本发明专利技术涉及电力系统潮流优化处理技术领域，具体涉及基于知识和数据共同驱动的电力系统潮流优化方法及系统，本方法的五步骤包括：约束马尔科夫决策过程建模、安全强化学习、专家经验正则化项设计、奖励函数重构、基于物理信息引导对决策模型再约束；本方法解决了现有技术存在如何在强化学习框架中有效嵌入电力系统的物理约束和安全机制以实现优化决策的问题，具有在强化学习过程中提高智能体处理功率平衡等约束条件的执行力度的有益技术效果。
【技术实现步骤摘要】
本专利技术涉及电力系统潮流优化处理，具体涉及基于知识和数据共同驱动的电力系统潮流优化方法及系统。
技术介绍
1、随着可再生能源电站在电力系统中的比例不断增加，其可控性要求和随机特性也大大增加了最优潮流(optimal power flow，opf)问题的建模难度；安全约束经济调度模型是一种复杂的非线性混合整数规划问题，其求解涉及到传统的优化方法在处理小规模问题时表现出高效和精确的特点，但在面对大规模系统时，计算效率相对较低，深度强化学习(deep reinforcement learning，drl)是结合深度学习和强化学习的一种方法；drl的优势在于可以处理高维、复杂的状态空间和动作空间，能够学习到复杂的策略，并且可以通过大规模的样本和计算资源来提高学习效率。但在建立高效的电力系统安全经济调度模型时，必须确保各种情况下电网的安全性，因此还需要提高drl决策的可靠性和调度效果，综上所述，现有技术存在如何在强化学习框架中有效嵌入电力系统的物理约束和安全机制以实现优化决策的问题。
技术实现思路
>1、本专利技术针对本文档来自技高网...
【技术保护点】
1.基于知识和数据共同驱动的电力系统潮流优化方法，其特征在于，包括：
2.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述通过构建马尔科夫决策模型，以获取目标优化函数还包括：
3.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述电力系统物理约束包括功率平衡约束、出力上下限约束、爬坡速率约束、母线节点电压约束、线路传输功率约束、储能装置的充放电速率约束、储能容量约束；
4.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述通过状态空间映射的代价函数，得到最优策略参数包括：
5.根据权利要求4所述电力系统潮流优化方法，其特...
【技术特征摘要】
1.基于知识和数据共同驱动的电力系统潮流优化方法，其特征在于，包括：
2.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述通过构建马尔科夫决策模型，以获取目标优化函数还包括：
3.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述电力系统物理约束包括功率平衡约束、出力上下限约束、爬坡速率约束、母线节点电压约束、线路传输功率约束、储能装置的充放电速率约束、储能容量约束；
4.根据权利要求1所述电力系统潮流优化方法，其特征在于，所述通过状态空间映射的代价函数，得到最优策略参数包括：
5.根据权利要求4所述电力系统潮流优化方法，其特征在于，所述通过状态空间映射的代价函数，得...
【专利技术属性】
技术研发人员：丁茂生，韩勇，杨慧彪，朱克东，周小添，任勇，郑乐，杨家麒，徐鹏，罗海荣，吕建虎，施佳峰，郭晓蕊，王运，苏波，田志浩，
申请(专利权)人：国网宁夏电力有限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。