在分布式网络中使用强化学习增强的乌搜索算法进行自适应性能源损耗优化

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 优化理论 优化理论

背景情况:

• 现代发电网络越来越多地集成分布式发电 (DG),这给能源管理带来了重大挑战.
• 传统的优化算法,如遗传算法 (GA),粒子群优化 (PSO) 和群搜索算法 (CSA),经常面临诸如过早的融合和适应实时网络变化的不良适应性等局限性.

研究的目的:

• 提出和验证一种新的强化学习增强群众搜索算法 (RL-CSA),以优化网络重新配置并最大限度地减少发电系统中的能源损失.
• 提高智能电网应用现有优化技术的效率,适应性和全球搜索能力.

主要方法:

• 这项研究引入了强化学习增强群众搜索算法 (RL-CSA),该算法通过实时反来动态改进其搜索轨迹.
• 在IEEE 33和69 Bus测试系统上验证了RL-CSA模型,评估了性能指标,包括功率损耗降低,电压稳定性,执行时间,DG利用率和能源成本.

主要成果:

• RL-CSA实现了显著的78%的能源损耗减少,将功率损耗限制在5kW (IEEE 33巴士) 和8kW (IEEE 69巴士).
• 该算法表现出卓越的速度,执行时间为1.4s (IEEE 33-Bus) 和1.8s (IEEE 69-Bus),表现优于GA,PSO和CSA.
• RL-CSA确保了高GD利用率 (98%) 和改善的电压稳定性 (<0.005 p.u. ) 的情况.

结论:

• 拟议的RL-CSA提供了一种强大而智能化的解决方案,用于实时减少分布式电力系统中的能源损失和网络优化.
• RL-CSA的动态适应性和高效的勘探开发平衡使其成为现代智能电网管理的可扩展和有效替代方案.
• 该算法的性能验证了它能够解决分布式发电在电力网络中引入的复杂性的能力.