| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 经典优化方法及其在电力系统优化的应用 | 第13-14页 |
| 1.2.2 强化学习理论及其在电力系统优化的应用 | 第14-16页 |
| 1.2.3 迁移学习理论及其在电力系统优化的应用 | 第16-17页 |
| 1.2.4 迁移强化学习理论及其在电力系统优化的应用 | 第17-18页 |
| 1.3 本文主要工作 | 第18-20页 |
| 第二章 电力系统的迁移强化学习优化理论框架 | 第20-27页 |
| 2.1 集中式迁移强化学习 | 第20-22页 |
| 2.2 分散式迁移强化学习 | 第22-24页 |
| 2.2.1 多智能体协同一致性 | 第22-23页 |
| 2.2.2 多智能体均衡博弈 | 第23-24页 |
| 2.3 电力系统迁移强化学习算法体系研究 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 连续单任务迁移强化学习算法及应用 | 第27-46页 |
| 3.1 连续单任务迁移强化学习原理 | 第27-31页 |
| 3.1.1 知识存储与学习 | 第27-28页 |
| 3.1.2 探索与利用 | 第28-30页 |
| 3.1.3 连续单任务知识迁移 | 第30-31页 |
| 3.2 电力系统无功优化应用 | 第31-45页 |
| 3.2.1 无功优化模型 | 第31-32页 |
| 3.2.2 算法求解设计 | 第32-35页 |
| 3.2.3 算例仿真 | 第35-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 多任务线性迁移强化学习算法及应用 | 第46-81页 |
| 4.1 多任务线性迁移强化学习原理 | 第46-50页 |
| 4.1.1 二进制知识与模仿学习 | 第46-47页 |
| 4.1.2 自学习和协同学习 | 第47-49页 |
| 4.1.3 多任务线性知识迁移 | 第49-50页 |
| 4.2 含风光车的AGC功率动态分配应用 | 第50-62页 |
| 4.2.1 含风光车的AGC功率动态分配模型 | 第50-55页 |
| 4.2.2 算法求解设计 | 第55-57页 |
| 4.2.3 算例仿真 | 第57-62页 |
| 4.3 虚拟发电部落的AGC功率动态分配应用 | 第62-80页 |
| 4.3.1 虚拟发电部落的AGC功率分配模型 | 第62-65页 |
| 4.3.2 算法求解设计 | 第65-70页 |
| 4.3.3 算例仿真 | 第70-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第五章 多任务非线性迁移强化学习算法及应用 | 第81-124页 |
| 5.1 多任务非线性迁移强化学习原理 | 第81-88页 |
| 5.1.1 多智能体均衡博弈机制 | 第81-83页 |
| 5.1.2 自我学习和均衡博弈 | 第83-86页 |
| 5.1.3 多任务非线性知识迁移 | 第86-88页 |
| 5.2 电力系统分散式最优碳能复合流应用 | 第88-107页 |
| 5.2.1 分散式最优碳能复合流模型 | 第88-91页 |
| 5.2.2 算法求解设计 | 第91-96页 |
| 5.2.3 算例仿真 | 第96-107页 |
| 5.3 电力系统供需互动实时调度应用 | 第107-122页 |
| 5.3.1 电力系统供需互动实时调度模型 | 第107-110页 |
| 5.3.2 算法求解设计 | 第110-113页 |
| 5.3.3 算例仿真 | 第113-122页 |
| 5.4 本章小结 | 第122-124页 |
| 第六章 总结与展望 | 第124-126页 |
| 6.1 论文研究总结 | 第124-125页 |
| 6.2 未来研究展望 | 第125-126页 |
| 参考文献 | 第126-139页 |
| 附录 | 第139-142页 |
| 攻读博士学位期间取得的研究成果 | 第142-146页 |
| 致谢 | 第146-147页 |
| 附件 | 第147页 |