CN112488442A - 基于深度强化学习算法及源荷不确定性的配电网重构方法 - Google Patents

基于深度强化学习算法及源荷不确定性的配电网重构方法 Download PDF

Info

Publication number
CN112488442A
CN112488442A CN202011183389.XA CN202011183389A CN112488442A CN 112488442 A CN112488442 A CN 112488442A CN 202011183389 A CN202011183389 A CN 202011183389A CN 112488442 A CN112488442 A CN 112488442A
Authority
CN
China
Prior art keywords
distribution network
power distribution
reconstruction
network
stage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011183389.XA
Other languages
English (en)
Other versions
CN112488442B (zh
Inventor
张绍辉
鲍薇
赵斌成
韩学山
王明强
辛忠良
燕跃豪
景中炤
杨永勃
陈玉蛟
李玉倩
季国剑
钟浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Shandong University
Zhengzhou Power Supply Co of Henan Electric Power Co
Original Assignee
State Grid Corp of China SGCC
Shandong University
Zhengzhou Power Supply Co of Henan Electric Power Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Shandong University, Zhengzhou Power Supply Co of Henan Electric Power Co filed Critical State Grid Corp of China SGCC
Priority to CN202011183389.XA priority Critical patent/CN112488442B/zh
Publication of CN112488442A publication Critical patent/CN112488442A/zh
Application granted granted Critical
Publication of CN112488442B publication Critical patent/CN112488442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于深度强化学习算法及源荷不确定性的配电网重构方法，根据在分布式能源大规模并网的背景下，配电网重构过程中，受环境因素和人为因素等的影响，分布式能源的可用性及配电系统负荷可能与预测不符，若仍按照预想的离线优化方案进行配电网重构，则在实际的重构过程中，可能会出现电压越限的可靠性问题和网损增大的经济性问题，因此事前制定的重构方案虽然可以给调度运行人员一定的指导，但可能无法直接用于实际重构过程，因此，本发明提出的深度强化学习求解配电网重构的方法，基于配电网中分布式能源出力、网络负荷的不确定性问题，可通过日前神经网络的训练，实现针对含分布式能源的配电网重构在线算法，实现配电网重构的秒级求解。

Description

基于深度强化学习算法及源荷不确定性的配电网重构方法
技术领域：
本发明涉及配网技术领域，特别是涉及一种基于深度强化学习算法及源荷不确定性的配电网重构方法。
背景技术：
配电网重构是通过配电网联络开关位置的调整，以达到降低损耗、均衡负荷、提高供电可靠性、安全性、经济性为目的的优化决策过程，配电网重构的结果一般需满足配电网辐射运行约束。近年来，分布式能源发展迅速，其经济性、环保性的特点也越来越受到重视，必将得到更广泛的应用。
目前，国内外学者对分布式电源接入配电网的重构方法进行了大量的研究。有的引入区间数以描述各种不确定量，以区间数描述最小化网损为目标函数，建立了含DG和电动汽车的配电网重构区间描述方法。有的提出通过充分利用主动配电网快速重构和分布式能源调控手段，降低配电公司的运行成本，引导配电公司实现更多的新能源消纳。有的考虑可信度时段差异性，提出通过协调优化制定合理的调度计划，给可信度差的时段留有更大的裕度，降低运行风险。这些研究为分布式能源接入后的配电网重构提供了理论依据，但通过增大配电系统运行的保守性，来降低分布式能源和负荷的不确定性对配电网的运行风险。未能解决，在配电网源荷水平确定且与预期不符情况下，如何快速的实现合理的配电网重构。
有源配电网日前重构是以风光荷的日前预测数据为基础，制定满足预期目标的日重构方案，但是日前预测与实际运行状况存在一定的误差，这可能导致日前重构方案在实际运行中出现电压越限、功率过载、网损增大等运行风险，要求做到快速在线调节。配电网的电压治理要应对更大挑战。
发明内容：
本发明所要解决的技术问题是：克服现有技术的不足，运用深度强化学习(DRL)算法，针对配电网运行历史中的电源和负荷水平进行最优开关状态选择的预学习，学习完成后，可以快速得到不同源荷状态配电网的最优拓扑状态的基于深度强化学习算法及源荷不确定性的配电网重构方法。
本发明的技术方案是：一种基于深度强化学习算法及源荷不确定性的配电网重构方法，基于配电网中分布式能源出力、网络负荷的不确定性问题，可通过日前神经网络的训练，实现针对含分布式能源的配电网重构在线算法，实现配电网重构的秒级求解，其具体步骤是：
步骤一，通过日前神经网络，将各时刻的分布式能源、负荷的功率预测值的置信区间离散化为区间形式，进行神经网络的预学习；
步骤二，离线学习中，随机地初始化Actor神经网络各开关动作概率和Critic神经网络各拓扑状态的状态-动作值函数Q，在线学习中，采取离线学习获得的神经网络值为初值；
步骤三，根据现在的开关状态和现在的分布式能源和负荷功率，确定现在的配电网运行状态；在Actor和Critic神经网络指导下进行MCTS搜索各阶段的最优开关动作，在每一阶段均可对Actor网络进行更新，直至最终阶段，选择Q值最高的开关动作；
步骤四，依据步骤三中所得的最优开关动作进行潮流计算，求此开关状态下的网损，得到实际的动作奖励，对Critic神经网络进行修正；
步骤五，判断配电网重构过程是否收敛，收敛则配电网重构终止，并输出最终配电网运行状态价值和各阶段开关动作概率，不收敛则返回步骤一对配电网重构方案进行再次校订。
进一步的，所述步骤一中，每个配电网中存在数量有限的联络开关，把一个联络开关闭合形成环网，再将环网中某分段开关打开重新形成辐射状网络的过程称为一个阶段，配电网中联络开关的数量就是配电网重构的总阶段数量，描述阶段的变量称为阶段变量，用i表示，设共有n个联络开关。
进一步的，所述步骤二中，学习内容首先是配电网历史运行中出现的各种运行状态，其次，依据分布式能源和负荷的功率所在区间内的概率分布，对不同的功率值采取对应的概率取样，获得新的状态空间样本。
进一步的，所述步骤三中，配电网运行过程中，确定的配电网中，其拓扑结构、各节点分布式能源和负荷的功率，表述为该配电网运行状态，在配电网重构的第i阶段，配电网运行状态si通过配电网重构动作，转移到运行状态si+1。
进一步的，所述步骤三中，开关动作的寻优过程中，需要考虑的约束条件包括：重构网络辐射式约束、线路容量约束、节点电压约束、潮流约束、DG出力约束。
进一步的，所述步骤四中，在确定的配电网运行状态下，第i阶段某分段开关的开断为一个动作，表示为ai，将每个阶段的动作空间定义为下一阶段的环境，对于配电网重构，当重构完成最终阶段的开关状态选择，形成的配电网运行状态的优劣不一，对重构效果好的重构措施给予正的R值，对重构效果更好的措施给予更高的R值，对效果差的重构措施给予负的R值
Figure BDA0002750786830000031
式中，Ploss,r表示实际重构结果的网损值，Ploss表示配电网初始运行状态的网损值。
进一步的，所述步骤五中，是否收敛的判断标准为，当配电网重构实现的最终达到预设最大的迭代次数或者神经你网络的动作概率和状态动作值更新小于设定阈值，配电网重构终止。
本发明的有益效果是：
本发明根据在分布式能源大规模并网的背景下，配电网重构过程中，受环境因素和人为因素等的影响，分布式能源的可用性及配电系统负荷可能与预测不符，若仍按照预想的离线优化方案进行配电网重构，则在实际的重构过程中，可能会出现电压越限的可靠性问题和网损增大的经济性问题，因此事前制定的重构方案虽然可以给调度运行人员一定的指导，但可能无法直接用于实际重构过程；因此，本发明提出的深度强化学习求解配电网重构的方法，基于配电网中分布式能源出力、网络负荷的不确定性问题，运用深度强化学习(DRL)算法，针对配电网运行历史中的电源和负荷水平进行最优开关状态选择的预学习，学习完成后，可通过日前神经网络的训练，实现针对含分布式能源的配电网重构在线算法，实现配电网重构的秒级求解，快速得到不同源荷状态配电网的最优拓扑状态。
附图说明：
图1为本发明的理论流程框图。
图2为本发明的分布式能源出力和负荷功率的概率分布图。
具体实施方式：
实施例：参见图1和图2。
基于深度强化学习算法及源荷不确定性的配电网重构方法，根据在分布式能源大规模并网的背景下，配电网重构过程中，受环境因素和人为因素等的影响，分布式能源的可用性及配电系统负荷可能与预测不符，若仍按照预想的离线优化方案进行配电网重构，则在实际的重构过程中，可能会出现电压越限的可靠性问题和网损增大的经济性问题。因此事前制定的重构方案虽然可以给调度运行人员一定的指导，但可能无法直接用于实际重构过程。本发明提出的深度强化学习求解配电网重构的方法，基于配电网中分布式能源出力、网络负荷的不确定性问题，可通过日前神经网络的训练，实现针对含分布式能源的配电网重构在线算法，实现配电网重构的秒级求解。
下面结合附图和实施例对本申请进行详细描述。
构建基于深度强化学习理论的计及分布式能源出力和负荷预测不确定性的配电网重构的理论框图，如图1所示，假设分布式能源出力和负荷功率均服从正态分布，如图2所示。
步骤一，通过日前神经网络，将各时刻的分布式能源、负荷的功率预测值的置信区间离散化为区间形式，进行神经网络的预学习；
步骤一中，每个配电网中存在数量有限的联络开关，把一个联络开关闭合形成环网，再将环网中某分段开关打开重新形成辐射状网络的过程称为一个阶段，配电网中联络开关的数量就是配电网重构的总阶段数量，描述阶段的变量称为阶段变量，用i表示，设共有n个联络开关。
图中，fp,t(Pp,t)表示时刻t各节点分布式光伏功率预测值和负荷出力Pp,t的概率密度函数。如图所示，t时刻分布式光伏出力和各节点负荷的预期出力的分布区间可以分别表示为[Ppv,t-βpvσpv,t,Ppv,t+αpvσpv,t]、[Ppl,t-βplσpl,t,Ppl,t+αplσpl,t]。其中：σpv,t、σpl,t分别为功率概率分布的标准差；αpv、βpv、αpl、βpl分别为功率实际高于、低于预测值的置信系数。本文在对配电网重构进行训练的过程中，依照其出力的概率在其功率分布区间内随机取值进行配电网重构开关状态的选择。
一般在配电网中，分布式光伏常采取恒功率控制，功率因数
Figure BDA0002750786830000051
将各时刻的分布式能源、负荷的功率预测值的置信区间离散化为区间形式，各区间长度ΔP表示为如下形式
Figure BDA0002750786830000061
式中，K为偶数，Pp,t是时刻t的分布式能源或负荷的预测值，其经过离散化后，共包括[0,ΔP)、…、[Pp,t,Pp,t+ΔP)、…、[Pp,max-ΔP,Pp,max]合计K个区间。设分布式能源或负荷实际出力落于区间[a,b)内，则取状态值为
Figure BDA0002750786830000062
设每一阶段所形成环网的分段开关数量分别为n1、n2、…、nN，设配电网共有node个节点，x个分布式能源接入，则，配电网状态输入空间中共包含n1·n2…nn·Knode+x个状态。
步骤二，离线学习中，随机地初始化Actor神经网络各开关动作概率和Critic神经网络各拓扑状态的状态-动作值函数Q，在线学习中，采取离线学习获得的神经网络值为初值；
步骤二中，学习内容首先是配电网历史运行中出现的各种运行状态，其次，依据分布式能源和负荷的功率所在区间内的概率分布，对不同的功率值采取对应的概率取样，获得新的状态空间样本。
步骤三，根据现在的开关状态和现在的分布式能源和负荷功率，确定现在的配电网运行状态；在Actor和Critic神经网络指导下进行MCTS搜索各阶段的最优开关动作，在每一阶段均可对Actor网络进行更新，直至最终阶段，选择Q值最高的开关动作；
步骤三中，配电网运行过程中，确定的配电网中，其拓扑结构、各节点分布式能源和负荷的功率，表述为该配电网运行状态，在配电网重构的第i阶段，配电网运行状态si通过配电网重构动作，转移到运行状态si+1。
步骤三中，开关动作的寻优过程中，需要考虑的约束条件包括：重构网络辐射式约束、线路容量约束、节点电压约束、潮流约束、DG出力约束。
(1)潮流约束
计及分布式能源并网的配电网潮流计算模型。
Figure BDA0002750786830000071
(2)节点电压约束
Ui,min≤Ui≤Ui,max i＝1,…,n (3)
即要求节点电压实际值应满足节点电压的上、下限值，一般上限值取1.05，下限值取0.9.
(3)支路容量约束
Figure BDA0002750786830000072
Pi,jk、Qi,jk分别表示流经支路jk的有功和无功功率，Si,jkmax表示线路的最大复功率传输容量。
(4)DG出力约束
Figure BDA0002750786830000073
Pi,DG、Qi,DG分别表示第i个并网的分布式能源的有功出力和无功出力，Si,DGN表示第i个分布式能源并网逆变器的容量。
(5)网络辐射式约束
在联络开关闭合形成环形网络后应该断开该环网内某一个分段开关，保证配电网络的辐射状拓扑。
步骤四，依据步骤三中所得的最优开关动作进行潮流计算，求此开关状态下的网损，得到实际的动作奖励，对Critic神经网络进行修正；
步骤四中，在确定的配电网运行状态下，第i阶段某分段开关的开断为一个动作，表示为ai，将每个阶段的动作空间定义为下一阶段的环境，对于配电网重构，当重构完成最终阶段的开关状态选择，形成的配电网运行状态的优劣不一，对重构效果好的重构措施给予正的R值，对重构效果更好的措施给予更高的R值，对效果差的重构措施给予负的R值
Figure BDA0002750786830000081
式中，Ploss,r表示实际重构结果的网损值，Ploss表示配电网初始运行状态的网损值。
步骤五，判断配电网重构过程是否收敛，收敛则配电网重构终止，并输出最终配电网运行状态价值和各阶段开关动作概率，不收敛则返回步骤一对配电网重构方案进行再次校订。
步骤五中，是否收敛的判断标准为，当配电网重构实现的最终达到预设最大的迭代次数或者神经你网络的动作概率和状态动作值更新小于设定阈值，配电网重构终止。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于深度强化学习算法及源荷不确定性的配电网重构方法，基于配电网中分布式能源出力、网络负荷的不确定性问题，可通过日前神经网络的训练，实现针对含分布式能源的配电网重构在线算法，实现配电网重构的秒级求解，其具体步骤是：
步骤一，通过日前神经网络，将各时刻的分布式能源、负荷的功率预测值的置信区间离散化为区间形式，进行神经网络的预学习；
步骤二，离线学习中，随机地初始化Actor神经网络各开关动作概率和Critic神经网络各拓扑状态的状态-动作值函数Q，在线学习中，采取离线学习获得的神经网络值为初值；
步骤三，根据现在的开关状态和现在的分布式能源和负荷功率，确定现在的配电网运行状态；在Actor和Critic神经网络指导下进行MCTS搜索各阶段的最优开关动作，在每一阶段均可对Actor网络进行更新，直至最终阶段，选择Q值最高的开关动作；
步骤四，依据步骤三中所得的最优开关动作进行潮流计算，求此开关状态下的网损，得到实际的动作奖励，对Critic神经网络进行修正；
步骤五，判断配电网重构过程是否收敛，收敛则配电网重构终止，并输出最终配电网运行状态价值和各阶段开关动作概率，不收敛则返回步骤一对配电网重构方案进行再次校订。
2.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤一中，每个配电网中存在数量有限的联络开关，把一个联络开关闭合形成环网，再将环网中某分段开关打开重新形成辐射状网络的过程称为一个阶段，配电网中联络开关的数量就是配电网重构的总阶段数量，描述阶段的变量称为阶段变量，用i表示，设共有n个联络开关。
3.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤二中，学习内容首先是配电网历史运行中出现的各种运行状态，其次，依据分布式能源和负荷的功率所在区间内的概率分布，对不同的功率值采取对应的概率取样，获得新的状态空间样本。
4.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤三中，配电网运行过程中，确定的配电网中，其拓扑结构、各节点分布式能源和负荷的功率，表述为该配电网运行状态，在配电网重构的第i阶段，配电网运行状态si通过配电网重构动作，转移到运行状态si+1。
5.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤三中，开关动作的寻优过程中，需要考虑的约束条件包括：重构网络辐射式约束、线路容量约束、节点电压约束、潮流约束、DG出力约束。
6.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤四中，在确定的配电网运行状态下，第i阶段某分段开关的开断为一个动作，表示为ai，将每个阶段的动作空间定义为下一阶段的环境，对于配电网重构，当重构完成最终阶段的开关状态选择，形成的配电网运行状态的优劣不一，对重构效果好的重构措施给予正的R值，对重构效果更好的措施给予更高的R值，对效果差的重构措施给予负的R值
Figure FDA0002750786820000021
式中，Ploss,r表示实际重构结果的网损值，Ploss表示配电网初始运行状态的网损值。
7.根据权利要求1所述的基于深度强化学习算法及源荷不确定性的配电网重构方法，其特征是：所述步骤五中，是否收敛的判断标准为，当配电网重构实现的最终达到预设最大的迭代次数或者神经你网络的动作概率和状态动作值更新小于设定阈值，配电网重构终止。
CN202011183389.XA 2020-10-29 2020-10-29 基于深度强化学习算法及源荷不确定性的配电网重构方法 Active CN112488442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011183389.XA CN112488442B (zh) 2020-10-29 2020-10-29 基于深度强化学习算法及源荷不确定性的配电网重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011183389.XA CN112488442B (zh) 2020-10-29 2020-10-29 基于深度强化学习算法及源荷不确定性的配电网重构方法

Publications (2)

Publication Number Publication Date
CN112488442A true CN112488442A (zh) 2021-03-12
CN112488442B CN112488442B (zh) 2022-08-30

Family

ID=74927841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011183389.XA Active CN112488442B (zh) 2020-10-29 2020-10-29 基于深度强化学习算法及源荷不确定性的配电网重构方法

Country Status (1)

Country Link
CN (1) CN112488442B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114665478A (zh) * 2022-05-23 2022-06-24 国网江西省电力有限公司电力科学研究院 一种基于多目标深度强化学习的主动配电网重构方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763034A (zh) * 2009-12-01 2010-06-30 深圳市科陆电子科技股份有限公司 在配网终端实现自适应网络恢复重构的方法
CN106253335A (zh) * 2016-06-16 2016-12-21 上海交通大学 一种分布式电源容量与接入位置不确定的配电网规划方法
CN107634518A (zh) * 2017-09-21 2018-01-26 国网福建省电力有限公司 一种“源‑网‑荷”相协调的主动配电网经济调度方法
US20180269687A1 (en) * 2017-03-17 2018-09-20 General Electric Technology Gmbh Scalable flexibility control of distributed loads in a power grid
JP2019041574A (ja) * 2018-10-25 2019-03-14 エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー 電力網の電力網区分間の負荷対電力発生を平衡化するための方法及びシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763034A (zh) * 2009-12-01 2010-06-30 深圳市科陆电子科技股份有限公司 在配网终端实现自适应网络恢复重构的方法
CN106253335A (zh) * 2016-06-16 2016-12-21 上海交通大学 一种分布式电源容量与接入位置不确定的配电网规划方法
US20180269687A1 (en) * 2017-03-17 2018-09-20 General Electric Technology Gmbh Scalable flexibility control of distributed loads in a power grid
CN107634518A (zh) * 2017-09-21 2018-01-26 国网福建省电力有限公司 一种“源‑网‑荷”相协调的主动配电网经济调度方法
JP2019041574A (ja) * 2018-10-25 2019-03-14 エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー 電力網の電力網区分間の負荷対電力発生を平衡化するための方法及びシステム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李笑竹等: "考虑荷源双侧不确定性的跨区域灵活性鲁棒优化运行策略", 《高电压技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114665478A (zh) * 2022-05-23 2022-06-24 国网江西省电力有限公司电力科学研究院 一种基于多目标深度强化学习的主动配电网重构方法

Also Published As

Publication number Publication date
CN112488442B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
El Helou et al. Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power
Pei et al. Multi-task reinforcement learning for distribution system voltage control with topology changes
Zhang et al. Deep reinforcement learning for load shedding against short-term voltage instability in large power systems
CN110163540B (zh) 电力系统暂态稳定预防控制方法及系统
CN115313403A (zh) 一种基于深度强化学习算法的实时电压调控方法
CN115912367A (zh) 一种基于深度强化学习的电力系统运行方式智能生成方法
CN116826722A (zh) 基于admm的分布式光伏最大接入容量评估方法及系统
CN112012875B (zh) 一种水轮机调节系统pid控制参数的优化方法
Hu et al. Deep reinforcement learning based coordinated voltage control in smart distribution network
CN113178868A (zh) 一种柔性互联配电系统电压优化方法
Helou et al. Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power
CN114722693B (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
CN112488442A (zh) 基于深度强化学习算法及源荷不确定性的配电网重构方法
Liu et al. A deep reinforcement learning framework for automatic operation control of power system considering extreme weather events
CN117543607A (zh) 一种基于遗传算法的配网无功优化方法
Liao et al. A Distributed Deep Reinforcement Learning Approach for Reactive Power Optimization of Distribution Networks
Ge et al. Voltage Control by Smart Sustainable Buildings: Data-Driven vs OPF-based Techniques
CN115133540A (zh) 一种配电网无模型的实时电压控制方法
Xiangyu et al. Regional power grid AGC control strategy research based on Q-learning algorithm under WACPB mode
CN115800397A (zh) 一种配电台区拓扑优化方法、系统、设备及介质
Zhao et al. Fast reconfiguration of distribution network based on deep reinforcement learning algorithm
Kang et al. Power flow coordination optimization control method for power system with DG based on DRL
CN115411739B (zh) 数据-物理融合驱动的柔性配电系统自适应电压控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant