基于强化学习算法的最优潮流研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-20页 |
| ·选题背景 | 第11-13页 |
| ·研究意义 | 第11-12页 |
| ·最优潮流问题 | 第12-13页 |
| ·强化学习及其在电力系统中应用 | 第13-16页 |
| ·强化学习系统 | 第13-15页 |
| ·强化学习在电力系统应用 | 第15-16页 |
| ·最优潮流国内外研究现状 | 第16-18页 |
| ·最优潮流优化算法发展 | 第16-17页 |
| ·经典算法与人工智能比较 | 第17-18页 |
| ·本文主要工作 | 第18-20页 |
| 第二章 基于 Q 学习算法的最优潮流 | 第20-30页 |
| ·马尔科夫决策过程 | 第20-22页 |
| ·Q 学习算法 | 第22-26页 |
| ·Q 学习算法简介 | 第22-24页 |
| ·Q 学习算法在最优潮流应用流程 | 第24-26页 |
| ·算例分析 | 第26-29页 |
| ·基于MATPOWER 经典算法 | 第26-27页 |
| ·IEEE9 节点 | 第27-29页 |
| ·结论 | 第29-30页 |
| 第三章 基于多步回溯Q(λ)算法的多目标最优潮流 | 第30-50页 |
| ·多步回溯Q(λ)算法 | 第30-34页 |
| ·TD(λ)算法 | 第30-31页 |
| ·资格迹 | 第31-32页 |
| ·Q(λ)算法 | 第32-34页 |
| ·多步Q(λ)算法在多目标最优潮流中的应用 | 第34-38页 |
| ·多目标函数 | 第34-35页 |
| ·多步回溯Q(λ)算法的OPF 计算流程 | 第35-37页 |
| ·多步Q(λ)学习算法参数设置 | 第37-38页 |
| ·算例分析 | 第38-48页 |
| ·单目标有功最优潮流 | 第38-39页 |
| ·单目标无功最优潮流 | 第39-43页 |
| ·多目标最优潮流 | 第43-48页 |
| ·本章小结 | 第48-50页 |
| 第四章 基于分布式强化学习算法的最优潮流 | 第50-60页 |
| ·基于APP 的OPF 并行优化算法 | 第50-52页 |
| ·并行算法与分布式强化学习 | 第52-55页 |
| ·分布式强化学习 | 第52-53页 |
| ·并行算法对分布式强化学习的启示 | 第53-55页 |
| ·基于复杂电网分区的分布式Q(λ)学习 | 第55-59页 |
| ·复杂电网分区及其学习方法选取 | 第55-56页 |
| ·协作型RLI 中对边界节点的处理 | 第56-58页 |
| ·应用流程 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第五章 多目标复杂大电网最优潮流算例分析 | 第60-72页 |
| ·简单算例验证 | 第60-62页 |
| ·工程化目标函数及分区划分 | 第62-66页 |
| ·工程化的目标函数 | 第62-63页 |
| ·子区域划分 | 第63-66页 |
| ·IEEE118 算例解析 | 第66-71页 |
| ·小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-82页 |
| 致谢 | 第82-83页 |
| 附件 | 第83页 |
