基于序列特征融合和深度置信网络的配网故障选线方法

针对配网发生单相接地故障特征提取困难,且现有选线方法精度不高的问题,提出了一种基于序列特征融合和深度置信网络的故障选线方法。首先,通过序列特征融合方法对同一故障工况下的各馈线暂态零序电流进行数据拼接,获取序列融合特征。然后,将序列融合特征作为蜘蛛猴算法（spider monkey optimization, SMO）优化深度置信网络（deep belief network, DBN）的输入,经DBN自适应地提取低维故障特征进而实现故障选线。仿真结果表明,所提方法和现有方法相比,具有较高的选线精度。当信噪比达到10 dB时,所提算法的平均选线精度达到99.78%,具有较强的鲁棒性。     

基于优势柔性策略-评价算法和迁移学习的区域综合能源系统优化调度

为提高清洁能源消纳率及减少碳排放对环境的污染，实现更具泛化能力、鲁棒性和高效性的区域综合能源系统优化调度，该文提出了基于优势柔性策略–评价(advantage learning soft actor-critic,ALSAC)算法和迁移学习的区域综合能源系统优化调度方法。利用环境信息与智能体进行通信交互，以低碳、经济为目标实现区域综合能源系统的优化调度。在文中分析了提升柔性策略–评价(soft actor-critic,SAC)鲁棒性的最大熵机制，并与基于策略梯度的多种深度强化学习算法和启发式算法进行了性能对比，随后将优势学习的思想引入SAC的Q值函数更新中，解决了算法对Q值的过估计问题，提升了算法的性能。为提高智能体的学习效率和应对新场景的泛化能力，加入了迁移学习的参数迁移。算例表明，基于ALSAC算法和迁移学习的优化调度策略具有较好的鲁棒性、泛化能力和高效的学习效率，实现区域综合能源系统的灵活高效调度。