期刊导航
期刊开放获取
cqvip
退出
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
4
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
基于灰狼多目标算法的电网碳-能复合流优化调度
被引量：
7
1
作者
毛森茂
瞿凯平
+2 位作者
陈艺璇
程乐峰
余涛
《新型工业化》
2016年第9期11-17,共7页
针对低碳经济发展过程中电网应承担的碳排放责任,本文将实际的潮流和虚拟的碳流结合,通过追溯网损对应的碳排放建立起电网碳-能复合流优化模型,并采用多目标灰狼算法对该模型进行求解。通过在原始灰狼算法中加入Pareto存档、α、β和δ...
针对低碳经济发展过程中电网应承担的碳排放责任,本文将实际的潮流和虚拟的碳流结合,通过追溯网损对应的碳排放建立起电网碳-能复合流优化模型,并采用多目标灰狼算法对该模型进行求解。通过在原始灰狼算法中加入Pareto存档、α、β和δ狼选择机制及灰狼的游荡行为,使之能够应用到多目标优化中,并得到分布性能较好的Pareto前沿。最后引入改进TOPSIS法进行折中解选择。IEEE118节点仿真结果表明多目标灰狼算法在电网碳-能复合流优化模型中具有很好的适用性。
展开更多
关键词
碳-能复合流
多目标灰狼算法
PARETO
TOPSIS
下载PDF
职称材料
基于纳什均衡迁移学习的碳–能复合流自律优化
被引量：
5
2
作者
陈艺璇
张孝顺
余涛
《控制理论与应用》
EI
CAS
CSCD
北大核心
2018年第5期668-681,共14页
提出了一种全新的纳什均衡迁移学习算法,并应用于求解大规模电力系统分散式碳–能复合流自律优化.首次引入碳排放责任分摊机制,避免了碳排放责任的重复计算.将大规模电网分解成若干小型区域电网,每个小型区域电网被定义为一个智能体,通...
提出了一种全新的纳什均衡迁移学习算法,并应用于求解大规模电力系统分散式碳–能复合流自律优化.首次引入碳排放责任分摊机制,避免了碳排放责任的重复计算.将大规模电网分解成若干小型区域电网,每个小型区域电网被定义为一个智能体,通过纳什博弈实现分散式自律优化.智能体利用记忆矩阵对寻优知识进行存储,并通过多个个体与环境的反复交互实现记忆更新;采用状态–动作链对记忆矩阵进行降维,有效避免了"维数灾难".此外,基于相似度的迁移学习可以对历史任务知识进行高效提炼,提高了新任务寻优效率.IEEE 57和300节点系统仿真表明:所提算法非常适合求解大规模电网的碳–能复合流自律优化,在保证纳什均衡解质量的同时,明显加快寻优速度.
展开更多
关键词
纳什均衡解
碳排放责任分摊
分散自律
最优碳–能复合流
迁移学习
强化学习
电力系统
下载PDF
职称材料
基于群智能强化学习的电网最优碳-能复合流算法
被引量：
4
3
作者
郭乐欣
张孝顺
+1 位作者
谭敏
余涛
《电测与仪表》
北大核心
2017年第1期1-7,共7页
结合电网能流和碳排放流的传输特性,建立了电网最优碳-能复合流的数学模型,并提出了基于群智能的多步回溯Q(λ)强化学习算法,有效解决了电网碳-能复合流的动态优化问题。其中以线性加权的方式把电网网损、碳流损耗和电压稳定设计为奖励...
结合电网能流和碳排放流的传输特性,建立了电网最优碳-能复合流的数学模型,并提出了基于群智能的多步回溯Q(λ)强化学习算法,有效解决了电网碳-能复合流的动态优化问题。其中以线性加权的方式把电网网损、碳流损耗和电压稳定设计为奖励函数,通过引入粒子群的多主体计算,每个主体都有各自的Q值矩阵进行寻优迭代。IEEE118节点仿真结果表明:较传统Q(λ)算法本文所提出算法能在保证较好全局寻优能力的同时,收敛速度至少能提高10倍以上,为解决实际大规模复杂电网的碳-能复合流在线滚动优化提供了一种快速、有效的方法。
展开更多
关键词
Q(λ)算法
群智能
最优碳-能复合流
强化学习
下载PDF
职称材料
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
被引量：
21
4
作者
陈艺璇
张孝顺
+1 位作者
郭乐欣
余涛
《高电压技术》
EI
CAS
CSCD
北大核心
2019年第3期863-872,共10页
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。...
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。
展开更多
关键词
多智能体迁移强化学习算法
碳-能复合流
碳排放责任分摊
迁移学习
强化学习
下载PDF
职称材料
题名
基于灰狼多目标算法的电网碳-能复合流优化调度
被引量：
7
1
作者
毛森茂
瞿凯平
陈艺璇
程乐峰
余涛
机构
深圳供电局
华南理工大学电力学院
出处
《新型工业化》
2016年第9期11-17,共7页
基金
中国南方电网科技项目资助(2016规专0009)
国家自然科学基金项目(51177051
51477055)
文摘
针对低碳经济发展过程中电网应承担的碳排放责任,本文将实际的潮流和虚拟的碳流结合,通过追溯网损对应的碳排放建立起电网碳-能复合流优化模型,并采用多目标灰狼算法对该模型进行求解。通过在原始灰狼算法中加入Pareto存档、α、β和δ狼选择机制及灰狼的游荡行为,使之能够应用到多目标优化中,并得到分布性能较好的Pareto前沿。最后引入改进TOPSIS法进行折中解选择。IEEE118节点仿真结果表明多目标灰狼算法在电网碳-能复合流优化模型中具有很好的适用性。
关键词
碳-能复合流
多目标灰狼算法
PARETO
TOPSIS
Keywords
optimal
carbon
-
energy
combined
-
flow
Grey
wolf
multi-objective
optim
izer
Pareto
TOPSIS
分类号
O224 [理学—运筹学与控制论]
下载PDF
职称材料
题名
基于纳什均衡迁移学习的碳–能复合流自律优化
被引量：
5
2
作者
陈艺璇
张孝顺
余涛
机构
华南理工大学电力学院
出处
《控制理论与应用》
EI
CAS
CSCD
北大核心
2018年第5期668-681,共14页
基金
国家重点基础研究发展计划项目("973"计划)(2013CB228205)
国家自然科学基金项目(51777078)资助~~
文摘
提出了一种全新的纳什均衡迁移学习算法,并应用于求解大规模电力系统分散式碳–能复合流自律优化.首次引入碳排放责任分摊机制,避免了碳排放责任的重复计算.将大规模电网分解成若干小型区域电网,每个小型区域电网被定义为一个智能体,通过纳什博弈实现分散式自律优化.智能体利用记忆矩阵对寻优知识进行存储,并通过多个个体与环境的反复交互实现记忆更新;采用状态–动作链对记忆矩阵进行降维,有效避免了"维数灾难".此外,基于相似度的迁移学习可以对历史任务知识进行高效提炼,提高了新任务寻优效率.IEEE 57和300节点系统仿真表明:所提算法非常适合求解大规模电网的碳–能复合流自律优化,在保证纳什均衡解质量的同时,明显加快寻优速度.
关键词
纳什均衡解
碳排放责任分摊
分散自律
最优碳–能复合流
迁移学习
强化学习
电力系统
Keywords
Nash
equilibrium
solution
shared
responsibility
of
carbon
emission
decentralized
self-organization
optimal
carbon
-
energy
combined
-
flow
transfer
learning
reinforcement
learning
power
system
分类号
TM734 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于群智能强化学习的电网最优碳-能复合流算法
被引量：
4
3
作者
郭乐欣
张孝顺
谭敏
余涛
机构
华南理工大学电力学院
广东省绿色能源技术重点实验室
出处
《电测与仪表》
北大核心
2017年第1期1-7,共7页
基金
国家重点基础研究发展计划(973计划)(2013CB228205)
国家自然科学基金项目(51177051
51477055)
文摘
结合电网能流和碳排放流的传输特性,建立了电网最优碳-能复合流的数学模型,并提出了基于群智能的多步回溯Q(λ)强化学习算法,有效解决了电网碳-能复合流的动态优化问题。其中以线性加权的方式把电网网损、碳流损耗和电压稳定设计为奖励函数,通过引入粒子群的多主体计算,每个主体都有各自的Q值矩阵进行寻优迭代。IEEE118节点仿真结果表明:较传统Q(λ)算法本文所提出算法能在保证较好全局寻优能力的同时,收敛速度至少能提高10倍以上,为解决实际大规模复杂电网的碳-能复合流在线滚动优化提供了一种快速、有效的方法。
关键词
Q(λ)算法
群智能
最优碳-能复合流
强化学习
Keywords
Q
（
λ
）
learning,
Swarm
intelligence,
optimal
carbon
-
energy
combined
-
flow
,
reinforcement
learning
分类号
TM734 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
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
被引量：
21
4
作者
陈艺璇
张孝顺
郭乐欣
余涛
机构
华南理工大学电力学院
深圳供电局有限公司
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2019年第3期863-872,共10页
基金
国家重点基础研究发展计划(973计划)(2013CB228205)
国家自然科学基金(51777078)~~
文摘
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。
关键词
多智能体迁移强化学习算法
碳-能复合流
碳排放责任分摊
迁移学习
强化学习
Keywords
multi-agent
transfer
reinforcement
learning
optimal
carbon
-
energy
combined
flow
shared
responsibility
of
carbon
emission
transfer
learning
reinforcement
learning
分类号
TM73 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于灰狼多目标算法的电网碳-能复合流优化调度
毛森茂
瞿凯平
陈艺璇
程乐峰
余涛
《新型工业化》
2016
7
下载PDF
职称材料
2
基于纳什均衡迁移学习的碳–能复合流自律优化
陈艺璇
张孝顺
余涛
《控制理论与应用》
EI
CAS
CSCD
北大核心
2018
5
下载PDF
职称材料
3
基于群智能强化学习的电网最优碳-能复合流算法
郭乐欣
张孝顺
谭敏
余涛
《电测与仪表》
北大核心
2017
4
下载PDF
职称材料
4
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
陈艺璇
张孝顺
郭乐欣
余涛
《高电压技术》
EI
CAS
CSCD
北大核心
2019
21
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
