基于SAC深度强化学习的SVG参数优化辨识方法技术

本发明专利技术公开了一种基于SAC深度强化学习的SVG参数优化辨识方法，包括以下步骤：步骤一，建立与SVG实测曲线运行环境相同的SVG接入单机无穷大系统的等值数学模型；步骤二，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度并进行筛选；步骤三，建立基于BPA的SAC的环境；步骤四，搭建SAC智能体；步骤五，开始SVG参数辨识训练，得到最终辨识结果。本发明专利技术采用上述基于SAC深度强化学习的SVG参数优化辨识方法，用SAC模型来辨识SVG控制器参数，耗费时间少，而且也能保证参数预测结果的准确度，提高了辨识效率。提高了辨识效率。提高了辨识效率。

【技术实现步骤摘要】
基于SAC深度强化学习的SVG参数优化辨识方法


[0001]本专利技术涉及电力信息
，尤其是涉及基于SAC深度强化学习的SVG参数优化辨识方法。

技术介绍

[0002]柔性交流输电技术FACTS的出现为提升电网可靠性和经济性提供了新的技术手段。静止无功发生器(SVG)作为FACTS家族的重要成员，在改善电力系统电压质量及提高系统运行稳定性方面得到广泛应用。准确的SVG控制器模型参数对电力系统仿真分析的正确性尤为重要，而很多厂商由于技术保密不提供相应的SVG控制参数，因此SVG控制器参数辨识很有必要。目前，对SVG控制器参数辨识的研究很少，更多的是对其控制器模型和工作原理的研究，由于SVG控制器参数众多，所以对SVG控制器进行参数辨识要花费许多时间。因此，研究出适当的方法对SVG控制器进行参数辨识并得出准确的参数具有工程意义和研究价值。
[0003]文献“Zheng Qiang Guan,Si Jing Liu,Xing Hua Liu.Static Var Generator Technology and its Applicat本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SAC深度强化学习的SVG参数优化辨识方法，其特征在于：包括以下步骤：步骤一，建立与SVG实测曲线运行环境相同的SVG接入单机无穷大系统的等值数学模型；步骤二，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度并进行筛选；步骤三，建立基于BPA的SAC的环境；步骤四，搭建SAC智能体；步骤五，开始SVG参数辨识训练，得到最终辨识结果。2.根据权利要求1所述的基于SAC深度强化学习的SVG参数优化辨识方法，其特征在于：SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD
‑
BPA。3.根据权利要求2所述的基于SAC深度强化学习的SVG参数优化辨识方法，其特征在于：步骤二的具体方法为：SVG参数存于暂态数据文件中的VG/VG+卡，待辨识参数以BPA暂态数据文件中VG/VG+卡的值作为参数初始值进行潮流计算，设置短路故障，进行暂态计算，记录接有SVG母线处的无功曲线，电流曲线以及电压曲线；将选定参数在初始值的基础上增加5％，再一次进行暂态计算，得到输出曲线，然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，计算公式如下：式中：分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，N为采样点个数，Q0，I0，U0分别为参数取初始值时得到的无功值、电流值、电压值，Q1，I1，U1分别为参数在初始值的基础上增加5％得到的无功值、电流值、电压值。4.根据权利要求3所述的基于SAC深度强化学习的SVG参数优化辨识方法，其特征在于：步骤三的具体方法为：针对辨识的每个SVG参数，确定参数的范围，SVG参数的值作为状态s
t
，SVG参数值的改变量为动作a
t
，做出动作后的下一次状态为s
t+1
→
s
t
+a
t
根据BPA中的暂态文件SWI文件格式，将状态s
t+1
即SVG参数的值写入暂态文件SWI中，然后进行一次暂态计算，得到结果文件SWX，然后从结果文件SWX中读出当前状态下的无功功率Q，随后计算奖励R为：R＝
‑
(Q
‑
Q
RTDS
)2其中Q
RTDS
为RTDS实测无功功率数据；
SAC给出的动作a
t
使得下一次的状态超过设定的SVG参数范围，给予SAC模型惩罚，使奖励R为
‑
20，下一次的状态s
t+1
在范围之内，则正常训练；最终得到当前状态s
t
，当前动作a
t
，下一次...

【专利技术属性】
技术研发人员：高慧敏，黄卓，徐潇，卢艺，钟毅，
申请(专利权)人：杭州电子科技大学信息工程学院，
类型：发明
国别省市：