基于强化迁移学习的继电保护设备信息异常自动识别方法

现有信息异常自动识别方法灵敏度较低,F值也较低,为此,提出基于强化迁移学习的继电保护设备信息异常自动识别方法。感知继电保护设备不同工况下的信息并对其进行预处理,结合专家经验采用“异常现象-异常演化路径-异常原因-异常解决措施”的逻辑过程建立信息异常识别知识库,通过强化迁移学习对知识库中的知识进行学习,提取设备信息异常特征,识别设备信息异常,实现基于强化迁移学习的继电保护设备信息异常自动识别。实验证明,本文方法灵敏度可达96%以上,F值可达97%以上,能够实现对继电保护设备信息异常精准自动识别。

泡沫强化多孔介质中纳米零价铁迁移试验

通过批量模拟试验考察了纳米零价铁(NZⅥ)在水、十二烷基硫酸钠(SDS)溶液与SDS泡沫3种流体中的沉降性能,以及3种流体输送作用下NZⅥ在多孔介质中的迁移分布特性.结果表明:NZⅥ在SDS溶液中的稳定性远大于其在水中的稳定性;搅拌速度为3000r/min时,NZⅥ在泡沫中的分布较均匀且泡沫对NZⅥ携带量较大;NZⅥ对泡沫稳定性影响不大.水、SDS溶液、SDS泡沫分别作为输送流体时,NZⅥ迁移的最大距离分别为0.8m,7.9m和2.1m,SDS溶液和泡沫均显著促进了其在多孔介质中的运移.当NZⅥ由SDS溶液和泡沫输送时,其在介质中的分布范围(33.5%和42.5%)大于水(12.8%);由于重力作用,SDS溶液携带NZⅥ的迁移主要集中在垂向上,水平迁移能力有限;而泡沫受重力影响较小,其携带的NZⅥ在水平和垂直方向上的分布更为均匀.可见泡沫作为NZⅥ的输送流体具有明显优势.

基于多智能体迁移强化学习算法的电力系统最优碳–能复合流求解

为避免碳排放责任的重复计算,首次在电力系统最优碳–能复合流模型中提出发电侧、电网侧、用户侧之间的碳排放责任分摊机制。并进一步提出一种全新的多智能体迁移强化学习算法,以实现电力系统最优碳–能复合流模型的快速、高质量求解。此算法同时组织多个智能体执行优化任务,并将知识学习机制、多智能体交互机制和知识迁移机制相结合,不仅使每个智能体都具有较强的自主学习能力,还通过多个智能体之间的协调实现了问题的合作求解;知识迁移可以复用历史任务学习经验,使新任务学习效率大幅提升。IEEE 57节点系统、IEEE 300节点系统及深圳电网模型仿真结果均表明,此算法在保证最优解质量和寻优稳定性的同时,收敛速度可达其他算法的4.7～50.5倍,具有明显的优势和实用价值。

基于深度迁移强化学习的无人机投放自主引导机动控制算法

针对无人机精确投放引导问题,本文提出基于深度迁移强化学习的无人机投放自主引导机动控制算法,分别建立基于马尔可夫决策过程的引导机动决策模型、引导机动评估模型等,并设计基于迁移学习和课程学习的引导机动策略训练方法,拟合基于深度学习的引导机动策略和评估网络,最后开展仿真训练和验证试验。仿真结果表明,该算法实现了无人机在任意姿态和位置条件下,能够自主规避区域威胁并自主引导至目标投放点,成功完成投放瞄准任务,有效地提升了无人机投放引导机动控制的自主性。

多智能体编队控制中的迁移强化学习算法研究

针对多障碍环境下的多智能体系统协同编队避障与防撞问题,提出一种迁移学习与强化学习相结合的编队控制算法。在源任务学习阶段,利用值函数近似方法避免Q-表格求解法所需的大规模存储空间问题,有效降低对存储空间的需求,提升算法求解速度;在目标任务学习阶段,采用高斯聚类算法对源任务进行分类,根据聚类中心和目标任务之间的距离,选择最优的源任务类进行目标任务学习,有效避免了负迁移现象,进而提升了强化学习算法的泛化能力及收敛速度。仿真实验结果表明,所提方法能使多智能体系统在复杂的障碍环境下有效地形成并保持编队构型,同时实现避障与防撞。

基于可迁移强化学习的断面输电极限计算方法

断面输电极限是电网安全边界在断面割集的降维投影,其实质是考虑电压无功优化和多类稳定约束的复杂混合整数非凸非线性问题,而新能源的引入进一步扩大了其计算维度,传统方法难以求解。为此,提出一种基于可迁移强化学习的断面输电极限计算方法。首先,考虑暂态功角及电压稳定约束,计及包括电容器组等无功资源,建立含微分代数方程的输电极限混合整数计算模型;然后,将该模型转化为混合整数的马尔科夫决策过程,提出基于混合Categorical分布的近端策略优化求解方法;最后,引入策略分布熵最大化目标,确保智能计算模型在未见运行方式下的迁移能力,实现运行方式或边界条件切换下的输电极限快速分析。IEEE39节点系统的算例结果表明,相比传统元启发式黑盒优化算法,所提方法在几乎不牺牲精度的前提下效率提升了97.15%。

强化与迁移:掌握学习在学习区域转换中的教学启示

布鲁姆提出"掌握学习"理论强调所有人都具备学习的能力,坚信绝大多数学生可以掌握学校所教的一切知识,顺利达成教学目标。同时,在知识的强化与迁移过程中,学习区域转换是一个重要概念,是能否达成有效学习的关键。探讨掌握学习的强化认知与促进迁移在学习区域转换中的作用过程,阐述其对教学实践的重要启示意义。

基于分布式深度强化学习的微网群有功无功协调优化调度

针对微网群的分布式有功无功协调优化调度问题,提出一种分布式多智能体深度强化学习方法,可训练智能体在与环境交互的过程中学习到最优调度策略,并克服传统优化方法对模型的依赖。相较于已有基于“集中训练”框架的多智能体深度强化学习方法,该方法无须收集全局信息,能够更好地保障各子微网信息的隐私,减轻通信压力,并且在训练和执行阶段均表现出对通信故障的鲁棒性。此外,考虑到微网群存在拓扑变化而强化学习模型泛化能力差,提出一种迁移强化学习方法,利用已有智能体知识为每种拓扑高效训练一组智能体。最后,通过改进的IEEE 33节点系统算例,验证了所提方法在解决微网群分布式有功无功协调优化调度问题上的有效性。

阴影条件下基于迁移强化学习的光伏系统最大功率跟踪

在光伏系统中,光伏阵列往往会受到阴影条件(partial shading condition,PSC)的影响,造成光伏系统输出功率偏低以及功率-电压(P-V)特性曲线出现多峰值的现象,从而导致常规最大功率跟踪(maximum power point tracking,MPPT)算法易陷入局部最优的问题.对此,设计一种基于迁移强化学习(transfer reinforcement learning,TRL)的MPPT算法.该算法将连续变量的动作空间分解为若干个小范围的子搜索空间,从而有效提高TRL的学习效率.同时,引入知识迁移,即将旧任务的最优知识矩阵应用到新任务中,进而大幅提高TRL的收敛速度.通过对3种算例的研究,即恒温变光照强度、变温变光照强度和香港实地测试,其仿真结果表明,与传统增量电导法(incremental conductance,INC)、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法、人工蜂群(artificial bee colony,ABC)算法、布谷鸟算法(cuckoo search algorithm,CSA)、教-学优化(teaching-learning based optimization,TLBO)算法以及Q学习算法相比,TRL能在PSC下实现最快速的全局最大功率跟踪,同时具有最小的功率波动.最后,基于dSpace的硬件在环实验验证了TRL的硬件可行性.

高考文言文复习应回归统编教材

近几年的全国卷文言试题,考题与教材的关联呈现三大趋势:由隐性关联到显性关联,关联类型更加多元;由词义迁移到词义辨析,关联层级逐步提升;由立业安邦到立德树人,关联程度日益深入。为了应对这种考查趋势,需采取三大策略:颗粒归仓,培养文言语感;深度理解,强化思维训练;注重迁移,提升综合素养。

旋转机械突发不平衡故障早期预警及诊断方法研究

旋转机械突发不平衡故障的早期预警是当前状态监测领域工程实践中的难题,对于避免设备非计划停机造成灾害事故发生具有重要的意义。针对实际工程应用中,正常数据丰富、故障数据缺乏的情况,提出一种旋转机械突发不平衡故障早期预警及诊断方法。提取正常运行工况历史数据的特征指标,构建支持矢量数据描述预警模型检测早期故障趋势,再利用包括强化特征提取、强化特征迁移、强化模式识别的强化故障诊断方法进行模式识别。应用两组石化企业实际工程故障案例作为测试数据,早期预警方法相较于传统的振动峰-峰值报警分别提前了2 400 min和4 330 min。强化故障诊断方法对两组测试数据的识别准确率分别为95%和90%,与其他故障识别方法相比诊断精度和F分数最高,标准差最低。结果表明,所提方法具有良好的早期故障检测性能,对不同设备和工况的跨域数据故障识别鲁棒性较好,领域泛化能力较强。