期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
粒子群和强化学习结合的双馈式风机系统模型参数智能辨识方法
1
作者
甄鸿越
赵利刚
+3 位作者
周保荣
赵傲
向轩辰
刁瑞盛
《电力系统及其自动化学报》
北大核心
2025年第8期106-114,共9页
准确辨识风力发电厂模型关键参数对确保电网的安全、稳定和经济运行具有重要意义。提出一种基于粒子群优化(particle swarmoptimization,PSO)和最大熵强化学习框架下的(soft actor-critic,SAC)的混合算法,旨在提高双馈式感应风力发电机...
准确辨识风力发电厂模型关键参数对确保电网的安全、稳定和经济运行具有重要意义。提出一种基于粒子群优化(particle swarmoptimization,PSO)和最大熵强化学习框架下的(soft actor-critic,SAC)的混合算法,旨在提高双馈式感应风力发电机组模型参数辨识的精度和效率。首先,使用双向摄动法对模型参数进行有功-无功灵敏度分析,识别出高灵敏度参数集;其次,使用SAC算法训练智能体模型,对模型坏参数进行初步估计;最后,结合PSO算法进一步优化参数空间,以最小化模型有功-无功动态响应与录波数据的均方误差(mean squareer⁃ror,MSE)。实验结果表明,所提SAC-PSO混合方法在参数辨识方面表现出更高的精度,MSE降低了87.84%,验证了SAC-PSO方法在提高DFIG参数辨识精度和鲁棒性方面的有效性。
展开更多
关键词
深度强化学习
双馈感应发电机
混合算法
参数辨识
粒子群优化
在线阅读
下载PDF
职称材料
题名
粒子群和强化学习结合的双馈式风机系统模型参数智能辨识方法
1
作者
甄鸿越
赵利刚
周保荣
赵傲
向轩辰
刁瑞盛
机构
南方电网科学研究院有限责任公司新型电力系统研究所
浙江大学伊利诺伊大学厄巴纳香槟校区联合学院
出处
《电力系统及其自动化学报》
北大核心
2025年第8期106-114,共9页
基金
国家自然科学基金企业创新发展联合基金资助项目(U22B6007)
中国南方电网公司科技项目(ZBKJXM20232419)。
文摘
准确辨识风力发电厂模型关键参数对确保电网的安全、稳定和经济运行具有重要意义。提出一种基于粒子群优化(particle swarmoptimization,PSO)和最大熵强化学习框架下的(soft actor-critic,SAC)的混合算法,旨在提高双馈式感应风力发电机组模型参数辨识的精度和效率。首先,使用双向摄动法对模型参数进行有功-无功灵敏度分析,识别出高灵敏度参数集;其次,使用SAC算法训练智能体模型,对模型坏参数进行初步估计;最后,结合PSO算法进一步优化参数空间,以最小化模型有功-无功动态响应与录波数据的均方误差(mean squareer⁃ror,MSE)。实验结果表明,所提SAC-PSO混合方法在参数辨识方面表现出更高的精度,MSE降低了87.84%,验证了SAC-PSO方法在提高DFIG参数辨识精度和鲁棒性方面的有效性。
关键词
深度强化学习
双馈感应发电机
混合算法
参数辨识
粒子群优化
Keywords
deep reinforcement learning
doubly-fed induction generator(DFIG)
hybrid algorithm
parameter identification
particle swarm optimization(PSO)
分类号
TM769 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
粒子群和强化学习结合的双馈式风机系统模型参数智能辨识方法
甄鸿越
赵利刚
周保荣
赵傲
向轩辰
刁瑞盛
《电力系统及其自动化学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
