一种直流受端电网暂态电压稳定紧急控制方法、系统及介质技术方案

本发明专利技术提出了一种直流受端电网暂态电压稳定紧急控制方法、系统及介质，首先构建了GCN

【技术实现步骤摘要】
一种直流受端电网暂态电压稳定紧急控制方法、系统及介质


[0001]本专利技术涉及高压直流受端新型电力系统暂态电压稳定紧急控制领域，具体为一种直流受端电网暂态电压稳定紧急控制方法、系统及介质。

技术介绍

[0002]在新型电力系统中，常规高压直流输电系统(LCC
‑
HVDC)实现清洁能源跨区域远距离输送至负荷中心。高压直流受端电网中，直流的接入导致同步机开机减少，动态无功相对紧张，暂态电压失稳风险显著增大。HVDC落点通常位于受端电网负荷中心附近，当感应电动机作为负荷中心主要负荷时，受端电网，尤其是换流站近区故障可能会导致持续的电压下降。为避免暂态电压失稳，需要在故障发生后进行紧急控制，通常的紧急控制手段包括切机、切负荷等，然而切机不利于电网的恢复，发电机再并网还可能造成冲击，切负荷则存在经济性和可靠性的问题。高压直流输电具有毫秒级的响应速度，可以快速对互联电力系统进行有功功率调控。有研究表明以降低直流电流的方式调节直流输送功率，能够释放换流站电容的无功能力，从而将直流逆变站作为受端电网大容量动态无功源，在暂态电压失稳为主导的失稳状况下能够提升受端电网的电压水平。基于此，本专利技术考虑调节直流有功功率来应对直流受端电网的暂态电压稳定问题。
[0003]常规紧急控制做法为离线生成一个或多个较为保守的紧急控制策略来应对新型电力系统大量不同运行方式和故障场景，因此控制代价较大。为了降低控制代价，有必要针对具体的运行方式和故障场景在线获取紧急控制方案。现有数据驱动方法通过大量运行方式和故障场景训练深度强化学习(Deep Reinforcement Learning，DRL)模型，训练完成的DRL模型将依据电网实际运行方式和故障等信息，快速自动生成对应的紧急控制策略。然而常规DRL模型难以考虑电网拓扑结构的变化，若电网拓扑或故障位置发生变化，训练好的基于DRL的紧急控制模型的有效性需进一步探讨。
[0004]图卷积神经网络(Graph Neural Network,GCN)是一种能够反映节点之间连接关系的深度学习方法，相较于常规全连接神经网络仅以电网状态信息(如节点电压等)为输入，GCN还能兼顾电网拓扑结构信息。因此，为了适应不同的电网运行方式和故障场景，尤其是电网拓扑结构的变化，本专利技术提出一种基于GCN改进的深度确定性决策梯度模型(Deep Deterministic Policy Gradient，DDPG，一种DRL模型)的直流受端电网暂态电压稳定紧急控制策略在线生成方法。具体地，在DRL模型构建方面，基于GCN对DDPG的网络结构进行改造，构建了GCN
‑
DDPG融合模型，在此基础上，引入双评价网络机制和评价网络与动作网络非同步更新策略以提升算法效果。进一步，在应用方面，基于GCN
‑
DDPG融合模型构建暂态电压稳定紧急控制模型，在调度中心完成模型训练后将其下发至安控主站，训练完成的基于GCN
‑
DDPG融合模型的暂态电压稳定紧急控制模型将依据电网实际运行方式和故障等信息，对紧急控制策略，即直流电流控制方案进行在线量化计算，并发送至直流控保系统执行。

技术实现思路

[0005]本专利技术目的在于面向直流受端电网暂态电压稳定问题，为高效快速获取暂态电压稳定紧急控制策略，以适应在线应用需求，并使其适应不同的电网运行方式和故障场景，尤其是电网拓扑结构的变化，基于直流逆变站可用作受端电网紧急无功电源的思想，提出一种基于改进深度强化学习模型的直流受端电网暂态电压稳定紧急控制策略在线生成方法。
[0006]一种直流受端电网暂态电压稳定紧急控制方法，包括以下步骤：
[0007]构建基于GCN
‑
DDPG融合模型构建面向直流受端新型电力系统暂态电压稳定的紧急控制模型；
[0008]实时采集电网数据并监测电网运动状态，若发生故障，基于紧急控制模型生成紧急控制策略进行在线量化计算，并发送至直流控保系统执行；否则，继续监测电网运动状态直至故障发生。
[0009]作为优选，GCN
‑
DDPG融合模型包括
[0010]评价网络：基于对回报函数的定义，生成动作的评价；
[0011]动作网络：用于依据电网状态信息生成紧急控制方案。
[0012]作为优选，评价网络包括评价网络一和评价网络二，所述评价网络一和评价网络二结构相同，均包括：
[0013]图卷积层：用于输入电网状态信息和拓扑结构信息，并对输入的信息进行特征提取；
[0014]全连接网络层：用于Q值拟合，生成动作的评价。
[0015]作为优选，动作网络包括
[0016]图卷积层：用于输入电网状态信息和拓扑结构信息，并对输入的信息进行特征提取；
[0017]全连接网络层：用于生成动作，即紧急控制方案。
[0018]作为优选，构建基于GCN
‑
DDPG融合模型构建面向直流受端新型电力系统暂态电压稳定的紧急控制模型具体包括：
[0019]采集电网数据，包括电网状态信息(各节点电压)和拓扑结构(由邻接矩阵A表示)；
[0020]划分采集数据为训练集和测试集，将训练集数据输入至GCN
‑
DDPG融合模型进行训练直至收敛；
[0021]将测试集数据输入至训练好的GCN
‑
DDPG融合模型，模型即可根据电网状态信息、拓扑结构和故障信息快速生成紧急控制方案。
[0022]作为优选，训练GCN
‑
DDPG融合模型时，采用双评价网络机制，具体是：
[0023]在原DDPG评价网络基础上，增加一个相同结构的评价网络，两个评论网络都用来估计目标Q值，每次更新时都选取较小的Q值，从而降低噪声和高估偏差带来的影响；需要说明的是，这两个评价网络结构相同，但参数及其更新互不影响，这两个评价网络分别记为Q1和Q2，其参数分别为和GCN
‑
DDPG融合模型算法基于以上改进，损失函数如下所示：
[0024][0025]式中，L为损失函数；N为网络训练样本容量；Q(s,a∣θ
Q
)为参数θ
Q
下的评价网络，因此Q(s
i
,a
i
∣θ
Q
)表示在状态s
i
时施以动作a
i
的后续期望回报，即参数为θ
Q
的评价网络的输出；μ(s∣θ
μ
)为参数θ
μ
下的动作网络，表示在参数θ
μ
下，状态s为输入时的策略网络输出；r
i
表示状态时施以动作a
i
的即时回报；γ为折扣因子。
[0026]作为优选，训练GCN
‑
DDPG融合模型时，评价网络与动作网络非同步更新，具体是：
[0027]模型训练过程中，动作网络进行参数更新时存在一定误差，这会影响到评价网络对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，包括以下步骤：构建基于GCN
‑
DDPG融合模型构建面向直流受端新型电力系统暂态电压稳定的紧急控制模型；实时采集电网数据并监测电网运动状态，若发生故障，基于紧急控制模型生成紧急控制策略进行在线量化计算，并发送至直流控保系统执行；否则，继续监测电网运动状态直至故障发生。2.根据权利要求1所述的一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，GCN
‑
DDPG融合模型包括评价网络：基于对回报函数的定义，生成动作的评价；动作网络：用于依据电网状态信息生成紧急控制方案。3.根据权利要求1所述的一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，评价网络包括评价网络一和评价网络二，所述评价网络一和评价网络二结构相同，均包括：图卷积层：用于输入电网状态信息和拓扑结构信息，并对输入的信息进行特征提取；全连接网络层：用于Q值拟合，生成动作的评价。4.根据权利要求1所述的一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，动作网络包括图卷积层：用于输入电网状态信息和拓扑结构信息，并对输入的信息进行特征提取；全连接网络层：用于生成动作，即紧急控制方案。5.根据权利要求1所述的一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，构建基于GCN
‑
DDPG融合模型构建面向直流受端新型电力系统暂态电压稳定的紧急控制模型具体包括：采集电网数据，包括电网状态信息和拓扑结构；划分采集数据为训练集和测试集，将训练集数据输入至GCN
‑
DDPG融合模型进行训练直至收敛；将测试集数据输入至训练好的GCN
‑
DDPG融合模型，模型即可根据电网状态信息、拓扑结构和故障信息快速生成紧急控制方案。6.根据权利要求1所述的一种直流受端电网暂态电压稳定紧急控制方法，其特征在于，训练GCN
‑
DDPG融合模型时，采用双评价网络机制，具体是：在原DDPG评价网络基础上，增加相同结构的评价网络，两个评论网络用于估计目标Q值，每次更新时都选取较小的Q值，两个评价网络分别记为Q1和Q2，参数分别为和GCN
‑
DDPG融合模型算法基于以上改进，损失函数如下所示：式中，L为损失函数；N为网络训练样本容量；Q(s,a∣θ
Q
)为参数θ
Q
下的评价网络，因此Q(s
i
,a
i
∣θ
Q
)表示在状态s
i
时施以动作a
i
的后续期望回报，即参数为θ
Q
的评价网络的输出；μ(s∣θ
μ
)为参数θ
μ
下的动作网络，表示在参数θ
μ<...

【专利技术属性】
技术研发人员：林涛，李轻言，杜蕙，李君，付希越，徐遐龄，
申请(专利权)人：武汉大学，
类型：发明
国别省市：