一般和对策中基于协商的多代理强化学习

一般和对策中,只考虑个体理性的多代理协作是一种无全局目标的协作.代理学习基于对手策略假设,不能保证假设的正确性.为此通过定义代理协作的集体目标,提出了一种基于多代理协商的代理强化学习算法.代理选择协商策略,并惩罚偏离该策略的代理来保证协商策略的执行.文中给出了学习收敛的条件及证明,并以实例加以分析.     

基于混沌多目标粒子群算法的综合能源调度

目的 针对当前综合能源系统中资源协同优化效率不足、微网运行经济性和环保性差的问题,提出了一种计及风电储能及不稳定因素的微网优化调度方法。方法 该方法在微网负荷侧需求响应对新能源消纳影响的基础上,以消纳新能源和削峰填谷为目的,提出了优化负荷曲线的方案;然后,考虑微网调度侧风电出力的不稳定性以及微网内部设备的耦合,进行优化调度以降低微网运行成本、减少环境惩罚费用并提高风电消纳平稳性;最后,采用混沌多目标粒子群算法对优化问题进行求解,并在风电不稳定度占比0%、5%、10%和15%时进行了算例仿真分析。结果 当风电不稳定度为10%和加入风电储能,系统运行成本和环境治理费用最少,比方案1和无风电储能少6 919.4元,风电平稳量也提高38 kWh。在电热冷网中,负荷侧加入需求响应后,系统得到稳定运行和能源合理利用,可以很好地满足负荷侧用能需求。从算法对比中,混沌多目标粒子群算法加入自适应权重和变异率后,具有较强的全局搜索能力和更好的准确性。结论 该方法通过合理设置风电不稳定度能够有效降低运行成本和环境惩罚费用,提高风电稳定性,其次,负荷侧的需求响应可以一定程度地削峰填谷和消纳新能源。     

含多微网系统的主动配电网分层能量优化管理

为实现含多微网系统的主动配电网的经济效益最优,通过引入自适应权重系数来进行动态优化.构建一种主动配电网层以发电机组运行成本最低,多微网系统层以经济成本和环境成本最低的分层能量优化管理模型.采用变异、杂交和竞争策略以及Lévy飞行策略改善麻雀搜索算法,提高算法的种群多样性和收敛精度.基于所设计的多微网系统混合配置运行策略...     

基于改进鲸鱼算法的并网型微网能量管理

为解决并网型风/光/柴/储微电网的能量管理问题,以经济性和环保性为目标函数,考虑各发电设备安全稳定运行作为约束条件,构建并网型微网容量优化配置模型;采用差分排序和差分变异的优化策略且引入Lévy飞行轨迹的机制来改善标准鲸鱼算法(whale optimization algorthm,WOA)的收敛精度和收敛速度;基于所提的风-光-储-网-柴的调度策略,采用改进鲸鱼算法求解配置模型。挑选某地一年四季4个典型日进行案例分析。结果表明:本文所提出的调度策略和配置模型具有合理性;改进的WOA算法能够有效地解决微网能量管理问题,在全局搜索和寻优能力方面具有优势。     

考虑需求侧管理的微网经济优化运行

建立了考虑需求侧管理的微网经济优化模型。将微网的电力负荷分为3个部分:固定负荷、可转移负荷、随机负荷,其中可转移负荷的管理是需求侧管理的主要内容,也是微网经济优化运行的重要目标。在分时电价的环境下,建立了微网中分布式电源与需求侧负荷优化管理的协调运行模型。通过函数线性化将该优化问题转化为一个混合整数规划问题,采用专业混合整数规划软件求解。仿真结果表明,考虑需求侧管理的微网经济运行相比不考虑时的总费用减少了3.83%,具有较好的经济效益。     

计及多类型需求响应的光伏微网储能容量优化配置

储能系统接入对于分布式光伏发电具有重要意义,合理配置储能容量可以有效平抑光伏发电的波动性和间歇性,同时提高光伏消纳能力。在考虑多类型需求响应方式下,建立了以微网总成本和光伏消纳率为目标函数的储能容量优化配置模型。首先引入激励型需求响应模型和价格型需求响应模型;然后根据两类响应方式对电网稳定运行及光伏消纳的影响,建立以最大化光伏、负荷时序一致性和负荷峰谷差两种指标满意度的综合响应模型;最后基于并网型光储微网运行策略,采用双层优化算法对光伏微网模型求解。通过某一实际运行微网为算例,分析验证了模型和算法的有效性。结果表明,多类型需求响应结合方式使得用户用电方式更为合理,微网经济性得到改善。     

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization, GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization, G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network, BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的...     

智能电网中基于非合作博弈的需求侧分层优化

智能电网是未来电网的发展方向,包括供电侧的安全稳定和需求侧的合理用电决策.在需求侧提出一种基于非合作博弈的分层优化机制并解决了最优响应算法(Best Response)的收敛问题.首先在供电侧以削峰填谷为目的,利用集中式优化分配微网的参考负荷,并利用参考负荷构造微网用户的电价因素,引导用户的充放电决策.微网中的用户以自身花费代价为优化目标构造成非合作博弈模型,达到纳什均衡时供电侧表现出良好的削峰填谷效果.然后,利用最优响应算法与强单调函数的关系,重新构造优化目标函数,解决了最优响应法无法收敛到纳什均衡的问题.实验结果证明,提出的分层优化方案有效地降低了电网负荷曲线的峰值平均比.     

考虑环境因素的分布式能源多目标优化配置

建立了分布式能源多目标优化配置模型,考虑了环境因素,以最小化传统发电与分布式能源发电的环境成本与发电成本之和、最小化配电网络损耗为目标函数.改变传统将多目标优化问题转化为单目标函数求解的做法,将粒子群算法扩展为多目标粒子群算法,并以此算法作为优化工具求解分布式能源的多目标优化配置.采用IEEE33节点系统作为算例,考虑将微型燃气轮机并网的优化配置问题.算例结果表明,该多目标优化配置策略能够为决策者提供可供个性化选择的多样化配置方案,各种优化配置方案与没有分布式电源安置相比,可降低系统网络损耗、改善系统可靠性指标和电压水平并降低污染气体排放.     

考虑需求侧响应的热电联供型微网经济优化运行

热电联供(combined heat and power,CHP)微网是提高可再生能源利用率以及实现能源转型的有效途径之一,具有广阔的应用前景。为保证其经济、灵活、高效运行,需对CHP微网进行合理的系统优化。为此提出考虑热、电负荷需求侧响应CHP微网多目标优化方法,热电负荷需求侧响应模型基于建筑物热力学模型,同时考虑可转移负荷的调度。在此基础上,建立基于热电负荷需求侧响应的多目标混合整数线性规划模型,采用所提复合粒子群算法求解。算例仿真结果表明,应用热、电负荷需求响应可以使供电、供热的灵活性大大提升,并且降低了系统经济运行成本。     

微网可转移负荷调度与储能控制策略

针对新能源发电的不确定性和随机性,以及新能源发电与用户负荷难以匹配的问题,构建了风、光、储共存的微电网系统,并提出了一种基于可转移负荷和储能系统协调控制的微网能量管理策略。首先在现有的微网模型基础上构建了集中式微网控制系统,用于对风、光、储系统进行相应的控制,同时建立了兼顾用电负荷优化调度与储能系统安全高效运行的多目标函数。然后采用改进粒子群优化算法求解目标函数,引入新的负荷调度策略降低计算复杂度和提高用户满意度,最终获得可转移负荷调度量,实现可转移负荷的调度策略。同时,充分考虑了储能系统的影响,对荷电状态(SOC)进行控制监测,控制储能系统波动情况,提高储能系统性能并延长其使用寿命。最后通过数值仿真,验证了本文提出的能量管理策略在满足用户满意度与实际储能要求的前提下,可以提高微网运行性能,实现微网能量管理和经济运行。     

基于电压稳定指标的分布式电源位置与容量优化配置

 分布式发电(Distributed Generation,DG)的电源位置和注入容量对配电网有重要影响。以配电网网损最小及电压稳定指标为目标,将DG位置和容量优化问题转化为一个多目标的非线性规划问题。构造模糊性的多目标优化算法,将2个优化子目标转化为单一目标,同时将节点电压越限和DG有功出力越限以罚函数的方式进行处理。采用惯性因子自适应的粒子群算法进行求解,为了加快求解速度,先计算节点有功网损微增率并进行排序,选出绝对值较大的节点作为DG安装候选节点。仿真结果表明,此算法收敛效率高,具有较强的搜索能力和自适应能力。     

考虑负荷平移的虚拟电厂低碳经济调度

虚拟电厂是聚合发电侧分布式能源与用户侧负荷需求的有效途径。针对可再生能源发电出力的间歇性和反调峰特性问题,以碳配额与可再生能源消纳保障机制为背景,本文建立了考虑负荷平移、“碳交易-绿证”、可再生能源消纳权重、碳排放配额、运行成本约束的虚拟电厂多目标调度优化模型。首先,以风光出力追踪和用电负荷波动平抑为目标构造负荷平移模型,并给出“移出—汇总—分配”的求解策略;其次,引入碳交易与绿证交易机制,以系统调度成本和CO₂排放量最优为目标,构建多目标优化模型,实现虚拟电厂低碳化与经济性的有效平衡;最后,运用参照点法(reference point approach, RPA)对调度模型进行求解,并结合模糊理论和二元对比定权法给出RPA度量标准取值模型。算例仿真结果表明：模型可以有效提高虚拟电厂的经济效益与可再生能源消纳能力,激发虚拟电厂低碳减排的积极性。     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

基于卖方多提议的双边多属性自动协商模型

针对电子交易应用领域,提出一种私有信息和有时间约束的、基于卖方多提议和买方评价的多属性自动协商模型.买方协商策略简化为对卖方每一回合提交的一个或多个提议进行评价,卖方则根据时间和资源依赖策略确定提议的整体让步效用,根据买方评价和协商历史确定不同的让步属性组合和让步幅度,从而生成若干等效的新提议.该模型能有效减轻系统的通信和计算负担,提高解的收敛速度,在一定程度上改善协商效率和质量,并且在买方效用函数为线性时保证较优的联合效用.     

多参数超松驰并行二阶段多分裂失代算法

本文提出求解线性方程组的多参数超松弛并行二阶段多分裂迭方法,讨论了多参数的选取范围.当系数矩阵是M-矩阵或H-矩阵时,且多参数的选取范围满足0＜wi≤w＜2/1+ρ(|J|,这里J是Jacobi迭代矩阵,该方法被证明是收敛的.最后较详细地研究了多参数的SOR方法,给出了多参数的收敛范围.     

多目标优化问题的同伦方法

用组合同伦方法求解带有不等式约束的多目标优化问题, 该同伦方法不要求可行域满足法锥条件, 且目标函数权重向量的初始值是非可行的. 在上述条件下, 给出了同伦路径的存在性、 有界性和收敛性的证明.     

基于演化多目标算法的混合流水作业调度优化

针对供应链网络优化领域中的混合流水作业调度问题提出了一种新的多目标演化优化算法。给出了这类问题的通用优化模型，在此基础上，提出了基于流程的矩阵基因编码方案，动态适应度分配机制，并引入小生境保优策略构造了算法过程，利用收敛进程参数分析了算法的收敛性能。性能分析和算例实验表明算法对于高维多目标优化问题是有效的，且能够以较快的速度收敛。     

一种基于分解的改进的多目标蚁群算法及其应用

提出一种基于分解的、改进的多目标蚁群算法。该算法首先利用Tchebycheff聚合方法将整个Pareto最优前沿的逼近问题分解为一定数量的单目标优化子问题,然后利用蚁群算法同时求解这些子问题。为使解集均匀分布在Pareto前沿,采用基于试探的聚类方法对解集聚类;依据解集的分布重置分解策略中的权重向量集,使其适配于特定的Pareto前沿;蚂蚁按照对应的权重距离被分组,同一组蚂蚁共享一个信息素矩阵,该矩阵容纳学习到Pareto前沿子区域的位置信息;每个蚂蚁求解一个子问题,每个蚂蚁拥有自己的启发式信息矩阵;每个蚂蚁拥有多个邻居,蚂蚁选取邻居中的最优解来更新当前解;蚂蚁依据小组信息素,当前解和启发式信息构建新的解。引入自适应变异算子,动态调整蚂蚁邻居的个数,提高算法的收敛速度和解的质量。将该算法与其他相关算法在标准的双旅行商问题进行性能对比,证明该算法有效。     

计及高比例可再生能源的配网系统储能多场景优化配置

为解决传统方法中可再生能源出力波动大、可再生能源和储能利用效率不高等问题,提出一种计及高比例可再生能源的配网系统储能多场景优化配置方法。通过在配网系统电源侧接入储能,定义配网系统储能配置场景,采用一阶低通滤波,结合波动率期望值确定方法,将低通滤波时间常数作为储能容量配置的关键参数,计算能源发电波动场景储能目标输出功率。采用上下限约束法,计算负荷储能释能场景储能目标输出功率。结合配网系统运行成本,构建储能多场景优化配置模型,求解储能最优功率和容量最优解,获得储能最优配置方案。实验结果表明,所提方法减少了风电出力和光伏出力的最大波动量、最大波动率,可再生能源出力更加平稳,减少了弃风率和弃光率,增加了储能出力,提高了可再生能源和储能利用效率。