本发明专利技术公开了一种光伏逆变器协调电压无功控制方法、系统及存储介质，该方法包括创建基于集中‑分布式协调电压‑无功框架的集中式调控模型；根据集中式调控模型，利用深度强化学习优化下垂控制函数；根据优化后的下垂控制函数，基于深度强化学习算法，获取优化后的下垂控制，进行分布式的电压控制策略。该协调电压无功控制方法与传统的下垂控制方法和无电压/VAR控制方法相比，所提出的电压无功控制方法在最小化功率损耗和缓解电压波动方面取得了更好的性能，在考虑不确定性的情况下实现所提出的电压无功控制的快速协调控制，最大限度地减少功率损失的同时实现了快速决策并有效地解决电压波动。
【技术实现步骤摘要】
本专利技术涉及电力系统调压，尤其涉及一种光伏逆变器协调电压无功控制方法、系统及存储介质。
技术介绍
1、光伏发电的发展促进了配电网的清洁能源利用，减少了发电中的温室气体排放，但也对电力系统的运行提出了挑战。由于环境条件的波动，光伏发电是不确定的和间歇性的，光伏电力与配电网的深度集成导致了各种问题，如电压幅值上升、反向潮流和继电器设置困难，电网损耗和电压波动过大。
2、因此，本专利技术将光伏逆变器作为主要调压设备加入协调电压-无功控制模型中，实现了快速决策并有效地解决电压波动问题，以在确保电压约束的同时最大限度地减少功率损失，对于含高比例新能源配电网的快速精准调压的研究具有重要意义。
技术实现思路
1、本专利技术的目的是提出一种基于深度强化学习的光伏逆变器协调电压-无功控制方法、系统及存储介质，该方法充分考虑光伏逆变器的容量利用，通过求解得到光伏逆变器的基本无功功率输出和每个下垂控制函数的电压截距，以及局部下垂控制器使用优化的下垂函数来产生或吸收无功功率，在最大限度地减少功率损失的同时实现了快速决策并有效地解决电压波动。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种光伏逆变器协调电压无功控制方法，所述方法包括以下步骤：
4、创建基于集中-分布式协调电压-无功框架的集中式调控模型；
5、根据集中式调控模型，利用深度强化学习，优化下垂控制函数；
6、利用优化后的下垂控制，进行分布式的电压控制策略。</p>7、本专利技术的进一步改进在于，所述集中式调控模型的创建方式如下所示：
8、定义配电网中第i条总线中的电压幅值为vi，注入的复数功率公式化为：
9、
10、其中，n表示配电网中的母线集合，第i条母线中的注入有功功率由两部分组成：光伏发电pg i和有功负载pl i，表示为pi＝pg i+pl i；
11、第i条总线中的注入无功功率有三部分：光伏逆变器的基本无功输出qbase i、实时下垂无功功率输出qdroop i和负载无功需求ql i，表示为qi＝qbase i+qdroop i-ql i；
12、τi表示非平衡节点的母总线，节点i和τi之间的线路阻抗为ri+jxi，对于所有总线i∈n的配电网的的集中-分布式协调电压-无功框架的集中式调控模型的表达式如下：
13、
14、
15、其中si(t)＝pi(t)+jqi(t)是从节点τi到节点i的复功率，xi是子节点的集合，上式中，qi(t)表示时刻t在第i条总线处注入的无功功率，k表示第k条子线，qk(t)表示第k条子线的无功功率，qi(t)表示时刻t从总母线到子线的无功功率，xi表示线路的电抗，pi(t)表示时刻t从总母线到子线的有功功率，表示平衡节点的电压，pi(t)表示时刻t在第i条总线处注入的有功功率，pk(t)表示第k条子线的有功功率，ri表示线路的电阻，vi(t)表示非平衡节点的电压。
16、本专利技术的进一步改进在于，优化下垂控制函数的包括以下内容：
17、将优化下垂控制函数的问题公式化为：
18、
19、
20、式(4)表示使用来自中央和本地集中-分布式协调电压-无功框架层级的实时逆变器无功功率输出最小化时调度间隔t上的网络功率损耗，t表示调度间隔中的实时点，表示母线i处光伏逆变器的基本无功功率输出，ij表示支路ij，b表示所有支路，表示每条支线的功率损耗，rij表示节点i到j线路的电阻，表示流经支路ij的有功功率的平方，表示流经支路ij的有功功率的平方，v02表示该电压等级下额定电压的平方；
21、同时优化每个光伏逆变器的基本无功功率输出qi,base和下垂函数的电压截距vi*，每个逆变器的基本无功功率输出qi,base对应于预期的光伏发电量和负载，预期光伏发电量和负载条件下的母线电压viexp被视为预期电压，每个逆变器的基本无功功率输出qi,base和预期电压viexp作为最优下垂函数的操作设定点，其表示式如下所示：
22、
23、式中，ω是下垂控制功能的控制增益，si是母线无功功率注入对母线电压幅值的敏感性；
24、光伏发电量和负载与预测值的变化，电压波动将在每个实时时间步长发生，预测值的表达式如下所示：
25、
26、式中，δvi,t表示每个节点的电压波动，vi,t表示t时刻的节点电压；
27、局部下垂控制通过利用优化的下垂功能对实时电压波动做出反应，实时下垂无功输出功率δqi,t采用下式计算：
28、
29、每个光伏逆变器在每个实时点t的无功输出有两部分：基本无功输出qi,base和实时下垂无功输出功率δqi,t，qi,tinv表示每个光伏逆变器的总无功功率输出，
30、
31、逆变器的实际无功功率输出受到其最大容量的限制，如下式所示：
32、
33、
34、上式中，表示逆变器实际无功功率输出的最小容量，表示逆变器实际无功功率输出的最大容量，表示母线无功功率注入对母线电压幅值的最大敏感性，表示母线处所安装光伏的预测输出功率；
35、母线电压与节点有功和无功功率的关系以及母线电压的不等式约束如下式所示：
36、
37、
38、上式中，vj,t表示时刻t节点j处的电压，xij表示节点ij之间的线路阻抗，vi表示节点i处的所允许的电压最低值，表示节点i处的所允许的电压最高值；
39、两个决策变量基本无功功率输出qi,base和下垂函数的电压截距vi*应在中央层次中同时优化，并且优化的下垂函数应快速分配到局部层次中的每个光伏逆变器中，以减轻电压波动。
40、本专利技术的进一步改进在于，利用优化后的下垂控制函数，基于深度强化学习算法，获取优化后的下垂控制，进行分布式的电压控制策略包括以下内容：
41、基于深度强化学习算法，协调获取优化后的下垂控制，进行分布式的电压控制策略优化问题被公式化为马尔可夫决策过程，建立四元组<st，at，pt，rt>，分别表示状态空间、动作空间、状态转移函数和奖励函数；
42、1)状态空间
43、状态空间包括节点i处的有功和无功功率负载以及光伏的发电量，使得所有节点的有功和无功负载以及发电信息都包括在单个时间步长状态中，st表示来自电力系统的观测状态，
44、
45、上式中，表示节点i处负荷的有功功率，表示节点i处光伏的有功功率，表示节点i处负荷的无功功率；
46、2)动作空间
47、协调获取优化后的下垂控制，进行分布式的电压控制策略的作用涉及两个要素：每个光伏逆变器的基本无功功率输出qi,base和下垂函数的电压截距vi*，以最大限度地减少功率损失，并确保电压约束，
...
【技术保护点】
1.一种光伏逆变器协调电压无功控制方法，其特征在于，包括：
2.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述集中式调控模型的创建方式如下所示：
3.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，优化下垂控制函数包括以下内容：
4.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，利用优化后的下垂控制函数，基于深度强化学习算法，获取优化后的下垂控制，进行分布式的电压控制策略包括以下内容：
5.根据权利要求4所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述深度强化学习算法为借助动作网络和评价网络的PPO算法，所述动作网络用于生成调度决策方案，所述评价网络用于评估调度方案的优劣，动作网络和评价网络的输入都是以电力系统的观测状态st作为输入，动作网络在获得输入之后对输入数据进行归一化，根据不同的输入特征进行偏移和缩放调整，消除特征间量纲和数量级差异的影响，进而加快神经网络的收敛，最后，输出层神经元根据概率分布得到确定动作at，评价网络则输出观测状态的价值函数Vθ(st)，深度强化学习算法利用海量的数据样本进行自我探索，实现从状态变量到动作变量的映射。
6.根据权利要求5所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述PPO算法改进得到PPO在线学习算法，其目标函数的形式如下式所示：
7.根据权利要求6所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述优势函数表示在当前状态st下采取动作at相对于遵循最优策略π的平均性能的优势，如式(21)所示：
8.一种光伏逆变器协调电压无功控制系统，其特征在于，包括：
9.根据权利要求8所述的一种光伏逆变器协调电压无功控制系统，其特征在于，所述创建模块执行以下计算：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
...
【技术特征摘要】
1.一种光伏逆变器协调电压无功控制方法，其特征在于，包括：
2.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述集中式调控模型的创建方式如下所示：
3.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，优化下垂控制函数包括以下内容：
4.根据权利要求1所述的一种光伏逆变器协调电压无功控制方法，其特征在于，利用优化后的下垂控制函数，基于深度强化学习算法，获取优化后的下垂控制，进行分布式的电压控制策略包括以下内容：
5.根据权利要求4所述的一种光伏逆变器协调电压无功控制方法，其特征在于，所述深度强化学习算法为借助动作网络和评价网络的ppo算法，所述动作网络用于生成调度决策方案，所述评价网络用于评估调度方案的优劣，动作网络和评价网络的输入都是以电力系统的观测状态st作为输入，动作网络在获得输入之后对输入数据进行归一化，根据不同的输入特征进行偏移和缩放调整，消除特征间量纲和数量级差异的影响，进...
【专利技术属性】
技术研发人员：王冠夫，谢易澎，孙玉蝶，王朋，赵笑东，杨超，田小蕾，王义贺，沈衍，李昊禹，李春晖，高深，张垒，赵凡，姜宇，
申请(专利权)人：国网辽宁省电力有限公司辽阳供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。