一种配电网无模型的实时电压控制方法技术

本发明专利技术公开了一种配电网无模型的实时电压控制方法，首先以有监督的方式训练代理模型，以构建节点的有功、无功注入与电压之间的非线性映射关联。然后建立深度强化学习智能体—代理模型交互机制，通过代理模型提供的电压值计算即时奖励，从历史数据中学习电压调节策略，从而根据最新观测的信息进行实时电压控制策略。该方法可以在不了解系统参数和拓扑的情况下实时提供电压控制。情况下实时提供电压控制。情况下实时提供电压控制。

【技术实现步骤摘要】
一种配电网无模型的实时电压控制方法


[0001]本专利技术属于配电网络电压控制
，更为具体地讲，涉及一种配电网无模型的实时电压控制方法。

技术介绍

[0002][0003]新能源发电主要以两种方式并入电网，一种是采用大规模集中并网的方式，即将新能源发电集中安装在发电侧，由发电站统一调度管控，这种方式的优点是便于维护和管理，然而集中并网控制灵活性较低，且集中安装具有较高的投资成本，需要占用大量土地资源；另一种是采用分布式接入的方式，即将新能源发电就近地安装在用户侧附近，以起到就地消纳的效果，分布式并网具有较高的控制灵活性，且投资成本较低，占地面积较小，因此近年来受到了政策的支持。
[0004]配电网是新能源发电分布式接入电网的重要途径。然而，新能源发电具有随机性、波动性和间歇性，大量分布式新能源发电的接入给配电网的运行带来巨大的挑战，会引起谐波、电压越限、网损增加等一系列问题，从而降低了配电网运行的安全性和经济性。其中，由于新能源接入造成的电压问题较为突出：第一，新能源发电的有功注入会引起潮流的逆向流动，导致配电网母线电压升高，如果电压与额定电压偏离较大，则会影响电力设备的安全运行，造成设备的损坏，同时，新能源发电出力波动引起的过电压问题会触发保护装置动作，从而将新能源发电装置从电网切除，限制了清洁能源的消纳水平；第二，新能源设备的非全相并网会造成配电网三相电压的不平衡，从而造成电机绕组温度升高，危害电机等设备的正常运行。
[0005]现有的电压控制策略都是基于模型的控制方法，调度策略的制定依赖于配电网精确的线路参数和拓扑结构，然而，配电网的物理模型在现实中通常是不精确、不可靠的。精确的参数估计需要完整的同步相量测量装置的测量数据或者是大量带有时标的智能电表数据，而前者在现有配电网的硬件条件下很难满足，后者则需要较长的时间。不仅如此，配电网重构等操作还会导致其局部参数发生变化。这都导致配电网实际的物理模型和假定的“理想”模型间存在差别，进而导致控制算法的表现不够理想。
[0006]近年来，随着人工智能的发展，深度强化学习算法在各种应用中越来越受欢迎。在深度强化学习算法中，控制单元被建模为具有控制策略的智能代理。通过与环境的交互，代理可以制定出最优的控制策略，并在离线训练中通过建模其他代理的策略来学习协作，训练完成后，代理可以实时提供对未知动态具有较强适应性的决策。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的不足，提供一种配电网无模型的实时电压控制方法，从历史数据中学习协调控制策略，进而实现在线调节电压。
[0008]为实现上述专利技术目的，本专利技术一种配电网无模型的实时电压控制方法，其特征在
于，包括以下步骤：
[0009](1)、将光伏逆变器和静态无功补偿器随机接入配电网；
[0010]获取配电网的拓扑结构，在拓扑结构的不同节点上随机分散接入光伏逆变器和静态无功补偿器，其中，接入光伏逆变器的个数为m1，接入静态无功补偿器的个数为m2；
[0011](2)、获取拓扑结构中各个节点注入的有功功率及无功功率；
[0012](2.1)、获取节点接入光伏逆变器后注入的有功功率和无功功率；
[0013]遍历拓扑结构的各个节点，若节点i接入了光伏逆变器k，k＝1,2
…
,m1，那么节点i在相位和时刻l时实际注入的有功功率和无功功率分别为：
[0014][0015][0016]若节点i未接入了光伏逆变器k，那么节点i在相位和时刻l时实际注入的有功功率和无功功率分别为：
[0017][0018][0019]其中，表示三相，i＝1,2,
…
,N，N表示配电网拓扑结构中节点数量， l＝1,2,
…
,T，T为采样时刻总数，表示节点i在相位和时刻l时的负荷有功功率，表示光伏逆变器k连接节点i后在相位和时刻l时丢弃的功率，其中，β为丢弃率，表示光伏逆变器k连接节点 i后在相位和时刻l时注入的总有功功率；表示节点i在相位和时刻l 时的负荷无功功率，表示光伏逆变器k在连接节点i后在相位和时刻l 时注入的总有功功率；
[0020](2.2)、获取节点接入静态无功补偿器后注入的有功功率和无功功率；
[0021]遍历拓扑结构的各个节点，若节点i接入了静态无功补偿器j，j＝1,2
…
,m2静态无功补偿器j不产生有功功率，节点i在相位和时刻l时实际注入的有功功率和无功功率为：
[0022][0023][0024]若节点i未接入了静态无功补偿器j，那么节点i在相位和时刻l时实际注入的有功功率和无功功率为：
[0025][0026][0027]其中，表示静态无功补偿器j连接节点i后在相位和时刻l时注入的无功功率；
[0028](3)、获取拓扑结构中各个节点在不同相位、不同时刻下的电压，其中，记节点i在相位和时刻l时的电压为
[0029](4)、构建代理模型的输入输出数据集，其中，节点i在相位和时刻l时的输入输出数据集记为
[0030][0031]将各节点在不同时刻的输入输出数据集进一步处理成训练集 {X,Y}：
[0032][0033](5)、构建代理预测模型DNN
[0034][0035]其中，为训练集中输入X对应的预测输出值，w和b均为待训练的矩阵；
[0036](6)、训练代理预测模型；
[0037](6.1)、设置DNN的更新参数θ，θ＝[w,b]，为θ随机初始化赋初值；
[0038](6.2)、将训练集{X,Y}中所有节点在每个时刻的输入输出数据集输入至DNN中，得到输出预测值
[0039](6.3)、将输入值和预测值代入如下公式，计算损失函数值L(l)；
[0040][0041](6.4)、判断第l个时刻训练完成后的损失函数值L(l)与上一个时刻训练完成后的损失函数值L(l
‑
1)的差值是否收敛，如果收敛，则训练完成，跳转至步骤(7)；否则，利用梯度下降法更新参数θ，然后进入步骤(6.5)；
[0042][0043]其中，λ表示代理模型参数更新的学习率，表示下降趋势，l表示迭代次数，l>1，θ
′
l
表示第l次更新以后的参数值，即θ
′
l
＝[w
′
,b
′
]；
[0044](6.5)、参数θ
′
l
＝[w
′
,b
′
]替换DNN的参数θ＝[w,b]，然后判断当前时刻l是否达到最大值T，如果未达到，则令l＝l+1，再返回至步骤(6.2)；
[0045](7)、训练深度确定性梯度策略模型DDPG；
[0046](7.1)、建立每个时刻t的状态s
t
，其中， S＝{s1,s2,
…
,s
t
}，t＝1,2,
…...

【技术保护点】

【技术特征摘要】
1.一种配电网无模型的实时电压控制方法，其特征在于，包括以下步骤：(1)、将光伏逆变器和静态无功补偿器随机接入配电网；获取配电网的拓扑结构，在拓扑结构的不同节点上随机分散接入光伏逆变器和静态无功补偿器，其中，接入光伏逆变器的个数为m1，接入静态无功补偿器的个数为m2；(2)、获取拓扑结构中各个节点注入的有功功率及无功功率；(2.1)、获取节点接入光伏逆变器后注入的有功功率和无功功率；遍历拓扑结构的各个节点，若节点i接入了光伏逆变器k，k＝1,2
…
,m1，那么节点i在相位和时刻l时实际注入的有功功率和无功功率分别为：分别为：若节点i未接入了光伏逆变器k，那么节点i在相位和时刻l时实际注入的有功功率和无功功率分别为：分别为：其中，表示三相，i＝1,2,
…
,N，N表示配电网拓扑结构中节点数量，l＝1,2,
…
,T，T为采样时刻总数，表示节点i在相位和时刻l时的负荷有功功率，表示光伏逆变器k连接节点i后在相位和时刻l时丢弃的功率，其中，β为丢弃率，表示光伏逆变器k连接节点i后在相位和时刻l时注入的总有功功率；表示节点i在相位和时刻l时的负荷无功功率，表示光伏逆变器k在连接节点i后在相位和时刻l时注入的总有功功率；(2.2)、获取节点接入静态无功补偿器后注入的有功功率和无功功率；遍历拓扑结构的各个节点，若节点i接入了静态无功补偿器j，j＝1,2
…
,m2静态无功补偿器j不产生有功功率，节点i在相位和时刻l时实际注入的有功功率和无功功率为：为：若节点i未接入了静态无功补偿器j，那么节点i在相位和时刻l时实际注入的有功功率和无功功率为：为：其中，表示静态无功补偿器j连接节点i后在相位和时刻l时注入的无功功率；
(3)、获取拓扑结构中各个节点在不同相位、不同时刻下的电压，其中，记节点i在相位和时刻l时的电压为(4)、构建代理模型的输入输出数据集，其中，节点i在相位和时刻l时的输入输出数据集记为集记为将各节点在不同时刻的输入输出数据集进一步处理成训练集{X,Y}：(5)、构建代理预测模型DNN其中，为训练集中输入X对应的预测输出值，w和b均为待训练的矩阵；(6)、训练代理预测模型；(6.1)、设置DNN的更新参数θ，θ＝[w,b]，为θ随机初始化赋初值；(6.2)、将训练集{X,Y}中所有节点在每个时刻的输入输出数据集输入至DNN中，得到输出预测值(6.3)、将输入值和预测值代入如下公式，计算损失函数值L(l)；(6.4)、判断第l个时刻训练完成后的损失函数值L(l)与上一个时刻训练完成后的损失函数值L(l
‑
1)的差值是否收敛，如果收敛，则训练完成，跳转至步骤(7)；否则，利用梯度下降法更新参数θ，然后进入步骤(6.5)；其中，λ表示代理模型参数更新的学习率，表示下降趋势，l表示迭代次数，l>1，θ
′
l
表示第l次更新以后的参数值，...

【专利技术属性】
技术研发人员：曹迪，胡维昊，席先鹏，张真源，井实，李思辰，黄琦，李坚，杜月芳，张蔓，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：