文献

J-GLOBAL ID：201802240437720716   整理番号：18A0252073

増大強化学習を利用する電力系統におけるオンライン領域負荷モデリング

Online Area Load Modeling in Power Systems Using Enhanced Reinforcement Learning

著者 (5件)： SHANG Xiaoya (South China Univ. Technol., Guangzhou, CHN) ,  LI Zhigang (South China Univ. Technol., Guangzhou, CHN) ,  JI Tianyao (South China Univ. Technol., Guangzhou, CHN) ,  WU P. Z. (Shenzhen Inst. of Advanced Technol. (SIAT), Chinese Acad. of Sci., Shenzhen, CHN) ,  WU Qinghua (South China Univ. Technol., Guangzhou, CHN)
資料名： Energies (Web)  (Energies (Web))
巻： 10  号： 11  ページ： WEB ONLY  発行年： 2017年11月 
JST資料番号： U7016A  ISSN： 1996-1073  CODEN： ENERGA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 電力系統の負荷モデリングの精度は運転制御に直接影響する。これまでのモデリング研究は主として電圧の静的負荷特性を考慮しないで単一境界母線に接続した負荷に集中していた。これを修正するために,本報は,電圧の負荷特性境界母線が多数ある領域負荷を正確にモデリングする方式と,Ward恒等式に基づくZIP負荷を提案した。さらに,リアルタイム監視の要求を満たすために,増大強化学習ERLアルゴリズムを使ったオンライン方式を調べた。価値関数の平行表をERLで行って,その追跡性能を改善した。シミュレーションでは,単一ZIP負荷,IEEE57母線システム,および中国にある実際の1209母線の3種類の事例を示した。その結果,ERLアルゴリズムが既存の強化学習アルゴリズムより性能が良く,ステップ変化と時間的変動負荷の両方では収束と追跡能力の最小二乗法を改善することが実証された。さらに,試験事例では提案した地域負荷モデルがこれまでのモデルより正確であることが確認された。(翻訳著者抄録)

シソーラス用語： *強化学習 ,  *電力系統 ,  回線接続 ,  モデル ,  Ward恒等式 ,  シミュレーション ,  収束 ,  追跡
準シソーラス用語： オンライン ,  *負荷モデル

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： 強化学習 ,  電力系統 ,  オンライン ,  モデリング