基于纳什均衡迁移学习的碳–能复合流自律优化

被引：10

作者：

陈艺璇

张孝顺

余涛

机构：

[1] 华南理工大学电力学院

来源：

控制理论与应用 | 2018年 / 35卷 / 05期

关键词：

纳什均衡解; 碳排放责任分摊; 分散自律; 最优碳–能复合流; 迁移学习; 强化学习; 电力系统;

D O I：

暂无

中图分类号：

TM73 [电力系统的调度、管理、通信]; X322 [部门环境规划与管理];

学科分类号：

083001 [环境科学]; 120103 [信息系统与信息管理];

摘要：

提出了一种全新的纳什均衡迁移学习算法,并应用于求解大规模电力系统分散式碳–能复合流自律优化.首次引入碳排放责任分摊机制,避免了碳排放责任的重复计算.将大规模电网分解成若干小型区域电网,每个小型区域电网被定义为一个智能体,通过纳什博弈实现分散式自律优化.智能体利用记忆矩阵对寻优知识进行存储,并通过多个个体与环境的反复交互实现记忆更新;采用状态–动作链对记忆矩阵进行降维,有效避免了"维数灾难".此外,基于相似度的迁移学习可以对历史任务知识进行高效提炼,提高了新任务寻优效率.IEEE 57和300节点系统仿真表明:所提算法非常适合求解大规模电网的碳–能复合流自律优化,在保证纳什均衡解质量的同时,明显加快寻优速度.

引用

页码：668 / 681

页数：14

共 17 条

[1]

Robust sliding-mode control of wind energy conversion systems for optimal power extraction via nonlinear perturbation observers.[J].Bo Yang;Tao Yu;Hongchun Shu;Jun Dong;Lin Jiang.Applied Energy.2018,

[2]

Approximate ideal multi-objective solution Q(λ) learning for optimal carbon-energy combined-flow in multi-energy power systems.[J].Xiaoshun Zhang;Tao Yu;Bo Yang;Limin Zheng;Linni Huang.Energy Conversion and Management.2015,

[3]

The Ant Lion Optimizer.[J].Seyedali Mirjalili.Advances in Engineering Software.2015,

[4]

Distributed PSO Algorithm for Data Model Partitioning in Power Distribution Systems [J].

Erdeljan, A. ;

Capko, D. ;

Vukmirovic, S. ;

Bojanic, D. ;

Congradac, V. .

JOURNAL OF APPLIED RESEARCH AND TECHNOLOGY, 2014, 12 (05) :947-957

[5]

Low-carbon emission/economic power dispatch using the multi-objective bacterial colony chemotaxis optimization algorithm considering carbon capture power plant.[J].Zhi-gang Lu;Tao Feng;Xue-ping Li.International Journal of Electrical Power and Energy Systems.2013,

[6]

Distributed multi-step Q(λ) learning for Optimal Power Flow of large-scale power grids [J].

Yu, T. ;

Liu, J. ;

Chan, K. W. ;

Wang, J. J. .

INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, 2012, 42 (01) :614-620

[7]

Shared producer and consumer responsibility — Theory and practice.[J].Manfred Lenzen;Joy Murray;Fabian Sack;Thomas Wiedmann.Ecological Economics.2006, 1

[8]

Technical Note: Q-Learning.[J].Christopher J.C.H. Watkins;Peter Dayan.Machine Learning.1992, 3

[9]

AUXILIARY PROBLEM PRINCIPLE AND DECOMPOSITION OF OPTIMIZATION PROBLEMS [J].

COHEN, G .

JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS, 1980, 32 (03) :277-305

[10]

改进的牛顿预测—–校正格式 [J].

吕巍 ;

隋瑞瑞 ;

冯恩民 .

控制理论与应用, 2015, 32 (12) :1620-1626

← 1 2 →