高比例风电接入电网后能够有效缓解供电压力,但其随机性和波动性也降低了电网惯性,增加了电网调频压力。因此,近几十年来,基于风电场的各种频率调节技术得到广泛研究。其中,可以解决风电场功率和电力系统频率间解耦问题的风力发电机组...高比例风电接入电网后能够有效缓解供电压力,但其随机性和波动性也降低了电网惯性,增加了电网调频压力。因此,近几十年来,基于风电场的各种频率调节技术得到广泛研究。其中,可以解决风电场功率和电力系统频率间解耦问题的风力发电机组自适应惯性下垂控制策略被认为是增强电网惯性最有效的方法之一。然而,目前的研究主要聚焦于一次频率下降(first frequency drop,FFD),并且对控制参数影响的研究不足。因此,提出了一种基于蒲公英优化(dandelion optimizer,DO)算法的梯次启动自适应惯性下降控制策略,以减小系统频率波动,减轻FFD、二次频率下降(second frequency drop,SFD)和三次频率下降(third frequency drop,TFD)。此外,DO算法优化了所设计控制器在50 MW、100 MW以及150 MW负荷增量下的控制参数,并将该优化参数用于不同负荷变化事件,最后在MATLAB/Simulink中进行仿真,进而评估该策略的性能。仿真结果表明,基于DO优化的控制器能够及时应对多种负荷增量变化,显著抑制系统频率下降。与常规试错法相比,负荷增加时,基于DO的SFD和TFD分别减少了11.34%和13.74%。展开更多
在无人机(UAV)集群攻击地面目标时,UAV集群将分为两个编队:主攻目标的打击型UAV集群和牵制敌方的辅助型UAV集群。当辅助型UAV集群选择激进进攻或保存实力这两种动作策略时,任务场景类似于公共物品博弈,此时合作者的收益小于背叛者。基于...在无人机(UAV)集群攻击地面目标时,UAV集群将分为两个编队:主攻目标的打击型UAV集群和牵制敌方的辅助型UAV集群。当辅助型UAV集群选择激进进攻或保存实力这两种动作策略时,任务场景类似于公共物品博弈,此时合作者的收益小于背叛者。基于此,提出一种基于深度强化学习的UAV集群协同作战决策方法。首先,通过建立基于公共物品博弈的UAV集群作战模型,模拟智能化UAV集群在合作中个体与集体间的利益冲突问题;其次,利用多智能体深度确定性策略梯度(MADDPG)算法求解辅助UAV集群最合理的作战决策,从而以最小的损耗代价实现集群胜利。在不同数量UAV情况下进行训练并展开实验,实验结果表明,与IDQN(Independent Deep QNetwork)和ID3QN(Imitative Dueling Double Deep Q-Network)这两种算法的训练效果相比,所提算法的收敛性最好,且在4架辅助型UAV情况下胜率可达100%,在其他UAV数情况下也明显优于对比算法。展开更多
文摘高比例风电接入电网后能够有效缓解供电压力,但其随机性和波动性也降低了电网惯性,增加了电网调频压力。因此,近几十年来,基于风电场的各种频率调节技术得到广泛研究。其中,可以解决风电场功率和电力系统频率间解耦问题的风力发电机组自适应惯性下垂控制策略被认为是增强电网惯性最有效的方法之一。然而,目前的研究主要聚焦于一次频率下降(first frequency drop,FFD),并且对控制参数影响的研究不足。因此,提出了一种基于蒲公英优化(dandelion optimizer,DO)算法的梯次启动自适应惯性下降控制策略,以减小系统频率波动,减轻FFD、二次频率下降(second frequency drop,SFD)和三次频率下降(third frequency drop,TFD)。此外,DO算法优化了所设计控制器在50 MW、100 MW以及150 MW负荷增量下的控制参数,并将该优化参数用于不同负荷变化事件,最后在MATLAB/Simulink中进行仿真,进而评估该策略的性能。仿真结果表明,基于DO优化的控制器能够及时应对多种负荷增量变化,显著抑制系统频率下降。与常规试错法相比,负荷增加时,基于DO的SFD和TFD分别减少了11.34%和13.74%。
文摘在无人机(UAV)集群攻击地面目标时,UAV集群将分为两个编队:主攻目标的打击型UAV集群和牵制敌方的辅助型UAV集群。当辅助型UAV集群选择激进进攻或保存实力这两种动作策略时,任务场景类似于公共物品博弈,此时合作者的收益小于背叛者。基于此,提出一种基于深度强化学习的UAV集群协同作战决策方法。首先,通过建立基于公共物品博弈的UAV集群作战模型,模拟智能化UAV集群在合作中个体与集体间的利益冲突问题;其次,利用多智能体深度确定性策略梯度(MADDPG)算法求解辅助UAV集群最合理的作战决策,从而以最小的损耗代价实现集群胜利。在不同数量UAV情况下进行训练并展开实验,实验结果表明,与IDQN(Independent Deep QNetwork)和ID3QN(Imitative Dueling Double Deep Q-Network)这两种算法的训练效果相比,所提算法的收敛性最好,且在4架辅助型UAV情况下胜率可达100%,在其他UAV数情况下也明显优于对比算法。
