.png){kind=icon}
返回
Data augmented offline deep reinforcement learning for stochastic dynamic power dispatch
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijepes.2025.110747.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在不确定性条件下运行电力系统，同时确保经济效率和系统安全，可以表述为随机动态经济调度（DED）问题。深度强化学习（DRL）通过广泛系统交互和试错学习调度策略，提供了一种有前景的解决方案。然而，DRL的有效性受到两大关键限制：实时系统交互的高成本和历史场景的多样性有限。为应对这些挑战，本文提出了一种面向电力系统调度的离线深度强化学习（ODRL）框架。首先，采用条件生成对抗网络（CGAN）来扩充历史场景，从而提高数据多样性。所得训练数据集结合了真实和合成生成的场景。其次，开发了一种保守型离线软演员-评论家（COSAC）算法，直接从该混合离线数据集中学习调度策略，无需在线交互。实验结果表明，所提出的方法在可靠性和经济性能方面显著优于传统DRL和现有的离线学习方法。
Keyword:
Dynamic economic dispatch
Offline deep reinforcement learning
Conditional generative adversarial networks
Conservative offline soft actor-critic
期刊
I
IF:
5
论文数:
1.1W
被引数:
3.1W
机构
暂无机构信息
引用论文
LearningEMS: A Unified Framework and Open-Source Benchmark for Learning-Based Energy Management of Electric VehiclesLearningEMS: 一种用于学习型电动汽车能量管理的统一框架和开源基准.png)
Engineering
OAAI
EngineeringIF11.6
OAAI分享收藏Data-driven stochastic energy management of multi energy system using deep reinforcement learningENERGY
ENERGYIF9.4
PREAI
分享收藏Mineral prospecting mapping with conditional generative adversarial network augmented data具有条件生成对抗网络增强数据的矿产勘查映射Ore Geology ReviewsOAAI
Ore Geology ReviewsIF3.6
OAAI分享收藏Dual Stochastic Dual Dynamic Programming for Multi-Stage Economic Dispatch With Renewable Energy and Thermal Energy Storage具有可再生能源和热能存储的多阶段经济调度的对偶随机对偶动态规划
PREAI
分享收藏
查看更多内容