【技術實現步驟摘要】
本專利技術涉及配電網，具體為一種基于深度學習的電壓調節與峰值需求控制方法。
技術介紹
1、隨著分布式光伏(pv)發電系統在配電網中的滲透率不斷提高，電網的電壓質量和負荷管理面臨著嚴峻挑戰。在配電網中，光伏發電的波動性和間歇性可能導致電壓超限問題，尤其在日照強烈的時段，光伏發電量高峰期，可能導致電壓升高甚至發生過電壓現象。另一方面，在晚高峰時段，隨著負荷的增加，電壓可能出現下滑，影響系統的穩定運行。
2、為了解決這些問題，現有技術已經提出了多種方法來協調控制光伏和電池儲能系統(bess)，以實現電壓調節和削峰填谷。然而，現有方法往往依賴于復雜的規則控制和精確的系統模型，且無法高效應對光伏發電和電池儲能系統之間的復雜交互。因此，如何在不依賴精確模型的情況下，通過智能控制優化電壓調節和負荷管理，成為當前研究的重點。
3、深度強化學習(drl)作為一種無需精確模型的控制方法，已經在電力系統的優化控制中得到了廣泛應用。特別是基于深度強化學習的軟行為者-批評(sac)算法，其能夠通過試錯學習不斷優化控制策略，具有良好的收斂性和性能。然而，單一代理的drl方法在多目標、復雜場景下的表現受限，尤其是在白天和夜間有不同控制目標的情況下，效果可能不理想。因此，基于兩階段深度強化學習的控制方法成為了新的研究方向。
4、本專利技術則是針對現有的技術及不足予以研究改良，提供有一種基于深度學習的電壓調節與峰值需求控制方法。
技術實現思路
1、本專利技術的目的在于提供一種基于
2、為實現上述目的，本專利技術提供如下技術方案：一種基于深度學習的電壓調節與峰值需求控制方法，包括以下步驟：
3、s1、建立配電系統模型、光伏逆變器模型、儲能模型，將光伏逆變器和儲能的協調控制可以表述為最優潮流問題，目標是通過調節光伏和儲能的功率設定點，在滿足電壓和功率約束的同時，實現電壓調節和峰值負荷管理：
4、設置饋線首端的電力需求分為兩個時段，峰值負荷時間段t∈(18,24)的功率需求為正常負荷時間段t∈(1,17)的功率需求為t為時間，17表示17：00；
5、目標函數為：
6、
7、其中：fit(pit)為光伏逆變器有功功率設定點的效用函數，nvvn為電壓越限節點的數量，為峰值負荷期間的功率需求；
8、s2、將光伏逆變器的的有功和無功功率設定點的協調控制以及儲能調節電壓和降低峰值負荷需求的動作表述為馬爾可夫決策過程(mdp)，建立深度強化學習學習框架；
9、s3、利用軟行為者-批評算法解決電壓調節和峰值負荷管理中的多目標優化問題，并且采用了多代理架構，采用兩階段代理分別控制白天和夜間的光伏和電池儲能系統操作，并為白天和夜間設計了兩種不同的獎勵函數，以更好地適應不同時間段的控制需求。
10、進一步的，所述步驟s1中，配電系統模型的建立流程如下：
11、所述配電系統模型描述了節點電壓、電流、功率流和負載之間的關系，假設系統由n個節點組成，節點集合為n，支路集合為m，在該系統中，電壓和功率流的約束表達如下：
12、
13、其中，vi為節點i的電壓，ii為節點i的電流，pi和qi為節點i的有功和無功功率，pli和qli為節點的有功和無功負載，h為具有光伏逆變器的節點集合；
14、同時，為了確保節點電壓在給定的范圍內，以防止電壓越限問題，進行以下約束：
15、
16、或
17、其中，nvvn為電壓越限節點集合。
18、進一步的，所述步驟s1中，光伏逆變器模型的建立流程如下：
19、對于每個光伏逆變器，功率設定點收到約束，如下所示：
20、
21、其中，由逆變器的額定視在功率si和太陽輻照度λt決定,逆變器的無功功率范圍定義為額定視在功率的30％：
22、
23、其中為逆變器最大有功功率。
24、進一步的，所述步驟s1中，儲能模型的建立流程如下：
25、儲能的動態模型建模為以下離散時間方程：
26、
27、其中，σ為儲能的荷電狀態(soc)，ηi,c、ηi,d為儲能的充電和放電效率，為儲能的充電功率，為儲能的放電功率；
28、由于儲能的充電和放電動作不能在每個時間步長在同一儲能上發生，因此將充放電動作約束定義為：
29、
30、儲能的soc受上下限的約束：
31、
32、對于每個儲能，其充電和放電的上下限功率約束為：
33、
34、其中，與分別為儲能soc的下限與上限，與分別為儲能的額定充電功率與額定放電功率。
35、進一步的，所述步驟s2中，深度強化學習通過mdp的優化來不斷改進控制策略，且mdp的主要組成部分和設計細節如下：
36、1)環境：環境指的是整個配電系統，包括配電網絡、光伏逆變器、電池儲能系統和負載；環境提供了系統在各時間步下的狀態數據，用于描述系統的實時運行狀態；每一個時間步，環境接收來自代理的動作，更新系統狀態，并反饋給代理新的狀態信息和相應的獎勵值；
37、2)代理：代理是mdp中的決策者，負責在每個時間步根據當前觀察到的系統狀態作出決策(動作)，控制光伏逆變器和電池儲能系統；
38、3)觀察是代理所獲取的關于環境狀態的信息，用于幫助代理在每個時間步做出決策，且觀察信息涵蓋了系統當前時刻的負荷情況、光伏發電能力、電池狀態等；
39、具體包含內容如下：當前時間t，光伏發電最大輸出功率最大無功功率各節點的負荷需求儲能的荷電狀態soc，基于上述信息構建觀察向量,用于輸入到代理的決策模型中；
40、4)動作是代理基于當前觀察狀態所做出的決策，用于控制光伏逆變器和電池儲能系統；具體包括每個光伏逆變器的有功和無功功率設定，以及電池儲能的充放電功率；
41、其中，將光伏逆變器的動作定義為：(αpv,p(i,t),αpv,q(i,t))，其中αpv,p(i,t)∈(0,1)，用于控制光伏逆變器的有功功率輸出比例；αpv,q(i,t)∈(-1,1)，用于控制光伏逆變器的無功功率輸出比例；
42、將光伏功率設定為：
43、
44、將儲能系統的動作定義為：:
45、當時，表示充電，計算公式為：
46、當時，表示放電，計算公式為：
47、5)獎勵函數的設計是深度強化學習的核心，用于指導代理學習最優的控制策略，本專利技術針對白天和夜晚的不同控制目標設計了兩個獎勵函數。
48、進一步的，所述環境輸入包括時間變化的負荷曲線、光伏發電曲線、電池儲能的充電和放電功率等，輸出為節點的電壓值及配電網從主饋線獲取的功率需求；利用開源的電力系統模擬工具本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S1中，配電系統模型的建立流程如下：
3.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S1中，光伏逆變器模型的建立流程如下：
4.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S1中，儲能模型的建立流程如下：
5.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S2中，深度強化學習通過馬爾可夫決策過程的優化來不斷改進控制策略，且馬爾可夫決策過程的組成部分和設計細節如下：
6.根據權利要求5所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述環境輸入包括時間變化的負荷曲線、光伏發電曲線、電池儲能的充電和放電功率等，輸出為節點的電壓值及配電網從主饋線獲取的功率需求；利用開源的電力系統模擬工具OpenDSS對配電網進行仿真，以獲
7.根據權利要求6所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述代理輸出每個光伏逆變器的有功和無功功率設定點，以及每個電池儲能系統的充放電策略，所述代理通過與環境的交互學習控制策略，以最大化累積獎勵，即電壓調節和負荷削減效果，根據當前的系統狀態，輸出動作集，從而調節光伏逆變器的輸出功率和電池儲能系統的充放電操作。
8.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S3中，提出利用軟行為者-批評算法解決電壓調節和峰值負荷管理中的多目標友好問題，具體如下：
9.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S3中，軟行為者-批評算法依賴兩個重要模塊：行為者網絡和批評者網絡，分別用于生成動作和評估動作；
10.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟S3中，采用兩階段代理分別控制白天和夜間的光伏和電池儲能系統操作，其獎勵函數如下：
...【技術特征摘要】
1.一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟s1中，配電系統模型的建立流程如下：
3.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟s1中，光伏逆變器模型的建立流程如下：
4.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟s1中，儲能模型的建立流程如下：
5.根據權利要求1所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述步驟s2中，深度強化學習通過馬爾可夫決策過程的優化來不斷改進控制策略，且馬爾可夫決策過程的組成部分和設計細節如下：
6.根據權利要求5所述的一種基于深度學習的電壓調節與峰值需求控制方法，其特征在于，所述環境輸入包括時間變化的負荷曲線、光伏發電曲線、電池儲能的充電和放電功率等，輸出為節點的電壓值及配電網從主饋線獲取的功率需求；利用開源的電力系統模擬工具opendss對配電...
【專利技術屬性】
技術研發人員：孟濤，李德鑫，李成鋼，王偉，張海鋒，曹慧，李沛，張懿夫，
申請(專利權)人：國網吉林省電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。