CN112994016B - 一种用于电力系统潮流的恢复可解性调整方法及系统 - Google Patents
一种用于电力系统潮流的恢复可解性调整方法及系统 Download PDFInfo
- Publication number
- CN112994016B CN112994016B CN202110271031.0A CN202110271031A CN112994016B CN 112994016 B CN112994016 B CN 112994016B CN 202110271031 A CN202110271031 A CN 202110271031A CN 112994016 B CN112994016 B CN 112994016B
- Authority
- CN
- China
- Prior art keywords
- power
- follows
- nodes
- state
- balance degree
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 76
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 230000002787 reinforcement Effects 0.000 claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 13
- 230000008707 rearrangement Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于电力系统潮流的恢复可解性调整方法及系统，属于电力系统技术领域。本发明方法，包括：获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；根据GCRNN确定电力系统的时空融合潮流状态评估结果；根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性。本发明可缓解目前大电网潮流无解所带来的人力和时间成本消耗问题，实现了潮流数据的时空特征的提取，通过引入搜索方向、学习信息提取以及搜索空间约束，提高了深度强化学习的学习效率。
Description
技术领域
本发明涉及电力系统技术领域，并且更具体地，涉及一种用于电力系统潮流的恢复可解性调整方法及系统。
背景技术
潮流计算是电力系统分析中最基本、最重要的计算，是电力系统运行方式、规划方案研究中稳态分析的基础，也是电力系统动态分析的出发点。从数学角度看，潮流计算的本质是求解非线性方程，如果方程的解不存在，则被称为潮流无解。潮流无解目前主要通过人工进行调整，调整过程繁杂且依赖人工经验，效率较低。在中国，大电网的网架和机组状态不停在变化，每年都需要集中大量的人员进行方式计算，其中潮流无解问题会不断地被遇到。并且，当计算人员的经验欠缺时，将耗费大量的时间来解决潮流无解问题。因此，目前亟需一种潮流恢复可解性自动调整方法，使工作更高效、精准，从而解放人力。
关于潮流恢复可解性的调整问题，研究人员已进行了多种尝试，Overbye T J.根据系统有解边界的特性，研究了反映潮流无解程度的指标，并提出了一种潮流无解调整的方法。Granville S等研究了基于内点法的潮流无解调整方法，但因其计算规模太大而实用性不强。李敏等人将潮流无解归因于某条或者某几条薄弱输送通道超过功率传输极限，并根据该理论提出了一种潮流无解调整方法。于尔铿等人提出了重新选择平衡机位置、预处理不平衡功率等调整措施。王毅等人通过转移有功、无功不平衡功率的位置，实现潮流调整，从而形成用于调度计划安全稳定校核的潮流数据。李智欢等人通过将所有节点设置为PV节点，从而得到无功补偿量，然后逐一恢复至PQ节点，得到可解的潮流。以上根据数学方法或者经验给出的调整手段往往仅适用于小算例或者特定电网，在实际大电网中的效果有限。
随着人工智能技术的兴起，已有部分研究将人工智能技术在潮流分析上的应用进行了初步尝试。张惠山等人基于知识库模拟了潮流方式编排，开发了智能化的区域电网运行方式编排决策支持系统，孙欣等人通过聚类分析，提取并表征了电网运行状态的特征变量，实现了电网运行方式的精细化管理。
Le T L等人将静态网络等效和专家系统相结合，提出了一种大范围电网无功电压调整的方法，李兴华等人利用专家系统的规则对潮流进行调整，但该方法明显存在一定的局限性，不能使任意潮流调整收敛，上述研究主要将专家知识融入知识库，利用形式化建模的专家经验来解决实际问题，但这种模型缺少灵活性和自探索机制，并且，少有研究将深度学习和强化学习引入到潮流计算收敛的调整中。
发明内容
针对上述问题，本发明提出了一种用于电力系统潮流的恢复可解性调整方法，包括：
获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
根据GCRNN确定电力系统的时空融合潮流状态评估结果；
根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性。
可选的，功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
所述有功平衡程度，满足区域内的有功功率量平衡约束，如下：
∑PL(1+ΔLmin％)≤∑PG≤∑PL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
所述无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
所述输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数。
可选的，综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
可选的，根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
所述不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
所述输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTVi和VTVi分别为与电压相角和电压幅值有关的TV。
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
所述网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置。
可选的，强化学习，包括状态空间构建、动作空间构建及奖赏设置；
所述状态空间构建，具体为：将切线向量进行节点重排后作为状态；
所述动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
所述奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
本发明还提出了一种用于电力系统潮流的恢复可解性调整系统，包括：
评价指标确定单元，获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
评价结果获取单元，根据GCRNN确定电力系统的时空融合潮流状态评估结果；
调整单元，根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性。
可选的，功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
所述有功平衡程度，满足区域内的有功功率量平衡约束，如下：
∑PL(1+ΔLmin％)≤∑PG≤ΣPL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
所述无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
所述输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数。
可选的，综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
可选的，根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
所述不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
所述输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTVi和VTVi分别为与电压相角和电压幅值有关的TV。
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
所述网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置。
可选的，强化学习，包括状态空间构建、动作空间构建及奖赏设置；
所述状态空间构建，具体为：将切线向量进行节点重排后作为状态；
所述动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
所述奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
本发明可缓解目前大电网潮流无解所带来的人力和时间成本消耗问题，实现了潮流数据的时空特征的提取，通过引入搜索方向、学习信息提取以及搜索空间约束，提高了深度强化学习的学习效率。
附图说明
图1为本发明方法的流程图；
图2为本发明方法原理的示意图；
图3为本发明中迭代过程中各收敛性评价指标的变化图；
图4为本发明实施例36节点系统测试样本结果图；
图5为本发明实施例东北电网测试样本结果图；
图6为本发明实施例方案对比结果图；
图7为本发明系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种用于电力系统潮流的恢复可解性调整方法，如图1所示，包括：
获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
根据GCRNN确定电力系统的时空融合潮流状态评估结果；
根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性。
其中，功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
其中，有功平衡程度，满足区域内的有功功率量平衡约束，如下：
ΣPL(1+ΔLmin％)≤ΣPG≤∑PL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
其中，无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
其中，输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数。
其中，综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
其中，根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
其中，不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
其中，输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTVi和VTVi分别为与电压相角和电压幅值有关的TV。
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
其中，网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置。
其中，强化学习，包括状态空间构建、动作空间构建及奖赏设置；
其中，状态空间构建，具体为：将切线向量进行节点重排后作为状态；
其中，动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
其中，奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
下面结合实施例对本发明进行进一步的说明：
本发明原理如图2所示，包括基于功率平衡的潮流可解性综合评价、基于GCRNN的时空融合潮流状态评估、以及基于深度强化学习的潮流无解调整，功率平衡的潮流可解性综合评价是潮流当前状态评估的基础，所述基于GCRNN的时空融合潮流状态评估是深度学习建立的基础，所述基于深度强化学习的潮流无解调整方法是恢复可解性的核心方案。
基于功率平衡的潮流可解性综合评价，包括有功平衡程度、无功平衡程度、输电断面越限程度，通过加权最终得到综合评价指标。
有功平衡程度，指在考虑网损的情况下，区域内的有功功率量基本平衡。即满足下式：
∑PL(1+ΔLmin％)≤∑PG≤∑PL(1+ΔLmax％)
式中∑PG是各节点发电量之和；∑PL是各节点负荷量之和；ΔLmin％是网损的合理下限；ΔLmax％是网损的合理上限。
当有功功率符合上述约束，定义有功平衡程度为1，否则，发电机与负荷的差值越大，有功平衡程度越小。则有功平衡程度μP可定义为：
无功平衡程度，可定义为节点目前已补偿的无功与目标值的比，具体公式如下:
其中，为第i个节点目前已补偿的无功功率；/>为第i个节点的无功补偿目标值，即该节点设置为PV节点时所发出的无功。
输电断面越限程度，根据所估算的断面输送功率，对比断面功率约束，判断每个断面的越限情况，因此，可表示为：
其中，为第i个断面的输送功率；/>为第i个断面的功率约束；NC为断面个数。
综合评价指标，可表示为：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2和ω3分别为权重系数。
基于GCRNN的时空融合潮流状态评估，指采用图卷积神经网络来提取系统的空间特征，并结合RNN来实现不同时间轴信息的交互，包括输入输出参数的选择和网络结构的构建。
输入输出参数的选择，将TV先按节点个数重排行列，再按节点之间的电气距离重排节点编号。根据节点个数，将相同节点的TTV和VTV排在一行，重新排列的TV'如下式：
通过计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
网络结构的构建，为获取不同时间轴的信息，将图卷积与RNN相结合，将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置。
基于深度强化学习的潮流无解调整方法，采用doubledeep Q learning network(DDQN)来学习和调整潮流使其恢复可解性。强化学习的构建包括状态空间、动作空间以及奖赏设置。Loss function L的公式如下所示。
L＝(r+γQtarg(s',arg maxaQeva(s',a))-Qeva(s,a))2
其中，s、a和r分别为当前时刻的状态、动作和奖赏，s′为下一时刻的状态，Qeva和Qtarg分别为评估网络和目标网络的动作值函数，γ∈[0,1]为折扣因子。
状态空间的设置，DDQN的状态即神经网络的输入参数，为使神经网络的输入既能体现网络有功功率和无功功率的分布情况，又能体现空间特征，将切线向量进行节点重排后作为状态。
动作空间的设置，动作空间主要包括发电机出力、机端电压、无功补偿设备的投入状态、节点类型等可控变量的组合。
奖赏的设置，分为三类，第一类是潮流计算结果得到的奖赏，第二类是可解性评价得到的奖赏，第三类是符合约束条件得到的奖赏。
本发明实施例中，先通过小算例进行验证，在小算例上运用本发明的方法，通过潮流可解性地评估来调整潮流，使无解的样本调整运行方式从而可解。测试结果验证了本发明的有效性。
小算例中，为接近实际工程，在CEPRI36节点系统的低压母线上加入电容器和电抗器，使系统能承受更大的潮流和更多的无功不平衡。基于系统本身的初始收敛潮流，在0-4倍之间随机改变发电机和负荷，同时改变电容电抗器的投切情况，生成9711组数据。经潮流计算，在9711组数据中，其中4310组数据收敛、5401组数据不收敛。将4000组不收敛的数据作为训练集，1000组数据作为测试集。
潮流可解性综合评价指标，如图3所示，指标1-3分别为定义的有功平衡程度、无功平衡程度以及断面越限程度，可以看出，第1步平衡完有功后，各样本便基本无有功问题，对于无功平衡，在加PV节点过程中，无法定量衡量无功的平衡情况，因此前期指标2均为0，后期在不断增加和减少不同的PV节点后，如果潮流收敛了，则在所加PV节点附近投切等效的电容器或者电抗器，在这个过程中，通过目标无功补偿和现有无功补偿来衡量无功平衡情况，可以看出，样本1和样本2均能在这个时间段内通过加PV节点收敛，然后投切电容电抗器逐渐平衡无功，但样本3由于初始的有功不平衡程度太大，导致无功也难以平衡。对于断面越限情况，在整个迭代过程中都可能出现断面越限，不过出现的次数和大小会逐渐降低。
测试结果，如图4所示，100step和300step表示强化学习中1个episode所包含的步数，也就是同一个潮流调整的最大步数。可以看出，当每个episode包括100步时，55.2％能在20步内收敛，8.6％在100步内难以收敛。当每个episode包括300步时，只有1.7％难以收敛，说明增加每个episode的步数，即增多每个样本调整的步数，可以提升潮流调整收敛的概率，但是效果也是十分有限的，同时会增加训练时长。
本发明实施例中，在东北电网进行验证，运用本发明的方法，通过平衡有功功率和无功功率来调整潮流，使不收敛的样本调整运行方式从而计算收敛，测试结果验证了本发明在实际系统中的有效性。并通过与其他方法进行了比较测试。
测试结果，如图5所示，相对于39节点系统，东北电网在方案1下的结果比方案的结果差很多，主要由于在大电网中，投切电容器的范围更广，更不容易有效平衡无功，在方案2下，当每个episode包括100步时，43.2％能在10步内收敛，9.7％在100步内难以收敛，当每个episode包括300步时，只有2.5％难以收敛，调整收敛的效果相对36节点系统有所降低，因为在实际系统中，平衡无功变得复杂，除了需要考虑重载变电站，还要计及新能源和直流的影响，但是在生成的样本中，不可调整收敛的样本都是潮流过重的情况，这种情况在实际工程中很难遇到，因此本方法在实际工程中还是可行的。
对比测试，如图6所示，测试结果是无可解性综合评价、无动作空间约束、基于知识和经验的专家系统、仅使用人工神经网络、内点法和传输路径法的调整结果，可以看出，如果不对可解性进行综合评价，对解的搜索就会失去方向，导致学习速度下降，在有效调整范围内无法求解的样本数增加，如果没有动作空间的约束，学习效率会大大降低，样本无法调整恢复的可解性提高到30.6％。仅利用人工经验进行调整，由于灵活性低，存在一定的局限性。因此调整恢复可解性的成功率大大降低。如果只使用人工神经网络，而不考虑特征的提取，则会导致样本数的略微增加，无法在有效调整范围内恢复可解性。内点法16％无解。它以最小切削载荷为目标。但对于大型电网，由于计算复杂度高，很难得到未切除负荷的计算结果。采用传输路径法，25％无解。因为它依赖于潮流缩减后的近似解。如果潮流与原潮流相差较大，将直接影响调节效果。
本发明的工作原理是：将GCN和RNN相结合，实现了潮流数据的时空特征的提取，通过引入搜索方向、学习信息提取以及搜索空间约束，提高了深度强化学习的学习效率。
本发明还提出了一种用于电力系统潮流的恢复可解性调整系统200，如图7所示，包括：
评价指标确定单元201，获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
评价结果获取单元202，根据GCRNN确定电力系统的时空融合潮流状态评估结果；
调整单元203，根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性。
其中，功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
其中，有功平衡程度，满足区域内的有功功率量平衡约束，如下：
ΣPL(1+ΔLmin％)≤ΣPG≤ΣPL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
其中，无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
其中，输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数。
其中，综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
其中，根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
其中，不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
其中，输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTVi和VTVi分别为与电压相角和电压幅值有关的TV。
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
其中，网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置。
其中，强化学习，包括状态空间构建、动作空间构建及奖赏设置；
其中，状态空间构建，具体为：将切线向量进行节点重排后作为状态；
其中，动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
其中，奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
本发明可缓解目前大电网潮流无解所带来的人力和时间成本消耗问题，实现了潮流数据的时空特征的提取，通过引入搜索方向、学习信息提取以及搜索空间约束，提高了深度强化学习的学习效率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种用于电力系统潮流的恢复可解性调整方法，所述方法包括：
获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
根据GCRNN确定电力系统的时空融合潮流状态评估结果；
根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性；
所述功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
所述有功平衡程度，满足区域内的有功功率量平衡约束，如下：
∑PL(1+ΔLmin％)≤∑PG≤∑PL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
所述无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
所述输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数；
所述根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
所述不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
所述输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTV1和VTV1分别为与电压相角和电压幅值有关的TV；
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
所述网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置；
所述强化学习，包括状态空间构建、动作空间构建及奖赏设置；
所述状态空间构建，具体为：将切线向量进行节点重排后作为状态；
所述动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
所述奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
2.根据权利要求1所述的方法，所述综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
3.一种用于电力系统潮流的恢复可解性调整系统，所述系统包括：
评价指标确定单元，获取电力系统的功率平衡程度，根据功率平衡程度确定潮流可解性的综合评价指标；
评价结果获取单元，根据GCRNN确定电力系统的时空融合潮流状态评估结果；
调整单元，根据综合评价指标及时空融合潮流状态评估结果，并采用DDQN对电力系统潮流进行强化学习，对电力系统潮流无解进行调整，恢复电力系统潮流可解性；
所述功率平衡程度，包括：有功平衡程度，无功平衡程度及输电断面越限程度；
所述有功平衡程度，满足区域内的有功功率量平衡约束，如下：
∑PL(1+ΔLmin％)≤∑PG≤∑PL(1+ΔLmax％)
其中，式中∑PG为节点发电量的和，∑PL为节点负荷量的和，ΔLmin％为网损的下限，Lmax％为网损的上限；
若有功功率满足有功功率量平衡约束，且定义有功平衡程度为1，则有功平衡程度为：
所述无功平衡程度，为节点目前已补偿的无功与目标值的比，如下:
其中，为第i个节点目前已补偿的无功功率，/>为第i个节点的无功补偿目标值，BQ为无功可能不平衡的关键节点；
所述输电断面越限程度，根据断面输送功率，对比断面功率约束，判断每个断面的越限情况，公式如下：
其中，为第i个断面的输送功率，/>为第i个断面的功率约束，NC为断面个数；
所述根据GCRNN确定电力系统的时空融合潮流状态评估结果，具体为：采用图卷积神经网络提取电力系统的空间特征，使用空间特征根据RNN来确定不同时间轴信息的交互；
所述不同时间轴信息的交互，包括：输入输出参数的选择和网络结构的构建；
所述输入输出参数的选择，具体为：将雅阁比矩阵的切线向量TV按节点个数重排行列，并按节点之间的电气距离重排节点编号，根据节点个数，将相同节点排在一行，重新排列的节点如下式：
其中，TTVi和VTVi分别为与电压相角和电压幅值有关的TV；
根据TV'，计算当前潮流状态的可解性综合评价指标μ，获得网络的输出o(t)：
o(t)＝f(μ)
所述网络结构的构建，具体为：将RNN单元中的全连接线性乘法改成共享权值的图卷积运算，形成GCRNN，具体公式如下：
其中，U、W和V为全局共享的参数，s(t)、h(t)和o(t)分别为t时刻的中间状态、隐藏状态和输出，D为对角矩阵，A为图的邻接矩阵，b和c分别为网络偏置；
所述强化学习，包括状态空间构建、动作空间构建及奖赏设置；
所述状态空间构建，具体为：将切线向量进行节点重排后作为状态；
所述动作空间构建，具体为：对发电机出力、机端电压、无功补偿设备的投入状态及节点类型进行组合；
所述奖赏设置，包括：潮流计算结果得到的奖赏，可解性评价得到的奖赏，及合约束条件得到的奖赏。
4.根据权利要求3所述的系统，所述综合评价指标，如下：
μ＝ω1μP+ω2μQC+ω3μC
其中，ω1、ω2、ω3为权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110271031.0A CN112994016B (zh) | 2021-03-08 | 2021-03-08 | 一种用于电力系统潮流的恢复可解性调整方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110271031.0A CN112994016B (zh) | 2021-03-08 | 2021-03-08 | 一种用于电力系统潮流的恢复可解性调整方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112994016A CN112994016A (zh) | 2021-06-18 |
| CN112994016B true CN112994016B (zh) | 2024-05-14 |
Family
ID=76335067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110271031.0A Active CN112994016B (zh) | 2021-03-08 | 2021-03-08 | 一种用于电力系统潮流的恢复可解性调整方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112994016B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048903B (zh) * | 2021-11-11 | 2024-03-26 | 天津大学 | 一种基于深度强化学习的电网安全运行策略智能优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103701119A (zh) * | 2013-12-21 | 2014-04-02 | 南京南瑞集团公司 | 一种基于无功功率调整的不收敛潮流数据的处理方法 |
| CN111209710A (zh) * | 2020-01-07 | 2020-05-29 | 中国电力科学研究院有限公司 | 一种潮流计算收敛的自动调整方法及装置 |
-
2021
- 2021-03-08 CN CN202110271031.0A patent/CN112994016B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103701119A (zh) * | 2013-12-21 | 2014-04-02 | 南京南瑞集团公司 | 一种基于无功功率调整的不收敛潮流数据的处理方法 |
| CN111209710A (zh) * | 2020-01-07 | 2020-05-29 | 中国电力科学研究院有限公司 | 一种潮流计算收敛的自动调整方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112994016A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sirjani et al. | Optimal allocation of shunt Var compensators in power systems using a novel global harmony search algorithm | |
| Kavousi-Fard et al. | Multi-objective probabilistic distribution feeder reconfiguration considering wind power plants | |
| CN110705879B (zh) | 一种高比例可再生能源接入下的电网脆弱性评估方法 | |
| CN104269867B (zh) | 一种节点扰动功率转移分布均衡度分析方法 | |
| CN104200275A (zh) | 基于用户行为特点的用电模式分类和控制方法 | |
| Titare et al. | Optimal reactive power rescheduling based on EPSDE algorithm to enhance static voltage stability | |
| CA2864463A1 (en) | Computing method for continuous power flow based on wind power fluctuation rules | |
| CN112149264A (zh) | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 | |
| Rueda et al. | Heuristic optimization based approach for identification of power system dynamic equivalents | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN103618315B (zh) | 一种基于bart算法和超吸收壁的电网电压无功优化方法 | |
| CN115940294B (zh) | 多级电网实时调度策略调整方法、系统、设备及存储介质 | |
| Li et al. | Maximum frequency deviation assessment with clustering based on metric learning | |
| CN112994016B (zh) | 一种用于电力系统潮流的恢复可解性调整方法及系统 | |
| Dinh et al. | Optimal location and size of photovoltaic systems in high voltage transmission power networks | |
| CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与系统 | |
| CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
| CN113239625A (zh) | 一种基于深度强化学习的电网稳定变化趋势预测方法及系统 | |
| US20230344242A1 (en) | Method for automatic adjustment of power grid operation mode base on reinforcement learning | |
| Wang et al. | Load model of high power magnet power supply for EAST based on GMPSO-BP neural network | |
| CN117195449A (zh) | 一种风电场排布优化方法、装置、设备及介质 | |
| CN105896547A (zh) | 一种风电接入下的大电网分级电压控制方法 | |
| Xu et al. | Optimization of emergency load shedding based on cultural particle swarm optimization algorithm | |
| Lin et al. | An online resilience assessment method for islanded distribution systems considering uncertainty of intermittent RESs and loads | |
| CN114744631A (zh) | 一种基于非pmu配电网的数据驱动电压估计方法 |
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 |