基于具有动作自寻优能力的深度强化学习的智能发电控制

新能源以及分布式能源大规模并网所带来的随机扰动问题,影响电网安全和经济运行.本文提出一种具有动作自寻优能力的多智能体深度强化学习算法,即DDRQN-AD算法.所提算法可有效获取电网最优协调控制,从而解决传统集中式自动发电控制难以解决的新能源以及分布式能源大规模并网所带来的强随机扰动,使新能源得到最大限度的开发利用.通过对两区域微电网负荷频率控制电力系统模型以及广东电网模型进行仿真,结果显示DDRQN-AD与已有的多种智能算法相比,具有更强的鲁棒性及学习能力,可减少碳排放,提高新能源利用率.

基于强化学习的煤层气井螺杆泵排采参数智能决策

为了实现煤层气井螺杆泵排采参数的连续决策和连续控制,使煤层气井长期高效稳产,以煤层气井螺杆泵生产周期内最大累积产气量为优化目标,提出了一种具有动作自寻优能力的螺杆泵排采强化模型的框架和Q学习及Sarsa、Sarsa(lambda)算法。研究通过与环境的交互式学习,对动态环境进行灵活奖惩,实现智能体在复杂环境下智能决策和参数优化,可有效获取煤层气螺杆泵排采最优协调控制,从而解决传统方法不能根据环境变化迅速做出调整而降低排采效果的问题。实验分析表明,给定煤层气井产气量的变化曲线,以螺杆泵的频率为单一控制变量,应用Q学习方法能有效得到螺杆泵排采变频控制的最优策略,具有一定的应用潜力。