XiaoMi-AI文件搜索系统
World File Search SystemDistributional
风能的分布式稳健优化策略...
摘要：随着风电、光伏等可再生能源的不断扩张，其波动性和不确定性对系统调峰带来重大挑战。为加强系统的调峰管理和风电与光伏发电的融合，本文提出了一种结合深度调峰的风电-光伏热储电力系统分布式稳健优化调度策略。首先，建立了火电机组详细的调峰过程模型，建立了考虑碳排放的风电-光伏热储多能源耦合模型。其次，针对风电-光伏输出的变化性和不确定性，利用1-范数和∞-范数约束场景概率分布模糊集，建立了数据驱动的分布式稳健优化调度模型。最后，通过列和约束生成算法（C&CG）对模型进行迭代求解。结果表明，所提出的策略不仅增强了系统的峰值负荷处理和WD-PV集成，而且提高了系统的经济效率并减少了系统的碳排放，实现了模型经济性和系统稳健性之间的平衡。
分布强大的动力学增强学习
我们研究了脱颖而出的强化学习（RL），在该政策上，该政策在源领域进行培训并部署到不同的目标领域。我们旨在通过在线分布强大的马尔可夫决策过程（DRMDP）来解决这一问题，其中学习算法在源域中与源域进行了积极相互作用，同时寻求最佳的动态，这是在源源域不确定的过渡域的不确定性集合之内的最佳动态。我们介绍了对在线DRMDP的首次研究，其功能近似是偏外的RL。我们发现DRMDPS的双重公式可以诱导非线性，即使标称过渡内核是线性的，导致误差传播。通过使用总变化差异设计D型矩形不确定性集，我们删除了此附加的非线性 - 并绕过误差传播。然后，我们引入了DR-LSVI-UCB，这是第一个具有近似功能的动力学RL的效率高效的在线DRMDP算法，并建立了独立于状态和动作空间大小的多项式次优界限。我们的工作迈出了对具有线性函数近似的在线DRMDP的可证明效率的第一步。最后，我们通过不同的数字实验来证实DR-LSVI-UCB的性能和鲁棒性。
哺乳动物大脑中的分布式强化学习
分布式强化学习 (dRL) —— 学习预测的不仅是平均回报，还有回报的整个概率分布 —— 在广泛的基准机器学习任务中取得了令人印象深刻的表现。在脊椎动物中，基底神经节强烈编码平均值，长期以来被认为是实现 RL 的，但对于该回路中的神经元群是否、在何处以及如何编码有关奖励分布高阶矩的信息知之甚少。为了填补这一空白，我们使用 Neuropixels 探针来敏锐地记录执行经典条件反射任务的训练有素、缺水的小鼠的纹状体活动。在几个表征距离测量中，与相同奖励分布相关的气味彼此之间的编码相似度要高于与相同平均奖励但不同奖励方差相关的气味，这与 dRL 的预测一致，但不是传统 RL。光遗传学操作和计算建模表明，遗传上不同的神经元群编码了这些分布的左尾和右尾。总的来说，这些结果揭示了 dRL 与哺乳动物大脑之间显著的融合程度，并暗示了同一总体算法的进一步生物学专业化。
考虑尾流效应和内生不确定性的并网风力发电和储能系统容量估算：一种分布稳健方法
摘要 — 风电作为一种绿色能源，正在全球范围内迅速发展，同时，为缓解风电波动性而部署的储能系统 (ESS) 也应运而生。风电和储能系统的容量确定已成为一个亟待解决的重要问题。风电场的尾流效应会导致风速不足和下游风力涡轮机发电量下降，然而，这在电力系统的容量确定问题中很少被考虑。本文提出了一个双目标分布稳健优化 (DRO) 模型，用于确定考虑尾流效应的风电和储能系统的容量。建立了一个基于 Wasserstein 度量的模糊集来表征风电和需求的不确定性。具体而言，风电不确定性受第一阶段确定的风电容量的影响。因此，所提出的模型是一个具有内生不确定性（或决策相关不确定性）的 DRO 问题。为了求解所提出的模型，开发了一种基于最小 Lips-chitz 常数的随机规划近似方法，将 DRO 模型转化为线性规划。然后建立了迭代算法，并嵌入了求取最小Lipschitz常数的方法。案例研究证明了考虑尾流效应的必要性和所提方法的有效性。
风险敏感策略的分布式强化学习
我们利用分布式强化学习解决了基于 CVaR 风险度量的风险敏感策略学习问题。具体而言，我们表明，应用分布式贝尔曼最优算子时，标准行动选择策略既不会收敛到动态马尔可夫 CVaR，也不会收敛到静态非马尔可夫 CVaR。我们建议对现有算法进行修改，包括一个新的分布式贝尔曼算子，并表明所提出的策略极大地扩展了分布式强化学习在学习和表示 CVaR 优化策略方面的效用。我们提出的方法是标准分布式强化学习算法的简单扩展，因此可以利用深度强化学习的许多最新进展。无论是在合成数据还是真实数据上，我们都通过经验表明，我们提出的算法能够学习更好的 CVaR 优化策略。
它可以和不能告诉我们有关...
能源公平是全国司法管辖区越来越重要的优先事项。总体而言，有27％的公用事业委员会（PUC）被要求直接考虑其重大决定中的经济权益，或者通过创建特定计划来解决经济权益（KLEE 2021）。3个司法管辖区开始确定传统上服务不足的群体，包括租房者，弱势社区，环境正义社区，语言孤立的人以及其他人以及其他特定能源公平目标，如下所述（Tarekegne 2021）。由于司法管辖区确定并定义了出于能源公平目的的不同群体，因此我们将这些群体集体称为管辖权的“目标”人群。目标人群是为能源公平目的定义的任何组。
零售疫苗供应的分配影响 - EliScholar
我们研究了利用零售商位置选择来制定健康干预措施的潜力。利用地理空间数据，我们量化了美国联邦计划向商业零售药店分发 COVID-19 疫苗所产生的疫苗距离。我们评估了在低价百货零售商 Dollar General 提供疫苗的提议对分配的影响。将 Dollar General 添加到联邦计划中将大大缩短美国低收入、农村和少数族裔家庭到疫苗接种点的距离，而这些群体的 COVID-19 疫苗接种速度异常缓慢。
竞争的分布效应：模拟方法
本文中表达的任何观点都是作者的意见，而不是Iza的意见。本系列发表的研究可能包括对政策的看法，但IZA没有任何机构政策立场。IZA研究网络致力于研究完整性的IZA指导原则。IZA劳动经济学研究所是一家独立的经济研究所，在劳动经济学领域进行研究，并就劳动力市场问题提供基于证据的政策建议。在德意志邮政基金会的支持下，伊扎（Iza）拥有世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究，决策者和社会之间建造桥梁。IZA讨论论文通常代表初步工作，并被散发以鼓励讨论。引用这种论文应解释其临时特征。可以直接从作者那里获得修订版。
大脑中的分布式强化学习
了解奖励和惩罚对于生存至关重要。经典研究表明，哺乳动物中脑多巴胺神经元环与强化学习算法的奖励预测误差之间存在令人印象深刻的对应关系，这表示实际奖励与预测平均奖励之间的差异。然而，不仅要学习潜在奖励的平均值，还要学习其完整分布，这可能是有益的。机器学习的最新进展揭示了一套生物学上可行的算法，用于根据经验重建这种奖励分布。在这里，我们回顾了这些算法的数学基础以及它们在神经生物学上实现的初步证据。最后，我们重点介绍了有关这些分布代码的电路计算和行为读出的未解决的问题。
货币政策策略的分配考虑
12根据关于长期目标和货币政策战略的声明，于2019年1月重申了，FOMC试图减轻通货膨胀率偏离其长期目标的偏差，以及就业偏差与FOMC的最高水平评估。将2％的对称通胀率视为与双重授权最一致的。FOMC采取了平衡的方法来解决通货膨胀与其目标的偏差，并就其最高水平的评估与FOMC评估。13参见Coibion等人（2017）以及Lenza和Slalcek（2018）中的证据。14 Carpenter and Rogers（2004）记录了货币收紧对这些处境不利群体失业率的不成比例影响的证据。