CN117081067A - 一种提高配电网供电能力的运行优化方法 - Google Patents
一种提高配电网供电能力的运行优化方法 Download PDFInfo
- Publication number
- CN117081067A CN117081067A CN202311317019.4A CN202311317019A CN117081067A CN 117081067 A CN117081067 A CN 117081067A CN 202311317019 A CN202311317019 A CN 202311317019A CN 117081067 A CN117081067 A CN 117081067A
- Authority
- CN
- China
- Prior art keywords
- representing
- node
- indicating
- power
- load
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000009826 distribution Methods 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 90
- 230000009471 action Effects 0.000 claims abstract description 83
- 230000002787 reinforcement Effects 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000005096 rolling process Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000000873 masking effect Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000003795 chemical substances by application Substances 0.000 claims description 20
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
-
- 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
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/62—The condition being non-electrical, e.g. temperature
- H02J2310/64—The condition being economic, e.g. tariff based load management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种提高配电网供电能力的运行优化方法，包括：通过密度的滚动聚类方法，确定多个连续的调度时段；通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构；所述网络拓扑结构包括多个馈线；通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作；所述动作与配电网的开关状态相关；确定对每条馈线的需求响应资源调控方案和负荷削减方案；所述需求响应资源包括需求侧竞价和负荷控制；以快速求解网络重构与需求响应耦合优化问题，从而显著缩短求解时间。
Description
技术领域
本发明涉及配电运行优化技术领域，具体而言，涉及一种提高配电网供电能力的运行优化方法。
背景技术
近年来，配电网分布式发电机的增加和负荷的增加可能会导致不安全的运行条件。为确保在过载时系统的安全性，配电网络运营商会执行负荷削减，导致供电能力减少。配电网重构是增强供电能力的有效方法，然而，当系统的平均负荷过重时，网络重构的效果会受到限制。为了减轻过载的不利影响，实施需求响应计划可能是有利的。将网络重构和需求响应相结合，可以有效增强配电网络的供电能力。受限于模型复杂度，传统集中式数学求解方法难以快速求解该问题。且传统的深度强化学习方法由于采用了开关对的方式来保证动作选取遵守网络辐射性约束，严重忽略了大量的可行解集。
有鉴于此，本发明提供了一种提高配电网供电能力的运行优化方法，以快速求解网络重构与需求响应耦合优化问题，从而显著缩短求解时间。
发明内容
本发明的目的在于提供一种提高配电网供电能力的运行优化方法，包括：通过密度的滚动聚类方法，确定多个连续的调度时段；通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构；所述网络拓扑结构包括多个馈线；通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作；所述动作与配电网的开关状态相关；确定对每条馈线的需求响应资源调控方案和负荷削减方案；所述需求响应资源包括需求侧竞价和负荷控制。
进一步的，所述确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：对所述网络拓扑结构的每条馈线进行安全校核；若所述安全校核未通过，则通过二阶锥规划的需求响应优化模型，更新对每条馈线的需求响应资源调控方案和负荷削减方案；若所述安全校核通过，则继续沿用该馈线的需求响应资源调控方案和负荷削减方案。
进一步的，通过密度的滚动聚类方法，确定多个连续的调度时段，包括主聚类和滚动合并簇；所述主聚类，包括：将待调度时间划分为个连续时间序列，并得到包含/>配电网负荷的时间序列数据集C；确定所述时间序列数据集C的初始密度参数；所述初始密度参数与该时间序列内的配电网负荷相关；其中，所述初始密度参数的计算公式为：
;
式中，表示初始密度参数；/>表示时间序列数据集C中配电网负荷的最大值；/>表示时间序列数据集C中配电网负荷的最小值；将所述时间序列数据集中每个时间序列的配电网负荷的距离小于所述初始密度参数的相邻时间序列聚类，得到时间序列数据组；所述滚动合并簇，包括：计算所述时间序列数据组内多个时间序列数据的质心；所述质心与该时间序列内的配电网负荷相关；计算相邻时间序列的质心之间的距离；其中，最后一个时间序列的质心与第一个时间序列的质心相邻；将距离最小的相邻质心对应的时间序列合并，得到新的时间序列数据组；重复合并过程，直到时间序列数据组中时间序列的总数等于预设调度时段个数。
进一步的，通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构，包括：确定马尔可夫决策过程；其中，S表示环境状态；A表示代理的动作；R表示累计的长期贴现奖励；P代表状态转移概率；/>表示贴现因子；确定调度时段t的环境状态/>；其中，/>， />表示多小时节点净注入有功功率；表示多小时节点的净注入无功功率，/>表示调度时段t可控开关的状态；确定代理的动作/>；其中，代理的动作是在每一步打开一个分段开关；确定动作/>的奖励/>，并通过深度强化学习，得到多个网络拓扑结构；基于累计的长期折扣奖励R，从所述多个网络拓扑结构中筛选最终的网络拓扑结构。
进一步的，所述奖励的计算公式为：
;
;
;
其中, 表示动作/>的奖励，/>表示网损成本，/>表示违反电压约束成本，是一个二元值，表示t时段做出的动作是否为最终步骤，当/>时，/>,表示联络开关的数量, h表示小时数，H表示多小时网络重构的时间段，i表示支路首节点编号，j表示支路末节点编号，/>表示系统节点的集合， />表示支路的集合,/>表示网损单位成本，/>表示支路电流，/>表示支路电阻，/>表示违反电压约束的单位成本，max()表示取极大值，/>表示节点电压允许的最大值，/>表示节点电压允许的最小值，/>表示节点电压的实际值；
筛选最终的网络拓扑结构的计算公式为：
;
其中，是agent的策略，/>表示最优策略，即最终的网络拓扑结构，/>表示深度强化学习得到的策略集，/>表示策略/>实现的累计长期折扣奖励，/>表示求取累计奖励最大值对应的策略/>。
进一步的，通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作，包括：基于当前的开关状态，确定有效动作；其中，t+1时刻的第n个有效动作/>的计算公式为：
;
其中，表示开关状态，/>表示开关闭合，/>表示开关打开；检查所述有效动作/>是否符合连接约束，得到无效动作/>；基于动作家的输出矩阵的第n个值与所述无效动作/>的倍数的差值关系得到更新值；基于所述更新值，通过归一化指数函数，得到动作概率分布/>；其中，所述动作概率分布的计算公式为：
;
其中，表示归一化指数函数，即，激活函数，/>代表动作家的输出，/>表示t时刻的无效动作；基于所述动作概率分布，选择符合所述连接约束的有效动作作为所述网络拓扑结构的动作。
进一步的，检查所述有效动作是否符合连接约束，得到无效动作/>，包括：采用深度优先选择算法来检查开关n两端节点与变电站节点之间的连接；若所述开关n两端节点都与至少一个所述变电站节点连接，则/>的动作是有效的；否则，/>的操作无效；其中，无效动作/>的表达式为：
;
;
其中，L表示开关n两端节点与变电站节点之间的距离，表示距离为无穷大，表示开关状态，/>表示开关闭合，/>表示开关打开，/>表示 t+1时刻的第n个无效动作。
进一步的，确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：确定目标函数；确定约束条件；基于所述约束条件，求解所述目标函数，得到所述需求响应资源调控方案和所述负荷削减方案。
进一步的，其中，所述目标函数的计算公式为：
;
其中， 表示目标函数，即最小化每个馈线的运行成本，/>表示网损单位成本，/>表示支路电流，/>表示支路电阻，/>表示需求侧竞价，/>表示需求侧竞价的有功功率，/>表示直接负荷控制，/>表示直接控制负荷的有功功率，/>表示负荷削减的单位成本，/>表示负荷削减的功率；
其中，所述约束条件包括：
有功功率约束：
;
其中， 表示变电站的有功功率，/>表示光伏发电的有功功率，/>表示需求侧竞价的有功功率，/>表示直接负荷控制的有功功率，/>表示负荷削减的有功功率，表示有功负荷，/>表示j的下游节点，/>表示对应节点j的下游节点集合，/>表示节点j与下游节点k之间的支路有功功率，/>表示节点编号，/>表示对应节点j的上游节点集合，/>表示节点j与上游节点i之间的支路有功功率，/>表示支路电流，/>表示支路电阻，/>表示节点变量，/>表示支路集合；
无功功率约束：
;
其中，表示变电站的无功功率，/>表示光伏发电的无功功率，/>表示需求侧竞价的无功功率，/>表示直接负荷控制的无功功率，/>表示负荷削减的无功功率，表示无功负荷，/>表示节点j与下游节点k之间的支路无功功率，/>表示节点j与上游节点i之间的支路无功功率，/>表示线路的电抗；
电压约束：
;
其中，表示上游节点i的节点电压，/>表示下游节点j的节点电压；
电流约束：
;
其中，表示馈线d的支路集合；
线路电流和节点电压约束：
;
其中，表示开关状态，/>表示电流的上限，/>表示开关集合，
负荷削减约束：
;
其中，表示有功负荷削减功率，/>表示负荷削减状态，它是一个二进制变量，表示系统节点的集合。
进一步的，所述负荷削减方案包括直接负荷控制；其中，所述直接负荷控制的控制率的计算公式为：
;
;
其中，表示直接负荷控制的最大值，/>表示直接负荷控制的控制率，它是一个常数，范围在[0, 1]之间，/>表示直接负荷控制的额定功率，/>表示直接负荷控制的节点集合；
所述需求响应资源调控方案包括需求侧竞价响应策略；其中，需求侧竞价响应策略的计算公式为：
;
;
;
;
其中，表示需求侧竞价的有功功率最大值，/>表示需求侧竞价的有功功率额定值，/>表示需求侧竞价的节点集合，/>表示有效响应可信度，/>表示实际响应能力与需求响应能力的平均比率，m表示需求侧竞价参与者的历史记录次数变量，/>表示需求侧竞价参与者的历史记录次数，/>表示一个二进制变量，当/> = 1时，表示参与者的响应是有效的，当实际响应能力与需求响应能力的比率大于50%时，响应被认为是有效的，/>表示需求侧竞价的历史响应实际值，/>表示需求侧竞价的响应量，/>表示负荷削减状态。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明能够快速得到配电网重构结果与需求响应方案，提升电网运行的经济性与供电能力。
本发明通过双层配电网运行模型（深度强化学习模型和优化算法），增强了配电网供电能力。在上层，提出了与多小时配电网络重构相关的深度强化学习模型，以快速获取近似最优的网络重构方案。在下层，提出了基于混合整数二阶锥规划的优化模型，用于在安全检查后确定每个馈线的需求响应。数值研究表明，在多小时配电网络重构任务中，离散的近端策略算法在结合无效动作屏蔽技术时表现优于集中最新的深度强化学习算法。所提出的近端策略算法与无效动作屏蔽技术的整合，允许在每个步骤中在小动作空间内进行全面的解空间探索，同时确保严格的网络辐射性，而传统深度强化学习算法会忽略大量可行解。此外，所提出的需求侧响应优化模型相较于传统优化模型具有较短的求解时间。
附图说明
图1为本发明一些实施例提供的一种提高配电网供电能力的运行优化方法的示例性示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
图1为本发明一些实施例提供的一种提高配电网供电能力的运行优化方法的示例性示意图。
如图1所示，本发明围绕提高配电网供电能力这个目标，构建综合深度强化学习与数学优化方法配电网双层优化框架，通过采用深度强化学习模型进行多小时网络重构 ，再根据重构结构对每个馈线进行安全校核，最后通过数学优化模型对每条馈线的需求响应资源进行优化，从而显著缩短了求解时间提高配电网供电能力的运行优化方法，可以包括以下内容：
通过密度的滚动聚类方法，确定多个连续的调度时段。例如，根据配电网多小时重构任务的连续性，将每天的调度任务确定为0-8点、8-16点和16-24点的多小时连续的调度任务，每个任务可以由单独的深度强化学习模型进行学习。
其中，通过密度的滚动聚类方法，确定多个连续的调度时段，包括主聚类和滚动合并簇；
所述主聚类，包括：
将待调度时间划分为个连续时间序列，并得到包含/>个配电网负荷的时间序列数据集C。其中，时间序列数据集C被划分为/>。这些组是按照时间的顺序分配的。待调度时间可以为一天。
确定所述时间序列数据集C的初始密度参数；所述初始密度参数与该时间序列内的配电网负荷相关。
其中，所述初始密度参数的计算公式为：
;
式中，表示初始密度参数；/>表示时间序列数据集C中配电网负荷的最大值；/>表示时间序列数据集C中配电网负荷的最小值。
将所述时间序列数据集中每个时间序列的配电网负荷的距离小于所述初始密度参数的相邻时间序列聚类，得到时间序列数据组。
所述滚动合并簇，包括：
计算所述时间序列数据组内多个时间序列数据的质心；所述质心与该时间序列内的配电网负荷相关。其中，每组的质心是该组中元素的平均值。
计算相邻时间序列的质心之间的距离；其中，最后一个时间序列的质心与第一个时间序列的质心相邻。
将距离最小的相邻质心对应的时间序列合并，得到新的时间序列数据组。
重复合并过程，直到时间序列数据组中时间序列的总数等于预设调度时段个数。预设调度时段是指预先设定的调度时段的总个数。
通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构，以描述多小时重构问题；所述网络拓扑结构包括多个馈线。网络拓扑结构是指将配电网划分为多个馈线，每个馈线由至少一个变电站节点供电。其中，在上层，深度强化学习模型用于多小时配电网重构任务。多小时配电网重构任务过程如下：首先，关闭所有联络开关，从而形成网状网络配置。随后，开关依次断开 ，直到获得辐射状网络，从而确保网络的辐射性。可见，深度强化学习模型被训练来学习开关打开的最佳顺序。注意，深度强化学习模型获得的网络重构方案在每个多小时任务期间保持不变。在上层执行网络重构后，将大型配电网划分为多个馈线。
其中，通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构，包括：
确定马尔可夫决策过程；其中，S表示环境状态；A表示代理的动作；R表示累计的长期贴现奖励；P代表状态转移概率；/>表示贴现因子，用于平衡长期贴现奖励和即时奖励的重要性。
确定调度时段t的环境状态；其中，/>， />表示多小时节点净注入有功功率；/>表示多小时节点的净注入无功功率，/>表示调度时段t可控开关的状态。
确定代理的动作；其中，代理的动作是在每一步打开一个分段开关。因此，动作空间是离散的。
确定动作的奖励/>，并通过深度强化学习，得到多个网络拓扑结构。其中，奖励的函数是网损成本和违反约束成本的负值。并且，奖励是基于最终的配电网拓扑来计算的。因此，只有最后一步的奖励是非零的，而其他步骤的奖励被设置为零。
其中，所述奖励的计算公式为：
;
;
;
其中, 表示动作/>的奖励，/>表示网损成本，/>表示违反电压约束成本，是一个二元值，表示t时段做出的动作是否为最终步骤，当/>时，/>,表示联络开关的数量, h表示小时数，H表示多小时网络重构的时间段，i表示支路首节点编号，j表示支路末节点编号，/>表示系统节点的集合， />表示支路的集合,/>表示网损单位成本，/>表示支路电流，/>表示支路电阻，/>表示违反电压约束的单位成本，max()表示取极大值，/>表示节点电压允许的最大值，/>表示节点电压允许的最小值，/>表示节点电压的实际值。
基于累计的长期折扣奖励R，从所述多个网络拓扑结构中筛选最终的网络拓扑结构。
其中，筛选最终的网络拓扑结构的计算公式为：
;
其中，是agent的策略，/>表示最优策略，即最终的网络拓扑结构，/>表示深度强化学习得到的策略集，/>表示策略/>实现的累计长期折扣奖励，/>表示求取累计奖励最大值对应的策略/>。其中，/>的计算公式为：
;
其中，t为调度时段，T为调度时段的总数。
通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作；所述动作与配电网的开关状态相关。例如，实现该网络拓扑结构时配电网中所有开关的状态。以学习深度强化学习模型的最优策略，从而保证深度强化学习模型能够在严格保证网络辐射性的同时，尽可能完整地探索整个网络重构解空间。所述网络辐射性是指网络为辐射状网络。
假设一个大型配电网中有N个可控开关。，考虑无效动作掩蔽的步骤t+1的动作选择过程，其中，通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作，包括：
基于当前的开关状态（例如，步骤t的开关状态），确定有效动作；其中，t+1时刻的第n个有效动作/>的计算公式为：
;
其中，表示开关状态，/>表示开关闭合，/>表示开关打开。
检查所述有效动作是否符合连接约束，得到无效动作/>。连接约束是指网络是串联的，所有的负荷都是连接到变电站的。动作有效可以是节点连接到至少两个变电站，则可以认为该节点可以由两个变电站同时供电。即，至少能由一个变电站供电，则有效。动作无效可以是指一个变电站都不供电，则该网络无效。例如，检查所述有效动作是否符合连接约束，得到无效动作/>，包括：
采用深度优先选择算法来检查开关n两端节点与变电站节点之间的连接；
若所述开关n两端节点都与至少一个所述变电站节点连接，则的动作是有效的；
否则，的操作无效；其中，无效动作/>的表达式为：
;
;
其中，L表示开关n两端节点与变电站节点之间的距离，表示距离为无穷大，表示开关状态，/>表示开关闭合，/>表示开关打开，/>表示 t+1时刻的第n个无效动作。
基于动作家的输出矩阵的第n个值与所述无效动作的倍数的差值关系得到更新值。例如，动作家的输出矩阵的第n个值通过减去一个大的负数（例如，/>）乘以/>的积来更新。其中，动作家是指近端策略优化算法中的动作家模型，。近端策略优化算法的结构是典型的动作家-批评家结构，属于策略深度强化学习算法的范畴。近端策略优化算法算法的主要部分是动作家网络的策略损失函数/>，由下式给出：
;
其中，表示动作家网络的损失函数，/>表示策略神经网络的参数。ε 表示一个超参数，用于确保在使用同一批数据执行多个策略更新时，新旧策略之间的差异不会太大。一般来说ε 设置为0.2。/>表示新旧策略之间的比率，由下式给出：
;
其中，是在给定当前高斯分布/>生成的动作/>下的概率密度。在连续设置中，动作家网络的输出是均值和协方差，用于生成高斯分布，用/>表示。此外，/>表示优势函数，其通过广义优势函数估计，计算如下：
;
;
式中：表示折扣参数，/>给出了政策梯度折扣近似的无偏估计，而/>给出了有偏估计。评论家网络的输出是状态/>的值函数，用/>表示。在连续设置中，评论家网络的输出维度为1。评论家网络的目标函数/>如下：
;
评论家网络的损失函数由下式给出：
;
近端策略优化算法的离散动作设置如下：1）改进的批评者神经网络可以估计状态下所有动作的值。在这种情况下，评论家神经网络输出的维度从1变为/>；2） 动作家神经网络的输入从压缩高斯分布/>变为所有动作的概率分布/>。在这种情况下，是状态/>下作用/>的概率值。概率分布/>由softmax函数获得，该函数被添加到动作家的输出中。动作是基于训练过程中的概率分布随机选择的。在执行过程中，动作是按最大概率选择的。
基于所述更新值，通过归一化指数函数（即，激活函数softmax），得到动作概率分布；其中，所述动作概率分布的计算公式为：
;
其中，表示归一化指数函数，即，激活函数，/>代表动作家的输出，/>表示t时刻的无效动作。
基于所述动作概率分布，选择符合所述连接约束的有效动作作为所述网络拓扑结构的动作。无效动作的概率接近于0，因此深度强化学习模块只会选择符合连通性约束的有效动作，而无效动作的反向传输梯度为0。
确定对每条馈线的需求响应资源调控方案和负荷削减方案；所述需求响应资源包括需求侧竞价和负荷控制。在下层，基于优化算法模型确定了每个馈线的需求响应。优化模型旨在考虑甩负荷和网络安全等因素，为每条馈线找到最佳的需求响应方案。
需求响应资源调控方案是指一种管理和控制电力系统负荷的策略，旨在根据电力系统和购电方的实际情况，调整用电，以便在供需不平衡或能源高峰期时，通过减少总体负荷，实现电力系统的平衡和稳定。负荷削减方案是指通过采取措施减少电力系统中负荷的方法的集合。需求侧竞价是指购电方的购电价格。负荷控制是指管理和调整电力负荷，以维持电力系统的平衡和稳定。
其中，确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：
确定目标函数。其中，所述目标函数的计算公式为：
;
其中， 表示目标函数，即最小化每个馈线的运行成本，/>表示网损单位成本，/>表示支路电流，/>表示支路电阻，/>表示需求侧竞价，/>表示需求侧竞价的有功功率，/>表示直接负荷控制，/>表示直接控制负荷的有功功率，/>表示负荷削减的单位成本，/>表示负荷削减的功率。
确定约束条件。其中，所述约束条件包括：
有功功率约束：
;
其中， 表示变电站的有功功率，/>表示光伏发电的有功功率，/>表示需求侧竞价的有功功率，/>表示直接负荷控制的有功功率，/>表示负荷削减的有功功率，表示有功负荷，/>表示j的下游节点，/>表示对应节点j的下游节点集合，/>表示节点j与下游节点k之间的支路有功功率，/>表示节点编号，/>表示对应节点j的上游节点集合，/>表示节点j与上游节点i之间的支路有功功率，/>表示支路电流，/>表示支路电阻，/>表示节点变量，/>表示支路集合；
无功功率约束：
;
其中，表示变电站的无功功率，/>表示光伏发电的无功功率，/>表示需求侧竞价的无功功率，/>表示直接负荷控制的无功功率，/>表示负荷削减的无功功率，表示无功负荷，/>表示节点j与下游节点k之间的支路无功功率，/>表示节点j与上游节点i之间的支路无功功率，/>表示线路的电抗；
电压约束：
;
其中，表示开关状态，/>表示电流的上限，/>表示开关集合；
电流约束：
;
其中，表示馈线d的支路集合；
线路电流和节点电压约束：
;
其中，表示开关状态，/>表示电流的上限，/>表示开关集合；
负荷削减约束：
;
其中，表示有功负荷削减功率，/>表示负荷削减状态，它是一个二进制变量，表示系统节点的集合。
实施例1
可以使用二阶锥松弛来松弛功率流约束。定义和/>，松弛后的功率流模型表述如下：
;
;
;
;
基于所述约束条件，求解所述目标函数，得到所述需求响应资源调控方案和所述负荷削减方案。
所述负荷削减方案包括直接负荷控制。直接负荷控制计划意味着配电网络运营商可以通过改装控制回路直接控制一些用户的负荷直接负荷控制通常涉及温度设备，比如中央空调系统。控制可以通过管理设备的启停状态或调整预设温度来进行。在供电能力面临风险的关键时期，直接负荷控制可以有效地实施。假设直接负荷控制参与者的负荷为，则，所述直接负荷控制的控制率的计算公式为：
;/>
;
其中，表示直接负荷控制的最大值，/>表示直接负荷控制的控制率，它是一个常数，范围在[0, 1]之间，/>表示直接负荷控制的额定功率，/>表示直接负荷控制的节点集合。
所述需求响应资源调控方案包括需求侧竞价响应策略。对于需求侧竞价计划，配电网络运营商无法直接控制需求侧竞价参与者的负荷。在需求侧竞价计划中，参与者通过提供他们的需求响应能力、愿意参与的时长以及他们期望的响应行为价格来提交竞价。在收集和分析来自各个参与者的信息后，配电网络运营商选择最佳的需求响应策略，共同提高供电能力。然后，配电网络运营商主动发布需求响应命令，允许用户自主调整负荷以响应。假设需求侧竞价参与者的负荷为，其中，需求侧竞价响应策略的计算公式为：
;
;
;
;
其中，表示需求侧竞价的有功功率最大值，/>表示需求侧竞价的有功功率额定值，/>表示需求侧竞价的节点集合，/>表示有效响应可信度，/>表示实际响应能力与需求响应能力的平均比率，m表示需求侧竞价参与者的历史记录次数变量，/>表示需求侧竞价参与者的历史记录次数，/>表示一个二进制变量，当/> = 1时，表示参与者的响应是有效的，当实际响应能力与需求响应能力的比率大于50%时，响应被认为是有效的，/>表示需求侧竞价的历史响应实际值，/>表示需求侧竞价的响应量，/>表示负荷削减状态。
实施例2
为了进一步减少计算时间，还包括执行安全校核以评估是否遵守了电流与电压安全约束。所述确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：
对所述网络拓扑结构的每条馈线进行安全校核。
若所述安全校核未通过，则通过执行该馈线的相应二阶锥规划的需求响应优化模型，更新对每条馈线的需求响应资源调控方案和负荷削减方案，以确定最优需求响应和负荷削减方案，从而缓解所识别的安全问题。
若所述安全校核通过（即，馈线中的安全约束完全满足），则继续沿用该馈线的需求响应资源调控方案和负荷削减方案。所述安全约束包括电流约束、电压约束等。
本发明提出的提高配电网供电能力的运行优化方法有效地结合了深度强化学习模型和数学优化的优点，增强了供电能力，同时严格遵守网络约束并降低了计算的复杂性。
在本发明中，所提出的模型在IEEE 33节点系统和一个实际的148节点配电网络上进行了测试。对于IEEE 33节点系统，额定电压为12.66 kV。有一个馈线和10个可控开关。需求侧管理（DSM）节点为{28,30}，需求侧竞价（DLC）节点为{2,16,31,32}。对于148节点系统，额定电压为10 kV。光伏发电装置集成在节点{29,36,68,69, 105,110,140,144}上。有八个馈线和25个可控开关。光伏的有功功率情景通过蒙特卡洛方法生成。需求侧管理节点为{12,45,78}，需求侧竞价节点为{17,42,56,68,84,89,109}。24小时内的电力购买价格曲线为(28,24,22,22.5,23.5,25,27.5,31.5,37.5,44,42.5,40,42,43,46,47.5,48.5,48.5,50,44.5,38,36,30,26) $/MWh。电压上限设定为1.06标幺值，电压下限设定为9.4标幺值，电流上限设定为800A。电力损耗的单位成本为50 $/MWh，电压约束违规的单位成本为10 $，负荷削减的单位成本为200 $/MWh。对于多小时的网络重构任务，使用OPENDSS进行功率流计算。调用Gurobi求解器来解决需求响应优化问题。历史三年来该地区的负荷数据用于训练。为了模拟负荷过重的情况，每日负荷加倍。然后使用K-means聚类方法对训练和测试数据集进行减少，比例为10：1。具体来说，对于本研究，采用了50个典型的每日负荷曲线进行训练，而使用了5个典型的每日负荷曲线进行测试。密度滚动聚类方法中的组数设置为2。通过与几种最先进的深度强化学习算法进行比较来验证所提出的近端策略优化（PPO）算法的有效性，包括离散软演员评论（SAC），深度确定性策略梯度（DDPG）[25]和Dueling DoubleDQN（D3QN）算法。所有算法的基本神经网络结构由三个全连接层组成。此外，SAC的熵温度参数设置为0.1。PPO中的迭代次数为K=100，λ=0.95。DDPG中采用了重参数化技术用于离散动作空间。
在IEEE 33节点系统中，进行多小时网络重构任务的几种DRL算法的比较。多小时网络重构任务的时间段被定义为0:00-8:00。值得注意的是，所有算法都使用了无效动作屏蔽技术和软更新技术，衰减率设置为0.005。所提出的离散PPO算法和DDPG算法可以有效地学习最优策略。与SAC和D3QN相比，所提出的PPO算法在多小时配电网络重构任务中表现更好。
在所提出的多小时网络重构任务中，将其与几种动态网络重构任务相关的深度强化学习算法进行了比较。观察到每日网络重构任务使用了所提出的基于密度的滚动聚类方法进行划分成两个子任务。任务1从9:00到14:00，任务2覆盖了从15:00到8:00的时间段。每个子任务由一个单独的代理器学习，每日网络重构任务的结果是这两个子任务的组合。值得注意的是，与动态网络重构相关的深度强化学习算法包括SAC、DDPG和D3QN。这些算法的网络结构和超参数与用于多小时网络重构任务的相应深度强化学习算法相同。在动态网络重构的深度强化学习中，步骤t等于时间步长。在本研究中，一个episode中的总步数为24，对应24小时。动作空间是若干开关对的开关组合，状态空间是每小时内的有功/无功节点注入功率、电压和开关状态，并且开关组合的数量为32。根据实验的比较结果，可以得到在小规模系统中，所提出的与多小时网络重构相关的深度强化学习算法的网络重构结果与几种与动态网络重构相关的深度强化学习算法相似。
为验证所提出的需求响应模型的有效性，设置了三个案例。案例1：没有需求响应的优化方案；案例2：传统的全局需求响应优化模型；案例3：所提出的需求响应优化模型。这三个案例的成本如下表1所示。
表1 三种需求响应优化模型的成本
从表1中可以看出，需求响应可以有效地降低负荷削减成本，并增强供电能力。虽然IEEE 33节点系统中只有一个馈线，但是案例3的求解时间比案例2要低，因为在所提出的需求响应优化模型中进行了需求响应优化之前的安全检查。
根据多小时网络重构任务在实际的148节点系统中的几种深度强化学习算法的比较结果，其中，多小时网络重构任务的时间段被定义为0:00-8:00，从结果中可以得出，在大规模多小时配电网络重构任务中，与SAC、DDPG和D3QN相比，所提出的PPO算法是最有效的。
在所提出的多小时网络重构任务中，将其与没有时间段划分的PPO算法以及几种与动态网络重构任务相关的深度强化学习算法进行了比较。与在IEEE 33节点系统中的实验设置类似，每日网络重构任务使用所提出的基于密度的滚动聚类方法划分为两个子任务。任务1从1:00到9:00，任务2覆盖了从10:00到24:00的时间段。与动态网络重构相关的DRL算法包括三种单一代理深度强化学习算法，包括SAC、DDPG和D3QN，以及两种多代理DRL算法，包括多代理SAC（MASAC）[18]和多代理DDPG（MADDPG）[28]。在单代理深度强化学习中，开关组合的数量为7744。在多代理深度强化学习中，有两个代理器，其中代理1的开关组合数量为44，代理2的开关组合数量为176。
通过比较这些DRL算法可以得出在应用于大规模动态配电网络重构的DRL中，单代理DRL算法由于动作空间过大而难以学习最优策略。与这些单代理DRL算法相比，MASAC和MADDPG通过将大动作空间划分为若干子动作空间来提高学习效率。然而，值得注意的是，手动选择保证网络径向性的开关组合会导致在大规模系统中忽视大量有效解决方案。相比之下，所提出的两种与多小时网络重构任务相关的PPO算法，结合了无效动作屏蔽技术，其网络重构结果显著优于其他深度强化学习算法。无效动作屏蔽技术允许对解空间进行全面的探索，同时保持对网络径向性的严格遵循。此外，使用所提出的基于密度的滚动聚类方法将每日任务划分为两个多小时任务可以改善策略。
在这部分中，还测试了三种情况，以验证所提出的需求响应模型的有效性。可以得到网络重构和需求响应有效地降低了负荷削减成本，并增强了供电能力。此外，所提出的需求响应优化模型的求解时间比传统优化模型要小得多。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种提高配电网供电能力的运行优化方法，其特征在于，包括：
通过密度的滚动聚类方法，确定多个连续的调度时段；
通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构；所述网络拓扑结构包括多个馈线；
通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作；所述动作与配电网的开关状态相关；
确定对每条馈线的需求响应资源调控方案和负荷削减方案；所述需求响应资源包括需求侧竞价和负荷控制。
2.根据权利要求1所述的提高配电网供电能力的运行优化方法，其特征在于，所述确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：
对所述网络拓扑结构的每条馈线进行安全校核；
若所述安全校核未通过，则通过二阶锥规划的需求响应优化模型，更新对每条馈线的需求响应资源调控方案和负荷削减方案；
若所述安全校核通过，则继续沿用该馈线的需求响应资源调控方案和负荷削减方案。
3.根据权利要求1所述的提高配电网供电能力的运行优化方法，其特征在于，通过密度的滚动聚类方法，确定多个连续的调度时段，包括主聚类和滚动合并簇；
所述主聚类，包括：
将待调度时间划分为个连续时间序列，并得到包含/>个配电网负荷的时间序列数据集C；
确定所述时间序列数据集C的初始密度参数；所述初始密度参数与该时间序列内的配电网负荷相关；
其中，所述初始密度参数的计算公式为：
;
其中，表示初始密度参数；/>表示时间序列数据集C中配电网负荷的最大值；/>表示时间序列数据集C中配电网负荷的最小值；
将所述时间序列数据集中每个时间序列的配电网负荷的距离小于所述初始密度参数的相邻时间序列聚类，得到时间序列数据组；
所述滚动合并簇，包括：
计算所述时间序列数据组内多个时间序列数据的质心；所述质心与该时间序列内的配电网负荷相关；
计算相邻时间序列的质心之间的距离；其中，最后一个时间序列的质心与第一个时间序列的质心相邻；
将距离最小的相邻质心对应的时间序列合并，得到新的时间序列数据组；
重复合并过程，直到时间序列数据组中时间序列的总数等于预设调度时段个数。
4.根据权利要求1所述的提高配电网供电能力的运行优化方法，其特征在于，通过深度强化学习的马尔可夫决策过程，确定每个所述调度时段的网络拓扑结构，包括：
确定马尔可夫决策过程；其中，S表示环境状态；A表示代理的动作；R表示累计的长期贴现奖励；P代表状态转移概率；/>表示贴现因子；
确定调度时段t的环境状态；其中，/>，/>表示多小时节点净注入有功功率；/>表示多小时节点的净注入无功功率，/>表示调度时段t可控开关的状态；
确定代理的动作；其中，代理的动作是在每一步打开一个分段开关；
确定动作的奖励/>，并通过深度强化学习，得到多个网络拓扑结构；
基于累计的长期折扣奖励R，从所述多个网络拓扑结构中筛选最终的网络拓扑结构。
5.根据权利要求4所述的提高配电网供电能力的运行优化方法，其特征在于，所述奖励的计算公式为：
;
;
;
其中,表示动作/>的奖励，/>表示网损成本，/>表示违反电压约束成本，/>是一个二元值，表示t时段做出的动作是否为最终步骤，当/>时，/>, />表示联络开关的数量,h表示小时数，H表示多小时网络重构的时间段，i表示支路首节点编号，j表示支路末节点编号，/>表示系统节点的集合，/>表示支路的集合,/>表示网损单位成本，/>表示支路电流，/>表示支路电阻，/>表示违反电压约束的单位成本，max()表示取极大值，/>表示节点电压允许的最大值，/>表示节点电压允许的最小值，/>表示节点电压的实际值；
筛选最终的网络拓扑结构的计算公式为：
;
其中，是agent的策略，/>表示最优策略，即最终的网络拓扑结构，/>表示深度强化学习得到的策略集，/>表示策略/>实现的累计长期折扣奖励，/>表示求取累计奖励最大值对应的策略/>。
6.根据权利要求1所述的提高配电网供电能力的运行优化方法，其特征在于，通过无效动作掩蔽技术的离散近端策略优化算法，确定所述网络拓扑结构的动作，包括：
基于当前的开关状态，确定有效动作；其中，t+1时刻的第n个有效动作/>的计算公式为：
;
其中，表示开关状态，/>表示开关闭合，/>表示开关打开；
检查所述有效动作是否符合连接约束，得到无效动作/>；
基于动作家的输出矩阵的第n个值与所述无效动作的倍数的差值关系得到更新值；
基于所述更新值，通过归一化指数函数，得到动作概率分布；其中，所述动作概率分布的计算公式为：
;
其中，表示归一化指数函数，即，激活函数，/>代表动作家的输出，表示t时刻的无效动作；
基于所述动作概率分布，选择符合所述连接约束的有效动作
作为所述网络拓扑结构的动作。
7.根据权利要求5所述的提高配电网供电能力的运行优化方法，其特征在于，检查所述有效动作是否符合连接约束，得到无效动作/>，包括：
采用深度优先选择算法来检查开关n两端节点与变电站节点之间的连接；
若所述开关n两端节点都与至少一个所述变电站节点连接，则的动作是有效的；
否则，的操作无效；其中，无效动作/>的表达式为：
;
;
其中，L表示开关n两端节点与变电站节点之间的距离，表示距离为无穷大，/>表示开关状态，/>表示开关闭合，/>表示开关打开，/>表示t+1时刻的第n个无效动作。
8.根据权利要求1所述的提高配电网供电能力的运行优化方法，其特征在于，确定对每条馈线的需求响应资源调控方案和负荷削减方案，包括：
确定目标函数；
确定约束条件；
基于所述约束条件，求解所述目标函数，得到所述需求响应资源调控方案和所述负荷削减方案。
9.根据权利要求8所述的提高配电网供电能力的运行优化方法，其特征在于，其中，所述目标函数的计算公式为：
;
其中，表示目标函数，即最小化每个馈线的运行成本，/>表示网损单位成本，表示支路电流，/>表示支路电阻，/>表示需求侧竞价，/>表示需求侧竞价的有功功率，/>表示直接负荷控制，/>表示直接控制负荷的有功功率，/>表示负荷削减的单位成本，/>表示负荷削减的功率；
其中，所述约束条件包括：
有功功率约束：
;
其中，表示变电站的有功功率，/>表示光伏发电的有功功率，/>表示需求侧竞价的有功功率，/>表示直接负荷控制的有功功率，/>表示负荷削减的有功功率，/>表示有功负荷，/>表示节点j的下游节点，/>表示对应节点j的下游节点集合，/>表示节点j与下游节点k之间的支路有功功率，/>表示节点编号，/>表示对应节点j的上游节点集合，/>表示节点j与上游节点i之间的支路有功功率，/>表示支路电流，/>表示支路电阻，表示节点变量，/>表示支路集合；
无功功率约束：
;
其中，表示变电站的无功功率，/>表示光伏发电的无功功率，/>表示需求侧竞价的无功功率，/>表示直接负荷控制的无功功率，/>表示负荷削减的无功功率，/>表示无功负荷，/>表示节点j与下游节点k之间的支路无功功率，/>表示节点j与上游节点i之间的支路无功功率，/>表示线路的电抗；
电压约束：
;
其中，表示上游节点i的节点电压，/>表示下游节点j的节点电压；
电流约束：
;
其中，表示馈线d的支路集合；
线路电流和节点电压约束：
;
其中，表示开关状态，/>表示电流的上限，/>表示开关集合；
负荷削减约束：
;
其中，表示有功负荷削减功率，/>表示负荷削减状态，它是一个二进制变量，/>表示系统节点的集合。
10.根据权利要求8所述的提高配电网供电能力的运行优化方法，其特征在于，
所述负荷削减方案包括直接负荷控制；其中，所述直接负荷控制的控制率的计算公式为：
;
;
其中，表示直接负荷控制的最大值，/>表示直接负荷控制的控制率，它是一个常数，范围在[0, 1]之间，/>表示直接负荷控制的额定功率，/>表示直接负荷控制的节点集合；
所述需求响应资源调控方案包括需求侧竞价响应策略；其中，需求侧竞价响应策略的计算公式为：
;
;
;
;
其中，表示需求侧竞价的有功功率最大值，/>表示需求侧竞价的有功功率额定值，/>表示需求侧竞价的节点集合，/>表示有效响应可信度，/>表示实际响应能力与需求响应能力的平均比率，m表示需求侧竞价参与者的历史记录次数变量，表示需求侧竞价参与者的历史记录次数，/>表示一个二进制变量，当/>=1时，表示参与者的响应是有效的，当实际响应能力与需求响应能力的比率大于50%时，响应被认为是有效的，/>表示需求侧竞价的历史响应实际值，/>表示需求侧竞价的响应量，/>表示负荷削减状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317019.4A CN117081067B (zh) | 2023-10-12 | 2023-10-12 | 一种提高配电网供电能力的运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317019.4A CN117081067B (zh) | 2023-10-12 | 2023-10-12 | 一种提高配电网供电能力的运行优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117081067A true CN117081067A (zh) | 2023-11-17 |
| CN117081067B CN117081067B (zh) | 2023-12-19 |
Family
ID=88715605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311317019.4A Active CN117081067B (zh) | 2023-10-12 | 2023-10-12 | 一种提高配电网供电能力的运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117081067B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0621022D0 (en) * | 2005-10-21 | 2006-11-29 | Mayer Yaron | System and method for improving the efficiency, comfort, and/or reeliability in operating systems, such as for example windows |
| US7343360B1 (en) * | 1998-05-13 | 2008-03-11 | Siemens Power Transmission & Distribution, Inc. | Exchange, scheduling and control system for electrical power |
| US20100106332A1 (en) * | 2008-09-29 | 2010-04-29 | Battelle Memorial Institute | Using bi-directional communications in a market-based resource allocation system |
| US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
| US20210221247A1 (en) * | 2018-06-22 | 2021-07-22 | Moixa Energy Holdings Limited | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
| US20220147876A1 (en) * | 2020-11-12 | 2022-05-12 | UMNAI Limited | Architecture for explainable reinforcement learning |
| WO2022133330A1 (en) * | 2020-12-18 | 2022-06-23 | Strong Force Vcn Portfolio 2019, Llc | Robot fleet management and additive manufacturing for value chain networks |
| WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
| WO2023010760A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 配售电竞争态势下区域配电网的供电能力评估方法 |
| CN116845859A (zh) * | 2023-05-26 | 2023-10-03 | 四川大学 | 基于多智能体强化学习的配电网两阶段动态重构运行方法 |
-
2023
- 2023-10-12 CN CN202311317019.4A patent/CN117081067B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7343360B1 (en) * | 1998-05-13 | 2008-03-11 | Siemens Power Transmission & Distribution, Inc. | Exchange, scheduling and control system for electrical power |
| GB0621022D0 (en) * | 2005-10-21 | 2006-11-29 | Mayer Yaron | System and method for improving the efficiency, comfort, and/or reeliability in operating systems, such as for example windows |
| US20100106332A1 (en) * | 2008-09-29 | 2010-04-29 | Battelle Memorial Institute | Using bi-directional communications in a market-based resource allocation system |
| US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
| US20210221247A1 (en) * | 2018-06-22 | 2021-07-22 | Moixa Energy Holdings Limited | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
| US20220147876A1 (en) * | 2020-11-12 | 2022-05-12 | UMNAI Limited | Architecture for explainable reinforcement learning |
| WO2022133330A1 (en) * | 2020-12-18 | 2022-06-23 | Strong Force Vcn Portfolio 2019, Llc | Robot fleet management and additive manufacturing for value chain networks |
| WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
| WO2023010760A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 配售电竞争态势下区域配电网的供电能力评估方法 |
| CN116845859A (zh) * | 2023-05-26 | 2023-10-03 | 四川大学 | 基于多智能体强化学习的配电网两阶段动态重构运行方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙笑雨;于源;孟垂懿;班斓;: "考虑大规模光伏和风电接入的主动配电网无功电源综合规划", 智慧电力, no. 09, pages 22 - 28 * |
| 廖剑波;李振坤;符杨;: ""源-网-荷"相协调的主动配电网经济调度", 电力系统及其自动化学报, no. 01, pages 73 - 79 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117081067B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep reinforcement learning method for demand response management of interruptible load | |
| CN112615379B (zh) | 基于分布式多智能体强化学习的电网多断面功率控制方法 | |
| Gitizadeh et al. | Multistage distribution system expansion planning considering distributed generation using hybrid evolutionary algorithms | |
| Moeini-Aghtaie et al. | Incorporating large-scale distant wind farms in probabilistic transmission expansion planning—Part I: Theory and algorithm | |
| Dahal et al. | Generator maintenance scheduling using a genetic algorithm with a fuzzy evaluation function | |
| CN103683337B (zh) | 一种互联电网cps指令动态分配优化方法 | |
| CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
| CN104682392B (zh) | 计及线路安全约束的省网agc机组动态优化调度方法 | |
| CN109586298B (zh) | 一种多直流受端电网综合负荷优化控制方法与系统 | |
| CN115879833B (zh) | 考虑灾害响应和恢复的双层配电网韧性评估方法及系统 | |
| Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
| CN105279575B (zh) | 基于发电预测的多能源主体分布式博弈优化方法 | |
| Kyomugisha et al. | Performance of various voltage stability indices in a stochastic multiobjective optimal power flow using mayfly algorithm | |
| CN117081067B (zh) | 一种提高配电网供电能力的运行优化方法 | |
| Houndjéga et al. | Active power rescheduling for congestion management based on generator sensitivity factor using ant lion optimization algorithm | |
| CN110380407B (zh) | 一种考虑农业电排灌负荷的配电网运行优化方法 | |
| CN117172097A (zh) | 基于云边协同与多智能体深度学习的配电网调度运行方法 | |
| CN110751328A (zh) | 基于联合加权熵的高比例可再生能源电网适应性规划方法 | |
| CN114123175B (zh) | 考虑广义需求侧资源联盟特性的配电网分布式控制方法 | |
| CN107069743B (zh) | 电网断面潮流的自动调整计算方法 | |
| CN113783179B (zh) | 一种电网负荷预测及优化方法 | |
| Musirin et al. | Evolutionary programming optimization technique for solvingreactive power planning in power system. | |
| Ma et al. | A photovoltaic system investment game for assessing network hosting capacity allocations | |
| Saboya et al. | MOPSO-tuning of a threshold-based algorithm to start up and shut-down rapid-start units in AGC | |
| CN114417710A (zh) | 一种输电网的过载动态决策生成方法及相关装置 |
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 |