دانلود ترجمه مقاله پخش توان اقتصادی دینامیکی سیستم قدرت بر اساس الگوریتم DDPG

1. مقدمه 2. مدل پایه پخش توان اقتصادی 3. روش پخش توان اقتصادی دینامیکی براساس DDPG 4. مطالعات موردی 5. نتیجه گیری

چکیده – با توسعه سریع منابع انرژی تجدیدپذیر، عدم قطعیت تامین توان چالش های جدیدی برای مسائل برنامه ریزی بوجود می آورند و استراتژی های برنامه ریزی متداول ممکن است اثربخشی خود را از دست بدهند. استراتژی های برنامه ریزی زمانی عمومی فعلی نیاز به مدل سازی عدم قطعیت محیط دارد، درحالی که دستیابی به درجه بالایی از دقت در سیستم قدرت با نرخ نفوذ زیاد انرژی جدید دشوار است که این تاثیر مستقیمی بر نتیجه برنامه ریزی دارد. در پاسخ به این مسئله، این مقاله، پخش توان اقتصادی سیستم های قدرت براساس گرادیان سیاست قطعیتی عمیق (DDPG) را مورد مطالعه قرار می دهد که در اصل از مدل سازی عدم قطعیت محیط اجتناب می کند. این مقاله در ترکیب با مدل پخش توان اقتصادی پایه، یک مد یادگیری الگوریتم را تعریف کرده است و یک چارچوب الگوریتمی پخش توان اقتصادی سیستم قدرت را براساس DDPG، تعریف کرده است. نتایج این آزمایش تجربی نشان می دهند که الگوریتم پیشنهادی برای نوسانات تصادفی انرژی تجدیدپذیر، بسیار تطبیق پذیر است.

With the rapid developments of renewable energy sources, the uncertainty of the power supply will bring new challenges to scheduling problems, and conventional scheduling strategies may lose their effectiveness. The current general scheduling strategies need to model the uncertainty of the environment, while it is difficult to achieve a high degree of accuracy in the power system with high penetration rate of new energy, which will directly affect the scheduling result. In response to this problem, this paper studies the economic dispatch of power systems based on deep deterministic policy gradient (DDPG),which avoids the uncertainty modeling of the environment in principle. Combined with the basic economic dispatch model, this paper has defined a learning mode of the algorithm and built an algorithm framework of economic dispatch of power system based on DDPG. The results of the experiment show that proposed algorithm is highly adaptable to random fluctuation of renewable energy.