基于智能体的配电网无功优化方法及装置制造方法及图纸

本发明专利技术提供一种基于智能体的配电网无功优化方法及装置

【技术实现步骤摘要】
基于智能体的配电网无功优化方法及装置


[0001]本专利技术涉及配电网无功优化
，尤其涉及一种基于智能体的配电网无功优化方法及装置
。

技术介绍

[0002]近年来，随着大规模分布式光伏电源接入配电网，配电网节点电压越界
、
潮流翻转等问题愈加突出
。
对于这些问题，往往可以采用对配电网无功电压进行优化的方式进行解决
。
这种优化方式的无功调节速度较快且不需要额外增加投资费用
。
因此，分布式光伏电源无功输出参与配电网无功调控受到广泛关注
。
[0003]现有技术中，配电网无功优化可以分为集中式优化
、
分布式优化以及分散式优化三种优化方式
。
其中，集中式优化通常以配电网网损
、
电压偏移量等为优化目标，采用遗传算法
、
粒子群算法等启发式算法求解
。
然而，启发式算法的求解时间长
、
效率低，导致优化结果具有较高的延时，而且由于一些潮流计算参数存在较大计算误差或较难获取，还有影响优化结果的精度
。
[0004]如中国专利
CN202110597616.1
，公开日
2021
年8月
17
日，一种含光伏配电网的无功优化方法，针对含光伏配电网无功功率不平衡的问题，构建含光伏配电网的无功优化模型，采用改进的樽海鞘群算法对含光伏配电网的无功优化模型进行求解，得到实现最小网损的补偿容量，通过补偿容量对含光伏配电网进行无功优化
。
其虽然采用改进的樽海鞘群算法实现了含光伏配电网的无功优化，提高了含光伏配电网运行的稳定性，然而改进的樽海鞘群算法的种群初始化过程
、
领导者位置更新过程均较为复杂，基于改进的樽海鞘群算法进行无功优化模型求解的时间较长，效率较低，获得的优化结果延时高，而且无功优化模型中电导
、
电纳等参数可能具有较大误差，进而影响优化结果的精度
。

技术实现思路

[0005]本专利技术实施例提供了一种基于智能体的配电网无功优化方法及装置，以解决现有技术中获取配电网无功电压优化的结果的时间长
、
精度不够的问题
。
[0006]第一方面，本专利技术实施例提供了一种基于智能体的配电网无功优化方法，包括：
[0007]获取配电网历史运行数据，并基于所述配电网历史运行数据对预设机器学习模型进行训练，得到配电网潮流计算代理模型；
[0008]构建配电网无功电压优化模型，并将所述配电网无功电压优化模型转化为基于人类偏好的马尔可夫决策过程；
[0009]基于预设算法和所述配电网潮流计算代理模型对所述马尔可夫决策过程的智能体进行训练，得到配电网无功优化智能体；
[0010]基于所述配电网无功优化智能体根据配电网当前运行状态向配电网下发动作指令，以使配电网执行所述动作指令实现配电网无功电压优化
。
[0011]在一种可能的实现方式中，所述配电网历史运行数据包括历史负荷数据
、
历史环
境数据以及历史节点电压数据；
[0012]所述基于所述配电网历史运行数据对预设机器学习模型进行训练，得到配电网潮流计算代理模型，包括：
[0013]以所述历史负荷数据和所述历史环境数据作为所述预设机器学习模型的输入，以所述历史节点电压数据作为所述预设机器学习模型的输出，基于预设机器学习算法对所述预设机器学习模型进行训练，得到所述配电网潮流计算代理模型
。
[0014]在一种可能的实现方式中，所述配电网无功电压优化模型，包括：
[0015]以配电网中分布式电源无功出力为决策变量，以最小化配电网网损和光伏有功削减为目标的目标函数；
[0016]以及，以潮流约束
、
节点电压约束
、
线路电流约束
、
光伏容量约束以及光伏有功输出约束为约束的约束条件
。
[0017]在一种可能的实现方式中，所述目标函数，包括：
[0018][0019]其中，
min f
表示所述目标函数，
min
表示最小值函数，
ω1表示第一权重因子，
P
netloss
表示配电网网损，
ω2表示第二权重因子，
P
PV_cut
表示光伏有功削减，表示
t
时刻母线节点
k
处的光伏有功出力，
r
jk
表示母线节点
j
到母线节点
k
的线路电阻，
I
jk,t
表示
t
时刻母线节点
j
到母线节点
k
的线路电流，
B
表示母线节点集合，
T
表示总时间，
K
表示接入光伏节点集合，表示全体集合，表示母线节点
k
的所有运行时间集合表示，表示母线节点
j
与母线节点
k
之间的所有运行时间集合表示
。
[0020]在一种可能的实现方式中，所述潮流约束包括：
[0021][0022]其中，表示
t
时刻母线节点
k
的光伏逆变器的有功功率，表示
t
时刻母线节点
k
的光伏逆变器的有功负荷，
L(k)
表示子节点，
P
kl,t
表示
t
时刻母线节点
k
到母线节点
l
的有功功率，
J(k)
表示双亲节点，
P
jk,t
表示
t
时刻母线节点
j
到母线节点
k
的有功功率，表示
t
时刻母线节点
k
的光伏逆变器的无功功率，表示
t
时刻母线节点
k
的光伏逆变器的无功负荷，
Q
kl,t
表示
t
时刻母线节点
k
到母线节点
l
的无功功率，
Q
jk,t
表示
t
时刻母线节点
j
到母
线节点
k
的无功功率，
V
k,t
表示
t
时刻母线节点
k
的母线电压，
V
j,k
表示母线节点
j
到母线节点
k
的电压，
x
jk
表示母线节点
j
到母线节点
k
的线路电感，
V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于智能体的配电网无功优化方法，其特征在于，包括：获取配电网历史运行数据，并基于所述配电网历史运行数据对预设机器学习模型进行训练，得到配电网潮流计算代理模型；构建配电网无功电压优化模型，并将所述配电网无功电压优化模型转化为基于人类偏好的马尔可夫决策过程；基于预设算法和所述配电网潮流计算代理模型对所述马尔可夫决策过程的智能体进行训练，得到配电网无功优化智能体；基于所述配电网无功优化智能体根据配电网当前运行状态向配电网下发动作指令，以使配电网执行所述动作指令实现配电网无功电压优化
。2.
根据权利要求1所述的基于智能体的配电网无功优化方法，其特征在于，所述配电网历史运行数据包括历史负荷数据
、
历史环境数据以及历史节点电压数据；所述基于所述配电网历史运行数据对预设机器学习模型进行训练，得到配电网潮流计算代理模型，包括：以所述历史负荷数据和所述历史环境数据作为所述预设机器学习模型的输入，以所述历史节点电压数据作为所述预设机器学习模型的输出，基于预设机器学习算法对所述预设机器学习模型进行训练，得到所述配电网潮流计算代理模型
。3.
根据权利要求1所述的基于智能体的配电网无功优化方法，其特征在于，所述配电网无功电压优化模型，包括：以配电网中分布式电源无功出力为决策变量，以最小化配电网网损和光伏有功削减为目标的目标函数；以及，以潮流约束
、
节点电压约束
、
线路电流约束
、
光伏容量约束以及光伏有功输出约束为约束的约束条件
。4.
根据权利要求3所述的基于智能体的配电网无功优化方法，其特征在于，所述目标函数，包括：其中，
min f
表示所述目标函数，
min
表示最小值函数，
ω1表示第一权重因子，
P
netloss
表示配电网网损，
ω2表示第二权重因子，
P
PV_cut
表示光伏有功削减，表示
t
时刻母线节点
k
处的光伏有功出力，
r
jk
表示母线节点
j
到母线节点
k
的线路电阻，
I
jk,t
表示
t
时刻母线节点
j
到母线节点
k
的线路电流，
B
表示母线节点集合，
T
表示总时间，
K
表示接入光伏节点集合，表示全体集合，
t
表示母线节点
k
的所有运行时间集合表示，
t
表示母线节点
j
与母线节点
k
之间的所有运行时间集合表示
。5.
根据权利要求4所述的基于智能体的配电网无功优化方法，其特征在于，所述潮流约束包括：
其中，表示
t
时刻母线节点
k
的光伏逆变器的有功功率，表示
t
时刻母线节点
k
的光伏逆变器的有功负荷，
L(k)
表示子节点，
P
kl,t
表示
t
时刻母线节点
k
到母线节点
l
的有功功率，
J(k)
表示双亲节点，
P
jk,t
表示
t
时刻母线节点
j
到母线节点
k
的有功功率，表示
t
时刻母线节点
k
的光伏逆变器的无功功率，表示
t
时刻母线节点
k
的光伏逆变器的无功负荷，
Q
kl,t
表示
t
时刻母线节点
k
到母线节点
l
的无功功率，
Q
jk,t
表示
t
时刻母线节点
j
到母线节点
k
的无功功率，
V
k,t
表示
t
时刻母线节点
k
的母线电压，
V
j,k
表示母线节点
j
到母线节点
k
的电压，
x
jk
表示母线节点
j
到母线节点
k
的线路电感，
V
j,t
表示
t
时刻母线节点
j
的母线电压；所述节点电压约束包括：其中，
V
min
表示配电网电压下限，
V
max
表...

【专利技术属性】
技术研发人员：曾四鸣，胡雪凯，李铁成，孟良，王磊，周文，苏灿，杨少波，孟政吉，薛世伟，
申请(专利权)人：国网河北能源技术服务有限公司国家电网有限公司，
类型：发明
国别省市：