[发明专利]一种基于极限迁移学习的电力系统经济调度分散Q方法

权利要求书

1.一种基于极限迁移学习的电力系统经济调度分散Q方法，其特征在于：包括以下步骤：

S1、由发电机的发电成本参数及约束条件确定经济调度模型，确立以最小化系统的发电成本作为适应度函数；

S2、建立由调度中心做协调，各发电机独自做分散式计算的分散式经济调度框架，发电机的输出有功功率作为优化变量，将变量和变量变化动作均进行二进制编码，并把二进制编码储存在传统Q学习算法的Q矩阵中，并确定各变量产生种群的大小；

S3、选取典型日的日负荷曲线作为准优化目标；

各发电机分别利用种群进行寻优；

计算每个个体的目标函数；

计算分散Q方法的奖励函数；

更新变量的Q矩阵；

S4、各发电机分别给调度中心上传优化结果，调度中心评估此次优化结果的优劣，若优化结果比上一次差，则驳回此次结果，并保留上次优化策略；否则，完全采用此次优化策略；

S5、判断是否达到最大迭代次数，若达到最大迭代次数，则结束计算并输出调度中心收集的优化策略结果和优化后各变量的Q矩阵；否则，返回利用种群进行寻优的步骤；

S6、迭代结束后，对记录的准优化后的Q矩阵进行极限迁移学习，得到修正后的Q矩阵；

S7、将修正后的Q矩阵作为新的优化初始矩阵，再次利用分散Q方法进行新目标的分散式经济调度优化计算，并输出寻优结果。

2.根据权利要求1所述的一种基于极限迁移学习的电力系统经济调度分散Q方法，其特征在于：所述发电机的约束条件包括：发电机有功输出功率的上下限约束，系统的功率平衡约束。

3.根据权利要求1所述的一种基于极限迁移学习的电力系统经济调度分散Q方法，其特征在于：所述极限迁移学习中的极限学习是一种单隐层前向神经网络的训练算法，以最小化训练误差为目标，通过算法确定隐层输出权重。

4.根据权利要求1所述的一种基于极限迁移学习的电力系统经济调度分散Q方法，其特征在于：所述极限迁移学习中的迁移学习的目标是将某个领域或任务上学习到的知识或模式应用到不同的但相关的领域或问题中，对准优化后的Q矩阵进行极限学习后得到修正后的Q矩阵。