System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于配电网运行控制,具体涉及基于多智能体联邦强化学习的微网群协同运行优化方法。
技术介绍
1、微网群互动运行有助于促进新能源消纳,减小分布式能源波动对电网冲击,保障多主体微网群的多方利益均衡。因此,对微网群进行合理能源调度优化对保障维护电网安全稳定运行与提高供电可靠稳定性具有重要意义。
2、目前,针对微网群的优化调度方法已有大量研究,其中常见方法包括交替方向乘子法、混合整数规划等基于模型的优化方法,以及以深度强化学习为代表的数据驱动方法。中国专利技术专利cn110910272b提供了一种城市综合能源系统多目标优化方法,将能源技术效率、经济效益、环境效益作为多目标,对城市综合能源系统进行优化与分析。中国专利技术专利申请cn116388280a提供了一种基于深度强化学习算法的综合能源系统电压控制方法及系统,基于深度强化学习提出了多时间尺度下光伏机组和电容器组的电压调节方法,通过智能体训练得到电压控制的最优策略。中国专利技术专利申请cn116050632a提供了一种基于纳什q学习的微电网群互动博弈策略学习进化方法,利用历史求得的近似均纳什衡解集,实现了微电网群互动运行策略的学习。
3、然而,上述方法存在以下缺陷和不足:传统模型驱动的优化方法依赖模型假设,自适应能力较差,难以完成综合能源的实时互动优化任务;目前数据驱动的深度强化学习方法在涉及多主体综合能源微网互动交易的场景中,不可避免地会面临微网数据泄露的数据安全问题。
技术实现思路
1、为克服现有技术的
2、为达到上述目的,本专利技术采用的技术方案为:
3、一种基于多智能体联邦强化学习的微网群协同运行优化方法,包括如下步骤:
4、步骤1:构建考虑经济效益的微网群互动优化运行模型与马尔可夫决策模型;
5、步骤2:构建考虑交易优先级的微网群连续双向拍卖模型;
6、步骤3:构建基于注意力机制的多智能体联邦强化学习方法,对微网群进行优化管理。
7、有益效果:
8、本专利技术采用数据驱动的联邦强化学习方法对微网群进行优化调度管理,具有免模型,自适应力强的优点,克服了传统模型驱动方法过于依赖模型假设以及无法实时互动响应的缺点;同时,本专利技术创新性地采用注意力网络作为联邦网络,能够在保护数据隐私的基础上对微网群进行优化调度管理,并有效克服了同类联邦强化学习方法梯度不稳定与学习效率低下的缺陷。
本文档来自技高网...【技术保护点】
1.基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,所述步骤1包括:
3.根据权利要求2所述的基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,所述步骤2包括:
4.根据权利要求3所述的基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,所述步骤3包括:
【技术特征摘要】
1.基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多智能体联邦强化学习的微网群协同运行优化方法,其特征在于,所述步骤1包括:
3....
【专利技术属性】
技术研发人员:肖浩,浦骁威,裴玮,马腾飞,
申请(专利权)人:中国科学院电工研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。