基于拉格朗日松弛强化学习算法的自动发电控制EI北大核心CSCD

“双碳”目标加速了大规模新能源并网的新型电力系统的发展。传统控制方法无法有效解决分布式电网模式下新能源规模化接入所带来的强随机扰动,从而造成频率不稳定、控制性能标准(control performance standards,CPS)越来越差的问题。为此,该文从二次调频的角度提出一种能够保证具有较高的Q值更新学习率,且无论强随机环境亦或平稳环境均具有更稳定的响应特性的拉格朗日松弛强化学习算法,即重复更新Q学习拉格朗日松弛(repeated update Q-Learning using Lagrangian relaxation,RUQL-LR)算法,来获取多区域协同。对改进的IEEE标准两区域模型和以西南电网为基础的三区域模型进行仿真,验证了所提算法的有效性。该算法不仅能够在很大程度上提高Q值估计准确性,还能使弱耦合动态优化问题分散为多个子问题,以快速获取最优策略,且与多种强化学习算法相比,其Q值估计误差更小,能明显提高电网的频率稳定性。     

胶带输送机类型及其传动原理的探究

我国工业科技正进入改革发展阶段,各种机械设备在不同行业中得到了推广应用,帮助企业饵决实际生产遇到的相关问题。输送机是企业车间生产常用的设备之一,其可以按照物资输送要求完成定点传输,维持了车间物资供应的持续性。带式输送机是现代机械比较常见的装备,广泛应用于物资原料的供应输送。为了更好地掌握输送机的操作性能,本次以胶带输送机为对象,分析了其传动原理、常见类型、控制方式等重点问题。     

基于信息松弛的多态能源协调控制方法研究

“双碳”目标驱动以新能源为主体的新型电力系统快速发展,大规模新能源接入给电力系统带来强随机扰动,传统控制方法无法有效解决强随机扰动下电力系统稳定性变差的问题。从自动发电控制(automatic generation control, AGC)角度,提出了一种具有信息松弛的多态能源协调控制策略,以获取多态能源系统的最优协调控制。所提策略在“控制”部分采用具有完全信息松弛特性的前瞻有界Q学习(lookahead-bounded Q-learning, LQ)来预测未来Q值的上下界,以提高强随机环境下Q学习的快速收敛能力及控制性能;在“分配”部分利用新颖的分层双Q学习强一致性(hierarchical double Q-learning based multi paxos, HDQMP)策略来解决机组激增而产生的“维度灾难”问题。通过对改进的IEEE标准两区域负荷频率控制模型和大规模新能源接入的多态能源系统模型仿真,验证了所提方法的有效性。且与其他方法相比,所提方法具有更优的控制性能和更快的收敛速度。     

矿用圆柱齿轮减速机的检修维护方法

对矿用圆柱齿轮减速机进行简单介绍，对其检修维护方法做了详细的分析阐述，以提高减速机使用寿命同时对其它类型减速机日常检修维护也有一定指导意义。     

基于改进多隐层极限学习机的电网虚假数据注入攻击检测

虚假数据注入攻击(False data injection attacks, FDIA)严重威胁了电力信息物理系统(Cyber-physical system,CPS)的状态估计,而目前大多数检测方法侧重于攻击存在性检测,无法获取准确的受攻击位置.故本文提出了一种基于灰狼优化(Gray wolf optimization, GWO)多隐层极限学习机(Multi layer extreme learning machine, ML-ELM)的电力信息物理系统虚假数据注入攻击检测方法.所提方法将攻击检测看作是一个多标签二分类问题,不仅将用于特征提取与分类训练的极限学习机由单隐层变为多隐层,以解决极限学习机特征表达能力有限的问题,且融入了具有强全局搜索能力的灰狼优化算法以提高多隐层极限学习机分类精度和泛化性能.进而自动识别系统各个节点状态量的异常,获取受攻击的精确位置.通过在不同场景下对IEEE-14和57节点测试系统上进行大量实验,验证了所提方法的有效性,且分别与极限学习机、未融入灰狼优化的多隐层极限学习机以及支持向量机(Support vector machine, SVM)相比,所提方...     

基于超松弛双Q学习的源荷储协同频率稳定算法研究

具有强随机特性的新能源规模化接入将给电网带来强随机扰动,传统控制方法无法有效解决分布式电网模式下由强随机扰动引起的频率失衡、控制性能标准变差的问题。该文从二次调频角度提出一种多区域互联电网的智能发电控制算法,即超松弛双Q学习算法,来获取多区域协同控制。所提算法在快速Q学习基础上引入超松弛因子ω来加速最优值函数的计算,同时引入双Q学习策略来解决强化学习Q算法体系中的动作探索值过高估计问题,以提升算法的收敛性与更新效率。在改进的IEEE标准两区负荷频率控制模型以及云南互联电网模型中进行仿真分析,结果可知,所提算法表现出更佳的控制性能与收敛速度。     

基于权重双Q-时延更新学习算法的自动发电控制

大规模可再生能源和柔性负荷的接入会给分布式多区域互联电网带来强随机扰动,传统的控制方法无法有效提高由于强随机扰动所导致的电网愈来愈差的控制性能。为此,该文从自动发电控制角度提出一种面向分布式多区域互联电网的多智能体协同控制算法,即权重双Q-时延更新算法。所提算法可通过权重双Q算法来解决传统强化学习中动作探索值高估或低估的问题,并引入时延更新策略进一步提高其更新效率,进而提高其收敛性能。对改进的IEEE标准两区域负荷频率控制模型和融入大规模可再生能源的四区域互联电网模型进行仿真,仿真结果表明,所提算法能够有效提高电网的控制性能,实现分布式多区域互联电网间的协同控制,而且与传统方法相比,具有更优控制性能和更快收敛速度。