基于强化学习的改进NSGA-Ⅱ算法的城市快速路入口匝道控制

为了缓解城市快速路拥堵和尾气排放问题,提出了基于竞争结构和深度循环Q网络的改进非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅱ based on dueling deep recurrent Q network, DRQN-NSGA-Ⅱ).该算法结合了基于竞争结构的深度Q网络(dueling deep Q network, Dueling DQN)、深度循环Q网络(deep recurrent Q network, DRQN)和NSGA-Ⅱ算法,将Dueling DRQN-NSGA-Ⅱ算法用于匝道控制问题.除了考虑匝道车辆汇入以提高快速路通行效率外,还考虑了环境和能源指标,将尾气排放和燃油消耗作为评价指标.除了与无控制情况及其他算法进行比较之外, Dueling DRQN-NSGA-Ⅱ还与NSGA-Ⅱ算法进行了比较.实验结果表明:与无控制情况相比,本算法能有效改善路网通行效率、缓解环境污染、减少能源损耗;相对于无控制情况,总花费时间(total time spent, TTS)减少了16.14%,总尾气排放(total emissions, TE)减少了9.56%,总燃油消耗(total fuel consumption, TF)得到了43.49%的改善.

基于小波特征提取与深度学习的微电网故障诊断与分类方法

针对现有微电网(MG)故障诊断准确率不高,分类精度不理想等问题,提出了一种基于小波特征提取与深度学习的微电网故障诊断与分类方法。首先,采用最大重叠离散小波变换(MODWT)和母小波提取MG电力信号特征,并进行三级分解,以获得高精度的信号特征提取。然后,利用长短期记忆网络优化深度Q网络,构建深度循环Q网络(DRQN),更好地分析复杂数据且克服噪声的干扰。最后,将MODWT每个分解层次上的信号分量能量输入DRQN,实现故障的诊断和分类。基于MATLAB环境搭建MG系统仿真模型对所提方法进行实验论证,结果表明使用高采样频率和电流、电压信号时,诊断性能最佳,分类准确率超过91%。同时,所提方法在11种故障类型和4种场景下的分类准确率均超过90%,优于其他对比方法。