【技术实现步骤摘要】
本专利技术涉及电力系统的人工智能应用领域，具体为一种基于优势函数分解的电力系统暂态稳定预防控制方法。
技术介绍
1、随着新能源技术的快速发展和智能电网建设的推进，电力系统面临着诸多挑战，如电力市场需求响应问题、可再生能源发电量的不确定性问题、电网容量约束和电网安全性问题等，其中包括电力系统静态安全和暂态稳定预防控制也是一个非常具有挑战性的任务。在实际工作中，预防控制策略的生成方法是基于方式假设和仿真计算。对于静态安全，通常的步骤是先对初始状态的潮流进行静态安全n-1计算，即对电力系统中各元件进行无故障断开，以观察其他元件电压及潮流的越限情况，然后根据这些情况控制调整发电机的出力。对于暂态稳定，则需要进行n-1暂态稳定计算，即系统内元件发生规定的故障、正常切除故障后，检查系统是否失稳，如果系统不能保持稳定，则认为该方式是不安全的，需要采取调整发电机出力等预防控制措施，形成安全的运行方式。随着电力系统规模的日益扩大和对电网运行安全性可靠性要求不断提高，传统方法面临的计算量大、基于模型方法固有的不合理假设和过度简化带来的误差问题，使之难以满足当前对控制策略实时性和准确性的要求。因此，电力系统需要采用更为先进的预防控制方法来保证其安全和稳定运行。
2、深度强化学习（deep reinforcement learning，drl）是ai领域中一种先进的方法，它可以解决高维、非线性和非凸优化问题。近年来，drl已经成功应用于自动驾驶、游戏、机器人控制等领域，取得了显著的成果。由于其优秀的学习能力和智能控制能力，drl被认为是电力
3、在电力系统预防控制领域中，drl有很好的应用前景。例如，drl可以用于电力网络容量约束优化、电网安全性评估、电网负荷预测和电网自适应控制等。具体来说，在电力网络容量约束优化中，drl可以用于在保证电网稳定性的前提下最大化可再生能源发电量。在电网安全性评估中，drl可以用于评估电网的故障和短路风险，并采取相应的预防措施。在电网负荷预测中，drl可以用于预测未来电力需求，并采取相应的调度策略。在电网自适应控制中，drl可以用于实时调整电网运行状态，以确保电网安全和稳定运行。
4、然而，将drl应用到电力系统预防控制领域中也存在一些挑战。首先，电力系统是一个高维非线性复杂大系统，其状态空间和动作空间非常大，因此需要高效的drl算法来处理。其次，电力系统的运行状态受到负载变化、发电机组状态、输电线路状态及天气和环境等因素的影响，因此需要考虑多种不确定性因素。再者，电力系统的安全性和稳定性对社会经济的影响非常大，因此需要严格的安全性和稳定性保证。最后，由于电力系统是一个大规模的、分区域的系统，因此需要考虑分区域控制的问题。
5、近年来，深度强化学习在多智能体协同控制领域的广泛应用，为电力系统预防控制带来了新的思路和方法。与传统方法相比，基于多智能体深度强化学习（multi-agentdeep reinforcement learning，madrl）的方法可以相互协作，通过模型训练从经验中自动提取控制策略，不仅能够适应电力系统日益增加的复杂性和不确定性，而且还能够提高效率和优化控制策略，从而提高电力系统的预防控制能力。目前，强化学习方法在电力工业的多个方面得到应用，然而，面对更加复杂的高维场景时，普通强化学习方法存在难收敛等问题。近年来，随着人工智能技术的不断进步，适用于高维复杂环境的madrl得到较好发展。madrl作为ai领域的一个新兴的研究热点和应用方向，涵盖众多算法、规则、框架，并广泛应用于自动驾驶，能源分配和编队控制等现实领域，具有极高的研究价值和意义。madrl包含一组智能体，各个智能体同处于某一问题的环境中，彼此之间可以将状态、动作等信息进行交互，同时还具备感知、预测和决策能力。madrl在处理复杂问题时，将其简化为一组小问题求解，比起单智能体有更高的计算效率。且它提出的求解方法遵从每个部分的自洽性，比如，每个部分有他们不同的优化目标和运行约束本专利技术研究基于madrl的电力系统预防控制方法，旨在探索一种高效、稳定的控制方法，以提高电力系统的安全稳定运行能力，对于电力系统的安全和可靠运行具有重要的理论和实际意义。近年来，随着人工智能技术的不断进步，适用于高维复杂环境的madrl得到较好发展。madrl包含一组智能体，各个智能体同处于某一问题的环境中，彼此之间可以将状态、动作等信息进行交互，同时还具备感知、预测和决策能力。且它提出的求解方法遵从每个部分的自洽性，比如，每个部分有他们不同的优化目标和运行约束。将madrl应用于电力系统的研究已取得较大进展，但仍存在训练复杂度高，模型鲁棒性差和动作探索不充分等问题。
6、使用了单智能体强化学习算法在多智能体环境中解决电力系统问题。然而，单个智能体策略的改变会对其他智能体的环境产生影响，这导致了环境的不平稳性问题。此外，若强化学习的交互环境为电力系统暂态仿真平台，则会耗费大量时间与计算资源。
7、虽然将madrl应用于电力系统的研究已取得较大进展，但仍存在训练复杂度高，模型鲁棒性差和动作探索不充分等问题。因此还需要对现有的控制方法进行改进。
技术实现思路
1、本专利技术为了解决drl在电力系统预防控制的应用中，所存在的训练复杂度高，模型鲁棒性差和动作探索不充分等问题，提供了一种基于优势函数分解的电力系统暂态稳定预防控制方法。
2、本专利技术是通过如下技术方案来实现的：一种基于优势函数分解的电力系统暂态稳定预防控制方法，包括如下步骤：
3、s1：提出将cnn/mlp与时域仿真方法结合的暂态稳定分析方法，将稳态数据与暂态数据相结合的综合数据作为暂态稳定分析的输入样本，通过调参训练cnn/mlp模型，在测试集上评估模型输出结果的可信度，若达到阈值则作为最终预测结果，否则以时域仿真结果为准，为后续暂态预防控制提供状态评估结果支撑。由于深度强化学习模型与电力系统时域仿真软件交互过程将耗费大量时间，若缩短仿真时长，则能提高训练效率。然而，传统失稳判据为功角差，仿真时长过短导致将导致失稳判据失效，因此缩短仿真时长后难以根据功角差判定是否失稳，因此提出cnn/mlp与时域仿真方法结合的暂态稳定分析方法，并将训练得到的模型作为深度强学习交互环境的一部分，过程具体如下：
4、s1-1：样本生成：
5、在暂态稳定分析中，为提高暂态稳定分析的准确性，提取相应的特征量，所述特征量不仅包括故障发生前的稳态量，还加入了故障数据，即特征量中包括发电机有功功率以及故障后1s内发电机功角差数据，所以，特征量包含故障前、故障中和故障后数据；
6、根据研究系统的特点，首先确定系统的故障集f，之后在95%、100%和105%负荷水平下抽取部分线路n-1三相断线运行方式进行暂态计算，获取特征量；采用简单随机抽样方法（simple random sampling，srs），在预先设定的范围进行多次采样，得到不同运行方式的多个数据；
本文档来自技高网...【技术保护点】
1.一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：步骤S1具体如下：
3.根据权利要求1所述的一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：步骤S2具体如下：
4.根据权利要求2所述的一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：Th=75%。
【技术特征摘要】
1.一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于优势函数分解的电力系统暂态稳定预防控制方法，其特征在于：步骤s1具体如下：
3....
【专利技术属性】
技术研发人员：曲莹，王金浩，郑惠萍，刘新元，牛哲文，程雪婷，韩肖清，郝捷，陈丹阳，冀岳，王玮茹，孟涛，郝鑫杰，薄利明，高宏，崔校瑞，暴悦爽，武宇翔，芦耀辉，李梓豪，
申请(专利权)人：国网山西省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。