【技术实现步骤摘要】
基于竞争深度Q学习的微电网紧急减载方法
[0001]本专利技术属于微电网低频减载
,具体涉及一种基于竞争深度Q学习的微电网紧急减载方法。
技术介绍
[0002]微电网是一个小型能量管理系统,在并网运行时,微电网可以有效的对分布式能源的波动进行平抑和控制,减小对配电网的冲击。在配电网发生故障时,微电网被动进入孤岛运行。由于微电网的低惯性以及分布式能源的随机性,微电网被动孤岛时会出现发电功率不能满足负荷需求的情景,这会导致系统频率急剧下降甚至微电网停电。为了防止微电网发生严重后果,有效的频率控制策略是保持系统安全的必要措施。当前,减载作为恢复系统频率的主要措施被广泛使用。然而现有减载方法对于不同扰动情形的适应性较差,难以保证不同运行环境下微电网的安全稳定运行。因此,有必要对微电网紧急减载方法进行深入研究。
[0003]现有技术文献中:
[0004]文献[1]:A Learning
‑
Based Power Management Method for Networked Microgrids Under Incomplete Information(Q.Zhang,K.Dehghanpour,Z.Wang,and Q.Huang.A Learning
‑
Based Power Management Method for Networked Microgrids Under Incomplete Information[J].IEEE Trans.Smart Grid
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于竞争深度Q学习的微电网紧急减载方法,其特征在于:首先考虑负荷的重要程度和系统的频率恢复时间,提出计及负荷频率调节效应和负荷减载优先级的减载贡献指标,该减载贡献指标作为减载判据被引入到竞争深度Q学习的奖励值函数中;其次考虑紧急减载的突发性及不确定性,通过竞争深度Q学习算法来获得累计回报最大的减载决策。2.基于竞争深度Q学习的微电网紧急减载方法,其特征在于包括以下步骤:步骤1:针对孤岛微电网紧急减载,选取可观测变量与可调整变量;步骤2:建立负荷减载贡献指标;步骤3:根据孤岛微电网减载要求确定奖励值;步骤4:定义竞争深度Q网络的Q函数;步骤5:根据微电网的运行状态观测值,采用Q学习方法对状态动作估值函数更新;步骤6:使用贪婪策略进行动作选择;步骤7:随机抽取观测样本训练神经网络;步骤8:利用训练完成的神经网络,选择每个当前状态下估值最大的动作,进行基于竞争深度Q学习的孤岛微电网减载控制,收敛出最优的减载方法。3.根据权利要求2所述基于竞争深度Q学习的微电网紧急减载方法,其特征在于:所述步骤1具体如下:1)可观测变量:选取频率变化率和频率f作为可观测变量,并将频率变化率和频率f划分为不同的区间,使其对应不同的坐标值,同时将其组成二维向量作为孤岛微电网环境状态;对于频率f,设频率f在49.8
‑
50Hz时为正常频率区间;其中,(
‑
∞,48)Hz对应坐标
‑
5,[48,48.5)Hz对应坐标
‑
4,[48.5,49)Hz对应坐标
‑
3,[49,49.5)Hz对应坐标
‑
2,[49.5,49.8)Hz对应坐标
‑
1,[49.8,50.2]Hz对应坐标0,坐标为0的状态代表系统频率恢复到安全区间;由频率f得到的状态集合为{
‑
5,
‑
4,
‑
3,
‑
2,
‑
1,0};对于频率变化率,将频率变化率分为5个区间;(
‑
∞,
‑
4)Hz/s对应坐标
‑
4,[
‑
4,
‑
3)Hz/s对应坐标
‑
3,[
‑
3,
‑
2)Hz/s对应坐标
‑
2,[
‑
2,
‑
1)Hz/s对应坐标
‑
1,[
‑
1,0]Hz/s对应坐标0,该状态代表系统频率恢复至稳定状态;由频率变化率得到的集合为{
‑
4,
‑
3,
‑
2,
‑
1,0};结合频率对应的6个区间,共有30个环境状态;两个变量组成二维向量作为环境状态S,表示为:S={S
ij
∈S|i∈{
‑
5,
‑
4,
‑
3,
‑
2,
‑
1,0},j∈{
‑
4,
‑
3,
‑
2,
‑
1,0}}2)可调整变量:动作即可调整变量,并且动作集合为系统内被切除的负荷;将孤岛微电网待切除的负荷定义为减载动作a
t
;减载动作集A可以表示为:A:{a1,a2,
…
技术研发人员:王灿,李欣然,董庆国,余宏亮,褚四虎,凌凯,徐恒山,
申请(专利权)人:三峡大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。