基于Q学习的微网二次频率在线自适应控制

被引：9

作者：

茆美琴 ^{[1
]}

奚媛媛 ^{[1
]}

张榴晨 ^{[1
]}

金鹏 ^{[1
]}

徐海波 ^{[2
]}

机构：

[1] 安徽省新能源利用与节能重点实验室合肥工业大学

[2] 广东易事特电源股份有限公司

来源：

电力系统自动化 | 2015年 / 39卷 / 20期

基金：

高等学校博士学科点专项科研基金;

关键词：

微网(微电网); Q学习; 多代理; 协调控制; 频率控制;

D O I：

暂无

中图分类号：

TM921.5 [控制系统];

学科分类号：

摘要：

由于包含微源的多样性及运行模式的多样性,微网的二次频率控制面临着系统参数不确定性的挑战。文中提出了在多代理(Agent)分层混合控制模型中嵌入一种基于Q学习的智能算法。首先,动态预测出微网系统实时二次调频功率缺额值。其次,同时考虑微网运行经济性和环境效益,并采用模糊化方法和粒子群优化算法实现二次调度功率的分配。最后,在C++Builder环境下搭建了包括不同微源的本地层Agent和具有不同控制功能的中央层Agent的微网混合能量管理仿真平台,结果证明了所提出的基于Q学习的微网二次频率自适应控制器可以自适应微网系统结构及其参数的动态变化,实现微网二次调频的智能控制。

引用

页码：26 / 31

页数：6

共 13 条

[11] Centralized multi-agent implementation for securing critical loads in PV based microgrid
Sujil, A.
Agarwal, Saurabh Kumar
Kumar, Rajesh
[J]. JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY, 2014, 2 (01) : 77 - 86
[12] Reinforcement learning for microgrid energy management[J] . Elizaveta Kuznetsova,Yan-Fu Li,Carlos Ruiz,Enrico Zio,Graham Ault,Keith Bell.Energy . 2013
[13] Optimal control in microgrid using multi-agent reinforcement learning
Li, Fu-Dong
Wu, Min
He, Yong
Chen, Xin
[J]. ISA TRANSACTIONS, 2012, 51 (06) : 743 - 751

← 1 2 →