-08-10 | 天津求实智源科技有限公司 | 电力负荷总功率实时分解方法与系统 |
| US11416739B2 (en) * | 2018-01-29 | 2022-08-16 | Lawrence Livermore National Security, Llc | Optimization control technology for building energy conservation |
| CN109347149B (zh) * | 2018-09-20 | 2022-04-22 | 国网河南省电力公司电力科学研究院 | 基于深度q值网络强化学习的微电网储能调度方法及装置 |
| CN110414725B (zh) * | 2019-07-11 | 2021-02-19 | 山东大学 | 预测决策一体化的风电场储能系统调度方法及装置 |
| CN110518580B (zh) * | 2019-08-15 | 2023-04-28 | 上海电力大学 | 一种考虑微网主动优化的主动配电网运行优化方法 |
| CN110535146B (zh) * | 2019-08-27 | 2022-09-23 | 哈尔滨工业大学 | 基于深度确定策略梯度强化学习的电力系统无功优化方法 |
| CN110515303B (zh) * | 2019-09-17 | 2022-09-09 | 余姚市浙江大学机器人研究中心 | 一种基于ddqn的自适应动态路径规划方法 |
-
2020
- 2020-01-15 CN CN202010043546.0A patent/CN111275572B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012143424A1 (fr) * | 2011-04-19 | 2012-10-26 | Ge Energy Products France Snc | Système et procédé de commande d'une installation de production d'énergie électrique |
| CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
| CN108539784A (zh) * | 2018-04-13 | 2018-09-14 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275572A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
| Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
| CN105870976B (zh) | 一种基于能源环境效率的低碳调度方法和装置 | |
| CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
| Xi et al. | Automatic generation control based on multiple-step greedy attribute and multiple-level allocation strategy | |
| CN108736509A (zh) | 一种主动配电网多源协调优化控制方法及系统 | |
| Zhu et al. | A parallel meta-heuristic method for solving large scale unit commitment considering the integration of new energy sectors | |
| CN106712075A (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
| Yin et al. | Fuzzy vector reinforcement learning algorithm for generation control of power systems considering flywheel energy storage | |
| CN111934360A (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
| CN114330869A (zh) | 一种考虑多级指标的钢铁企业多能源日前调度优化方法 | |
| CN115544899A (zh) | 基于多智能体深度强化学习的水厂取水泵站节能调度方法 | |
| CN111275572B (zh) | 一种基于粒子群和深度强化学习的机组调度系统及方法 | |
| Hu et al. | Optimal dispatch of combined heat and power units based on particle swarm optimization with genetic algorithm | |
| CN116451947A (zh) | 电热气综合能源系统优化调度方法、终端设备及存储介质 | |
| CN115062869A (zh) | 一种考虑碳排放量的综合能源调度方法和系统 | |
| CN111541279A (zh) | 考虑机组出力状态的风电场功率自动控制系统及方法 | |
| CN109066769B (zh) | 风电全消纳下虚拟电厂内部资源调度控制方法 | |
| CN109617052B (zh) | 一种大规模电储热单元智能化分层控制方法 | |
| CN112132379B (zh) | 考虑经济性的新能源跨区域消纳评估方法和存储介质 | |
| CN110808579A (zh) | 主动配电网源网荷协调运行方法 | |
| Luan et al. | Load-following control of nuclear reactors based on Takagi-Sugeno fuzzy model | |
| CN107370190B (zh) | 一种求解电力系统机组组合模型的组合方法 | |
| CN109829595A (zh) | 一种多形态弹性负荷集群控制的响应潜力量化方法 | |
| Jiajie et al. | Online Reactive Power Optimization of Distribution Network with Soft Open Point Based on Hierarchical Reinforcement Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |