• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊简介
    • 历史沿革
    • 历任主编
    • 期刊荣誉
    • 二级学会
  • 编委会
    • 编委介绍
    • 编委会通讯
  • 学术动态
  • 投稿指南
    • 投稿须知
    • 投稿方法
    • 标准列表
    • 范文下载
    • 写作指南
    • 常见问题
  • 订阅指南
    • 期刊订阅
    • 文集订阅
    • 手册订阅
    • 发展报告
  • 广告服务
  • 历年目次
  • 过刊浏览
  • 联系我们
  • English
站内检索    
 
贾巍,雷才嘉,高慧,韩传家,陈吕鹏,陈俊斌.计及运行风险的无功优化强化学习智能算法[J].电测与仪表,2019,56(14):75-82.
Jia Wei,Lei Caijia,Gao Hui,Han Chuanjia,Chen Lvpeng,Chen Junbin.Transfer tribe reinforcement learning algorithm for multi-objective reactive power optimization[J].Electrical Measurement & Instrumentation,2019,56(14):75-82.
计及运行风险的无功优化强化学习智能算法
Transfer tribe reinforcement learning algorithm for multi-objective reactive power optimization
投稿时间:2018-05-25  修订日期:2018-05-25
DOI:10.19753/j.issn1001-1390.2019.014.013
中文关键词:  无功优化  风险评估  迁移部落  强化学习
英文关键词:reactive  power optimization, risk  assessment, transfer  tribe, reinforcement  learning
基金项目:广州供电局有限公司电力规划专题研究项目(030100QQ00171008)。
                 
作者中文名作者英文名单位
贾巍Jia Wei广州供电局有限公司
雷才嘉Lei Caijia广州供电局有限公司
高慧Gao Hui广州供电局有限公司
韩传家Han Chuanjia苏州华天国科电力科技有限公司
陈吕鹏Chen Lvpeng苏州华天国科电力科技有限公司
陈俊斌Chen Junbin苏州华天国科电力科技有限公司
摘要点击次数: 167
中文摘要:
      为提高电力系统的运行安全性,本文将电力系统风险评估理论引入到传统无功优化中,建立了考虑运行风险的多目标无功优化数学模型,并为此提出了一种全新的迁移部落强化学习算法,该算法将人工智能算法的随机搜索机制和强化学习算法的迭代模式有机融合,利用知识矩阵储存部落寻优信息,通过知识迁移显著提高了在线学习阶段算法的速率。IEEE 118节点标准系统的仿真表明:迁移部落强化学习算法在保证较好的全局寻优性能的同时,速度可达传统人工智能算法的2-10倍,有效解决了考虑风险的多目标无功优化的动态快速求解。
英文摘要:
      In order to improve the operational security of power system, the risk assessment theory is introduced in classic reactive power optimization (RPO). So a new mathematical model of risk-based multi-objective reactive power optimization (RMRPO) is established. Besides, a novel transfer tribe reinforcement learning (TTRL) is proposed to solve the RMRPO problem, which effectively combines the tribal search collaboration and the trial-error process of reinforcement learning. The Q-matrix is adopted as the knowledge matrix to store the optimization information. Then the knowledge transfer can be executed to accelerate the rate of the proposed algorithm. The simulation on IEEE 118-bus system demonstrates that the rate of TTRL can be 2 to 10 times faster than other existing artificial intelligence algorithm. Meanwhile, the quality of the optimal solutions of TTRL can be guaranteed.
查看全文  查看/发表评论  下载PDF阅读器
相关附件:   万方20180525(6.63%)
关闭
  • 自动化仪表网
  • 哈尔滨电工仪表研究所
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 环球表计
  • 网站首页
  • 期刊简介
    • 历史沿革
    • 历任主编
    • 期刊荣誉
    • 二级学会
  • 编委会
    • 编委介绍
    • 编委会通讯
  • 学术动态
  • 投稿指南
    • 投稿须知
    • 投稿方法
    • 标准列表
    • 范文下载
    • 写作指南
    • 常见问题
  • 订阅指南
    • 期刊订阅
    • 文集订阅
    • 手册订阅
    • 发展报告
  • 广告服务
  • 历年目次
  • 过刊浏览
  • 联系我们
2010-2015 电测与仪表 版权所有 EMIMAG.COM ALL Rights Reseved.《电测与仪表》杂志社 | 黑ICP备11006624号 哈公网监备2301003445号
地址:哈尔滨市松北区创新路2000号 2号楼 邮编:150028 电话 0451-86611021(传真)
技术支持:北京勤云科技发展有限公司