一种基于改进模仿学习的非实时观测有源配电网优化方法技术

本发明专利技术公开了一种基于改进模仿学习的非实时观测有源配电网优化方法，涉及配电网优化技术领域。本发明专利技术首先根据配电网完整的历史数据，采用粒子群优化算法，对配电网的历史断面数据进行优化，获得对应历史断面的优化指令，构建最优指令库；然后，构建配电网优化的生成对抗网络模型；之后，对构建好的生成对抗网络模型进行训练，将历史断面数据输入生成器，生成优化指令，将生成指令和最优指令及其标签输入判别器，对判别器进行训练，实现对指令优秀与否的判定，将判别器对生成指令的判定结果反馈给生成器，对生成器进行反向更新，最终达到纳什均衡状态，完成训练；最后，在线应用时，将实时可以获得的量测数据输入生成对抗网络模型，输出对应的优化指令。输出对应的优化指令。输出对应的优化指令。

【技术实现步骤摘要】
一种基于改进模仿学习的非实时观测有源配电网优化方法


[0001]本专利技术涉及配电网优化
，具体为一种基于改进模仿学习的非实时观测有源配电网优化方法。

技术介绍

[0002]随着新能源的发展，大量分布式新能源接入配电网，带来的波动性和不确定性导致配电网的网损升高，运行不能无法处于经济最优状态，同时电压产生波动，甚至出现越限的问题，安全性也无法保证。仅依靠日前优化无法适应分布式新能源的波动性和不确定性，需要对配电网进行实时的优化。然而，配电网实时量测处于部分可获得的状态，其余节点仅可获得日前的历史数据，这让实时状态下配电网的优化问题无法求解，因此，如何仅通过可获得的实时数据，以及供参考的历史数据，实现对配电网的优化，对保证有源配电网运行的安全性与经济性有着重要意义。
[0003]综合国内外研究和应用情况来看，非实时观测有源配电网优化有两种方法，包括先对缺失的实时量测数据补全后再进行优化(补全优化)和基于深度强化学习的泛化能力的优化(泛化优化)。补全优化中的补全方法包括基于数学方式的插值，均值填充，张量补全等；基于智能方法的深度神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进模仿学习的非实时观测有源配电网优化方法，其特征在于，具体如下；获取电压越限状态、网损升高状态和正常运行状态下的历史断面数据，采用自适应粒子群优化，以电压不越限为约束，以网损最低为目标，获得优化指令，并基于获得的多个优化指令构建配电网优化最优指令库；构建基于模仿学习的有源配电网优化模型，生成器的输入为量测数据，输出为优化指令，判别器的输入为量测数据和优化指令，输出为判定此优化指令是否为此配电网运行状态下的最优指令，最终得到能够输出优化指令的有源配电网优化模型；对构建的基于模仿学习的有源配电网优化模型进行训练，在获取的历史断面数据中调用实时可观测的数据，同时从构建的最优指令库中采样对应最优指令，将两个采样数据输入上述有源配电网优化模型中生成对抗网络训练，直至迭代训练到最优状态，有源配电网优化模型训练完成；对训练好的基于模仿学习的有源配电网优化模型进行在线应用，将获得的实时量测数据输入训练完成的有源配电网优化模型中，得到对应的优化指令，即可对有源配电网进行优化。2.根据权利要求1所述的一种基于改进模仿学习的非实时观测有源配电网优化方法，其特征在于，构建最优指令库的具体步骤如下：粒子群的位置表示为：为：其中L
d
表示搜索空间的上限，U
d
表示搜索空间的下限。粒子群的速度v
i
为：v
i
＝(v
i1
,v
i2
,
…
,v
ij
)
T
其中v
min v
max
分别表示最小和最大速度。粒子群的进化过程以及粒子的位置更新过程为：x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)式中：w为惯性权重，C1,C2为学习因子，p
ij
,p
gi
为粒子在搜索空间的局部最优位置，t为迭代次数，r1,r2为0到1之间的常数，x(i)为第i个粒子的位置。3.根据权利要求2所述的一种基于改进模仿学习的非实时观测有源配电网优化方法，其特征在于，自适应适应粒子群相较于粒子群在不满足迭代条件之前可以自动增加迭代次数，对配电网进行优化，具体流程如下：输入参数，设置调控对象调控范围，初始化总体以及所有粒子的初始位置；确定目标位置，计算配电网运行质量，运行质量的公式如下：确定目标位置，计算配电网运行质量，运行质量的公式如下：确定目标位置，计算配电网运行质量，运行质量的公式如下：
式中：α,β为加权系数，P
loss
为网损，为实时电压越上限时的电压质量，U
max
为配电网接入优化指令后的电压最高值，为配电网允许的电压上限为实时电压越下限时的电压质量，U
min
为配电网接入优化指令后的电压最低值，为配电网允许的电压下限；计算所有粒子的适应值，搜索单个粒子的当前最优值和全局最优值并计算粒子的速度和位置，更新粒子位置；再次计算配电网的调控量，更新每个粒子的个体最优值和全局最优值并调整粒子群的惯性权重和学习因子，更新的步骤如下：惯性权重和学习因子，更新的步骤如下：惯性权重和学习因子，更新的步骤如下：式中：w
start
为初始惯性权重，w
end
为迭代至最大次数时的惯性权重，k为当前迭代次数，T
max
为设定最大迭代次数，k
max
为自适应最大迭代次数，C
1start
,C
2start
为原始学习因子，C
1end
,C
2end
为迭代结束的学习因子；当迭代次数结束时，判定是否达到收敛条件，即电压处于正常范围，同时网损实现降低，如果达到收敛条件，则输出指令，如果没有达到收敛条件，则在循环中增加迭代次数，重新进入优化。4.根据权利要求1所述的一种基于改进模仿学习的非实时观测有源配电网优化方法，其特征在于，构建基于模仿学习的有源配电网优化模型，具体步骤如下：构建输入信息格式，将实时状态下可获得的配电网量测数据及从获得的历史断面数据中调用实时可观测的数据输入模型，定义输入为观测状态S：S:{p1,q1...

【专利技术属性】
技术研发人员：窦晓波，张科鑫，李炜祺，戴欣，余航，徐晓春，李佑伟，
申请(专利权)人：国网江苏省电力有限公司淮安供电分公司，
类型：发明
国别省市：