基于泛化强化学习的变电站巡检机器人路径规划研究

针对变电站巡检机器人的路径规划问题,提出一种状态泛化的深度强化学习(deep reinforcement learning, DRL)算法。在原有算法的基础上,在训练过程中加入泛化正则,通过加入2个辅助训练池,保证训练前期能够给予网络更多的辅助监督信息,进而保证模型在同一个任务的不同场景具有更强的泛化能力。与传统训练方法相比在不损失模型性能的同时,还在某些环境下能够实现传统方法难以达到的状态泛化。实验证明,在带阻挡的路径规划问题中,所提出的算法优于深度质量网络(deep quality-network, DQN)算法和双深度质量网络(double deep quality-network, DDQN)算法。

一种基于多分类器耦合的非侵入式负荷辨识方法

新一代智能电表实现了电压、电流数据高频采样,使得用户电力负荷的辨识特征具有更多的可选性,同时多类别的负荷特征输入对于增强负荷辨识算法性能提出了更高的要求。为此,提出一种基于弱分类器耦合的非侵入式负荷辨识方法。首先,提取家用电器的电量和非电量等多种负荷特征,并将这些特征作为弱分类器的输入;然后,将各个弱分类器的输出进行耦合,采用经典的Adaboost架构提高分类器的性能,实现非侵入式电力负荷辨识。最后,在AMPds公用数据集上进行测试,结果表明所提方法能够达到较高的负荷辨识准确率。