一种混合深度学习方法,以解决混合可再生能源系统中最佳的电力流量问题
G Gurumoorthi1, S Senthilkumar2, G Karthikeyan3
1Department of Mechanical Engineering, E.G.S. Pillay Engineering College, Nagapattinam, 611002, India. thermalguru2016@gmail.com.
本研究介绍了一种新的深度强化学习与量子启发遗传算法 (DRL-QIGA) 模型,用于优化混合可再生能源系统中的电力流. DRL-QIGA模型显著降低了燃料成本和功率损耗,同时提高了电压稳定性.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 最佳功率流 (OPF) 对于可靠的电力系统运行至关重要,特别是在可再生能源集成方面.
- 传统的元启发算法在混合可再生能源系统 (HRES) 中与不确定性和非线性作斗争,导致更慢的融合和局部最佳.
- 确保电压稳定和降低成本是管理现代电力系统的关键挑战.
研究的目的:
- 开发一种新的混合模型来解决与混合可再生能源系统 (HRES) 集成的电力系统中的最佳功率流 (OPF) 问题.
- 与传统方法相比,提高OPF的效率,融合率和解决方案质量.
- 解决HRES固有的不确定性和非线性方面的挑战.
主要方法:
- 开发了一种混合模型,将深度强化学习 (DRL) 与名为DRL-QIGA的量子启发遗传算法 (QIGA) 结合起来.
- DRL利用近接政策网络,优化实时发电并适应系统变化.
- QIGA使用量子计算原理增强了全球搜索能力,改善了OPF解决方案的探索和开发.
主要成果:
- DRL-QIGA模型在经过修改的IEEE 30 总线系统上表现出卓越的性能.
- 降低了620.45美元的燃料成本.
- 将功率损耗降至1.85MW,电压偏差降至0.065.5MW.
结论:
- 拟议的DRL-QIGA模型为HRES解决OPF问题提供了重大进展.
- 这种混合方法有效地处理系统的不确定性和非线性,优于传统的优化算法.
- 该模型为增强电力系统稳定性和经济运行提供了可靠和高效的解决方案.
更多相关视频
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
05:30Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit
Published on: September 8, 2023
相关概念视频
Fast Decoupled and DC Powerflow
The Power Flow Problem and Solution
Maximum Power Flow and Line Loadability
Control of Power Flow
Distributed Loads: Problem Solving
Load-frequency control
