CN105207220A - 一种基于渐进学习的分级电压调控方法 - Google Patents

Abstract

本发明公开了一种基于渐进学习的分级电压调控方法，首先基于现有三级电压控制框架，对调控的历史样本进行学习，获得主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数，对后续优化过程的累计网损率预估，在全网优化函数中加入累计网损率；然后对新优化目标的效果与历史样本进行对比，逐步修正电压目标与累计网损率间的拟合函数并调整其权重系数；渐进式向累计效用最优策略逼近，最终实现渐进学习的分级电压调控机制。本发明避免了已有应用强化学习方法进行优化调控策略中必须大量离线仿真训练才能应用的不足，保留了原有的分级电压控制的调控体系框架，无需额外的硬件设施，只需较少的软件修正即可应用于实际工程。

Description

一种基于渐进学习的分级电压调控方法

技术领域

本发明涉及分级电压控制技术领域，具体涉及一种基于渐进学习的分级电压调控方法。

背景技术

目前分级电压控制中应用较广的三级模式是通过不同时间尺度、全网分区和各自不同目标实现三维分解协调的电压控制方式。传统电力系统负荷变化周期性和规律性较强，实施该模式具有较好的运行效果。

然而，可再生能源发电的大规模并入，加剧了电力系统运行状态的不确定性，使该模式面临困境。以风电接入为例，由于风速波动时间尺度为秒级，规模较大风电场注入功率的变化时间尺度一般为分钟级，如果系统含多个风场，其运行状态随机变化也是分钟级。如果按原有全网优化计算模式将导致所得优化结果将只针对计算时刻系统状态，对于后续快速变化的随机运行状态，该结果未必适用。若二级电压控制在该周期内还维持原有目标值，并不能保证系统处于优化状态甚至起反作用。但以改变全网优化计算的时间周期来适应系统状态的快速随机变化，比如改为分钟级，一是会使全网优化计算变为实时计算，对于规模较大的电网实现较为困难，二是即使全网优化实时计算得以完成，其目标值下发过于频繁，造成二级电压控制器对上一时刻目标值维持调控尚未结束又收到新的目标值，形成调控振荡。

为解决这一矛盾，需要维持原有的全网优化计算周期以保证与二级电压控制在时间上的解耦，但全网优化计算必须考虑周期内系统运行状态的随机波动，下发目标值的维持可以使周期内累计效果在统计意义上最优。由此，该问题变为动态随机优化决策问题。国内对于该领域的研究较少，现有技术中对这类优化问题采用较为先进的学习算法(ACD等)，利用DSOPF消除随机波动取得了相当的效果，但其应用必须要先进行离线仿真训练，才能在线应用。其决策并不参考实际系统的历史调控信息，仅仅依赖仿真训练难以满足大系统各种工况条件下实时控制的要求。

随着计算机和通讯技术的发展，电力系统实现全景量测已是必然。即系统当前状态可直接量测，历史状态和调控记录均可获取。为本发明方法的实现提供了必要的基础。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于渐进学习的分级电压调控方法，该方法在保留原有分级电压控制的框架基础上，提出一种基于全景量测的渐进学习调控机制，为解决这类动态随机优化问题开辟一条便于工程实施的新思路。避免了现有应用强化学习方法进行优化调控策略中必须大量离线仿真训练才能应用的不足，保留了原有的分级电压控制的调控体系框架，无需额外的硬件设施，只需较少的软件修正即可应用于实际工程，具有一定的理论价值和较为广阔的应用前景。

为了实现上述目的，本发明采用如下技术方案：

一种基于渐进学习的分级电压调控方法，包括以下步骤：

(1)通过三级电压控制的基本模式，以当前潮流断面下网损最小为优化目标，构建全网无功优化目标函数，分别获得主导节点目标值与累计网损率的历史调控样本数据；

(2)采用RBF神经网络方法对获得的历史调控样本数据进行学习，获得主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数；

(3)根据步骤(2)中得到的拟合函数对后续优化过程的累计网损率进行预估，判断累计网损率的预估精度是否满足设定要求；如果满足，进入步骤(4)，否则，返回步骤(1)，增加新的调控样本数据后重新进行函数拟合；

(4)在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，对全网无功优化目标函数进行修正；

(5)逐步修正电压目标与累计网损率间的拟合函数并调整其权重系数，使得修正后的全网无功优化目标函数输出结果与历史样本之差在设定的误差精度之内；

(6)重复步骤(1)-步骤(5)的过程，渐进式向控制周期内累计网损率最小的渐进学习式调控逼近，最终实现渐进学习的分级电压调控。

所述三级电压控制的基本模式是将大电网电压控制分为三级：

一级电压控制主要是电压无功控制设备，通过维持电压或无功设定值进行电压无功瞬时快速控制；

二级电压控制是一种分区控制，将整个电力系统按照设定原则分成若干二级电压控制区域，每个控制区域中选择一个主导节点并确定相应的控制发电机和其他电压无功控制设备，二级电压控制器按照一定的协调控制规律设定控制区域内各一级电压控制器的整定值，接收并维持由三级电压控制设定的主导节点电压水平，从而平衡较慢、较大的无功变化和电压偏差；

三级电压控制以全系统的经济运行为优化目标，经过最优潮流计算之后，三级电压控制器给出每个主导节点电压的设定参考值。

所述步骤(1)中，构建的全网无功优化目标函数具体为：

${\mathrm{minP}}_L=\underset{i,j\∈N_L}{\Σ}{G}_{ij}({U_i}^2+U_j^2-2U_i{U}_j{\mathrm{cos\θ}}_{ij});$

其中，P_L为当前潮流断面下网损，G_ij为节点i与节点j之间的线路电导，U_i为第i个PQ节点的电压幅值，θ_ij为节点i与j之间的电压相角差，U_j为节点j的电压幅值，N_L为输电线路集合。

所述全网无功优化目标函数的约束方程具体为：

等式约束方程：

$\{\begin{array}{c}{P}_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij}\right)=0,i\∈N_{PV},N_{PQ}\\ Q_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij}\right)=0,i\∈N_{PQ}\end{array};$

不等式约束为：

$\{\begin{array}{c}{U}_{Gi}^{\min }\≤U_{Gi}\≤U_{Gi}^{\max },i=1,2,...N_G\\ Q_{Gi}^{\min }\≤Q_{Gi}\≤Q_{Gi}^{\max },i=1,2,...N_G\\ U_i^{\min }\≤U_i\≤U_i^{\max },i=1,2,...N_{PG}\end{array};$

其中，N_G、N_PV和N_PQ分别为发电机、PV节点集合和PQ节点集合；G_ij、B_ij和θ_ij分别为节点i与j之间的线路电导、电纳和电压相角差；分别为第i个PQ节点的电压下限和电压上限；P_i和Q_i分别为PQ节点的有功功率和无功功率；U_Gi和分别为发电机机端电压下限、机端电压和机端电压上限；Q_Gi、和分别为节点发电机无功出力、无功出力上限和无功出力下限。

所述步骤(2)中，RBF神经网络模型结构由输入层、隐含层和输出层组成，该网络模型从输入层到隐含层为非线性映射，隐含层到输出层为线性映射，以电压目标值样本序列作为输入Xn，以高斯核函数作为隐含层径向基函数，以调控周期内的累计网损率作为输出P。

所述步骤(2)中，主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数具体为：

$p_{rate}=\underset{j=1}{\overset{N_h}{\Σ}}{w}_j\exp (-\frac{\left(\right||Vgoal-C_j|\left|\right)}{2{{\mathrm{\δ}}_j}^2});$

其中，P_rate为累计网损率，V_goal为主导节点电压目标值，N_h为隐含层神经元的个数，C_j、δ_j分别为第j个隐含层神经元的中心和扩展常数，w_j为第j个隐含层神经元与输出的权重系数。

所述步骤(4)中，修正后全网无功优化目标函数具体为：

minF＝(1-α)P_L/Pgs+αPrate；

其中，P_L为当前断面的网损，Pgs为总发电量，Prate为根据主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数预估的本调控周期内的累计网损率，α为权重系数，0≤α≤1；F表示考虑累计网损率和当前网损率加权的目标函数。

本发明的有益效果是：

本发明提出的基于渐进学习的分级电压调控方法，通过学习历史样本拟合电压目标值与累计网损率之间的函数关系，渐进调整累计网损率在全网优化目标中的比例系数并修正电压目标值与累计网损率的拟合函数，逐步向累计调控效果最优策略逼近。该方法避免了已有应用强化学习方法进行优化调控策略中必须大量离线仿真训练才能应用的不足，保留了原有的分级电压控制的调控体系框架，无需额外的硬件设施，只需较少的软件修正即可应用于实际工程，具有一定的理论价值和较为广阔的应用前景。

附图说明

图1为RBF神经网络结构示意图；

图2为本发明渐进学习的方法流程图；

图3为本发明实施例NewEngland39节点系统结构图；

图4为本发明实施例主导节点28的电压目标值与实际值。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

本发明公开了一种基于渐进学习的分级电压调控方法，包括以下步骤：

(1)通过三级电压控制的基本模式，以当前潮流断面下网损最小为优化目标，构建全网无功优化目标函数，分别获得主导节点目标值与累计网损率的历史调控样本数据；

(2)采用RBF神经网络方法对获得的历史调控样本数据进行学习，获得主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数；

(3)根据步骤(2)中得到的拟合函数对后续优化过程的累计网损率进行预估，判断累计网损率的预估精度是否满足设定要求；如果满足，进入步骤(4)，否则，返回步骤(1)，增加新的调控样本数据后重新进行函数拟合；

(4)在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，对全网无功优化目标函数进行修正；

(5)逐步修正电压目标与累计网损率间的拟合函数并调整其权重系数，使得修正后的全网无功优化目标函数输出结果与历史样本之差在设定的误差精度之内；

(6)重复步骤(1)-步骤(5)的过程，渐进式向控制周期内累计效果最优(即累积网损率最小)的渐进学习式调控逼近，最终实现渐进学习的分级电压调控。

下面对本发明具体实现方法做详细介绍：

1.三级电压控制的基本模式

三级电压控制的基本模式是将大电网电压控制分为三级。一级电压控制主要是电压无功控制设备，包括发电机自动电压调节器(AVR)、有载调压器(OLTC)和自动投切电容器或电抗器组等。它们通过维持电压或无功设定值进行电压无功瞬时快速控制。二级电压控制是一种分区控制，将整个电力系统按电气距离、耦合强弱或行政区域等原则分成若干二级电压控制区域，每个控制区域中选择一个主导节点并确定相应的控制发电机和其他电压无功控制设备，二级电压控制器按照一定的协调控制规律设定控制区域内各一级电压控制器的整定值，接收并维持由三级电压控制设定的主导节点电压水平，从而平衡较慢、较大的无功变化和电压偏差。其调控周期为分钟级。三级电压控制是电压分级控制的最高层，它以全系统的经济运行为优化目标，并考虑稳定性指标。协调系统运行的安全性与经济性的关系，经过最优潮流计算之后，三级电压控制器给出每个主导节点电压的设定参考值。其调控周期一般情况下每15分钟至半小时计算一次，发生大的负荷扰动和网络拓扑扰动之后，则应尽快启动。

1.1三级电压控制模型；

三级电压控制是在保证安全的前提进行全网无功优化，提高运行经济性水平。一般以当前潮流断面下网损最小为优化目标。为简明起见，仅考虑以发电机机端电压为控制变量，其数学模型为：

${\mathrm{minP}}_L=\underset{i,j\∈N_L}{\Σ}{G}_{ij}({U_i}^2+U_j^2-2U_i{U}_j{\mathrm{cos\θ}}_{ij})---\left(1\right)$

等式约束为潮流约束方程：

$\{\begin{array}{c}{P}_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij}\right)=0,i\∈N_{PV},N_{PQ}\\ Q_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij}\right)=0,i\∈N_{PQ}\end{array};$

不等式约束方程为：

$\{\begin{array}{c}{U}_{Gi}^{\min }\≤U_{Gi}\≤U_{Gi}^{\max },i=1,2,...N_G\\ Q_{Gi}^{\min }\≤Q_{Gi}\≤Q_{Gi}^{\max },i=1,2,...N_G\\ U_i^{\min }\≤U_i\≤U_i^{\max },i=1,2,...N_{PG}\end{array};$

其中N_L、N_PV和N_PQ为输电线路集合、PV节点集合和PQ节点集合；Gij、Bij和θij为节点i与j之间的线路电导、电纳和电压相角差；U_i和分别为第i个PQ节点的电压下限、电压幅值和电压上限。Pi和Qi分别为PQ节点的有功、无功功率，U_Gi和为发电机机端电压下限、机端电压和电压上限。Q_Gi、和分别为节点发电机无功出力、上限和下限。

该优化模型的求解算法种类繁多，基本可以分为非线性规划算法和智能优化算法两大类。本发明采用了较为典型的内点法进行求解。

1.2二级电压控制模型

为了能够快速求解和适应工程实际中的灵活性要求，二级电压控制模型的基本形式采用线性目标规划模型。为消除调控过程中区域间的影响，在全景量测条件下，控制区域内的控制机组除维持本区域主导节点电压外，还要参与协助维持其余区域主导节点的调控，减少区域间调控的振荡。为便于说明本发明核心思想，暂不考虑区域内重要节点等其他控制目标。故二级电压控制文中仅考虑三个控制目标，第一个是保持主导节点电压等于三级电压控制下发的目标值，第二个是协助其他区域主导节点电压尽可能接近其目标值，第三个是控制发电机的无功功率按其额定无功容量进行分配。以各控制发电机机端电压变化量作为决策变量，设二级电压控制区域内含有k台控制发电机，通过灵敏度分析，其线性目标和约束如下：

minz₁＝ΔU_p-S_uΔU_G

minZ₂＝ΔU_pc-S_ucΔU_G

minZ₃＝ΔQ_G-S_qΔU_G(3)

S.t.

ΔU_G≤ΔU_Gmax

Q_Gmin≤Q_G+S_qΔU_G≤Q_Gmax

U_pmin≤U_p+S_uΔU_G≤U_pmax

U_pcmin≤U_pc+S_ucΔU_G≤U_pcmax

其中，△U_p和△U_pc分别为本区主导节点和其他区域主导节点电压与目标值之间的偏差；△U_G为由各发电机机端电压调整量构成的列向量；△Q_G为当前各发电机无功功率与调整后按额定容量比例分配应发无功功率之间偏差构成的列向量；S_u、S_uc和S_q为控制发电机的灵敏度矩阵；发电机运行约束△U_Gmax、Q_Gmin和Q_Gmax分别为各机组机端电压最大变化量、最小无功功率和最大无功功率列向量；Q_G为发电机无功功率列向量；U_p、U_pmax和U_pmin以及U_pc、U_pcmax和U_pcmin分别为本区主导节点及其他区域主导节点电压和相应运行约束上下限。

将式(3)中约束条件记为：b₁≤f(ΔU_G)≤b₂，针对线性目标引入偏差变量，为各目标设定不同优先级。主导节点、其他区域主导节点和无功功率控制目标的优先级分别为p_x1、p_x2和p_x3。建立线性目标规划模型如下：

$\min Z=p\left(\left[\begin{array}{cc}{w}^{-}& w^{+}\end{array}\right]\left[\begin{array}{c}{d}^{-}\\ d^{+}\end{array}\right]\right)---\left(4\right)$

S.t.

b₁≤f(ΔU_G)≤b₂

$\left[\begin{array}{c}{S}_u\\ S_{uc}\\ S_q\end{array}\right]{\mathrm{\ΔU}}_G+d^{-}-d^{+}=\left[\begin{array}{c}{\mathrm{\ΔU}}_p\\ {\mathrm{\ΔU}}_{pc}\\ {\mathrm{\ΔQ}}_G\end{array}\right]$

ΔU_G,d^-,d⁺≥0

其中，分别为△U_p、△U_pc和△Q_G的正、负偏差变量；p的第一、二、三个元素分别为p_x1、p_x2和p_x3中最高、中等和最低优先级；权因子矩阵w^-和w⁺的第一、二、三行分别为最高、中等和最低优先级对应的d^-和d⁺权因子行向量，由于p_x1只含和p_x2只含和以及p_x3只含和故 $w_{p_{x1}}^{-}=w_{p_{x1}}^{+}=\[1,0,0,...,0\],w_{{\mathrm{\ρ}}_{x2}}^{-}=w_{{\mathrm{\ρ}}_{x2}}^{+}=\[0,1,\mathrm{..1},0,...,0\]$ 和各权重系数需要根据主导节点数目和控制机组数目确定。

线性目标规划的求解方法可以保证按优先级顺序进行优化。本发明采用线性目标规划单纯形法求解。简明起见设定优先级顺序为p_x1>>p_x2>>p_x3。

2.渐进学习的调控机制

为应对三级电压控制周期内随机波动，在保留现有调控框架基础上，先对目标值与累计网损率的函数关系进行学习拟合，然后在预估累计网损率精度达到要求后，在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，修正目标函数后，电压目标值与累计网损率的拟合函数精度会有变化，需要在线更新，并评估相应权重系数带来的改善程度，逐步调整权重系数以及相应的拟合函数，向累计网损率最小方向逼近，最终获得累计调控效果最优的控制策略。

2.1主导节点目标值与累计网损的函数关系拟合

现有三级电压控制系统运行多年，积累了大量丰富的历史调控样本，假设15分钟为三级电压控制周期，即每15分钟就有一组主导节点目标值与累计网损率样本数据。在丰富的调控历史样本数据基础上，应用较为成熟的RBF神经网络进行学习拟合，可以获得较好的拟合精度和泛化效果。RBF神经网络可以经过每个样本点，能够逼近任意的非线性函数，可以处理难以解析的规律性，具有良好的泛化能力和全局逼近能力，并有很快的学习收敛速度克服了BP神经网络存在的局部最小值和收敛速度慢的缺陷。RBF神经网络属于前向型神经网络，其结构具有自适应性，且其输出与初始权值无关。RBF网络相比其他前向型网络，具有结构简单、训练简洁、收敛速度快、逼近性能好、需设置参数少等特点，因此被广泛应用于非线性优化、时间序列预测和模式识别等领域，也特别适合本发明所需的在线学习场景。

模型结构由输入层、隐含层和输出层组成，其网络结构如图1所示。该网络从输入层到隐含层为非线性映射，隐含层到输出层为线性映射。作为隐含层径向基函数，通常选用高斯核函数。其中，输出变量为P，输入变量为Xn。表达式如下式：

$\left\{\begin{array}{c}\min E=\frac{1}{2}\underset{n=1}{\overset{N_m}{\Σ}}\underset{k=1}{\overset{N_o}{\Σ}}{e_{k,n}}^2\\ e_{k,n}=P_{k,n}-p_{k,n}\\ p_{k,n}=\underset{j=1}{\overset{N_h}{\Σ}}{w}_{j,k}R\left(X_n\right)\\ R\left(X_n\right)=\exp (-\frac{\left(\left|\right|X_n-C_j\left|\right|\right)}{2{{\mathrm{\δ}}_j}^2})\\ X_n=\{u_{1n},u_{2n},...,u_{Nin}\}\end{array}\right.---\left(5\right)$

式中：k为输出变量序数；E为样本训练误差；N_m为样本数；N_o为输出神经元个数；P_k,n为样本功率实测值；p_k,n为模型计算值；X_n为输入变量向量；C_j、δ_j分别为第j个隐含层神经元的中心和扩展常数；N_h为隐含层神经元的个数；w_j,k为第j个输出变量与第k个隐含层神经元的连接权值；N_i为输入层神经元个数。

基于式(5)，以电压目标值样本序列作为输入Xn，以调控周期内的累计网损率作为输出P，经过历史样本的学习可以获得拟合函数关系为：

$p_{rate}=\underset{j=1}{\overset{N_h}{\Σ}}{w}_j\exp (-\frac{\left(\right||Vgoal-C_j|\left|\right)}{2{{\mathrm{\δ}}_j}^2})---\left(6\right)$

其中，P_rate为累计网损率，V_goal为主导节点电压目标值。有了这一函数关系，可以将其加入全网无功优化的目标函数中，并设定初始权重系数，评估调控效果的改善。

2.2三级电压控制中优化函数的修正

根据历史样本拟合的电压目标值与累计网损率之间函数关系式(6)，可以将其加入到全网无功优化目标函数式(1)中。式(1)中目标函数是网损，可除以当前断面发电总量转化网损率最小后，与式(6)加权构成新的目标函数。则新的目标函数为：

minF＝(1-α)P_L/P_gs+αP_rate(7)

其中P_L为当前断面的网损，P_gs为总发电量，P_rate为根据式(6)预估的本调控周期内的累计网损率，α为权重系数，0≤α≤1。

根据这一目标函数，当α＝0，则目标函数变为式(1)的原目标函数，当α>0，则开始引入累计网损率。引入后，原有的拟合函数关系需要调整，因此需要不断在线修正拟合函数，再根据调控效果逐步调整权重系数，即渐进学习的调控机制。

2.3渐进学习的调控机制

理论上，如果目标值与累计网损率拟合函数足够精确的话，可以将权重系数α设为1即可得到最优的累计调控效果。但实际应用中，需要采用渐进学习方式进行逐步逼近，原因有以下两点。第一，在修正无功优化目标函数之前的历史样本拟合得到的电压目标值与累计网损率函数关系能否适用于修正之后的优化策略有待检验，因此借鉴逐段线性化思路，先将权重系数设置为较小数值以保证拟合函数精度满足要求，再通过在线学习修正拟合函数，逐步提高累计网损率的比例，进行渐进逼近。第二，优化策略改变过大，会造成目标值波动较大，给二级电压控制带来较大调控压力，不利于控制机组的稳定运行。逐步过渡会使得调控过程平缓过渡至累计效果最优，具有更好的可靠性。渐进学习的调控机制流程如图2所示。

3.仿真算例

为验证本发明所提方法，应用NewEngland10机39节点系统进行仿真。系统结构如图3所示。

随机选取节点2、7和16接入风场。各风场注入有功功率采用冀北三个风场的实际数据，各风场额定容量均设为峰负荷有功总量的12％。运行方式按定功率因数，功率因数取-0.98。系统根据文献(范磊.二次电压控制研究(一)[J]，电力系统自动化，2000，24(11):18-21.)的方法划分为4个控制区域，主导节点选取采用文献(贠志皓,刘玉田,梁军等.考虑风电功率波动概率特性的主导节点选择方法[J].电力系统自动化，2014，38(9):20-25.)的方法，以9、11、17和28节点为主导节点。为简明起见，系统的波动完全由风电波动引起，负荷保持不变。风电功率一分钟更新一次，全网无功优化每隔15分钟进行一次，获得当前潮流断面下的主导节点电压目标值，下发给二级电压控制，二级电压控制将在系统运行状态波动情况下维持主导节点电压在指定偏差范围内，直到新的目标值下发。全网无功优化按1.1中模型采用内点法求解，二级电压控制按1.2目标规划模型采用单纯型法求解。

取某日风电0点到8点共8小时数据，三级电压控制下发的主导节点目标值和经二级电压控制后的实际值对比以节点28为例参见图4。二级电压控制的允许误差为正负0.005，由图4可见，控制效果还是满足要求的。

基于渐进学习的调控机制仿真首先取了四天风电0点到8点的调控样本，学习并拟合主导节点电压目标值与调控周期内累计网损率的函数关系，获得相应RBF网络结构参数，预估精度满足要求后，开始调整优化目标函数中α取值，按图2所示流程图从0.1开始逐步增加，直到两次调整之差在允许误差范围内为止。

为说明采用渐进学习调控机制后的调控效果，取第五天8个调控周期数据，首先基于拟合的函数关系对此8个调控周期进行累计网损预估，预估结果如表1所示，预估精度满足调控要求。再引入累计网损率作为优化目标与原有调控模式进行累计网损率的对比，并给出最终收敛的权重系数。相对原调控模式的改善指标采用相对百分比误差来表征，设收敛系数为α时周期内累计网损率为Prate(α)，原有模式下的累计网损率为Prateo，改善指标Pim定义为：

$P_{im}=\frac{P_{rateo}-P_{rate}\left(\mathrm{\α}\right)}{P_{rateo}}\×100\%;$

表1.各调控周期累计网损率预估精度

由表1可见，基于历史样本拟合的主导节点电压目标值与累计网速率之间的函数关系能够较好的预估未来调控周期内的累计网损率，相对误差都在5％内，可以在全网优化目标中引入累计网损率。

对比结果如表2所示。

表2.各调控周期累计网损率的对比、最终的α取值和Pim指标

由表2可见，采用渐进学习调控机制后，在应对大规模风电接入带来的随机波动效果较为明显，可改善调控周期内的累计网损率，逐步逼近累计调控效果最优的控制策略。而且该机制可以在现有调控框架内平稳过渡至新的调控模式，便于实际工程应用实施。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于渐进学习的分级电压调控方法，其特征是，包括以下步骤：

(1)通过三级电压控制的基本模式，以当前潮流断面下网损最小为优化目标，构建全网无功优化目标函数，分别获得主导节点目标值与累计网损率的历史调控样本数据；

(2)采用RBF神经网络方法对获得的历史调控样本数据进行学习，获得主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数；

(3)根据步骤(2)中得到的拟合函数对后续优化过程的累计网损率进行预估，判断累计网损率的预估精度是否满足设定要求；如果满足，进入步骤(4)，否则，返回步骤(1)，增加新的调控样本数据后重新进行函数拟合；

(4)在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，对全网无功优化目标函数进行修正；

(5)逐步修正电压目标与累计网损率间的拟合函数并调整其权重系数，使得修正后的全网无功优化目标函数输出结果与历史样本之差在设定的误差精度之内；

(6)重复步骤(1)-步骤(5)的过程，渐进式向控制周期内累计网损率最小的渐进学习式调控逼近，最终实现渐进学习的分级电压调控。

2.如权利要求1所述的一种基于渐进学习的分级电压调控方法，其特征是，所述步骤(1)中，所述三级电压控制的基本模式是将大电网电压控制分为三级：

一级电压控制主要是电压无功控制设备，通过维持电压或无功设定值进行电压无功瞬时快速控制；

二级电压控制是一种分区控制，将整个电力系统按照设定原则分成若干二级电压控制区域，每个控制区域中选择一个主导节点并确定相应的控制发电机和其他电压无功控制设备，二级电压控制器按照一定的协调控制规律设定控制区域内各一级电压控制器的整定值，接收并维持由三级电压控制设定的主导节点电压水平，从而平衡较慢、较大的无功变化和电压偏差；

三级电压控制以全系统的经济运行为优化目标，经过最优潮流计算之后，三级电压控制器给出每个主导节点电压的设定参考值。

3.如权利要求1所述的一种基于渐进学习的分级电压调控方法，其特征是，所述步骤(1)中，构建的全网无功优化目标函数具体为：

${\mathrm{minP}}_L=\underset{i,j\∈N_L}{\Σ}{G}_{ij}({U_i}^2+U_j^2-2U_i{U}_j{\mathrm{cos\θ}}_{ij});$

其中，P_L为当前潮流断面下网损，G_ij为节点i与节点j之间的线路电导，U_i为第i个PQ节点的电压幅值，θ_ij为节点i与j之间的电压相角差，U_j为节点j的电压幅值，N_L为输电线路集合。

4.如权利要求3所述的一种基于渐进学习的分级电压调控方法，其特征是，所述全网无功优化目标函数的约束方程具体为：

等式约束方程：

$\{\begin{array}{c}{P}_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij}\right)=0,i\∈N_{PV},N_{PQ}\\ Q_i-U_i\underset{j=1}{\overset{N}{\Σ}}{U}_j\left(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij}\right)=0,i\∈N_{PQ}\end{array};$

不等式约束为：

$\{\begin{array}{c}{U}_{Gi}^{\min }\≤U_{Gi}\≤U_{Gi}^{\max },i=1,2,...N_G\\ Q_{Gi}^{\min }\≤Q_{Gi}\≤Q_{Gi}^{\max },i=1,2,...N_G\\ U_i^{\min }\≤U_i\≤U_i^{\max },i=1,2,...N_{PG}\end{array};$

其中，N_G、N_PV和N_PQ分别为发电机、PV节点集合和PQ节点集合；G_ij、B_ij和θ_ij分别为节点i与j之间的线路电导、电纳和电压相角差；分别为第i个PQ节点的电压下限和电压上限；P_i和Q_i分别为PQ节点的有功功率和无功功率；U_Gi和分别为发电机机端电压下限、机端电压和机端电压上限；Q_Gi、和分别为节点发电机无功出力、无功出力上限和无功出力下限。

5.如权利要求1所述的一种基于渐进学习的分级电压调控方法，其特征是，所述步骤(2)中，RBF神经网络模型结构由输入层、隐含层和输出层组成，该网络模型从输入层到隐含层为非线性映射，隐含层到输出层为线性映射，以电压目标值样本序列作为输入Xn，以高斯核函数作为隐含层径向基函数，以调控周期内的累计网损率作为输出P。

6.如权利要求1所述的一种基于渐进学习的分级电压调控方法，其特征是，所述步骤(2)中，主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数具体为：

$p_{rate}=\underset{j=1}{\overset{N_h}{\Σ}}{w}_j\exp (-\frac{\left(\right||Vgoal-C_j|\left|\right)}{2{{\mathrm{\δ}}_j}^2});$

其中，P_rate为累计网损率，V_goal为主导节点电压目标值，_Nh为隐含层神经元的个数，C_j、δ_j分别为第j个隐含层神经元的中心和扩展常数，w_j为第j个隐含层神经元与输出的权重系数。

7.如权利要求1所述的一种基于渐进学习的分级电压调控方法，其特征是，所述步骤(4)中，修正后全网无功优化目标函数具体为：

minF＝(1-α)P_L/Pgs+αPrate；

其中，P_L为当前断面的网损，Pgs为总发电量，Prate为根据主导节点电压目标值与三级电压控制周期内累计网损率之间的拟合函数预估的本调控周期内的累计网损率，α为权重系数，0≤α≤1；F表示考虑累计网损率和当前网损率加权的目标函数。