WECC复合负荷建模的两阶段:基于双深度Q学习网络的方法
使用两阶段深度强化学习方法来优化基于逆变器能源的电压调节,通过一个高效的对抗性强化学习算法,训练出离线代理程序,然后将其安全地转移到在线代理程序中,在线学习和控制具有显著的安全性和效率,从而比现有机器学习方法取得更好性能。
May, 2020
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的GNN在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
本文介绍了一种使用强化学习(RL)框架PowRL来缓解意外事件的影响以及在网络中随时可靠地维持电力的方法,该框架利用一种新颖的过载管理启发式以及基于RL指导的最佳拓扑选择来确保网络安全可靠运行,并在多个竞赛数据集中表现出最先进的性能。
Dec, 2022
提出了一种基于模型的深度强化学习方法,用于设计短期电压稳定性问题的紧急控制策略,并使用基于深度神经网络 的动态代理模型进行训练,最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。
Dec, 2022
本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性,并针对葡萄牙的国家网联合短期负荷预测,进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估,并进行后续分析以确定最合适的模型。结果表明,N-BEATS模型始终优于其它深度学习模型,并且外部因素显著影响准确性,从而影响模型的实际和相对性能。
Feb, 2023
本研究提出了一种动态漂移自适应长短期记忆模型,可在不需要漂移阈值设置的情况下,提高负载预测模型的性能,通过基于主动和被动适应方法的框架集成几种策略,并在云环境中部署来评估它在实际中的适用性。
May, 2023
本文提出了一种新的解决方案,利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征,并采用高效的计算框架,通过对一个真实的用电需求数据集进行严格评估,实验结果表明,该方法在准确性、鲁棒性和计算效率方面具有显著优势,其平均绝对百分比误差为1.9376,相较于现有最先进的方法标志着短期负荷预测的新时代的开启。
Sep, 2023
该研究提出了一种基于深度确定性策略梯度(DDPG)框架的无模型负荷频率控制方法,通过建立仿真器网络来模拟电力系统动力学,实现了对非线性电力系统的控制,并通过零阶优化(ZOO)和反向传播算法有效地优化了演员网络控制器。仿真结果表明,该设计的控制器能够生成适当的控制动作,并对非线性电力系统具有较强的适应性。
Mar, 2024
该研究提出了一种利用经过微调的大型语言模型(LLMs)来最小化负荷数据要求的新方法,并通过在电力系统负荷配置文件中恢复丢失数据来进行验证。通过实证评估,我们展示了经过微调的模型在准确恢复丢失数据方面的有效性,实现了与BERT-PIN等专门设计的模型相当的性能。重要发现包括提示工程的重要性和合理利用微调样本,在从普通用户案例向特定目标用户传递知识方面展示了少样本学习的效率。此外,所提出的方法与从头训练模型相比,具有显著的成本效益和时间效率,在数据有限和计算资源有限的情况下,是一种实际可行的解决方案。该研究对于其他电力系统负荷配置文件分析任务具有重要的应用潜力,推动了在电力系统分析中使用LLMs的发展,为提高电力分配系统的韧性和效率提供了有希望的启示。
Jun, 2024
通过分析合成电网模型和进行动力学模拟,我们证明机器学习模型能够准确预测合成电网的故障耐受概率,并展示了机器学习方法在研究电网的概率稳定性方面的潜力。
Jun, 2024