CN114362196A - 一种多时间尺度主动配电网电压控制方法 - Google Patents

一种多时间尺度主动配电网电压控制方法 Download PDF

Info

Publication number
CN114362196A
CN114362196A CN202210274867.0A CN202210274867A CN114362196A CN 114362196 A CN114362196 A CN 114362196A CN 202210274867 A CN202210274867 A CN 202210274867A CN 114362196 A CN114362196 A CN 114362196A
Authority
CN
China
Prior art keywords
voltage
node
power
capacitor bank
distribution network
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
CN202210274867.0A
Other languages
English (en)
Other versions
CN114362196B (zh
Inventor
岳东
刘思琪
窦春霞
张智俊
丁孝华
赵景涛
郑舒
黄堃
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.)
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
Original Assignee
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
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 Nanjing University of Posts and Telecommunications, State Grid Electric Power Research Institute filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210274867.0A priority Critical patent/CN114362196B/zh
Publication of CN114362196A publication Critical patent/CN114362196A/zh
Application granted granted Critical
Publication of CN114362196B publication Critical patent/CN114362196B/zh
Priority to PCT/CN2022/126084 priority patent/WO2023179003A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多时间尺度主动配电网电压控制方法，包括：建立了考虑大规模分布式电源的电压优化，以实现在分布式电源并入配电网时产生电压越限下的协同动态控制；在长时间尺度下，基于电压灵敏度分析建立调控电容器组的电压控制模型，通过无功补偿以实现在电压越限的情况下大幅度调节电压；在短时间尺度下，建立分布式电压控制模型，考虑电压越限问题，充分利用分布式电源的有功和无功出力在线求解最优控制策略，达到快速调节电压的效果。本发明在不同时间尺度下协调大规模分布式电源和电容器组，解决了主动配电网电压越限问题，调节响应速度快，电压控制效果好。

Description

一种多时间尺度主动配电网电压控制方法
技术领域
本发明属于配电网电压控制领域，具体涉及一种多时间尺度主动配电网电压控制方法。
背景技术
分布式电源作为清洁能源近年来发展迅猛，截止2020年底，光伏总装机容量已达约2.53亿千瓦，风机总装机容量已达约2.81亿千瓦。其以节能环保、运行控制灵活等优点高比例接入配电网，能够较好地调节配电网电能质量，提升供电的安全性以及可靠性。因此分布式能源大规模的接入配电网成为不可逆转的局面。然而高比例分布式电源通过电力电子器件接入配电网后，使其变成功率双向流动的有源网络，不仅会产生一系列谐波，而且会引起接入点电压的波动、闪变和暂降等电压越限问题，不仅能影响线路的安全稳定运行，而且直接影响配电网对分布式电源的消纳能力和分布式电源自身的运行效率。电压控制通过一些必要的方式能够降低电压波动大小，将电压稳定在安全裕度，是配电网自愈控制的重要方面。
现有的研究中，为了解决分布式电源接入配电网的电压越限问题，在不改变现有电网网架结构的前提下，解决的措施主要有调节有载调压变压器分接头、限制有功功率、安装无功调节装置如电容器组及电抗器、智能逆变器控制。国内外主要针对各类设备和系统的有功无功调压控制、功率控制和性能控制方面进行了诸多研究。在分布式电源高渗透率下，并网指标要求更高，随机小扰动更频繁，对系统的建模要求更高更复杂。
发明内容
本发明针对分布式电源并入配电网，对各接入点电压产生波动、闪变和暂降等引发的电压越限问题，提供了一种多时间尺度主动配电网电压控制方法，通过控制分布式电源的有功无功出力和电容器组无功补偿，从而实时控制电压，使之保持在安全范围内，保证了母线的稳定性与安全性。
为解决上述技术问题，本发明采用以下技术方案：
一种多时间尺度主动配电网电压控制方法，包括：
计算主动配电网各功率注入节点电压对无功功率的灵敏度，基于计算得到的无功电压灵敏度确定电容器组的配置节点和配置容量；
获取以节点电压越限量最小为目标函数建立的分布式电源和电容器组参与的配电网电压控制模型；
在长时间尺度下，基于所述配置节点的电容器组容量，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控电容器组的电压控制模型，对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略；
在短时间尺度下，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控分布式电源出力的电压控制模型，对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略。
进一步地，所述主动配电网各功率注入节点电压对无功功率的灵敏度，根据以下方法计算：
假设网络有S个松弛节点，N个功率注入母线节点，对于每个单独的节点功率注入扰动，其他负载发电机不改变它们的功率设定值，则注入功率和节点电压之间的关系如下：
Figure 364041DEST_PATH_IMAGE001
（3）
其中，
Figure 15602DEST_PATH_IMAGE002
为第j个母线节点的电压，
Figure 201864DEST_PATH_IMAGE003
为
Figure 393811DEST_PATH_IMAGE004
的共轭向量，
Figure 362510DEST_PATH_IMAGE005
为第i个母线节点的电压，
Figure 919393DEST_PATH_IMAGE006
为
Figure 717585DEST_PATH_IMAGE007
的共轭向量，
Figure 588589DEST_PATH_IMAGE008
为第i个节点的视在功率，
Figure 991889DEST_PATH_IMAGE009
为第i个节点与第j个节点的导纳；
对于松弛总线，认为：
Figure 516411DEST_PATH_IMAGE010
（4）
其中，Q l 为第l个母线节点的有功功率，
Figure 192112DEST_PATH_IMAGE011
为第i个母线节点的电压对第l个母线节点的无功功率的偏导数，
Figure 460282DEST_PATH_IMAGE012
；
由
Figure 390192DEST_PATH_IMAGE013
可得母线电压对无功功率的偏导数满足下列方程组：
Figure 554457DEST_PATH_IMAGE014
（5）
其中，P i 和Q i 分别为第i个节点上馈入的有功功率和无功功率，当i=l时，等式右侧为-j；当i≠l时，等式右侧为0；
通过式(4)和式(5)计算得到
Figure 327241DEST_PATH_IMAGE015
，
Figure 25201DEST_PATH_IMAGE016
后，根据以下公式计算得到最终的电压对无功功率的灵敏度：
Figure 403093DEST_PATH_IMAGE017
（6）。
进一步地，所述基于计算得到的无功电压灵敏度确定电容器组的配置节点和配置容量，包括：
选择无功电压灵敏度最大的节点为电容器组配置节点，并根据以下公式计算电容器组容量：
Figure 269417DEST_PATH_IMAGE018
（7）
其中，
Figure 670443DEST_PATH_IMAGE019
为配置节点k的电容器组容量；
Figure 280416DEST_PATH_IMAGE020
为节点i历史最大电压越限值，
Figure 512814DEST_PATH_IMAGE021
；
Figure 940253DEST_PATH_IMAGE022
为节点i电压对配置节点k无功功率灵敏度的倒数。
进一步地，所述分布式电源和电容器组参与的配电网电压控制模型的目标函数为：
Figure 687629DEST_PATH_IMAGE023
（8）
其中：U i 为第i个节点的节点电压；U N 为配电网额定电压；n为功率注入节点的个数；采用±5%为节点电压最大安全范围；
约束条件为：
Figure 976659DEST_PATH_IMAGE024
（9）
Figure 63564DEST_PATH_IMAGE025
（10）
Figure 802850DEST_PATH_IMAGE026
（11）
Figure 400971DEST_PATH_IMAGE027
（12）
其中，式（9）为潮流约束，P t,i,l 和Q t,i,l 分别为在t时刻节点i上负荷l消耗的有功功率和无功功率；P t,loss 和Q t,loss 分别为在t时刻配网线路的有功和无功损耗；P t,M 和Q t,M 分别为t时刻主网发出的有功和无功；P t,G 和Q t,G 分别为t时刻分布式电源发出的有功和无功；Q t,CB 为t时刻电容器组发出的无功功率；式（10）为节点电压约束，U i,min和U i,max分别为节点i电压最小值和最大值；U i 和U N 分别为节点i电压和配电网额定电压；式（11）为节点功率约束，P i 和Q i 分别为节点i上馈入的有功功率和无功功率；P Gi 和Q Gi 分别为节点i并入分布式电源的有功出力和无功出力；P li 和Q li 分别为节点i上负载功率；P i,min、P i,max、Q i,min和Q i,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值；式（12）为分布式电源出力约束，P Gi,min、P Gi,max、Q Gi,min和Q Gi,max分别为节点i并入分布式电源有功出力最小值和最大值、无功出力最小值和最大值。
进一步地，所述基于所述配置节点的电容器组容量，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控电容器组的电压控制模型，包括：
将状态空间定义为各个功率注入节点的当前电压、有功功率和无功功率的集合；
根据电容器组容量确定配置节点并联电容器组的补偿量，将动作空间设定为配置节点并联电容器组的补偿量；
将奖励函数设定为各节点电压越限量二次型和电容器组补偿量之和。
进一步地，所述状态空间为：
Figure 556009DEST_PATH_IMAGE028
(13)
其中，v i 、p i 和q i 分别为第i个节点观测到的电压值、有功功率和无功功率，i=1,2,…,n，n为功率注入节点总数；
采用多档位电容器组，以得到的电容器组容量为最大补偿量，将各档位的容量作为动作空间的设定值：
Figure 559737DEST_PATH_IMAGE029
（14）
其中，CB max为电容器组最大补偿量；
所述奖励函数为：
Figure 345291DEST_PATH_IMAGE030
（15）
其中，Δv i 为节点i电压的越限量；a k 为配置节点k的电容器组补偿量；Q和R为权重矩阵和权重系数；Δv i 具体为：
Figure 801680DEST_PATH_IMAGE031
（16）
其中，5%为选取的电压越限安全值范围。
进一步地，对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略，包括：
步骤a1：初始化记忆库，初始化Q网络权重参数为ω，初始化target Q网络权重参数为ω’=ω，当前各个节点的电压值、有功功率和无功功率作为初始状态s；
步骤a2：根据贪婪策略生成并执行动作a∈A，通过式（15）得到奖励r和新的状态s’；
步骤a3：将转移样本
Figure 760408DEST_PATH_IMAGE032
存入记忆库中，从记忆库中随机抽取一个minibatch的样本
Figure 477698DEST_PATH_IMAGE033
；
步骤a4：令
Figure 558786DEST_PATH_IMAGE034
，根据下式计算损失函数：
Figure 377837DEST_PATH_IMAGE035
（17）
其中，
Figure 140257DEST_PATH_IMAGE036
为期望值；TargetQ为target网络目标值；
Figure 852998DEST_PATH_IMAGE037
为权重参数为ω时，状态s下采取动作a的预测值；γ为折扣因子；
步骤a5：使用梯度下降法更新target Q网络权重参数ω’=ω；
步骤a6：重复执行步骤a2至步骤a5，直到迭代结束，获得电压最优控制策略。
进一步地，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控分布式电源出力的电压控制模型，包括：
将状态空间设定为各个功率注入节点的当前电压、有功功率和无功功率；将动作空间设定为各个节点并入的分布式电源有功出力变化量和无功出力变化量；将奖励函数设定为各节点电压越限量二次型和分布式电源调节量的二次型之和，并设置无功的权重系数高于有功的权重系数。
进一步地，所述动作空间为各个节点并入的分布式电源有功出力变化量ΔP和无功出力变化量ΔQ，ΔP∈
Figure 465507DEST_PATH_IMAGE038
，ΔQ∈
Figure 99751DEST_PATH_IMAGE039
，其中i=1,2,…,n；P i,min、P i,max、Q i,min和Q i,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值；P Gi 和Q Gi 分别为节点i并入分布式电源的有功出力和无功出力；
所述奖励函数为：
Figure 197020DEST_PATH_IMAGE040
（18）
其中：Δv i 为节点i电压的越限量；p i 为节点i的分布式电源有功出力；q i 为节点i的分布式电源无功出力；Q、R和J为权重矩阵。
进一步地，对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略，包括：
步骤b1：初始化主网络和目标网络的参数；初始化记忆库；当前各个节点的电压值、有功功率和无功功率作为初始状态；
步骤b2：根据行为策略选择一个动作，并将该动作下达给环境执行，通过式（18）得到奖励值和新的状态；
步骤b3：将步骤b2得到的状态转换过程存入记忆库中，并在记忆库中随机采样转换数据作为策略主网络和评价主网络的训练数据；
步骤b4：通过下降梯度法更新评价主网络参数，使用runningaverage的方法将主网络参数softupdate给目标网络；
步骤b5：重复执行步骤b2至步骤b4，直到迭代结束，获得电压最优控制策略。
与现有技术相比，本发明所达到的有益技术效果是：
本发明提供的一种多时间尺度主动配电网电压控制方法，不需要中心节点的协调便可以感知全局电压信息，基于潮流灵敏度分析配电网节点电压时空分布特性，确定电容器组的配置点与配置容量，构建包含大规模分布式电源和电容器组的有功功率和无功功率协同出力的控制模型；本发明无功补偿的电压调节优先于有功削减的电压调节，可以减少经济成本，提高经济性；同时，本发明综合考虑了长时间尺度和短时间尺度下的电压控制方式，可以充分利用分布式电源的出力，也保证了当分布式电源出力不稳定时电压调控的灵活性和快速性；采用的深度强化学习算法也可以有效解决网络维度高的问题，可以根据电网的当前状态实时调整其动作，具有较好的动态响应性能。
附图说明
图1为本发明实施例的步骤流程图；
图2为本发明实施例中的主动配电网拓扑图；
图3为本发明实施例中的采用控制方法前各节点电压幅值的示意图；
图4为本发明实施例中实验平台DQN训练结果的示意图；
图5为本发明实施例中实验平台DDPG训练结果的示意图；
图6为本发明实施例中实验平台采用控制算法后各节点电压幅值的示意图；
图7为本发明实施例中实验平台采用控制算法后有功功率的变化情况的示意图；
图8为本发明实施例中实验平台采用控制算法后无功功率的变化情况的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提出了一种多时间尺度主动配电网电压控制方法，如图1所示，具体包括如下步骤：
步骤1，计算主动配电网各功率注入节点电压对无功功率的灵敏度，基于计算得到的无功电压灵敏度确定电容器组的配置节点和配置容量；
根据各节点间的线路参数和注入功率，确定各电源节点电压对注入无功的灵敏度，具体如下：
步骤1-1：列出母线电压与相应注入电流的方程：
Figure 170792DEST_PATH_IMAGE041
（1）
其中，注入电流
Figure 62525DEST_PATH_IMAGE042
，母线电压
Figure 184065DEST_PATH_IMAGE043
，M为配电网总节点数，
Figure 209658DEST_PATH_IMAGE044
由复合导纳矩阵构成的，如下所示：
Figure 896992DEST_PATH_IMAGE045
（2）
其中，
Figure 428467DEST_PATH_IMAGE046
表示为第i个节点与第j个节点的导纳，
Figure 974986DEST_PATH_IMAGE047
。
步骤1-2：假设网络有S个松弛节点，N个功率注入母线节点（功率注入被认为是恒定的，与电压无关），对于每个单独的节点功率注入扰动，其他负载电机不改变他们的功率设定值，则注入功率和节点电压之间的关系如下：
Figure 568385DEST_PATH_IMAGE048
（3）
其中，
Figure 110225DEST_PATH_IMAGE002
为第j个母线节点的电压，
Figure 812602DEST_PATH_IMAGE003
为
Figure 315258DEST_PATH_IMAGE004
的共轭向量，
Figure 558021DEST_PATH_IMAGE049
为第i个母线节点的电压，
Figure 344580DEST_PATH_IMAGE050
为
Figure 217858DEST_PATH_IMAGE051
的共轭向量，
Figure 332445DEST_PATH_IMAGE008
为第i个节点的视在功率，
Figure 254264DEST_PATH_IMAGE052
为第i个节点与第j个节点的导纳；由于松弛总线保持其电压恒定，等于网络额定值，同时也固定其相位为零。因此，对于松弛总线，认为：
Figure 770696DEST_PATH_IMAGE053
（4）
其中，Q l 为第l个母线节点的有功功率，
Figure 814876DEST_PATH_IMAGE054
为第i个母线节点的电压对第l个母线节点的无功功率的偏导数，
Figure 42857DEST_PATH_IMAGE012
；
由
Figure 893001DEST_PATH_IMAGE055
可得母线电压对无功功率的偏导数满足下列方程组：
Figure 467202DEST_PATH_IMAGE056
（5）
其中，P i 和Q i 分别为第i个节点上馈入的有功功率和无功功率，当i=l时，等式右侧为-j；当i≠l时，等式右侧为0；
步骤1-3：通过式(4)和式(5)计算得到
Figure 354387DEST_PATH_IMAGE015
，
Figure 443565DEST_PATH_IMAGE016
后，根据以下公式计算得到最终的电压对无功功率的灵敏度：
Figure 956455DEST_PATH_IMAGE057
（6）。
步骤1-4：根据以上公式计算出各节点的电压灵敏度后，按照电压灵敏度高低选择电容器组的配置点。本发明选择电压灵敏度最大的节点为电容器组配置节点，电容器容量按照以下公式计算得到：
Figure 385163DEST_PATH_IMAGE018
（7）
其中，
Figure 833461DEST_PATH_IMAGE019
为配置节点k的电容器组容量；
Figure 285302DEST_PATH_IMAGE020
为节点i历史最大电压越限值，
Figure 414932DEST_PATH_IMAGE021
；
Figure 494884DEST_PATH_IMAGE022
为节点i电压对配置节点k无功功率灵敏度的倒数。
步骤2，获取以节点电压越限量最小为目标函数建立的分布式电源和电容器组参与的配电网电压控制模型；
以节点电压越限量最小为目标函数构建分布式电源并入配电网的调压优化策略模型：
Figure 832910DEST_PATH_IMAGE058
（8）
其中：U i 为第i个节点的节点电压；U N 为配电网额定电压；n为功率注入节点的个数；采用±5%为节点电压最大安全范围；
具体约束条件如下：
Figure 631102DEST_PATH_IMAGE024
（9）
Figure 564423DEST_PATH_IMAGE059
（10）
Figure 639826DEST_PATH_IMAGE026
（11）
Figure 429928DEST_PATH_IMAGE027
（12）
其中，式（9）为潮流约束，P t,i,l 和Q t,i,l 分别为在t时刻节点i上负荷l消耗的有功功率和无功功率；P t,loss 和Q t,loss 分别为在t时刻配网线路的有功和无功损耗；P t,M 和Q t,M 分别为t时刻主网发出的有功和无功；P t,G 和Q t,G 分别为t时刻分布式电源发出的有功和无功；Q t,CB 为t时刻电容器组发出的无功功率；式（10）为节点电压约束，U i,min和U i,max分别为节点i电压最小值和最大值；U i 和U N 分别为节点i电压和配电网额定电压；式（11）为节点功率约束，P i 和Q i 分别为节点i上馈入的有功功率和无功功率；P Gi 和Q Gi 分别为节点i并入分布式电源的有功出力和无功出力；P li 和Q li 分别为节点i上负载功率；P i,min、P i,max、Q i,min和Q i,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值；式（12）为分布式电源出力约束，P Gi,min、P Gi,max、Q Gi,min和Q Gi,max分别为节点i并入分布式电源有功出力最小值和最大值、无功出力最小值和最大值。
步骤3，在长时间尺度下，基于所述配置节点的电容器组容量，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控电容器组的电压控制模型，对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略；
DNQ算法在Q-Learning的基础结合了神经网络，当状态和动作个数过多时，分别求每个值函数效率会很低，用神经网络拟合值函数，可以有效改善空间小的问题，加快求解速度。神经网络输入是状态state，输出是值函数Q(s,a)，通过神经网络计算出值函数后，DQN使用贪婪策略输出动作action，环境收到此动作action后会给出一个奖励reward以及下一个状态state，以上为一个step。此时根据获得的奖励reward去更新值函数网络的参数，之后则进入下一个step，直到训练出最优的值函数网络。
在每一个step中，利用神经网络对值函数进行逼近时，更新值函数即是更新值函数在神经网络里每层网络的权重参数θ，定义损失函数用权重参数θ表示均方误差损失：
Figure 918678DEST_PATH_IMAGE060
其中，
Figure 311482DEST_PATH_IMAGE036
为期望值；TargetQ为target网络目标值；
Figure 631605DEST_PATH_IMAGE061
为权重参数为θ时，状态s下采取动作a的预测值，即神经网络的输出值。
神经网络使用梯度下降法更新参数，其梯度下降法为：
Figure 467974DEST_PATH_IMAGE062
其中，
Figure 178441DEST_PATH_IMAGE063
为梯度；θ t 和θ t+1 分别为t时刻和t+1时刻神经网络参数；α为步长；r为获得的奖励值；γ为折扣因子；
Figure 250302DEST_PATH_IMAGE064
为神经网络参数为θ时，在状态s下采取动作a得到的预测值；
Figure 316610DEST_PATH_IMAGE065
为target Q网络目标。target网络目标用来计算目标值，从而解决每次更新神经网络的值函数时，目标值也会更新，而容易导致参数不收敛的问题。同时每次在更新参数时，DQN使用经验回放即用一个来存储经历过的数据，每次都从Memory中采样一部分的数据来更新打破数据间的关联。
假设主动配电网有n个功率注入节点，将各节点的电压、有功功率和无功功率作为本发明的被控对象，故将状态空间设定为n个节点的当前电压、有功功率和无功功率的集合，即
Figure 182934DEST_PATH_IMAGE066
(13)
其中，v i 、p i 和q i 分别为第i个节点观测到的电压值、有功功率和无功功率，i=1,2,…,n，n为功率注入节点总数；
动作空间设定为配置节点k并联电容器组的补偿量。本实施例采用多档位电容器组，故以步骤1计算得到的电容器组容量设为最大补偿量，各档位的容量即为动作空间的设定值：
Figure 646277DEST_PATH_IMAGE029
（14）
其中，CB max为电容器组最大补偿量；
步骤2中将最小化节点电压偏差量作为控制目标，故将奖励函数设定为各节点电压越限量二次型和电容器组补偿量之和，即
Figure 131616DEST_PATH_IMAGE030
（15）
其中，Δv i 为节点i电压的越限量；a k 为配置节点k的电容器组补偿量；Q和R为权重矩阵和权重系数；Δv i 具体为：
Figure 426331DEST_PATH_IMAGE031
（16）
其中，Δv i 为节点i电压的越限量；5%为本实施例中选取的电压越限安全值范围。
基于上述状态空间、动作空间和奖励函数，利用DQN算法对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略，具体包括：
步骤3-1：初始化记忆库D；初始化Q网络权重参数为ω，初始化target Q网络权重参数为ω’=ω。各个节点的电压越限值作为初始状态s。
步骤3-2：根据贪婪策略生成并执行动作a∈A，通过式（15）得到奖励r和新的状态s’。
步骤3-3：将转移样本
Figure 588191DEST_PATH_IMAGE032
存入记忆库中，从记忆库中随机抽取一个minibatch的样本
Figure 335567DEST_PATH_IMAGE033
；
步骤3-4：令
Figure 952493DEST_PATH_IMAGE034
，根据下式计算损失函数：
Figure 977081DEST_PATH_IMAGE035
（17）
其中，
Figure 450788DEST_PATH_IMAGE036
为期望值；TargetQ为target网络目标值；
Figure 43050DEST_PATH_IMAGE067
为权重参数为ω时，状态s下采取动作a的预测值；γ为折扣因子；
步骤3-5：每隔一段steps更新target Q网络权重参数ω’=ω。
步骤3-6：重复执行步骤3-2至步骤3-5，直到迭代结束，智能体训练出一个最优策略。
步骤4，在短时间尺度下，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控分布式电源出力的电压控制模型，对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略。
DDPG算法使用卷积神经网络来模拟策略函数和Q函数，通过智能体在环境中探索与学习获得最大奖励之。设定好状态空间、动作空间和奖励函数之后，采用动作-价值架构，用神经网络近似表示评价主网络和评价目标网络为参数
Figure 198087DEST_PATH_IMAGE068
和
Figure 201816DEST_PATH_IMAGE069
，表示策略主网络和策略目标网络为参数
Figure 721790DEST_PATH_IMAGE070
和
Figure 178179DEST_PATH_IMAGE071
。评价主网络以最大化奖励期望值为目标，策略主网络以最小化损失函数为目标。将状态s t 通过策略主网络得到动作a t 并返回奖励值和下一个状态s t+1，存储
Figure 136908DEST_PATH_IMAGE072
到记忆库D中，从D中均匀采样m个样本，根据下式更新策略目标网络参数和评价目标网络参数，得到最优
Figure 119776DEST_PATH_IMAGE073
和
Figure 200864DEST_PATH_IMAGE074
：
Figure 19916DEST_PATH_IMAGE075
其中，η为发散因子，
Figure 516756DEST_PATH_IMAGE076
；
Figure 495077DEST_PATH_IMAGE077
和
Figure 107586DEST_PATH_IMAGE078
分别为t-1时刻评价目标网络参数和策略目标网络参数。
将各节点的当前电压、有功功率和无功功率定义为状态空间。
DDPG算法用于连续动作空间，故设计各个节点并入的分布式电源出力变化量
Figure 741829DEST_PATH_IMAGE079
和
Figure 104678DEST_PATH_IMAGE080
为动作集，出力变化量的上下限根据步骤2中的公式可得。
Figure 547291DEST_PATH_IMAGE079
的值在集合
Figure 907866DEST_PATH_IMAGE081
中采取，
Figure 826143DEST_PATH_IMAGE080
的值在集合
Figure 851737DEST_PATH_IMAGE082
中采取。
DDPG算法调节各节点的分布式电源出力，故将奖励函数设定为各节点电压偏差量二次型和分布式电源调节量的二次型之和，由于本发明无功补偿优先于有功削减，故将设置无功的权重系数高于有功的权重系数，即
Figure 539070DEST_PATH_IMAGE040
（18）
其中：Δv i 为节点i电压的越限量；p i 为节点i的分布式电源有功出力；q i 为节点i的分布式电源无功出力；Q、R和J为权重矩阵。
基于上述设置的状态空间、动作空间和奖励函数，利用DDPG算法对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略，具体包括：
步骤4-1：初始化主网络和目标网络的参数；初始化记忆库；利用节点电压状态和出力状态初始化状态空间。
步骤4-2：根据行为策略选择一个动作，并将该动作下达给环境执行，通过式（18）得到奖励值和新的状态。
步骤4-3：将步骤4-2得到的状态转换过程存入记忆库中，并在记忆库中随机采样转换数据作为策略主网络和评价主网络的训练数据。
步骤4-4：通过下降梯度法更新评价主网络参数，使用runningaverage的方法将主网络参数softupdate给目标网络。
步骤4-5：重复执行步骤4-2至步骤4-4，直到迭代结束，智能体训练出一个最优策略。
为了验证本发明的效果，本发明实施例给出如下实验：
图2为本发明实施提供的主动配电网拓扑图，额定电压设置为10KV，9个功率注入母线节点，每个节点均连接一个分布式电源和一个负载，分布式电源通过额定功率为3KW的逆变器接入配电网，分布式电源传输线为
Figure 70546DEST_PATH_IMAGE083
，系统各仿真参数见表1和表2，表1为本发明实施例中的系统仿真参数；表2为本发明实施例中的系统分布式电源参数。
表1
Figure 85906DEST_PATH_IMAGE084
表2
Figure 56136DEST_PATH_IMAGE085
利用本发明方法对该实验平台的电压进行控制，根据监测得到如图3的节点电压大小，可知该配电网发生过电压现象，计算得到电压对无功功率的灵敏度如表3所示，表3为本发明实施例中的各节点电压对无功功率的灵敏度的示意图。
表3
Figure 801238DEST_PATH_IMAGE086
由表3可知，节点6的电压灵敏度最高，因此在节点6处并联一个电容器组。假设历史电压最大越限值为0.2KV，得到电容器组最大补偿量约为0.3Mvar。训练DQN智能体得到如图4所示average reward与Q值逼近的训练效果。
同样地，DDPG算法中，设分布式电源输出有功上下限为3.2MW和1.8MW，输出无功上下限为1.5MW和0.8MW。训练DDPG智能体，得到如图5所示average reward与Q值逼近的训练效果。
本发明先综合考虑长时间尺度下电容器组调控和短时间尺度下逆变器调控，通过逆变器调节分布式电源有功无功出力控制节点电压，若20s时电压仍未将节点电压控制到稳定范围，则采用电容器组无功补偿的方式控制电压。经仿真测试，得到图6所示的电压控制效果，用了32s将电压从1.069p.u.降到安全范围内。
由图7和图8可看出，本发明实现了无功优先于有功，尽可能减少有功功率的损耗，采用DQN调节电容器组时无功功率从0.9485MVA大幅度降到了0.6485MVA。综合考虑长时间尺度电容器组调压和短时间尺度逆变器调压，可在短时间内将电压控制安全到稳定范围，增强了配电网的稳定性。
因此，本发明提供的方法能够在保证主动配电网安全性的同时解决了主动配电网中存在的电压越限问题，调节响应速度快，电压控制效果好，具有一定的工程实际意义。
以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种多时间尺度主动配电网电压控制方法，其特征在于，包括：
计算主动配电网各功率注入节点电压对无功功率的灵敏度，基于计算得到的无功电压灵敏度确定电容器组的配置节点和配置容量；
获取以节点电压越限量最小为目标函数建立的分布式电源和电容器组参与的配电网电压控制模型；
在长时间尺度下，基于所述配置节点的电容器组容量，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控电容器组的电压控制模型，对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略；
在短时间尺度下，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控分布式电源出力的电压控制模型，对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略。
2.根据权利要求1所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述主动配电网各功率注入节点电压对无功功率的灵敏度，根据以下方法计算：
假设网络有S个松弛节点，N个功率注入母线节点，对于每个单独的节点功率注入扰动，其他负载发电机不改变它们的功率设定值，则注入功率和节点电压之间的关系如下：
Figure 525130DEST_PATH_IMAGE001
（3）
其中，
Figure 277054DEST_PATH_IMAGE002
为第j个母线节点的电压，
Figure 457500DEST_PATH_IMAGE003
为
Figure 119425DEST_PATH_IMAGE004
的共轭向量，
Figure 930386DEST_PATH_IMAGE005
为第i个母线节点的电压，
Figure 44973DEST_PATH_IMAGE006
为
Figure 29109DEST_PATH_IMAGE007
的共轭向量，
Figure 171640DEST_PATH_IMAGE008
为第i个节点的视在功率，
Figure 278136DEST_PATH_IMAGE009
为第i个节点与第j个节点的导纳；
对于松弛总线，认为：
Figure 755385DEST_PATH_IMAGE010
（4）
其中，Q l 为第l个母线节点的有功功率，
Figure 543213DEST_PATH_IMAGE011
为第i个母线节点的电压对第l个母线节点的无功功率的偏导数，
Figure 914151DEST_PATH_IMAGE012
；
由
Figure 316182DEST_PATH_IMAGE013
可得母线电压对无功功率的偏导数满足下列方程组：
Figure 139782DEST_PATH_IMAGE014
（5）
其中，P i 和Q i 分别为第i个节点上馈入的有功功率和无功功率，当i=l时，等式右侧为-j；当i≠l时，等式右侧为0；
通过式(4)和式(5)计算得到
Figure 731300DEST_PATH_IMAGE015
，
Figure 832112DEST_PATH_IMAGE016
后，根据以下公式计算得到最终的电压对无功功率的灵敏度：
Figure 280410DEST_PATH_IMAGE017
（6）。
3.根据权利要求2所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述基于计算得到的无功电压灵敏度确定电容器组的配置节点和配置容量，包括：
选择无功电压灵敏度最大的节点为电容器组配置节点，并根据以下公式计算电容器组容量：
Figure 60148DEST_PATH_IMAGE018
（7）
其中，
Figure 609684DEST_PATH_IMAGE019
为配置节点k的电容器组容量；
Figure 955215DEST_PATH_IMAGE020
为节点i历史最大电压越限值，
Figure 449781DEST_PATH_IMAGE021
；
Figure 451235DEST_PATH_IMAGE022
为节点i电压对配置节点k无功功率灵敏度的倒数。
4.根据权利要求1所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述分布式电源和电容器组参与的配电网电压控制模型的目标函数为：
Figure 181294DEST_PATH_IMAGE023
（8）
其中：U i 为第i个节点的节点电压；U N 为配电网额定电压；n为功率注入节点的个数；采用±5%为节点电压最大安全范围；
约束条件为：
Figure 505965DEST_PATH_IMAGE024
（9）
Figure 499329DEST_PATH_IMAGE025
（10）
Figure 784817DEST_PATH_IMAGE026
（11）
Figure 193932DEST_PATH_IMAGE027
（12）
其中，式（9）为潮流约束，P t,i,l 和Q t,i,l 分别为在t时刻节点i上负荷l消耗的有功功率和无功功率；P t,loss 和Q t,loss 分别为在t时刻配网线路的有功和无功损耗；P t,M 和Q t,M 分别为t时刻主网发出的有功和无功；P t,G 和Q t,G 分别为t时刻分布式电源发出的有功和无功；Q t,CB 为t时刻电容器组发出的无功功率；式（10）为节点电压约束，U i,min和U i,max分别为节点i电压最小值和最大值；U i 和U N 分别为节点i电压和配电网额定电压；式（11）为节点功率约束，P i 和Q i 分别为节点i上馈入的有功功率和无功功率；P Gi 和Q Gi 分别为节点i并入分布式电源的有功出力和无功出力；P li 和Q li 分别为节点i上负载功率；P i,min、P i,max、Q i,min和Q i,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值；式（12）为分布式电源出力约束，P Gi,min、P Gi,max、Q Gi,min和Q Gi,max分别为节点i并入分布式电源有功出力最小值和最大值、无功出力最小值和最大值。
5.根据权利要求1所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述基于所述配置节点的电容器组容量，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控电容器组的电压控制模型，包括：
将状态空间定义为各个功率注入节点的当前电压、有功功率和无功功率的集合；
根据电容器组容量确定配置节点并联电容器组的补偿量，将动作空间设定为配置节点并联电容器组的补偿量；
将奖励函数设定为各节点电压越限量二次型和电容器组补偿量之和。
6.根据权利要求5所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述状态空间为：
Figure 451738DEST_PATH_IMAGE028
(13)
其中，v i 、p i 和q i 分别为第i个节点观测到的电压值、有功功率和无功功率，i=1,2,…,n，n为功率注入节点总数；
采用多档位电容器组，以得到的电容器组容量为最大补偿量，将各档位的容量作为动作空间的设定值：
Figure 147162DEST_PATH_IMAGE029
（14）
其中，CB max为电容器组最大补偿量；
所述奖励函数为：
Figure 811624DEST_PATH_IMAGE030
（15）
其中，Δv i 为节点i电压的越限量；a k 为配置节点k的电容器组补偿量；Q和R为权重矩阵和权重系数；Δv i 具体为：
Figure 86747DEST_PATH_IMAGE031
（16）
其中，5%为选取的电压越限安全值范围。
7.根据权利要求6所述的一种多时间尺度主动配电网电压控制方法，其特征在于，对所述调控电容器组的电压控制模型进行求解，得到电压最优控制策略，包括：
步骤a1：初始化记忆库，初始化Q网络权重参数为ω，初始化target Q网络权重参数为ω’=ω，当前各个节点的电压值、有功功率和无功功率作为初始状态s；
步骤a2：根据贪婪策略生成并执行动作a∈A，通过式（15）得到奖励r和新的状态s’；
步骤a3：将转移样本
Figure 995797DEST_PATH_IMAGE032
存入记忆库中，从记忆库中随机抽取一个minibatch的样本
Figure 268647DEST_PATH_IMAGE033
；
步骤a4：令
Figure 263148DEST_PATH_IMAGE034
，根据下式计算损失函数：
Figure 341962DEST_PATH_IMAGE035
（17）
其中，
Figure 761311DEST_PATH_IMAGE036
为期望值；TargetQ为target网络目标值；
Figure 798537DEST_PATH_IMAGE037
为权重参数为ω时，状态s下采取动作a的预测值；γ为折扣因子；
步骤a5：使用梯度下降法更新target Q网络权重参数ω’=ω；
步骤a6：重复执行步骤a2至步骤a5，直到迭代结束，获得电压最优控制策略。
8.根据权利要求1所述的一种多时间尺度主动配电网电压控制方法，其特征在于，将所述分布式电源和电容器组参与的配电网电压控制模型转换为调控分布式电源出力的电压控制模型，包括：
将状态空间设定为各个功率注入节点的当前电压、有功功率和无功功率；将动作空间设定为各个节点并入的分布式电源有功出力变化量和无功出力变化量；将奖励函数设定为各节点电压越限量二次型和分布式电源调节量的二次型之和，并设置无功的权重系数高于有功的权重系数。
9.根据权利要求8所述的一种多时间尺度主动配电网电压控制方法，其特征在于，所述动作空间为各个节点并入的分布式电源有功出力变化量ΔP和无功出力变化量ΔQ，ΔP∈
Figure 749176DEST_PATH_IMAGE038
，ΔQ∈
Figure 303785DEST_PATH_IMAGE039
，其中i=1,2,…,n；P i,min、P i,max、Q i,min和Q i,max分别为节点i有功功率最小值和最大值、无功功率最小值和最大值；P Gi 和Q Gi 分别为节点i并入分布式电源的有功出力和无功出力；
所述奖励函数为：
Figure 187427DEST_PATH_IMAGE040
（18）
其中：Δv i 为节点i电压的越限量；p i 为节点i的分布式电源有功出力；q i 为节点i的分布式电源无功出力；Q、R和J为权重矩阵。
10.根据权利要求9所述的一种多时间尺度主动配电网电压控制方法，其特征在于，对所述调控分布式电源出力的电压控制模型进行求解，得到电压最优控制策略，包括：
步骤b1：初始化主网络和目标网络的参数；初始化记忆库；当前各个节点的电压值、有功功率和无功功率作为初始状态；
步骤b2：根据行为策略选择一个动作，并将该动作下达给环境执行，通过式（18）得到奖励值和新的状态；
步骤b3：将步骤b2得到的状态转换过程存入记忆库中，并在记忆库中随机采样转换数据作为策略主网络和评价主网络的训练数据；
步骤b4：通过下降梯度法更新评价主网络参数，使用runningaverage的方法将主网络参数softupdate给目标网络；
步骤b5：重复执行步骤b2至步骤b4，直到迭代结束，获得电压最优控制策略。
CN202210274867.0A 2022-03-21 2022-03-21 一种多时间尺度主动配电网电压控制方法 Active CN114362196B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210274867.0A CN114362196B (zh) 2022-03-21 2022-03-21 一种多时间尺度主动配电网电压控制方法
PCT/CN2022/126084 WO2023179003A1 (zh) 2022-03-21 2022-10-19 一种多时间尺度主动配电网电压控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210274867.0A CN114362196B (zh) 2022-03-21 2022-03-21 一种多时间尺度主动配电网电压控制方法

Publications (2)

Publication Number Publication Date
CN114362196A true CN114362196A (zh) 2022-04-15
CN114362196B CN114362196B (zh) 2022-06-17

Family

ID=81094658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210274867.0A Active CN114362196B (zh) 2022-03-21 2022-03-21 一种多时间尺度主动配电网电压控制方法

Country Status (2)

Country Link
CN (1) CN114362196B (zh)
WO (1) WO2023179003A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115117888A (zh) * 2022-06-28 2022-09-27 国网江苏省电力有限公司电力科学研究院 一种园区综合能源调压方法、装置、存储器及计算设备
CN115360741A (zh) * 2022-10-20 2022-11-18 中国华能集团清洁能源技术研究院有限公司 现货场景下基于深度强化学习的风储灵活控制方法和装置
CN115912372A (zh) * 2022-11-30 2023-04-04 国网四川省电力公司电力科学研究院 一种含高比例分布式光伏接入配电网电压控制方法及系统
CN116054154A (zh) * 2023-02-27 2023-05-02 南京创谷智慧环境科技有限公司 一种考虑电压安全的双层优化节能控制方法及系统
CN116388280A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 基于深度强化学习算法的综合能源系统电压控制方法及系统
WO2023179003A1 (zh) * 2022-03-21 2023-09-28 南京邮电大学 一种多时间尺度主动配电网电压控制方法
CN117293807A (zh) * 2023-09-25 2023-12-26 上海能优网电力科技有限公司 一种配电网信息侧模型多时间尺度优化方法及系统
CN118017522A (zh) * 2024-04-08 2024-05-10 广东电网有限责任公司广州供电局 台区电压协同调控方法、装置、系统和存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117117973B (zh) * 2023-10-24 2024-01-12 国网浙江省电力有限公司宁波供电公司 基于时间尺度的分布式电源调度方法、装置及存储介质
CN118214077B (zh) * 2024-05-14 2024-07-23 国网浙江省电力有限公司 一种基于消纳能力评估的并网规划方法
CN118674334B (zh) * 2024-08-21 2024-11-01 长江三峡集团实业发展(北京)有限公司 能源指标信息的模拟构建方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110277789A (zh) * 2019-07-16 2019-09-24 华北电力大学 电网多时段无功优化方法及装置
CN111952985A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司电力科学研究院 一种海上风电场无功协调控制方法、系统及设备
CN113224769A (zh) * 2021-02-20 2021-08-06 北京交通大学 考虑光伏多状态调节的多时间尺度配电网电压优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105811433B (zh) * 2016-04-25 2022-03-18 中国电力科学研究院 一种大电网无功补偿自动选址及容量优化方法
US11387651B2 (en) * 2019-05-26 2022-07-12 Battelle Memorial Institute Coordinated voltage control and reactive power regulation between transmission and distribution systems
CN112838622B (zh) * 2021-03-26 2023-07-14 云南电网有限责任公司电力科学研究院 一种10kV供电区域的无功电压优化控制方法及系统
CN113937829B (zh) * 2021-11-16 2024-07-12 华北电力大学 一种基于d3qn的主动配电网多目标无功控制方法
CN114362196B (zh) * 2022-03-21 2022-06-17 南京邮电大学 一种多时间尺度主动配电网电压控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110277789A (zh) * 2019-07-16 2019-09-24 华北电力大学 电网多时段无功优化方法及装置
CN111952985A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司电力科学研究院 一种海上风电场无功协调控制方法、系统及设备
CN113224769A (zh) * 2021-02-20 2021-08-06 北京交通大学 考虑光伏多状态调节的多时间尺度配电网电压优化方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179003A1 (zh) * 2022-03-21 2023-09-28 南京邮电大学 一种多时间尺度主动配电网电压控制方法
CN115117888A (zh) * 2022-06-28 2022-09-27 国网江苏省电力有限公司电力科学研究院 一种园区综合能源调压方法、装置、存储器及计算设备
CN115360741A (zh) * 2022-10-20 2022-11-18 中国华能集团清洁能源技术研究院有限公司 现货场景下基于深度强化学习的风储灵活控制方法和装置
CN115912372A (zh) * 2022-11-30 2023-04-04 国网四川省电力公司电力科学研究院 一种含高比例分布式光伏接入配电网电压控制方法及系统
CN115912372B (zh) * 2022-11-30 2023-10-03 国网四川省电力公司电力科学研究院 一种含高比例分布式光伏接入配电网电压控制方法及系统
CN116054154A (zh) * 2023-02-27 2023-05-02 南京创谷智慧环境科技有限公司 一种考虑电压安全的双层优化节能控制方法及系统
CN116388280A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 基于深度强化学习算法的综合能源系统电压控制方法及系统
CN117293807A (zh) * 2023-09-25 2023-12-26 上海能优网电力科技有限公司 一种配电网信息侧模型多时间尺度优化方法及系统
CN118017522A (zh) * 2024-04-08 2024-05-10 广东电网有限责任公司广州供电局 台区电压协同调控方法、装置、系统和存储介质

Also Published As

Publication number Publication date
WO2023179003A1 (zh) 2023-09-28
CN114362196B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114362196B (zh) 一种多时间尺度主动配电网电压控制方法
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN109861202B (zh) 一种柔性互联配电网动态优化调度方法及系统
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN113363998B (zh) 一种基于多智能体深度强化学习的配电网电压控制方法
CN110929931B (zh) 考虑分布式电源和负荷时序特性的配电网协调规划方法
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN106849097A (zh) 一种主动配电网潮流计算方法
Zou Design of reactive power optimization control for electromechanical system based on fuzzy particle swarm optimization algorithm
CN108565874A (zh) 一种基于负荷频率控制模型的源荷协同调频方法
CN111490542B (zh) 一种多端柔性多状态开关的选址定容方法
CN106712075A (zh) 一种考虑风电并网系统安全约束的调峰策略优化方法
CN113937829A (zh) 一种基于d3qn的主动配电网多目标无功控制方法
CN117674160A (zh) 基于多智能体深度强化学习的有源配电网实时电压控制方法
CN114400675B (zh) 基于权重均值深度双q网络的主动配电网电压控制方法
CN114447942B (zh) 一种主动配电网负荷侧多元调压方法、设备及存储介质
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
CN113346501B (zh) 基于头脑风暴算法的配电网电压优化方法及其系统
CN113270869B (zh) 一种含光伏配电网的无功优化方法
CN115765035A (zh) 一种适应于全时段动态重构的柔性配电网扰动恢复方法
Liu et al. Deep-Q-network-based intelligent reschedule for power system operational planning
Mahider et al. Optimization of STATCOM PI Controller Parameters Using the Hybrid GA-PSO Algorithm
Kuang et al. A Review of Control Strategies for Automatic Generation Control of Power Systems Containing New Energy Sources
CN117713202B (zh) 基于深度强化学习的分布式电源自适应控制方法及系统

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