CN117477548A - 一种配电网重构的方法、装置、电子设备以及存储介质 - Google Patents
一种配电网重构的方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117477548A CN117477548A CN202311458511.3A CN202311458511A CN117477548A CN 117477548 A CN117477548 A CN 117477548A CN 202311458511 A CN202311458511 A CN 202311458511A CN 117477548 A CN117477548 A CN 117477548A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- power distribution
- determining
- flow calculation
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000009471 action Effects 0.000 claims abstract description 96
- 238000004364 calculation method Methods 0.000 claims abstract description 90
- 230000006870 function Effects 0.000 claims description 54
- 238000005070 sampling Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网重构的方法、装置、电子设备以及存储介质。该方法包括：根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；根据所述潮流计算结果，确定奖励函数；通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。本发明能够实现实时的确定最优的配电网络配置。
Description
技术领域
本发明涉及配电控制技术领域，尤其涉及一种配电网重构的方法、装置、电子设备以及存储介质。
背景技术
随着光伏发电、风力发电等大量分布式电源(Distributed Generation，DG)接入配电网，配电网结构越来越复杂，传统配电网的潮流和电压分布已经改变，配电网的重构对增强配电网的运行稳定性、提高可再生能源的吸收能力具有重要作用。
配电网重构，也即在满足配电网运行基本约束的前提下，通过改变配电网中一个或多个开关的状态，对配电网中一个或多个指标进行优化。目前，通常将基于神经网络模型的算法应用到配电网重构中，但是，当配电网参数不完整或者不准确时，基于神经网络模型的算法可能是不可靠的。并且，基于神经网络模型的算法耗时较长，难以实时应对变化的配电网络系统状态。
发明内容
本发明提供了一种配电网重构的方法、装置、电子设备以及存储介质，以实现实时的确定最优的配电网络配置。
第一方面，本发明实施例提供了一种配电网重构的方法，该方法包括：
根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；
根据所述潮流计算结果，确定奖励函数；
通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
第二方面，本发明实施例还提供了一种配电网重构的装置，该装置包括：
潮流计算结果确定模块，用于根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；
奖励函数确定模块，用于根据所述潮流计算结果，确定奖励函数；
目标开关动作确定模块，用于通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的配电网重构的方法。
第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的配电网重构的方法。
本发明实施例的技术方案，通过确定配电网的当前开关状态和发电功率，并计算配电网的潮流计算结果，根据配电网的潮流计算结果确定奖励函数，通过深度Q网络，根据奖励函数进行配电网的目标开关动作的求解。解决了现有技术中基于神经网络模型进行配电网重构的方式，在配电网参数不完整或者不准确时结果不可靠的问题，以及，耗时较长，难以实时应对变化的配电网络系统状态的问题。本发明实施例的技术方案，能够准确、实时的应对配电网络系统状态的变化，确定最优的开关动作。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种配电网重构的方法的流程图；
图2是本发明实施例二提供的一种配电网重构的方法的流程图；
图3是本发明实施例二提供的一种IEEE33节点标准系统的分支编码图；
图4是本发明实施例三提供的一种配电网重构的装置的结构示意图；
图5是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种配电网重构的方法的流程图，本实施例可适用于情况，该方法可以由配电网重构的装置来执行，该配电网重构的装置可以采用硬件和/或软件的形式实现，该配电网重构的装置可配置于电子设备中。
如图1所示，该方法包括：
S110、根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果。
其中，本实施例可以适用于配电网中接入大量分布式电源(DistributedGeneration，DG)的场景，分布式电源又可以包括风力发电、光伏发电等，因此，配电网的发电功率可以由至少一个风机的风力发电功率和至少一个光伏板的光伏发电功率组成。
潮流计算是指根据配电网系统中给定的运行条件确定系统的运行状态，通过潮流计算可以预知各种负荷变化和网络结构的改变会不会危及系统的安全，系统中所有母线的电压是否在允许的范围以内，系统中各种元件是否会出现过负荷，以及可能出现过负荷时应事先采取哪些预防措施等。潮流计算结果可以包括成功或者不成功，潮流计算结果成功可以是潮流计算的迭代求解过程收敛到一个合理的解，潮流计算结果不成功可以是指，潮流计算的迭代求解过程不收敛，或者收敛到不合理的解(电压过低或过高等)。
需要进行说明的是，潮流计算是一个较为复杂的过程，配电网的发电功率和当前开关状态仅作为潮流计算的其中两个输入参数。本实施例对潮流计算方法的具体类型以及潮流计算的具体过程不进行限制。
潮流计算是否成功，意味着重构后的配电网络结构是否合理，本实施例的技术方案通过考虑潮流计算结果，能够尽量排除最终确定的目标开关动作使潮流计算不成功的情形，保证最优开关动作尽量在潮流计算成功的情形中，从而使确定下一步的开关动作也即配电网重构后，配电网的结构仍然合理。
S120、根据所述潮流计算结果，确定奖励函数。
其中，奖励函数用于后续深度Q网络计算开关动作的奖励值。奖励函数可以由目标和约束组成，其中，目标可以是配电网结构的功率损耗最小，约束可以包括对潮流计算结果的判断，还可以包括配电网中的其他状态控制方程，如电压幅值控制方程、支路容量控制方程等，本实施例对奖励函数中的目标和约束不进行限制。
在本实施例中，通过判断潮流计算是否成功，可以判断是否可以得到合理的重构网络结构。通过在奖励函数的约束条件里加入对潮流计算结果的判断，能够使后续深度Q网络求解出来的目标开关动作尽量维持在潮流计算成功的情形下，从而保证重构后的配电网结构的合理性。
S130、通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
其中，深度Q网络模型能够不断与环境进行交互，在配电网系统状态发生变化时，能够持续进行求解过程。目标开关动作是指配电网即将要执行的一个或多个开关的状态变化。
本实施例中通过深度Q网络模型进行目标开关动作的求解，能够实现在配电网系统状态发生变化时，实时的找到最优的或者接近最优的网络配置。
在本实施例中，深度Q网络模型是一个不断迭代训练，逐渐学习到最优策略的模型。进一步的，本实施例的方法还包括：对深度Q网络模型进行初始化，包括：将经验回放器D的容量初始化为N；将动作值函数Q进行随机权重初始化；初始化序列s1＝{x1}和预处理序列x1表示初始开关或开关组合，s1表示初始开关或开关组合要执行的开关动作，/>表示初始状态。
进一步的，S130又可以包括：通过深度Q网络模型，在各候选开关动作中随机选择目标开关动作，或者，在各候选开关动作中，选择动作评价值最高的候选开关动作作为目标开关动作。
在本实施例中，通过深度Q网络模型的智能体，在候选开关动作中选择目标开关动作，选择方式可以包括随机选择或者选择动作评价值最高的。可以对深度Q网络模型预先设置随机选择的概率值ε，以一个较小的概率进行随机选择，以较大的概率选择动作评价值最高的。这样设置的好处在于，加入小概率的随机选择，可以避免深度Q网络模型在迭代求解的过程中进入局部最优。
进一步的，在S130之后还包括：
A1、通过深度Q网络模型，重新确定与目标开关动作匹配的潮流计算结果，并根据重新计算的潮流计算结果确定与所述目标开关动作匹配的奖励函数值。
A2、将所述目标开关动作、与所述目标开关动作匹配的奖励函数值、与所述目标开关动作匹配的当前状态，以及当前状态的下一状态作为一条经验，保存至经验回放器中。
A3、在所述经验回放器中采样至少两个经验，并根据各经验计算动作评价值的目标值。
A4、确定深度Q网络模型的当前状态的动作评价值。
A5、根据所述动作评价值的目标值和当前状态的动作评价值，对所述深度Q网络模型的参数进行更新。
在本实施例中，若深度Q网络模型的智能体选择的目标开关动作是at，通过深度Q网络模型的模拟器执行动作at，在执行动作at之后，配电网的潮流计算结果可能发生改变，因此根据配电网发电功率和动作at重新计算潮流计算结果，并重新计算潮流计算结果判断方程的结果值，从而重新计算奖励函数值rt，奖励函数值根据S120中确定的奖励函数进行计算。设置st+1＝st，并将/>作为一条经验存储到经验回放器D中。在经验回放器D中随机采样抽取至少两个经验，用于进行神经网络的训练，深度Q网络模型通过神经网络逼近Q值函数。具体的，使用采样的各经验计算动作评价值也即Q值的目标值，并确定当前状态的动作评价值，也即当前状态下的Q值的当前值，使用均方差损失函数计算Q值的目标值和当前值之间的差异，使用梯度下降法，通过最小化Q值的目标值和当前值之间的差异，来更新深度Q网络模型的神经网络的参数值θ。
在本实施例中，深度Q网络模型不断进行迭代训练，直至达到最大迭代次数，深度Q网络模型通过不断迭代过程中的经验回放和神经网络，提高了模型的稳定性和收敛性，使得深度Q网络模型能够实时的找到最优或接近最优的网络配置。
本发明实施例的技术方案，通过确定配电网的当前开关状态和发电功率，并计算配电网的潮流计算结果，根据配电网的潮流计算结果确定奖励函数，通过深度Q网络，根据奖励函数进行配电网的目标开关动作的求解。解决了现有技术中基于神经网络模型进行配电网重构的方式，在配电网参数不完整或者不准确时结果不可靠的问题，以及，耗时较长，难以实时应对变化的配电网络系统状态的问题。本发明实施例的技术方案，能够准确、实时的应对配电网络系统状态的变化，确定最优的开关动作。
实施例二
图2为本发明实施例二提供的一种配电网重构的方法的流程图，本发明实施例在上述实施例的基础上，对确定配电网的发电功率的过程、确定潮流计算结果的过程、确定奖励函数的过程，以及深度Q网络模型进行配电网的目标开关动作的求解的过程进行了进一步的具体化，并加入了在候选开关动作集合中，删除不可行解的步骤。
如图2所示，该方法包括：
S210、确定风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型。
具体的，风速概率分布模型可以通过双参数威布尔分布模型进行表示，该模型能很好地描述风速的概率分布，风速概率分布模型可以通过以下公式表示：其中，vw表示风速，λ和ε分别表示威布尔分布的形状参数和尺度参数，可以根据历史风速数据计算得到。
具体的，风机输出功率模型可以通过以下公式表示：其中，PW表示风机输出功率，vci表示风机切入风速，vco表示风机切出风速，vr表示额定风速，Pr表示风机的额定容量。
具体的，由于光伏发电的输出功率受太阳光照强度的影响最大，因此，光照强度概率模型可以通过Beta分布模型进行描述。具体的，光照强度概率模型可以通过以下公式进行表示：其中，г()表示Gamma函数，r为实际光强，rmax为最大光强，α和β是Beta分布模型的形状参数，可以根据历史光照强度数据计算得到。
具体的，光伏功率输出模型可以通过以下公式进行表示：其中，PPV表示光伏输出功率，K为光伏板的数量，Ak表示第k块光伏板的面积，ηk表示第k块光伏板的光伏效率。
S220、根据拉丁超立方抽样，对风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型进行抽样，得到发电功率采样矩阵。
拉丁超立方抽样(Latin Hypercube Hampling，LHS)是一种分层随机抽样，能够从变量的分布区间进行高效采样。根据风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型，利用拉丁超立方抽样就能得到考虑各分布式电源之间相关性的随机波动的发电功率采样矩阵。
考虑到风力发电和光伏发电的时序性和不确定性，本实施例采用考虑分布式电源相关性的拉丁超立方抽样，确定发电功率，使得后续的配电网重构过程中，能够充分考虑风力和光伏等分布式电源的不确定性。
具体的，假设需要从I个随机分布中提取J个随机变量X，Y表示累计XIJ概率分布函数。将区间[0，1]划分为J个单元格，在每个小范围内选取随机值yj。然后通过计算逆函数得到相应的采样值Xij＝Yi -1(yj)，i＝1,2,…,I；j＝1,2,…,J，即可得到I×J阶的初始采样矩阵。为了降低随机变量之间的相关性，提高采样精度，采用Cholesky分解方法对初始采样矩阵进行排序。
具体的，定义ρ0为J个随机变量之间的相关系数矩阵，用任意数组1，2，…，F生成一个矩阵L，每行F个元素，并计算其相关系数矩阵ΡL＝QQT，Q为下三角矩阵。消除L的相关性，定义G＝Q-1L，其中，G的相关系数矩阵是单位矩阵。对ρ0进行分解，ρ0＝PPT，P为下三角矩阵，Gu的相关系数矩阵近似等于ρ0，则Gu＝PG＝PQ-1L，根据Gu中各行元素的大小顺序，对初始采样矩阵Xij中相应的行元素进行重新排序，直至相关系数矩阵满足相关系数最小的要求。
S230、根据所述发电功率采样矩阵和配电网的当前开关状态，确定配电网的潮流计算结果。
其中，潮流计算结果包括1和0，1表示潮流计算成功，0表示潮流计算不成功。
在本实施例中，将发电功率采样矩阵和配电网的当前开关状态作为潮流计算的输入参数，判断潮流计算结果是否成功。
需要进行说明的是，当配电网的开关状态发生变化时，也即求解并执行目标开关动作之后，潮流计算结果发生变化，需要重新进行计算。
S240、根据所述潮流计算结果，确定潮流计算结果判断方程。
具体的，潮流计算结果判断方程可以通过以下公式进行表示r1＝-2+2Pfsuccess，其中，潮流计算成功则Pfsuccess为1，潮流计算不成功则Pfsuccess为0。
S250、确定电压幅值控制方程、支路容量控制方程以及功率损耗控制方程。
具体的，电压幅值控制方程可以通过以下公式进行表示：其中，vimax为最大电压，vi,min为最小电压，vi，t为i母线在t时刻的电压。
具体的，支路容量控制方程可以通过以下公式进行表示：其中，Simax表示支路i允许通过的最大功率，Si，t表示t时刻支路i的功率。
具体的，功率损耗控制方程可以通过以下公式进行表示：r4＝-(Plosst-Ploss0)，其中，Plosst表示时刻t的总功率损耗，Ploss0表示时刻0的总功率损耗。
S260、根据电压幅值控制方程、潮流计算结果判断方程、支路容量控制方程以及功率损耗控制方程，确定奖励函数。
具体的，奖励函数可以通过以下公式进行表示：r＝r1+r2+r3+r4。
S270、根据配电网的网络拓扑结构，确定配电网中的基本环路。
在本实施例中，配电网重构通过改变分段开关和连接开关的状态来改变配电网的网络拓扑结构，在配电网的网络拓扑结构中，不包含其他环路的最小环路被定义为基本环路。
示例性的，图3提供了一种IEEE33节点标准系统的分支编码图，如图3所示，共包括五个基本环路FL1-FL5。
S280、根据配电网中的各基本环路，确定开关动作的不可行解。
具体的，以图3为例，遥控开关安装在编号为3、7、8、9、13、18、23、25、27、31、33-37的支路上。各基本环路之间的公共支路用C12、C23、C14、C45、C24、C25、C35进行表示。在IEEE33节点系统中，重新配置后在可行的径向网络中应断开5个分支，则各分支断开时，不能同时断开在公共支路上。当切断的两个支路是同一支路或两个基本环路之间的公共支路时，可能会出现不可行的结构。根据上述原则，即可以确定不可行解的情况。
S290、在候选开关动作集合中，删除开关动作的不可行解。
在本实施例中，通过避免不可行解的情况，可以大大减少不可行解的数量，提高求解速度。
S2100、通过深度Q网络模型，在各候选开关动作中随机选择目标开关动作，或者，在各候选开关动作中，选择动作评价值最高的候选开关动作作为目标开关动作。
在求解得到目标开关动作之后，返回执行S230，重新进行下一步目标开关动作的求解。
在本实施例中，深度Q网络模型的迭代训练过程已在上述实施例中进行了说明，本实施例在此不再赘述。
本实施例的技术方案，根据风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型，采取考虑分布式电源相关性的拉丁超立方抽样确定场景下的发电功率，使得后续配电网络重构过程中，能够充分体现分布式电源不确定性的影响。根据配电网的网络拓扑结构，删除开关动作的不可行解的情况，从而生成Q值学习的动作空间，减小了动作空间的规模，可以起到加快求解速度的作用。在设置奖励函数时，充分考虑了网络损耗的优化目标，同时考虑了电压偏差、潮流平衡和支路容量的约束，保证了配电网重构结构的合理性和稳定性。采用深度Q网络模型求解配电网重构问题，在配电网系统状态发生变化时，能够重复进行求解，可以实时获取最优或接近最优的配电网开关状态配置。
实施例三
图4为本发明实施例三提供的一种配电网重构的装置的结构示意图。如图4所示，该装置包括：潮流计算结果确定模块310、奖励函数确定模块320以及目标开关动作确定模块330。
潮流计算结果确定模块310，用于根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；
奖励函数确定模块320，用于根据所述潮流计算结果，确定奖励函数；
目标开关动作确定模块330，用于通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
本发明实施例的技术方案，通过确定配电网的发电功率和当前开关状态，并计算配电网的潮流计算结果，根据配电网的潮流计算结果确定奖励函数，通过深度Q网络，根据奖励函数进行配电网的目标开关动作的求解。解决了现有技术中基于神经网络模型进行配电网重构的方式，在配电网参数不完整或者不准确时结果不可靠的问题，以及，耗时较长，难以实时应对变化的配电网络系统状态的问题。本发明实施例的技术方案，能够准确、实时的应对配电网络系统状态的变化，确定最优的开关动作。
在上述实施例的基础上，潮流计算结果确定模块310，包括：
模型确定单元，用于确定风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型；
发电功率采样矩阵确定单元，用于根据拉丁超立方抽样，对风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型进行抽样，得到发电功率采样矩阵。
在上述实施例的基础上，潮流计算结果确定模块310，包括：
潮流计算结果确定单元，用于根据所述发电功率采样矩阵和配电网的当前开关状态，确定配电网的潮流计算结果；
其中，潮流计算结果包括1和0，1表示潮流计算成功，0表示潮流计算不成功。
在上述实施例的基础上，奖励函数确定模块320，包括：
潮流计算结果判断方程确定单元，用于根据所述潮流计算结果，确定潮流计算结果判断方程；
控制方程确定单元，用于确定电压幅值控制方程、支路容量控制方程以及功率损耗控制方程；
确奖励函数定单元，用于根据电压幅值控制方程、潮流计算结果判断方程、支路容量控制方程以及功率损耗控制方程，确定奖励函数。
在上述实施例的基础上，目标开关动作确定模块330，包括：
目标开关动作选择单元，用于通过深度Q网络模型，在各候选开关动作中随机选择目标开关动作，或者，在各候选开关动作中，选择动作评价值最高的候选开关动作作为目标开关动作。
在上述实施例的基础上，所述装置，还包括：
配电网基本环路确定模块，用于根据配电网的网络拓扑结构，确定配电网中的基本环路；
不可行解确定模块，用于根据配电网中的各基本环路，确定开关动作的不可行解；
不可行解删除模块，用于在候选开关动作集合中，删除开关动作的不可行解。
在上述实施例的基础上，所述装置，还包括：
奖励函数值确定模块，用于通过深度Q网络模型，重新确定与目标开关动作匹配的潮流计算结果，并根据重新计算的潮流计算结果确定与所述目标开关动作匹配的奖励函数值；
经验存储模块，用于将所述目标开关动作、与所述目标开关动作匹配的奖励函数值、与所述目标开关动作匹配的当前状态，以及当前状态的下一状态作为一条经验，保存至经验回放器中；
动作评价值目标值确定模块，用于在所述经验回放器中采样至少两个经验，并根据各经验计算动作评价值的目标值；
动作评价值当前值确定模块，用于确定深度Q网络模型的当前状态的动作评价值；
模型参数更新模块，用于根据所述动作评价值的目标值和当前状态的动作评价值，对所述深度Q网络模型的参数进行更新。
本发明实施例所提供的配电网重构的装置可执行本发明任意实施例所提供的配电网重构的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(中央处理器)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如配电网重构的方法。
在一些实施例中，配电网重构的方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的配电网重构的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行配电网重构的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种配电网重构的方法，其特征在于，包括：
根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；
根据所述潮流计算结果，确定奖励函数；
通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
2.根据权利要求1所述的方法，其特征在于，在根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果之前，还包括：
确定风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型；
根据拉丁超立方抽样，对风速概率分布模型、风机输出功率模型、光照强度概率模型以及光伏功率输出模型进行抽样，得到发电功率采样矩阵。
3.根据权利要求2所述的方法，其特征在于，根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果，包括：
根据所述发电功率采样矩阵和配电网的当前开关状态，确定配电网的潮流计算结果；
其中，潮流计算结果包括1和0，1表示潮流计算成功，0表示潮流计算不成功。
4.根据权利要求1所述的方法，其特征在于，根据所述潮流计算结果，确定奖励函数，包括：
根据所述潮流计算结果，确定潮流计算结果判断方程；
确定电压幅值控制方程、支路容量控制方程以及功率损耗控制方程；
根据电压幅值控制方程、潮流计算结果判断方程、支路容量控制方程以及功率损耗控制方程，确定奖励函数。
5.根据权利要求1所述的方法，其特征在于，通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解，包括：
通过深度Q网络模型，在各候选开关动作中随机选择目标开关动作，或者，在各候选开关动作中，选择动作评价值最高的候选开关动作作为目标开关动作。
6.根据权利要求5所述的方法，其特征在于，所述方法，还包括：
根据配电网的网络拓扑结构，确定配电网中的基本环路；
根据配电网中的各基本环路，确定开关动作的不可行解；
在候选开关动作集合中，删除开关动作的不可行解。
7.根据权利要求5所述的方法，其特征在于，在各候选开关动作中随机选择目标开关动作之后，或者，在各候选开关动作中，选择动作评价值最高的候选开关动作作为目标开关动作之后，还包括：
通过深度Q网络模型，重新确定与目标开关动作匹配的潮流计算结果，并根据重新计算的潮流计算结果确定与所述目标开关动作匹配的奖励函数值；
将所述目标开关动作、与所述目标开关动作匹配的奖励函数值、与所述目标开关动作匹配的当前状态，以及当前状态的下一状态作为一条经验，保存至经验回放器中；
在所述经验回放器中采样至少两个经验，并根据各经验计算动作评价值的目标值；
确定深度Q网络模型的当前状态的动作评价值；
根据所述动作评价值的目标值和当前状态的动作评价值，对所述深度Q网络模型的参数进行更新。
8.一种配电网重构的装置，其特征在于，包括：
潮流计算结果确定模块，用于根据配电网的发电功率和当前开关状态，确定配电网的潮流计算结果；
奖励函数确定模块，用于根据所述潮流计算结果，确定奖励函数；
目标开关动作确定模块，用于通过深度Q网络模型，根据所述奖励函数进行配电网的目标开关动作的求解。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的配电网重构的方法。
10.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的配电网重构的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311458511.3A CN117477548A (zh) | 2023-11-03 | 2023-11-03 | 一种配电网重构的方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311458511.3A CN117477548A (zh) | 2023-11-03 | 2023-11-03 | 一种配电网重构的方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117477548A true CN117477548A (zh) | 2024-01-30 |
Family
ID=89627096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311458511.3A Pending CN117477548A (zh) | 2023-11-03 | 2023-11-03 | 一种配电网重构的方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117477548A (zh) |
-
2023
- 2023-11-03 CN CN202311458511.3A patent/CN117477548A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117039895A (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
| CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
| Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
| CN116931438B (zh) | 一种水轮机调速器参数确定方法、装置、设备及介质 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
| CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
| CN117477548A (zh) | 一种配电网重构的方法、装置、电子设备以及存储介质 | |
| CN116307511A (zh) | 一种园区电网储能配置方法、装置、设备及介质 | |
| CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
| CN117153233A (zh) | 一种基于遗传算法的存储芯片冗余修复方案生成方法、装置、设备及存储介质 | |
| CN116054135A (zh) | 微电网无功功率预测方法、装置、电子设备及存储介质 | |
| CN116707036B (zh) | 基于光伏逆变器的无功功率补偿方法、装置以及设备 | |
| CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
| CN117748500B (zh) | 光伏功率预测方法、装置、设备及介质 | |
| CN116646994B (zh) | 一种电力系统优化调度方法及装置 | |
| CN117878905A (zh) | 基于白噪声信号的电网负荷预测方法、装置、设备及介质 | |
| CN115860249A (zh) | 一种分布式光伏发电功率预测方法、装置、设备和介质 | |
| CN117458500A (zh) | 一种潮流分析方法、装置、电子设备及存储介质 | |
| CN117318116A (zh) | 应用于微电网群的源网荷储协同调度方法、装置 | |
| CN116845906A (zh) | 一种配电网网架确定方法、装置、设备以及存储介质 | |
| CN115983486A (zh) | 一种风电出力预测方法、装置、电子设备及存储介质 | |
| CN117252612A (zh) | 一种供售电方案的确定方法、装置、电子设备及存储介质 | |
| CN116702598A (zh) | 建设成效预测模型的训练方法、装置、设备及存储介质 | |
| CN117853269A (zh) | 基于机器学习的供热数据优化方法、装置及设备 |
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 |