[发明专利]一种基于数据驱动的配电网无功优化方法及装置

权利要求书

1.一种基于数据驱动的配电网无功优化方法，其特征在于，包括：

将配电网可测节点注入功率的历史数据输入预设的下层神经网络进行训练，获取下层训练模型，并根据所述下层训练模型获取不可测关键节点电压数据；

根据获取的目标区域电网的可测节点、所述不可测关键节点电压数据以及预设的离散无功调节设备的投切状态输入预设的上层神经网络进行训练，获取上层训练模型，并根据所述上层训练模型获取离散无功设备的投切动作指令；

将所述下层训练模型与上层训练模型部署至实际运行的配电网，获取整体运行模型；

根据所述整体运行模型的网损以及所述离散无功设备的投切动作指令构建目标函数，采用A2C算法求解所述目标函数，获取配电网无功优化结果。

2.根据权利要求1所述的基于数据驱动的配电网无功优化方法，其特征在于，所述将配电网可测节点注入功率的历史数据输入预设的下层神经网络进行训练，获取下层训练模型，包括：

所述配电网可测节点注入功率的历史数据包括可测节点负荷；

根据所述可测节点负荷训练所述预设的下层神经网络，获取所述下层训练模型。

3.根据权利要求2所述的基于数据驱动的配电网无功优化方法，其特征在于，所述根据所述上层训练模型获取离散无功设备的投切动作指令，包括：

将所述上层训练模型中的目标函数转换为马尔科夫过程，采用策略梯度法优化所述马尔科夫过程，获取所述离散无功设备的投切动作指令。

4.根据权利要求3所述的基于数据驱动的配电网无功优化方法，其特征在于，所述整体运行模型的网损是根据各节点电压与预设的目标电压值的平方差值最小确定最优网损的目标函数，再根据所述最优网损的目标函数而计算获得的。

5.根据权利要求4所述的基于数据驱动的配电网无功优化方法，其特征在于，所述根据所述整体运行模型的网损以及所述离散无功设备的投切动作指令构建目标函数，采用A2C算法求解所述目标函数，获取配电网无功优化结果，包括：

所述离散无功设备的投切动作指令包括离散无功设备的动作成本；

根据所述整体运行模型的网损和所述离散无功设备的动作成本，构建所述目标函数，并引入根据节点电压、节点的无功功率以及预设的控制变量构建的约束条件，采用A2C算法求解所述目标函数，获取配电网无功优化结果。

6.一种基于数据驱动的配电网无功优化装置，其特征在于，包括：

下层训练模块，用于将配电网可测节点注入功率的历史数据输入预设的下层神经网络进行训练，获取下层训练模型，并根据所述下层训练模型获取不可测关键节点电压数据；

上层训练模块，用于根据获取的目标区域电网的可测节点、所述不可测关键节点电压数据以及预设的离散无功调节设备的投切状态输入预设的上层神经网络进行训练，获取上层训练模型，并根据所述上层训练模型获取离散无功设备的投切动作指令；

运行模块，用于将所述下层训练模型与上层训练模型部署至实际运行的配电网，获取整体运行模型；

优化模块，用于根据所述整体运行模型的网损以及所述离散无功设备的投切动作指令构建目标函数，采用A2C算法求解所述目标函数，获取配电网无功优化结果。

7.根据权利要求6所述的基于数据驱动的配电网无功优化装置，其特征在于，所述下层训练模块，还用于：

所述配电网可测节点注入功率的历史数据包括可测节点负荷；

根据所述可测节点负荷训练所述预设的下层神经网络，获取所述下层训练模型。

8.根据权利要求7所述的基于数据驱动的配电网无功优化装置，其特征在于，所述上层训练模块，还用于：

将所述上层训练模型中的目标函数转换为马尔科夫过程，采用策略梯度法优化所述马尔科夫过程，获取所述离散无功设备的投切动作指令。