基于多步回溯Q（λ）学习的电网多目标最优碳流算法

为弥补传统最优潮流计算中缺少对电力网络的碳排放优化控制,文中利用基于潮流计算结果的碳流模型,提出了一种基于半马尔可夫决策过程的Q(λ)学习算法,把潮流问题中的约束、可控变量转换成算法的状态和动作,并以线性加权方式把碳流损耗、网损和电压稳定分量转化为奖励函数,通过不断试错与迭代来动态寻找最优动作策略。将该算法在IEEE 57节点标准算例中进行了验证,取得了良好效果,为解决电网多目标最优碳流问题提供了一种可行、有效的方法。     

基于量子遗传算法的电网碳排放优化模型

针对电网企业在碳排放评估时忽略电能产生和传输过程的问题,引用比例分享碳排放模型对电网进行碳排放评估。在考虑经济性和安全性的前提下,引入网损的总碳排放率指标,建立了基于量子遗传算法(quantum genetic algorithm,QGA)的电网碳排放优化模型。该模型将目标函数值作为个体适应度值的评估依据,并通过量子旋转门对动作进行调整,最终选出最优个体和其相应的目标值。IEEE 39节点仿真实例表明QGA可更好地解决电网碳排放评估和优化等问题,且与传统遗传算法相比,QGA具有更好的适应性。