基于深度强化学习的分布式电采暖参与需求响应优化调度OA北大核心CSCDCSTPCD
Demand Response Optimal Scheduling for Distributed Electric Heating Based on Deep Reinforcement Learning
分布式电采暖具备可时移特性,能够作为需求响应资源,但其数量多、单体容量小,调度中心难以直接控制,且传统优化方法难以满足调度时效性.应用深度学习实现了无需热力学模型分析户用电采暖单元温变-功率动态关系,构建了包含负荷聚集商和楼宇级控制的调度架构.提出改进的深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法作为楼宇级控制策略,构建了改进算法的框架及网络结构,网络训练收敛后可用于在线决策控制.日前调…查看全部>>
严干贵;阚天洋;杨玉龙;张薇
现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市132012现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市132012现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市132012现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市132012
信息技术与安全科学
电采暖需求响应深度强化学习优化调度DDPG算法人工智能
《电网技术》 2020 (11)
面向风电消纳的电采暖负荷群多维时移特性建模及协调调度机理研究
4140-4147,8
国家自然科学基金项目(51907020).
评论