典型文献
基于深度强化学习的微电网在线优化调度
文献摘要：
提出一种基于深度强化学习的微电网在线优化调度策略.针对可再生能源的随机性及复杂的潮流约束对微电网经济安全运行带来的挑战,以成本最小为目标,考虑微电网运行状态及调度动作的约束,将微电网在线调度问题建模为一个约束马尔可夫决策过程.为避免求解复杂的非线性潮流优化、降低对高精度预测信息及系统模型的依赖,设计一个卷积神经网络结构学习最优的调度策略.所提出的神经网络结构可以从微电网原始观测数据中提取高质量的特征,并基于提取到的特征直接产生调度决策.为了确保该神经网络产生的调度决策能够满足复杂的网络潮流约束,结合拉格朗日乘子法与soft actor-critic,提出一种新的深度强化学习算法来训练该神经网络.最后,为验证所提出方法的有效性,利用真实的电力系统数据进行仿真.仿真结果表明,所提出的在线优化调度方法可以有效地从数据中学习到满足潮流约束且具有成本效益的调度策略,降低随机性对微电网运行的影响.
文献关键词：
微电网;约束马尔可夫过程;深度强化学习;卷积神经网络
中图分类号：
作者姓名：
季颖;王建辉
作者机构：
东北大学信息科学与工程学院,沈阳110004
文献出处：
引用格式：
[1]季颖;王建辉-.基于深度强化学习的微电网在线优化调度)[J].控制与决策,2022(07):1675-1684
A类：
约束马尔可夫过程
B类：
微电网,在线优化,调度策略,可再生能源,随机性,潮流约束,经济安全,电网运行,在线调度,调度问题,马尔可夫决策过程,线性潮流,潮流优化,精度预测,系统模型,神经网络结构,结构学习,观测数据,取到,调度决策,网络潮流,拉格朗日乘子法,soft,actor,critic,深度强化学习算法,电力系统,系统数据,优化调度方法,成本效益
AB值：
0.285771
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
