Mar, 2024

基于深度强化学习的非线性电力系统无模型负荷频率控制

PDF
TL;DR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。
load frequency controlpower system modelingnonlinear characteristicsdeep deterministic policy gradientnonlinear power systems
发现论文，激发创造
  • 基于模型的深度强化学习电压控制策略高效学习

    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

  • 利用深度强化学习的自适应电力系统应急控制

    本文提出一种利用深度强化学习进行电力系统紧急控制的方法，并设计了一个名为 “RLGC” 的开源平台来辅助这种方法的开发和基准测试。通过在两区四机系统和 IEEE 39-Bus 系统中的案例研究，证明了该方法的优异性能和鲁棒性。

    Mar, 2019

  • 基于实时模型无关深度强化学习的串级弹性执行器力控制

    该研究使用深度强化学习（DRL）方法，通过 Proximal Policy Optimization（PPO）算法，在 SEA 振荡系统的硬件环境中训练一个 DRL 策略，以实现高精度的力控制任务。研究结果表明，该 DRL 策略优于传统的基于模型的 PID 控制器，并能够实现更好的跟踪和稳定性保障。

    Apr, 2023

  • 电厂监控的安全强化学习算法

    我们提出了基于近端策略优化的概率约束强化学习算法，通过使用 Lagrangian relaxation 将约束优化问题转换为无约束目标，从而在先进的核电厂设计中实现了最小违规距离和违规率。

    Jan, 2024

  • 非线性策略优化中学习本地线性模型的威力

    本文对于一种学习控制策略进行了系统分析，该策略主要包括估计系统动态模型和应用轨迹优化算法来降低目标成本，我们提出了一种基于本地线性模型的算法，在重要的问题参数上获得了多项式的样本复杂度，并通过合成本地稳定增益，克服了问题时间影响的指数依赖性，我们的实验结果也验证了该算法的有效性并与自然深度学习基线进行了比较。

    May, 2023

  • 非线性深度神经网络建模的高效模型预测控制

    该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

    May, 2024

  • 基于专家预测的无模型线性二次控制

    本文介绍了一种新的无模型算法，用于控制线性二次系统，利用 reduce 方法，将马尔科夫决策过程的控制问题转化为专家预测问题，该算法实现简单通用，拥有多项理论保证和良好的性能。

    Apr, 2018

  • 傅立叶控制网络用于实时决策的具象学习

    通过在机器人轨迹的频域中提取和编码时变特征的短时傅里叶变换 (STFT)，傅里叶控制器网络 (FCNet) 实现了实时决策的并行训练和高效的循环推断，比传统方法如 Transformer 在各种大小的多环境机器人数据集上的效率和有效性更高。

    May, 2024

  • 神经网络支持下的模型预测控制实现无法匹配的不确定性缓解

    本文介绍了一种基于深度学习的模型预测控制算法，利用深度神经网络作为学习基础的预测控制中的甲骨文，通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。

    Apr, 2023

  • 用于欠驱动系统的能量势控制端到端深度 Lagrangian 神经网络学习

    应用深度学习于机器人控制的方法可以提高设计机器人控制定律的智能性，本文提出了一种深度控制的方法，通过扩展 DeLaN 网络到能源控制上实现了通过泛化函数逼近进行的能源控制的学习，该方法在 Furuta 摆控制方面表现出优异的实时控制性能。

    Jul, 2019