-
题名基于电力大数据的地区E-GDP值预测
被引量：16
- 1
-
-
作者
田世明
龚桃荣
黄小庆
于文龙
-
机构
中国电力科学研究院有限公司需求侧多能互补优化与供需互动技术北京市重点实验室
湖南大学电气与信息工程学院
-
出处
《电力自动化设备》
EI
CSCD
北大核心
2019年第11期198-204,共7页
-
基金
国家电网公司科技项目(520940180016)~~
-
文摘
为通过电力发展和使用数据评估一个地区的经济发展水平,提出一种表征地区国内生产总值(GDP)发展趋势的类GDP值(E-GDP)的预测方法。该方法基于多源电力大数据和动态贝叶斯网络(DBN)机器学习,采用灰色关联分析法筛选出与GDP变化趋势关联度较大的关键电力数据。利用格兰杰因果分析确定与GDP变化具有因果关联关系的电力指标,并确定各电力指标间的因果关系。进一步运用所得出的因果关系建立DBN预测获得E-GDP。最后将所提方法应用于上海市E-GDP预测,算例结果表明所提方法可以准确地预测地区E-GDP值,同时还可预测得出GDP的概率分布情况。
-
关键词
灰色关联分析
格兰杰因果分析
动态贝叶斯网络
机器学习
GDP
电力大数据
-
Keywords
gray correlation analysis
Granger causal analysis
DBN
machine learning
GDP
power big data
-
分类号
TM73
[电气工程—电力系统及自动化]
F416.61
[经济管理—产业经济]
-
-
题名面向分布式电网的多区域协同控制方法研究
被引量：6
- 2
-
-
作者
席磊
孙梦梦
陈宋宋
朱继忠
孙秋野
刘宗静
-
机构
三峡大学电气与新能源学院
中国电力科学研究院有限公司需求侧多能互补优化与供需互动技术北京市重点实验室
华南理工大学电力学院
东北大学信息科学与工程学院
-
出处
《电机与控制学报》
EI
CSCD
北大核心
2021年第12期75-86,共12页
-
基金
国家自然科学基金(51707102)。
-
文摘
针对分布式能源大规模并网所带来的随机扰动问题,从自动发电控制角度提出一种具有优先回放功能和动作空间加权寻优策略的深度强化学习方法,即PRDDQN-AWM。所提方法可以加快启发式方法在平衡“探索-利用”过程中的寻优速度,和深度强化学习的采样效率,来获取强随机环境下分布式多区域电网的最优协同,进而解决分布式能源大规模并网所带来的随机扰动问题,促进分布式能源与电力系统兼容。对改进的IEEE标准两区域LFC模型及广东电网模型进行仿真,验证所提方法能够获得多区域最优协同控制,与多种智能算法相比,具有更快的收敛速度,更优的控制性能。
-
关键词
多区域协同控制
分布式能源
自动发电控制
动作空间加权
深度强化学习
-
Keywords
multi-region cooperative control
distributed energy
automatic generation control
action space weighted
deep reinforcement learning
-
分类号
TM76
[电气工程—电力系统及自动化]
-
-
题名面向综合能源系统的多智能体协同AGC策略
被引量：12
- 3
-
-
作者
席磊
王昱昊
陈宋宋
陈珂
孙梦梦
周礼鹏
-
机构
三峡大学电气与新能源学院
中国电力科学研究院有限公司需求侧多能互补优化与供需互动技术北京市重点实验室
-
出处
《电机与控制学报》
EI
CSCD
北大核心
2022年第4期77-88,共12页
-
基金
国家自然科学基金(51707102)
-
文摘
针对大规模可再生能源接入电网所带来的强随机扰动问题,从自动发电控制的角度提出感知历史经验的多智能体深度强化学习算法,即具有置信区间上界的深度强化学习(DQN-UCB)。所提方法通过置信区间上界(UCB)策略来解决传统启发式方法在平衡“探索-利用”过程中,面对随机低质量样本带来的当前和目标Q值误差较大的问题;同时,基于置信区间上界策略的优先级采样机制替代了传统深度Q学习(DQN)的均匀随机采样机制,以提高高质量样本被选取的概率,进而促使智能体快速收敛到最优策略。通过对IEEE标准两区域负荷频率控制模型和融入大规模可再生能源的分布式多区域综合能源系统模型进行仿真,结果表明,与其他智能方法相比,所提方法具有更优的控制性能、更快的收敛速度,能够获取分布式多区域综合能源系统的最优协同。
-
关键词
综合能源系统
自动发电控制
多智能体
深度强化学习
置信区间上界
探索-利用
采样机制
-
Keywords
integrated energy system
automatic generation control
multi-agent
deep reinforcement learning
upper confidence bound
explore-exploit
sampling mechanism
-
分类号
TM761
[电气工程—电力系统及自动化]
-
