深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved dee...深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。展开更多
针对电力系统中存在的间谐波问题,提出了一种基于APES(Amplitude and Phase Estimation,APES)算法的间谐波检测方法。该方法是在误差功率最小化目标下的非参数估计方法。分析了该方法在加权最小二乘解释及滤波器组解释下与其他谱估计方...针对电力系统中存在的间谐波问题,提出了一种基于APES(Amplitude and Phase Estimation,APES)算法的间谐波检测方法。该方法是在误差功率最小化目标下的非参数估计方法。分析了该方法在加权最小二乘解释及滤波器组解释下与其他谱估计方法的联系,说明了该方法是对信号频率的渐近无偏估计。通过实验仿真对比了在不同采样时间及信噪比条件下APES算法与其他算法的频率估计精度,证明了该方法具有较好的抗噪性及短时间窗估计特性。展开更多
文摘深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。
文摘针对电力系统中存在的间谐波问题,提出了一种基于APES(Amplitude and Phase Estimation,APES)算法的间谐波检测方法。该方法是在误差功率最小化目标下的非参数估计方法。分析了该方法在加权最小二乘解释及滤波器组解释下与其他谱估计方法的联系,说明了该方法是对信号频率的渐近无偏估计。通过实验仿真对比了在不同采样时间及信噪比条件下APES算法与其他算法的频率估计精度,证明了该方法具有较好的抗噪性及短时间窗估计特性。