CN114697200B - 一种5g配网分布式保护系统的保护装置配比优化方法 - Google Patents

一种5g配网分布式保护系统的保护装置配比优化方法 Download PDF

Info

Publication number
CN114697200B
CN114697200B CN202210330937.XA CN202210330937A CN114697200B CN 114697200 B CN114697200 B CN 114697200B CN 202210330937 A CN202210330937 A CN 202210330937A CN 114697200 B CN114697200 B CN 114697200B
Authority
CN
China
Prior art keywords
protection device
training
distribution network
mth
neural 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.)
Active
Application number
CN202210330937.XA
Other languages
English (en)
Other versions
CN114697200A (zh
Inventor
孙伟
王文浩
付松柏
于洋
吴迪
汤伟
王同文
汪伟
叶远波
邵庆祝
张炜
李奇越
李帷韬
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.)
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
Original Assignee
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
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 Hefei University of Technology, State Grid Anhui Electric Power Co Ltd filed Critical Hefei University of Technology
Priority to CN202210330937.XA priority Critical patent/CN114697200B/zh
Publication of CN114697200A publication Critical patent/CN114697200A/zh
Application granted granted Critical
Publication of CN114697200B publication Critical patent/CN114697200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0668—Management of faults, events, alarms or notifications using network fault recovery by dynamic selection of recovery network elements, e.g. replacement by the most appropriate element after failure
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种5G配网分布式保护系统的保护装置配比优化方法，包括：1、搭建5G配网分布式保护系统的环境；2、构建基于深度Q网络的5G配网分布式保护系统的强化学习模型，包括结构相同的预测估计神经网络和预测现实神经网络；3、在5G配网分布式保护系统的环境下训练强化学习模型；4、采用所述最优配比S*对5G配网分布式保护系统的保护装置进行优化。本发明以期能保证主站保护装置和配网分布式保护装置建立通信，并且找出最优的5G配网分布式保护系统的保护装置的配比，从而能确保配网可以安全高效的运行。

Description

一种5G配网分布式保护系统的保护装置配比优化方法
技术领域
本发明属于配网保护领域，具体的说是一种5G配网分布式保护系统的保护装置配比优化方法。
背景技术
配网具有电压等级多，网络结构复杂，设备类型多样，作业点多面广，安全环境相对较差等特点，安全风险因素相对较多，为了给各类用户提供电力能源，对配网的安全可靠运行提出更高的要求，因此需要布置配网保护装置来保护配网。然而随着新能源并网占比的持续增加和系统中固态变压器等设备的大量使用，原有保护配置方案及整定原则受到了严峻的挑战。在传统的配网保护中，选择性较弱，故障定位不够精确，切除故障用时较长，配网线路无法实现故障切除后的自愈，无法保证配网安全高效的运行。在主站和配网均布置保护装置，在配网保护装置的布置过程中，由于技术和资金的限制，无法确定主站保护装置和配网分布式保护装置的数量，对配网保护造成了一定的困难。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种5G配网分布式保护系统的保护装置配比优化方法，以期能保证主站保护装置和配网分布式保护装置建立通信，并且找出最优的5G配网分布式保护系统的保护装置的配比，从而能确保配网可以安全高效的运行。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种5G配网分布式保护系统的保护装置配比优化方法的特点在于，包括以下步骤：
步骤1、搭建5G配网分布式保护系统的环境；
令J＝[j1,j2,...,ji,...,jn]表示在5G配网的n个节点上是否布置有保护装置，若ji＝1，表示第i个节点上布置有保护装置，若ji＝0，表示第i个节点上无保护装置，i＝1,2,...,n，
令L＝[l1,l2,...,lk,...,lN]表示在主站内的N个节点上是否布置有主站保护装置，若lk＝1，表示第k个主站节点上布置有主站保护装置，若lk＝0表示第k个主站节点上无主站保护装置，k＝1,2,...,N；
令ψ表示主站保护装置和配网分布式保护装置之间通信的丢包率；
令S表示主站保护装置与5G配网的分布式保护装置之间的配比；
令p1、p2分别是主站保护装置、5G配网的分布式保护装置出现故障的可能性；
步骤2、构建基于深度Q网络的5G配网分布式保护系统的深度强化学习模型，包括结构相同的预测估计神经网络和预测现实神经网络；
所述预测估计神经网络或预测现实神经网络，均包含一个输入层、f个由长短时记忆神经网单元组成的隐含层和一个输出层；
初始化所述预测估计神经网络的参数θe，初始化所述预测现实神经网络的参数θω；
步骤3、在5G配网分布式保护系统的环境下训练强化学习模型；
步骤3.1、定义回合数为m，并初始化m＝1；
定义第m回合下第t次训练的配比为
Figure GDA0004226208370000021
并初始化/>
Figure GDA0004226208370000022
其中，φ是常数；
步骤3.2、定义每回合训练的次数为t，并初始化t＝1；
步骤3.3、将第m回合下第t次训练的配比
Figure GDA0004226208370000023
分别输入所述预测估计神经网络和预测现实神经网络的输入层；
步骤3.4、所述配比
Figure GDA0004226208370000024
依次经过所述预测估计神经网络中的f个隐含层的处理，由输出层输出值函数/>
Figure GDA0004226208370000025
其中，/>
Figure GDA0004226208370000026
是第m回合第t次训练执行的动作，/>
Figure GDA0004226208370000027
是第m回合第t次训练预测估计神经网络的参数；
所述配比
Figure GDA0004226208370000028
依次经过所述预测现实神经网络中的f个隐含层的处理，由输出层输出值函数/>
Figure GDA0004226208370000029
其中，/>
Figure GDA00042262083700000210
是第m回合第t次训练预测现实神经网络的参数；
步骤3.5、对主站保护装置和分布式保护装置执行第m回合第t次训练的动作
Figure GDA00042262083700000211
从而改变主站保护装置和分布式保护装置的数量，并得到第m回合第t+1次训练的配比/>
Figure GDA00042262083700000212
步骤3.6、判断式(1)是否成立，若成立，则执行步骤3.7；否则，将t+1赋值给t后，返回执行步骤3.3：
Figure GDA00042262083700000213
式(1)中，ζ表示可靠性，ζex是可靠性的期望值；x表示自变量，取值范围是
Figure GDA00042262083700000214
步骤3.7、利用式(2)计算第m回合下第t次训练的奖励
Figure GDA00042262083700000215
Figure GDA00042262083700000216
式(2)中，Mh,m,t第m次回合下第t次训练主站保护装置的数量，Mo,m,t是第m次回合下第t次训练的分布式保护装置的数量；Δ1和Δ2分别表示两个设定的常数，且Δ1和Δ2成倍数关系；
步骤3.8、利用式(3)计算第m回合第t次训练下的损失函数
Figure GDA0004226208370000031
Figure GDA0004226208370000032
式(3)中，γ是学习率，E是期望值，
Figure GDA0004226208370000033
是第m回合下第t+1次训练的动作；
步骤3.9、利用Adam优化器对所述预测估计神经网络进行训练，并计算
Figure GDA0004226208370000034
从而更新参数θe，在完成c次训练后，得到训练后的预测估计神经网络及其对应的最终参数θ′e，并赋值给所述预测现实网络的参数θω，其中，c是所设定的最大训练次数；
步骤3.10、判断
Figure GDA0004226208370000035
是否成立，若不成立，则执行步骤3.11；否则，表示完成当前第m回合下强化学习模型的训练，并得到当前第m回合最优的参数/>
Figure GDA0004226208370000036
和5G配网分布式保护系统的保护装置配比/>
Figure GDA0004226208370000037
并将/>
Figure GDA0004226208370000038
存储在集合Sp中，执行步骤3.12；其中，Lossex是期望损失函数的值；
步骤3.11、将t+1赋给t，后判断t≤Z1是否成立，若成立，则返回步骤3.3，否则，执行步骤3.12；其中，Z1是每回合训练的总次数；
步骤3.12、将m+1赋给m，后判断m≤Z2是否成立，若成立，返回步骤3.2；否则，表示完成强化学习模型的训练，并得到最优的参数θ*和5G配网分布式保护系统的保护装置配比S*，并执行步骤4；其中，Z2是训练的总回合数；
步骤4、采用所述最优配比S*对5G配网分布式保护系统的保护装置进行优化。
与现有技术相比，本发明的有益效果在于：
1、本发明结合深度学习泛化预测和强化学习与环境交互不断学习的优势，在5G配网分布式保护系统的环境下，利用深度Q网络构建并训练深度强化学习模型，从而利用该模型得到最优的保护装置的配比，从而实现了对配网的保护，确保了配网安全高效运行；
2、本发明通过主站保护装置和配网分布式保护装置之间建立通信，从而主站可以实时获取各段配网状态信息，一个主站保护装置可以检测并控制数个配网分布式保护装置，在配网分布式保护装置因损坏无法处理配网故障时，主站保护装置可诊断处理故障，提高了配网保护的容错率，但是由于一个主站保护装置可以控制的分布式保护装置的数量有限，通过深度强化学习模型不断迭代处理得到最合适的保护装置的配比，从而能充分利用保护装置对配网进行保护。
附图说明
图1为本发明5G配网分布式保护系统的保护装置配比优化方法流程图；
图2为本发明搭建的5G配网分布式保护系统的环境；
图3为本发明预测估计神经网络和预测现实神经网络架构图。
具体实施方式
在本实施例中，如图1所示，一种5G配网分布式保护系统的保护装置配比优化方法是按照以下步骤进行的：
步骤1、如图2所示，搭建的5G配网分布式保护系统环境；
令J＝[j1,j2,...,ji,...,jn]表示在5G配网的n个节点上是否布置有分布式保护装置，若ji＝1，表示第i个节点上布置有保护装置，若ji＝0，表示第i个节点上无保护装置，i＝1,2,...,n，
令L＝[l1,l2,...,lk,...,lN]表示在主站内的N个节点上是否布置有主站保护装置，若lk＝1，表示第k个主站节点上布置有主站保护装置，若lk＝0表示第k个主站节点上无主站保护装置，k＝1,2,...,N；
令ψ表示主站保护装置和配网分布式保护装置之间通信的丢包率，主站保护装置和配网分布式保护装置建立通信，并且在配网分布式保护装置出现故障时，主站保护装置可以代替配网保护式装置来诊断处理配网故障；
令S表示主站保护装置与5G配网的分布式保护装置之间的配比；
令p1、p2分别是主站保护装置、5G配网的分布式保护装置出现故障的可能性；
步骤2、构建基于深度Q网络的5G配网分布式保护系统的深度强化学习模型，包括结构相同的预测估计神经网络和预测现实神经网络；
图3所示为预测估计神经网络或预测现实神经网络，均包含一个输入层、f个由长短时记忆神经网单元组成的隐含层和一个输出层；
隐含层选择长短时记忆神经网络为增强智能体从状态变量中的感知能力，使决策动作具有一定的连贯性；
初始化预测估计神经网络的参数θe，初始化预测现实神经网络的参数θω；
步骤3、在5G配网分布式保护系统的环境下训练强化学习模型；
步骤3.1、定义回合数为m，并初始化m＝1；
定义第m回合下第t次训练的配比为
Figure GDA0004226208370000051
并初始化/>
Figure GDA0004226208370000052
其中φ是常数；
步骤3.2、定义每回合训练的次数为t，并初始化t＝1；
步骤3.3、将第m回合下第t次训练的配比
Figure GDA0004226208370000053
分别输入预测估计神经网络和预测现实神经网络的输入层；
步骤3.4、配比
Figure GDA0004226208370000054
依次经过预测估计神经网络中的三个隐含层的处理，由输出层输出值函数/>
Figure GDA0004226208370000055
其中，/>
Figure GDA0004226208370000056
是第m回合第t次训练执行的动作，/>
Figure GDA0004226208370000057
是第m回合第t次训练预测估计神经网络的参数；
配比
Figure GDA0004226208370000058
依次经过预测现实神经网络中的三个隐含层的处理，由输出层输出值函数
Figure GDA0004226208370000059
其中，/>
Figure GDA00042262083700000510
是第m回合第t次训练预测现实神经网络的参数；
步骤3.5、对主站保护装置和分布式保护装置执行第m回合第t次训练的动作
Figure GDA00042262083700000511
从而改变主站保护装置和分布式保护装置的数量，并得到第m回合第t+1次训练的配比/>
Figure GDA00042262083700000512
步骤3.6、判断式(1)是否成立，若成立，则执行步骤3.6；否则，将t+1赋值给t后，返回执行步骤3.2：
Figure GDA00042262083700000513
式(1)中，ζ表示可靠性，ζex是可靠性的期望值；x表示自变量，取值范围是
Figure GDA00042262083700000514
步骤3.7、利用式(2)计算第m回合下第t次训练的奖励
Figure GDA00042262083700000515
Figure GDA00042262083700000516
式(2)中，Mh,m,t第m次回合下第t次训练主站保护装置的数量，Mo,m,t是第m次回合下第t次训练的分布式保护装置的数量；Δ1和Δ2分别表示两个设定的常数，且Δ1和Δ2成倍数关系；本实施例中，Δ1取值为100，Δ2取值为1000；
步骤3.8、利用式(3)计算第m回合第t次训练下的损失函数
Figure GDA00042262083700000517
Figure GDA00042262083700000518
式(3)中，γ是学习率，E是期望值，
Figure GDA00042262083700000519
是第m回合下第t+1次训练的动作；
步骤3.9、利用Adam优化器对预测估计神经网络进行训练，并计算
Figure GDA0004226208370000061
从而更新参数θe，每c次训练后，从而得到训练后的预测估计神经网络及其对应的最终参数θ′e，并赋值给预测现实网络的参数θω，其中c是所设定的最大训练次数；
步骤3.10、判断
Figure GDA0004226208370000062
是否成立，若不成立，则执行步骤3.11；否则，表示完成当前第m回合强化学习模型的训练，并得到当前第m回合最优的参数/>
Figure GDA0004226208370000063
和5G配网分布式保护系统的保护装置配比/>
Figure GDA0004226208370000064
并将/>
Figure GDA0004226208370000065
存储在集合Sp中；其中Lossex是期望损失函数的值；
步骤3.11、将t+1赋给t，后判断t≤Z1是否成立，若成立，则返回步骤3.3，否则，执行步骤3.12；其中，Z1是每回合训练的总次数；
步骤3.12、将m+1赋给m，后判断m≤Z2是否成立，若成立，返回步骤3.2；否则，表示完成强化学习模型的训练，并得到最优的参数θ*和5G配网分布式保护系统的保护装置配比S*，并执行步骤4；其中，Z2是训练的总回合数；
步骤4、采用最优配比S*对5G配网分布式保护系统的保护装置进行优化。

Claims (1)

1.一种5G配网分布式保护系统的保护装置配比优化方法，其特征在于，包括以下步骤：
步骤1、搭建5G配网分布式保护系统的环境；
令J＝[j1,j2,...,ji,...,jn]表示在5G配网的n个节点上是否布置有保护装置，若ji＝1，表示第i个节点上布置有保护装置，若ji＝0，表示第i个节点上无保护装置，i＝1,2,...,n，
令L＝[l1,l2,...,lk,...,lN]表示在主站内的N个节点上是否布置有主站保护装置，若lk＝1，表示第k个主站节点上布置有主站保护装置，若lk＝0表示第k个主站节点上无主站保护装置，k＝1,2,...,N；
令ψ表示主站保护装置和配网分布式保护装置之间通信的丢包率；
令S表示主站保护装置与5G配网的分布式保护装置之间的配比；
令p1、p2分别是主站保护装置、5G配网的分布式保护装置出现故障的可能性；
步骤2、构建基于深度Q网络的5G配网分布式保护系统的深度强化学习模型，包括结构相同的预测估计神经网络和预测现实神经网络；
所述预测估计神经网络或预测现实神经网络，均包含一个输入层、f个由长短时记忆神经网单元组成的隐含层和一个输出层；
初始化所述预测估计神经网络的参数θe，初始化所述预测现实神经网络的参数θω；
步骤3、在5G配网分布式保护系统的环境下训练强化学习模型；
步骤3.1、定义回合数为m，并初始化m＝1；
定义第m回合下第t次训练的配比为
Figure FDA0004226208360000011
并初始化/>
Figure FDA0004226208360000012
其中，φ是常数；
步骤3.2、定义每回合训练的次数为t，并初始化t＝1；
步骤3.3、将第m回合下第t次训练的配比
Figure FDA0004226208360000013
分别输入所述预测估计神经网络和预测现实神经网络的输入层；
步骤3.4、所述配比
Figure FDA0004226208360000014
依次经过所述预测估计神经网络中的f个隐含层的处理，由输出层输出值函数/>
Figure FDA0004226208360000015
其中，/>
Figure FDA0004226208360000016
是第m回合第t次训练执行的动作，/>
Figure FDA0004226208360000017
是第m回合第t次训练预测估计神经网络的参数；
所述配比
Figure FDA0004226208360000018
依次经过所述预测现实神经网络中的f个隐含层的处理，由输出层输出值函数/>
Figure FDA0004226208360000019
其中，/>
Figure FDA00042262083600000110
是第m回合第t次训练预测现实神经网络的参数；
步骤3.5、对主站保护装置和分布式保护装置执行第m回合第t次训练的动作
Figure FDA0004226208360000021
从而改变主站保护装置和分布式保护装置的数量，并得到第m回合第t+1次训练的配比/>
Figure FDA0004226208360000022
步骤3.6、判断式(1)是否成立，若成立，则执行步骤3.7；否则，将t+1赋值给t后，返回执行步骤3.3：
Figure FDA0004226208360000023
式(1)中，ζ表示可靠性，ζex是可靠性的期望值；x表示自变量，取值范围是
Figure FDA0004226208360000024
步骤3.7、利用式(2)计算第m回合下第t次训练的奖励
Figure FDA0004226208360000025
Figure FDA0004226208360000026
式(2)中，Mh,m,t第m次回合下第t次训练主站保护装置的数量，Mo,m,t是第m次回合下第t次训练的分布式保护装置的数量；Δ1和Δ2分别表示两个设定的常数，且Δ1和Δ2成倍数关系；
步骤3.8、利用式(3)计算第m回合第t次训练下的损失函数
Figure FDA0004226208360000027
Figure FDA0004226208360000028
式(3)中，γ是学习率，E是期望值，
Figure FDA0004226208360000029
是第m回合下第t+1次训练的动作；
步骤3.9、利用Adam优化器对所述预测估计神经网络进行训练，并计算
Figure FDA00042262083600000210
从而更新参数θe，在完成c次训练后，得到训练后的预测估计神经网络及其对应的最终参数θ′e，并赋值给所述预测现实网络的参数θω，其中，c是所设定的最大训练次数；
步骤3.10、判断
Figure FDA00042262083600000211
是否成立，若不成立，则执行步骤3.11；否则，表示完成当前第m回合下强化学习模型的训练，并得到当前第m回合最优的参数/>
Figure FDA00042262083600000212
和5G配网分布式保护系统的保护装置配比/>
Figure FDA00042262083600000213
并将/>
Figure FDA00042262083600000214
存储在集合Sp中，执行步骤3.12；其中，Lossex是期望损失函数的值；
步骤3.11、将t+1赋给t，后判断t≤Z1是否成立，若成立，则返回步骤3.3，否则，执行步骤3.12；其中，Z1是每回合训练的总次数；
步骤3.12、将m+1赋给m，后判断m≤Z2是否成立，若成立，返回步骤3.2；否则，表示完成强化学习模型的训练，并得到最优的参数θ*和5G配网分布式保护系统的保护装置配比S*，并执行步骤4；其中，Z2是训练的总回合数；
步骤4、采用所述最优配比S*对5G配网分布式保护系统的保护装置进行优化。
CN202210330937.XA 2022-03-30 2022-03-30 一种5g配网分布式保护系统的保护装置配比优化方法 Active CN114697200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210330937.XA CN114697200B (zh) 2022-03-30 2022-03-30 一种5g配网分布式保护系统的保护装置配比优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210330937.XA CN114697200B (zh) 2022-03-30 2022-03-30 一种5g配网分布式保护系统的保护装置配比优化方法

Publications (2)

Publication Number Publication Date
CN114697200A CN114697200A (zh) 2022-07-01
CN114697200B true CN114697200B (zh) 2023-06-30

Family

ID=82140634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210330937.XA Active CN114697200B (zh) 2022-03-30 2022-03-30 一种5g配网分布式保护系统的保护装置配比优化方法

Country Status (1)

Country Link
CN (1) CN114697200B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN111262858A (zh) * 2020-01-16 2020-06-09 郑州轻工业大学 基于sa_soa_bp神经网络的网络安全态势预测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763034B (zh) * 2009-12-01 2013-04-17 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
CN104261742A (zh) * 2014-09-22 2015-01-07 浙江水利水电学院 混凝土配合比的非线性优化方法
CN106998079B (zh) * 2017-04-28 2020-05-05 东南大学 一种热电联合优化调度模型的建模方法
CN107968400B (zh) * 2017-12-06 2021-03-16 中国南方电网有限责任公司 一种基于枚举组合和线性规划的月度运行方式变压器变比优化方法
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
DE102019130484A1 (de) * 2019-11-12 2021-05-12 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Anlernen eines Ensembles von neuronalen Netzen
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN112950263A (zh) * 2021-02-24 2021-06-11 贵州电网有限责任公司 一种粒子群优化bp神经网络配网物资价格预测方法
CN113363997B (zh) * 2021-05-28 2022-06-14 浙江大学 基于多时间尺度多智能体深度强化学习无功电压控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN111262858A (zh) * 2020-01-16 2020-06-09 郑州轻工业大学 基于sa_soa_bp神经网络的网络安全态势预测方法

Also Published As

Publication number Publication date
CN114697200A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110263907B (zh) 基于改进ga-pso-bp的船舶短路故障诊断方法
CN111628501B (zh) 一种交直流大电网暂态电压稳定评估方法及系统
CN112491818B (zh) 基于多智能体深度强化学习的电网输电线路防御方法
CN106296044B (zh) 电力系统风险调度方法和系统
US20220286199A1 (en) Method for predicting co-channel interference of satellite-to-ground downlink under low-orbit satellite constellation
CN109361404A (zh) 一种基于半监督深度学习网络的ldpc译码系统及译码方法
CN103888391B (zh) 基于双Sigmoid混沌神经网络的信号盲检测方法
CN110336270B (zh) 一种电力系统暂态稳定预测模型的更新方法
CN114142530A (zh) 一种基于近端策略优化算法的考虑n-1安全约束的风险调度方法
CN112310980B (zh) 交直流混联电网直流闭锁频率安全稳定评估方法及系统
CN109061391B (zh) 一种基于计算机视觉潮流图的电网故障诊断方法及系统
CN109635938A (zh) 一种自主学习脉冲神经网络权值量化方法
CN116154788A (zh) 一种电压控制方法、装置、终端设备及存储介质
CN114861874A (zh) 模型驱动图卷积神经网络潮流计算方法
CN114697200B (zh) 一种5g配网分布式保护系统的保护装置配比优化方法
Yuan et al. Improving fault tolerance in diagnosing power system failures with optimal hierarchical extreme learning machine
CN117057623A (zh) 一种综合性电网安全优化调度方法、装置、存储介质
CN114710792A (zh) 基于强化学习的5g配网分布式保护装置的优化布置方法
CN111144572A (zh) 一种基于树形贝叶斯网络的配电网灾情推断方法及系统
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
CN116401572A (zh) 一种基于cnn-lstm的输电线路故障诊断方法及系统
KR20230100683A (ko) 준마코프 사후상태 액터-크리틱을 활용한 전력망 자동 운영 방법
CN113922408B (zh) 基于参数反演的mmc-hvdc电网双极短路故障电流计算方法
CN115984025A (zh) 基于深度学习图网络模型的影响力传播估计方法及系统
CN111950765B (zh) 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法

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