文献

J-GLOBAL ID：201702260445659875   整理番号：17A0446383

大規模電力系統の分散最適炭素エネルギー複合流のための極端なトランスファー学習を用いた平衡に触発されたマルチエージェント最適化【Powered by NICT】

Equilibrium-inspired multiagent optimizer with extreme transfer learning for decentralized optimal carbon-energy combined-flow of large-scale power systems

著者 (6件)： Zhang Xiaoshun (College of Electric Power, South China University of Technology, 510640 Guangzhou, China) ,  Chen Yixuan (College of Electric Power, South China University of Technology, 510640 Guangzhou, China) ,  Yu Tao (College of Electric Power, South China University of Technology, 510640 Guangzhou, China) ,  Yang Bo (Faculty of Electric Power Engineering, Kunming University of Science and Technology, 650504 Kunming, China) ,  Qu Kaiping (College of Electric Power, South China University of Technology, 510640 Guangzhou, China) ,  Mao Senmao (Shenzhen Power Supply Bureau Co., Ltd., 518000 Shenzhen, China)
資料名： Applied Energy  (Applied Energy)
巻： 189  ページ： 157-176  発行年： 2017年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,大規模電力系統の分散最適炭素エネルギー複合流(OCECF)に対する極端なトランスファー学習を用いた新しい平衡にヒントを得たマルチエージェント最適化(EMO)を提案した。元の大規模電力系統は最初にいくつかの小規模サブシステムであり,各サブシステムは,エージェントと見なされるに分割し,分散OCECFはすべてのエージェント間のNashゲームを介して達成できることを示した。状態-行動鎖に関連した知識マトリックスは以前の最適化タスクの知識貯蔵,外部環境との連続的相互作用による更新できる用に提示した。さらに,極端学習機械は,効率的な転移学習を採用し,新しいタスクの収束速度は,ソースタスクの事前知識を適切に調べることによって劇的に加速できる。EMOはIEEE57バスシステム,IEEEの300母線系統,中国南部の実用的Shenzhen電力系統に対する分散OCECF用に十分に評価した。事例研究と工学的応用は,EMOは大規模電力系統の分散OCECFを効果的に処理できることを立証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 事例研究 ,  *最適化 ,  *エージェント ,  IEEE ,  ゲーム ,  *電力系統 ,  中国南部 ,  *学習
準シソーラス用語： 事前知識 ,  収束速度 ,  転移学習 ,  極度学習機械 ,  外部環境 ,  サブシステム ,  *マルチエージェント , 【Automatic Indexing@JST】

著者キーワード (5件)： 平衡に触発されたマルチエージェント最適化 ,  極端な移動学習 ,  Nash平衡 ,  空間-行動鎖 ,  分散最適炭素エネルギー複合流

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (10件)： 大規模 ,  電力系統 ,  炭素 ,  エネルギー ,  トランス ,  ファー ,  学習 ,  平衡 ,  マルチエージェント ,  最適化