CN118174308A - 基于多模态信息的新能源电网电压主动支撑控制方法 - Google Patents
基于多模态信息的新能源电网电压主动支撑控制方法 Download PDFInfo
- Publication number
- CN118174308A CN118174308A CN202410286150.7A CN202410286150A CN118174308A CN 118174308 A CN118174308 A CN 118174308A CN 202410286150 A CN202410286150 A CN 202410286150A CN 118174308 A CN118174308 A CN 118174308A
- Authority
- CN
- China
- Prior art keywords
- power grid
- voltage
- new energy
- data
- energy power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000011217 control strategy Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于多模态信息的新能源电网电压主动支撑控制方法，属于电网电压控制技术领域；解决了新能源电网采用传统电压控制方法存在的灵活性差和有效性低的问题；包括以下步骤：获取大规模分布式新能源电网各个节点的电压测量值作为全局预测数据；获取与电网相关的天气数据、电力负荷数据作为局部信息数据；将获取得到的数据进行预处理；将经过预处理的全局预测数据和局部信息数据整合成一个多模态输入数据集；采用双向门控循环单元得到某时刻的实时预测电压分布情况，采用联邦对比学习方法来训练双向门控循环单元；采用深度强化学习中的SAC算法来进行大规模分布式新能源电网电压主动支撑控制；本发明应用于新能源电网。
Description
技术领域
本发明提供了一种基于多模态信息的新能源电网电压主动支撑控制方法，属于电力系统、智能电网和综合能源系统的自动电压控制技术领域。
背景技术
新能源技术的快速发展促使可再生能源大规模的集成到电力系统中，太阳能光伏和风能发电等新能源系统通常是分布式的，并具有随机性和波动性，这些分布式电源的管理和控制需要考虑系统的分布性和复杂性，这对电力系统的电压支撑控制提出挑战；传统的电压控制方法通常是基于静态的线性模型或传统的PID控制器，其主要目标是将电压维持在标称值附近，这些方法忽视电力系统的多模态特性和多样性信息来源，在应对复杂的电力系统情况，特别是在大规模新能源集成和分布式电力系统中，往往显得不够灵活和有效。
发明内容
本发明为了解决新能源电网采用传统电压控制方法存在的灵活性差和有效性低的问题，提出了一种基于多模态信息的新能源电网电压主动支撑控制方法，能综合利用多模态信息，采用分布式学习和深度强化学习方法，实现高效、自适应、多目标优化的电网电压主动支撑控制，提高电力系统的稳定性、可靠性和可持续性。
为了解决上述技术问题，本发明采用的技术方案为：一种基于多模态信息的新能源电网电压主动支撑控制方法，包括以下步骤：
S1、获取大规模分布式新能源电网的各个节点的电压测量值作为全局预测数据；获取与电网局部信息相关的天气数据、电力负荷数据作为局部信息数据；
S2、将获取到的全局预测数据和局部信息数据进行预处理；
S3、将经过预处理的全局预测数据和局部信息数据整合成一个多模态输入数据集；
S4、在大规模分布式新能源电网的各个分布式节点上分别采用双向门控循环单元得到该节点的实时预测电压分布情况，通过采用联邦对比学习方法，将各个分布式节点上获得的实时预测电压分布情况进行整合得到全局模型；
S5、采用深度强化学习中的SAC算法来进行大规模分布式新能源电网电压主动支撑控制。
所述双向门控循环单元是由两个单向门控循环单元共同组成的神经网络结构，两个单向门控循环单元的隐含层方向相反，在每一时刻都能接收到同一个多模态输入数据；
将多模态输入数据集作为双向门控循环单元的输入，双向门控循环单元利用对时间序列进行双向训练的特点，将两个隐含层链接到同一个输出层得到实时预测电网的电压分布情况。
单向门控循环单元的训练如下，在t时刻，将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况合并后经过线性变换，输入到激活函数当中，将激活的结果zt压缩至0-1之间；
然后再将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况输入到重置门，经过线性变换以及激活函数得到重置门的输出rt，接着计算rt与x(t)的哈达玛乘积；
接下来结合更新门与重置门共同输出在t时刻的实时预测电压分布情况的前向隐藏状态最后将两个方向隐藏状态合并得到最终的t时刻的实时预测电压分布情况
步骤S5中采用的SAC算法具有1个Actor网络、2个Critic网络和2个Critic目标网络；Actor网络用于接收实时预测电压分布情况的状态信息，Actor网络的输出为电力系统控制策略空间概率分布的均值和方差；Critic网络用于对电力系统在当前采取的控制策略的动作进行评估，Critic目标网络用于对当前预测得到的电压分布状态的评估；
SAC算法将实时预测电压分布情况的状态信息输入到Actor网络中，Actor网络根据输入的状态得到高斯分布的均值和方差，按照概率分布采样输出动作at，电力系统采取该控制策略的动作at，然后根据动作at执行情况获取奖励jt，状态变为st+1，将当前产生的经验放入经验池中，当经验达到一定的数量时，从经验池中采样出一批经验，计算出2个Critic目标网络平均价值的最小值，再更新Actor网络和2个Critic目标网络，重复以上过程直至收敛，SAC算法根据接收到的实时电压分布的状态来选择最佳的电压支撑控制动作，以维持电网电压的稳定。
Critic目标网络平均价值的最小值的计算公式如下：
上式中：V(st+1)为状态st+1时的状态价值；r是来自经验池的值；λ为奖励的衰减值；为熵的权重；Qπ(st+1，at+1)为在状态st+1下采取动作at+1时的概率估计值；π(·|st+1)表示环境状态st+1输出任意动作的概率；H(π(·|st+1))为Actor网络的输出的动作熵，其表达式为：
H(π(·|st+1))＝-lgπ(at+1|st+1)；
上式中：at+1为环境状态st+1下Actor网络的动作输出；π(at+1|st+1)为环境状态st+1输出动作at+1的概率；-lg代表对数函数；
Actor网络的更新公式为：
上式中：θ为Actor网络的权重；ψ为熵的奖励系数，代表熵的重要程度；max表示最大值函数；min表示最小值函数；ES-D表示状态s来自经验池D时的期望值；s-D表示状态s来自于经验池D；πθ(at|st)表示权重为θ的网络在状态st下采取动作at的概率；
2个Critic目标网络的更新公式为：
φti←ρφti+(1-ρ)φi，i∈{1，2}；
上式中：φti为Critic目标网络；ρ为Critic目标网络的超参数；i表示Critic目标网络的个数。
本发明相对于现有技术具备的有益效果为：
(1)本发明利用联邦对比学习在分布式系统中进行模型训练，而无需共享原始数据；同时联邦对比学习促进知识共享、提高预测准确性、具备自适应性和降低通信开销，有效应对电力系统复杂性和隐私敏感性，有望显著提高电力系统的稳定性和可靠性。
(2)本发明利用SAC算法应用于大规模分布式新能源电网，适应不断变化的电力系统需求，能够同时考虑多个电力系统性能指标，实时学习和调整电压控制策略，以适应电力系统动态变化，提高电网电压的稳定性和可靠性。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明方法的流程图；
图2为本发明方法的双向门控循环单元预测的流程图。
具体实施方式
如图1所示，本发明提供了一种基于多模态信息的新能源电网电压主动支撑控制方法，主要包括以下步骤：
S1、获取大规模分布式新能源电网的电压数据作为全局预测数据，包括各个节点的电压测量值；获取与电网局部信息相关的数据作为局部信息数据，包括天气数据、电力负荷数据；
S2、将获取得到的全局预测数据和局部信息数据进行预处理，包括数据清洗、缺失值填充和数据标准化；
S3、将经过预处理的全局预测数据和局部信息数据整合成一个多模态输入数据集；该输入数据集包含多个特征，每个特征对应一个信息源，以及一个目标变量，即电压值；
S4、在分布式的节点上采用联邦对比学习方法来训练双向门控循环单元；在训练过程中，使用多模态输入数据集作为双向门控循环单元的输入，双向门控循环单元能够预测大规模分布式新能源电网的电压分布情况；
S5、采用深度强化学习中的SAC算法来进行大规模分布式新能源电网电压主动支撑控制。
其中联邦对比学习是一种用于分布式数据和分布式模型训练的技术；联邦对比学习允许多个分布式的节点协同训练双向门控循环单元；将多模态输入数据集作为双向门控循环单元的输入，双向门控循环单元利用对时间序列进行双向训练的特点，将两个隐含层链接到同一个输出层得到实时预测电网的电压分布情况；门控循环单元能通过重置门和更新门对时序信息进行处理，以单向门控循环单元为例进而引出双向门控循环单元。
图2是本发明采用的双向门控循环单元预测的流程图。双向门控循环单元模型是由两个门控循环单元共同组成的神经网络结构，但这两个隐含层方向相反，在每一时刻都能接收到同一个多模态输入数据。以单向门控循环单元为例，在t时刻，将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况合并后经过线性变换，输入到激活函数当中，将激活的结果zt压缩至0-1之间，其值越接近1，更新的信息就越多。然后再将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况输入到重置门，经过线性变换以及激活函数得到重置门的输出rt，接着计算rt与x(t)的哈达玛乘积。接下来结合更新门与重置门共同输出在t时刻的实时预测电压分布情况的前向隐藏状态/>最后将两个方向隐藏状态合并得到最终的t时刻的实时预测电压分布情况/>
其中单向门控循环单元的具体计算过程如下：
单向门控循环单元的更新门决定要被遗忘的信息和需要被添加的信息，以t时刻为例，x(t)表示t时刻输入的全局预测数据和局部信息数据即多模态输入数据，将t时刻的多模态输入数据x(t)和t-1时刻神经元得到的实时预测电压分布情况输入到更新门的输出，更新门的输出rt为：
上式中：whr为t-1时刻神经元得到的实时预测电压分布情况与重置门之间的权值；wxr为t时刻输入的全局预测数据和局部信息数据与重置门之间的权值；br是重置门的偏置项；σ为激活函数。
通过t时刻输入的全局预测数据和局部信息数据与经过重置门的(t-1)时刻神经元隐藏状态能得到候选隐藏状态/>候选隐藏状态/>为：
上式中：wxh为t时刻神经元输入的多模态数据x(t)与当前候选隐藏状态之间的权值；wcf是重置门的权值矩阵；tan(h)表示双曲正切函数；“*”表示元素逐点相乘。
通过单向门控循环单元的更新门zt，t-1时刻神经元得到的实时预测电压分布情况和候选隐藏状态/>能计算得到t时刻神经元的预测电压分布情况/>为：
上式中：zt为更新门的输出。
双向门控循环单元由前向传播门控循环单元层和后向传播门控循环单元层组成，能同时处理从前向后和从后向前处理的信息；输入序列有k个时间步长，在训练过程中，前向隐藏状态和后向隐藏状态/>能分别提取前向和后向的时序特征，/>和/>分别为：
上式中：为前向传播门控循环单元层；/>为后向传播门控循环单元层。将两个方向隐藏状态合并得到t时刻的双向门控循环单元实时预测电压分布情况为：
上式中：αt为时刻t信息前向传播门控循环单元隐藏层输出权重；βt为时刻t信息后向传播门控循环单元隐藏层输出权重。
通过采用联邦对比学习，将各个分布式节点上获得的实时预测电压分布情况进行整合得到全局模型；全局模型包含分布式系统中各个节点的电压测量、电流测量、设备状态信息、天气数据等构成的局部数据；全局模型将局部数据整合构成综合信息更好地理解整个电网地状态。
步骤S5中采用的SAC算法结合了演员-评论家算法、最大熵模型和离线策略的优点；SAC算法以DDPG为基础，使用随机策略并引入最大策略熵来学习策略。
本发明采用的SAC算法具有1个Actor网络、2个Critic网络和2个Critic目标网络；Actor网络用于接收实时预测电压分布情况的状态信息，Actor网络的输出为电力系统控制策略空间概率分布的均值和方差；Critic网络用于对电力系统在当前采取的控制策略的动作进行评估，Critic目标网络用于对当前预测得到的电压分布状态的评估。
动作熵来源于Actor网络的输出，其动作熵H(π(·|st+1))为：
H(π(·|st+1))＝-lgπ(at+1|st+1) (7)；
上式中：at+1为环境状态st+1下Actor网络的动作输出；π(at+1|st+1)为环境状态st+1输出动作at+1的概率；-lg代表对数函数。
Critic目标网络的值估计包括动作熵，状态st+1下at+1动作价值的估计值QS(r，st+1)为：
上式中：V(st+1)为状态st+1时的状态价值；r是来自经验池的值；λ为奖励的衰减值；为熵的权重；Qπ(st+1，at+1)为在状态st+1下采取动作at+1时的概率估计值；π(·|st+1)表示环境状态st+1输出任意动作的概率。
SAC算法拥有2个与Critic目标网络结构一致的Critic网络，2个Critic网络的损失函数为：
上式中：(st，r，st+1，at)-D表示(st，r，st+1，at)来自于经验池D；表示Critic网络的权重值；/>是权重为/>的网络对环境状态st+1下实施动作at的Q值估计；Qs(st+1)为状态st+1下的估计值；/>表示(st，r，st+1，at)来自于经验池D时的期望值。
Actor网络的更新公式为：
上式中：θ为Actor网络的权重；ψ为熵的奖励系数，代表熵的重要程度；max表示最大值函数；min表示最小值函数；ES-D表示状态s来自经验池D时的期望值；s-D表示状态s来自于经验池D；πθ(at|st)表示权重为θ的网络在状态st下采取动作at的概率。
Critic目标网络的更新公式为：
φti←ρφti+(1-ρ)φi，i∈{1，2} (11)；
上式中：φti为Critic目标网络；ρ为Critic目标网络的超参数；i表示Critic目标网络的个数。
SAC算法将实时预测电压分布情况的状态信息输入到Actor网络中，Actor网络根据输入的状态得到高斯分布的均值和方差，按照概率分布采样输出动作at，电力系统采取的控制策略动作at，获取奖励jt，状态变为st+1，将当前产生的经验放入经验池中，当经验达到一定的数量时，从经验池中采样出一批经验，根据式(8)计算出2个Critic目标网络平均价值的最小值，根据式(10)和式(11)更新Actor网络和2个Critic目标网络，重复以上过程直至收敛，SAC算法根据接收到的实时电压分布的状态来选择最佳的电压支撑控制动作，以维持电网电压的稳定。
本发明分析了电力系统的运行和电压控制需要综合考虑多模态信息，包括全局信息和局部信息；在此背景下，利用多模态信息、联邦对比学习和深度强化学习等先进技术，以实现新能源电网电压的主动支撑控制，有助于提高电力系统的稳定性、可靠性和可持续性，以适应新能源的大规模集成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于多模态信息的新能源电网电压主动支撑控制方法，其特征在于：包括以下步骤：
S1、获取大规模分布式新能源电网的各个节点的电压测量值作为全局预测数据；获取与电网局部信息相关的天气数据、电力负荷数据作为局部信息数据；
S2、将获取到的全局预测数据和局部信息数据进行预处理；
S3、将经过预处理的全局预测数据和局部信息数据整合成一个多模态输入数据集；
S4、在大规模分布式新能源电网的各个分布式节点上分别采用双向门控循环单元得到该节点的实时预测电压分布情况，通过采用联邦对比学习方法，将各个分布式节点上获得的实时预测电压分布情况进行整合得到全局模型；
S5、采用深度强化学习中的SAC算法来进行大规模分布式新能源电网电压主动支撑控制。
2.根据权利要求1所述的一种基于多模态信息的新能源电网电压主动支撑控制方法，其特征在于：所述双向门控循环单元是由两个单向门控循环单元共同组成的神经网络结构，两个单向门控循环单元的隐含层方向相反，在每一时刻都能接收到同一个多模态输入数据；
将多模态输入数据集作为双向门控循环单元的输入，双向门控循环单元利用对时间序列进行双向训练的特点，将两个隐含层链接到同一个输出层得到实时预测电网的电压分布情况。
3.根据权利要求2所述的一种基于多模态信息的新能源电网电压主动支撑控制方法，其特征在于：单向门控循环单元的训练如下，在t时刻，将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况合并后经过线性变换，输入到激活函数当中，将激活的结果zt压缩至0-1之间；
然后再将当前神经元的多模态输入数据x(t)与前一时刻保存的实时预测电压分布情况输入到重置门，经过线性变换以及激活函数得到重置门的输出rt，接着计算rt与x(t)的哈达玛乘积；
接下来结合更新门与重置门共同输出在t时刻的实时预测电压分布情况的前向隐藏状态最后将两个方向隐藏状态合并得到最终的t时刻的实时预测电压分布情况/>
4.根据权利要求1所述的一种基于多模态信息的新能源电网电压主动支撑控制方法，其特征在于：步骤S5中采用的SAC算法具有1个Actor网络、2个Critic网络和2个Critic目标网络；Actor网络用于接收实时预测电压分布情况的状态信息，Actor网络的输出为电力系统控制策略空间概率分布的均值和方差；Critic网络用于对电力系统在当前采取的控制策略的动作进行评估，Critic目标网络用于对当前预测得到的电压分布状态的评估；
SAC算法将实时预测电压分布情况的状态信息输入到Actor网络中，Actor网络根据输入的状态得到高斯分布的均值和方差，按照概率分布采样输出动作at，电力系统采取该控制策略的动作at，然后根据动作at执行情况获取奖励jt，状态变为st+1，将当前产生的经验放入经验池中，当经验达到一定的数量时，从经验池中采样出一批经验，计算出2个Critic目标网络平均价值的最小值，再更新Actor网络和2个Critic目标网络，重复以上过程直至收敛，SAC算法根据接收到的实时电压分布的状态来选择最佳的电压支撑控制动作，以维持电网电压的稳定。
5.根据权利要求4所述的一种基于多模态信息的新能源电网电压主动支撑控制方法，其特征在于：Critic目标网络平均价值的最小值的计算公式如下：
上式中：V(st+1)为状态st+1时的状态价值；r是来自经验池的值；λ为奖励的衰减值；为熵的权重；Qπ(st+1，at+1)为在状态st+1下采取动作at+1时的概率估计值；π(·|St+1)表示环境状态st+1输出任意动作的概率；H(π(·|St+1))为Actor网络的输出的动作熵，其表达式为：
H(π(·|st+1))＝-lgπ(at+1|st+1)；
上式中：at+1为环境状态st+1下Actor网络的动作输出；π(at+1|st+1)为环境状态st+1输出动作at+1的概率；-lg代表对数函数；
Actor网络的更新公式为：
上式中：θ为Actor网络的权重；ψ为熵的奖励系数，代表熵的重要程度；max表示最大值函数；min表示最小值函数；ES-D表示状态s来自经验池D时的期望值；s-D表示状态s来自于经验池D；πθ(at|st)表示权重为θ的网络在状态st下采取动作at的概率；
2个Critic目标网络的更新公式为：
φti←ρφti+(1-ρ)φi，i∈{1，2}；
上式中：φti为Critic目标网络；ρ为Critic目标网络的超参数；i表示Critic目标网络的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410286150.7A CN118174308A (zh) | 2024-03-13 | 2024-03-13 | 基于多模态信息的新能源电网电压主动支撑控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410286150.7A CN118174308A (zh) | 2024-03-13 | 2024-03-13 | 基于多模态信息的新能源电网电压主动支撑控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118174308A true CN118174308A (zh) | 2024-06-11 |
Family
ID=91357759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410286150.7A Pending CN118174308A (zh) | 2024-03-13 | 2024-03-13 | 基于多模态信息的新能源电网电压主动支撑控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118174308A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118535424A (zh) * | 2024-07-26 | 2024-08-23 | 济南浪潮数据技术有限公司 | 一种服务器及其硬件故障预测方法、程序产品和存储介质 |
-
2024
- 2024-03-13 CN CN202410286150.7A patent/CN118174308A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118535424A (zh) * | 2024-07-26 | 2024-08-23 | 济南浪潮数据技术有限公司 | 一种服务器及其硬件故障预测方法、程序产品和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
| Zhou et al. | Using long short-term memory networks to predict energy consumption of air-conditioning systems | |
| Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
| Wei et al. | Ultra-short-term forecasting of wind power based on multi-task learning and LSTM | |
| Li et al. | Forecasting building energy consumption using neural networks and hybrid neuro-fuzzy system: A comparative study | |
| Jiang et al. | Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| Zhou et al. | Deep learning-based rolling horizon unit commitment under hybrid uncertainties | |
| CN116894384B (zh) | 一种多风机风速时空预测方法及系统 | |
| Chen et al. | CNN-BiLSTM short-term wind power forecasting method based on feature selection | |
| CN117973644B (zh) | 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 | |
| CN114859899A (zh) | 移动机器人导航避障的演员-评论家稳定性强化学习方法 | |
| CN118174308A (zh) | 基于多模态信息的新能源电网电压主动支撑控制方法 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| Chen et al. | Lifelong learning with deep conditional generative replay for dynamic and adaptive modeling towards net zero emissions target in building energy system | |
| Zhang et al. | Short-Term Load Forecasting Based on DBO-LSTM Model | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Su et al. | Short-term load forecasting of regional integrated energy system based on spatio-temporal convolutional graph neural network | |
| CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 | |
| Cai et al. | An efficient approach for electric load forecasting using distributed ART (adaptive resonance theory) & HS-ARTMAP (Hyper-spherical ARTMAP network) neural network | |
| Hu et al. | Incremental forecaster using C–C algorithm to phase space reconstruction and broad learning network for short-term wind speed prediction | |
| Guo et al. | Short-Term Photovoltaic Power-Forecasting based on Machine Learning | |
| Ala et al. | Deep Learning for Smart Grid and Energy Context | |
| CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |