[发明专利]一种有功无功协调优化控制方法

说明书

本发明公开一种有功无功协调优化控制方法，包括：将电力系统节点电压的初值集合，以及发电机的有功功率初值集合输入训练好的多智能体系统；所述多智能体系统采用DRQN网络和Q值混合网络相结合的结构，网络的输入量为发电机的有功功率和节点电压，网络的动作量为发电机的有功功率和节点电压的变化量，回报函数以成本函数、有功损耗和电压偏差最小来设定，通过仿真探索以及反向传递的参数更新，直至网络收敛得到训练好的多智能体；所述多智能体系统输出对应的有功功率调节量、节点电压调节量，用于有功无功的协调优化控制，使得混合网络的全局动作值函数最大。本发明能提升现有调度系统在全网范围精益化调控的决策能力。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种有功无功协调优化控制方法。

背景技术

我国特高压交直流互联大电网的建设，电网在更大范围内优化配置资源的能力进一步增强，但同时也对现有电网调控系统提出了新挑战。首先，特高压交直流混联电网往往输电距离长、输送功率大，穿越全国多个具有明显差异的气候区，运行时环境复杂多变、受环境因素影响比较严峻，对电网的可靠性、灵活性和应变能力有较高要求；其次，特高压电网有功和无功呈现出强耦合的特性，调度系统如仍保持当前以解耦控制为前提的有功和无功功率独立控制，则可能存在有功控制与无功控制相互影响彼此控制效果的情况，引起控制设备反复调节等问题，不利于电力系统的稳定运行，需要在全网层面进行有功与无功的协调控制；最后，为实现特高压交直流互联电网在大范围内对资源优化配置的能力，需要提升现有调度系统在全网范围精益化调控的决策能力。原有调度系统难以满足强混联大电网调度控制精益化的需求，迫切需要开展有功与无功协调控制的研究，提升大电网运行安全预警能力和对不同运行环境的适应能力。

多智能体深度强化学习Qmix是机器学习领域的一个新兴的研究热点和应用方向，涵盖众多算法、规则、框架，以一种通用的形式将多智能体的协作能力与强化学习的决策能力相结合，并通过将复杂的强化学习问题分解成若干个子问题并分别解决，可以有效解决空间维数灾难问题。这就使得多个智能体能在更高维且动态的真实场景中通过交互和决策完成更错综复杂的任务。多智能体深度强化学习广泛应用于自动驾驶、能源分配、编队控制、航迹规划、路由规划等现实领域，具有极高的研究价值和意义，成为解决大规模复杂背景下智能决策问题的一种潜在途径。

发明内容

本发明所要解决的技术问题在于，提出一种有功无功协调优化控制方法，以提升现有调度系统在全网范围精益化调控的决策能力。

为了解决上述技术问题，本发明提供一种有功无功协调优化控制方法，包括：

步骤S1，将电力系统节点电压的初值集合，以及发电机的有功功率初值集合输入训练好的多智能体系统；所述多智能体系统采用DRQN网络和Q值混合网络相结合的结构，网络的输入量为发电机的有功功率和节点电压，网络的动作量为发电机的有功功率和节点电压的变化量，回报函数以成本函数、有功损耗和电压偏差最小来设定，通过仿真探索以及反向传递的参数更新，直至网络收敛得到训练好的多智能体；

步骤S2，所述多智能体系统输出对应的有功功率调节量、节点电压调节量，使得混合网络的全局动作值函数最大；

步骤S3，将所述有功功率调整量、节点电压调整量用于有功无功的协调优化控制。

进一步地，所述回报函数具体：

其中，函数f₁为发电机成本函数，函数f₂为电网的有功损耗函数，函数f₃为电压偏差量函数。

进一步地，有功无功协调优化过程中满足潮流的等式约束和各发电机组有功功率、无功功率的上下限不等式约束，节点电压幅值不等式约束以及线路有功潮流不等式约束：