【技术实现步骤摘要】
本专利技术涉及微电网故障恢复，特别涉及一种基于dasac的微电网故障恢复方法。
技术介绍
1、随着经济社会的快速发展，人们的用电需求越来越大。与此同时，以风机、光伏为代表的分布式发电技术日益成熟，配电网中新能源渗透率越来越高。微电网作为整合和管理各种分布式电源(distributedgeneration，dg)的平台，其运行的稳定性直接关系着用户的正常生产生活。然而，受dg和负荷用电需求时变的影响，微电网结构和潮流复杂程度急剧增加，这对微电网故障管理工作提出了更高的要求。如何应对dg出力和负荷需求时变对微电网故障后恢复的影响，保证微电网迅速恢复正常运行，是一个值得深入研究的问题。
2、现有技术中，文献[1]:《基于多代理系统的主动配电网多故障动态修复策略研究》(杨丽君,吕雪姣,李丹,等.基于多代理系统的主动配电网多故障动态修复策略研究[j].中国电机工程学报,2017,37(23):6855-6865+7076.)针对含dg主动配电网提出一种分区域、分场景的多故障快速恢复供电策略，根据故障后各子区域内dg调节能力以综合经济损失最小为目标函数，采用细菌算法求解最优故障恢复策略。然而，该文献仅考虑供电侧的出力不确定性，没有构建考虑不同时刻负荷用电偏好的负荷需求时变模型，实际应用性较差。
3、文献[2]:《计及不确定性的配电网故障恢复两阶段优化》(蒋天元,郝丽丽,王辉,等.计及不确定性的配电网故障恢复两阶段优化[j].电力电容器与无功补偿,2020,41(05):150-157.)在考虑dg输出和负荷需求时变性
4、文献[3]:《基于变异粒子群算法的主动配电网故障恢复策略》(徐岩,张荟,孙易洲.基于变异粒子群算法的主动配电网故障恢复策略[j].电力自动化设备,2021,41(12):45-53.)对粒子群算法进行离散和变异并将其引入故障恢复策略求解，以得到全局最优恢复策略。
5、文献[4]:《基于粒子群混合灰狼算法的配电网故障恢复策略》(刘青,董浩然,胡紫琪,等.基于粒子群混合灰狼算法的配电网故障恢复策略[j/ol].华北电力大学学报(自然科学版),1-10[2023-12-22].)将粒子群算法的强收敛性能和灰狼优化算法良好的全局搜索能力相结合，提出一种粒子群混合灰狼算法对配电网故障恢复策略求解。
6、上述文献[3]、文献[4]通过对智能算法进行改进或结合一定程度上提高了算法收敛的速度和精度，在故障恢复求解上取得了一定成果，但仍存在一些问题：a:面对大规模dg接入的微电网，算法计算速度慢，无法满足故障恢复实时的控制需求；b:处理复杂系统时，算法精度无法满足要求。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于双智能体柔性动作-评价方法(double-agent soft actor-critic，dasac)的微电网故障恢复方法，该方法综合考虑源-荷不确定性的同时实现微电网故障的最优恢复，该方法计及dg出力和负荷需求时变，建立了微电网故障恢复模型。针对微电网中高比例分布式电源受自然因素影响后具有强随机性的问题，将微电网的故障恢复问题转化为带约束的非线性规划问题，并以微电网故障恢复成本最小为目标构建双智能体强化学习(double-agent reinforcement learning，darl)模型，为动作空间中不同的动作类型分配离散和连续的双智能体进行控制。针对传统故障恢复方法计算速度慢，无法实现故障恢复实时控制的问题，提出一种dasac方法对darl模型进行高效地自适应训练学习以获得最优的故障恢复策略。本专利技术所提微电网故障恢复模型能够有效降低故障恢复损失，所提dasac方法能显著降低决策时间，可靠学习到最优故障恢复策略，且相较于其他方法，本专利技术所提故障恢复方法的恢复性能更加优异。
2、本专利技术采取的技术方案为：
3、基于dasac的微电网故障恢复方法，包括以下步骤：
4、步骤1：建立计及dg出力和负荷需求时变的微电网故障恢复模型；
5、步骤2：将微电网的故障恢复问题转化为带约束的非线性规划问题，并以微电网故障恢复成本最小为目标，构建双智能体强化学习(double-agent reinforcementlearning，darl)模型，为动作空间中不同的动作类型分配离散和连续的双智能体进行控制；
6、步骤3：提出一种dasac方法，对双智能体强化学习模型进行高效地自适应训练学习，提高故障恢复效率以满足微电网运行的需求。
7、所述步骤1中，为了综合考虑源-荷不确定性的同时实现微电网故障恢复过程成本最小化，计及dg出力和负荷需求时变，建立微电网故障恢复模型，具体包括：
8、(1)构建源荷时变模型：
9、1)风机模型：风力发电机(wind turbine，wt)的出力主要受风速影响，wt输出功率与风速间的关系可表示如下：
10、
11、式中：pwt表示wt输出功率；pr表示wt额定容量；v表示风速；vr表示额定风速；vci、vco分别表示切入风速和切除风速。
12、由于不同时刻风速波动较大，wt的出力也存在一定的不确定性。因此，本专利技术中采用威布尔分布函数拟合wt出力。风速的威布尔概率密度分布表示为：
13、
14、式中：f1(v)表示风速的概率密度函数；k1、c表示风速概率密度函数的形状参数；
15、表示风速v在形状参数c和k1作用下的衰减特性。
16、2)光伏模型：光伏(photovoltaic，pv)出力大小主要受太阳光辐射强度的影响，pv输出功率与太阳光辐射强度间的关系可表示如下：
17、ppv＝ηag1
18、式中：ppv表示pv输出功率；η表示光伏板的光电转换效率；a表示光伏板的面积；g1表示太阳光辐射强度。
19、pv出力受太阳光辐射强度变化影响具有较大随机性，利用贝塔分布函数近似表示太阳光辐射情况：
20、
21、式中：f2(g1)表示太阳光辐射的概率密度函数；g1,max表示太阳光最大辐射强度；γ(i)表示伽马分布；α、β表示贝塔分布函数的形状参数。
22、3)储能模型：wt和pv属于不可控电源，受环境影响具有较大的波动性和时变性，无法向负荷高质量持续供电。但如果将wt或pv与储能装置构成联合发电系统，利用储能装置适时的充、放电，则能有效解决wt和pv出力具有随机性的问题。储能装置的充、放电模型具体如下：
23、
24、式中：pc,t和pd,t分别表示t时段储能的充、放电功率；pcmax和pdmax分别表示储能的最大充、放电功率；soct表示t时段储能剩余容量；socmax和socmin分别表示储能允许的最大、最小电量；pfc,t本文档来自技高网...
【技术保护点】
1.基于DASAC的微电网故障恢复方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于DASAC的微电网故障恢复方法，其特征在于：所述步骤1中，为了综合考虑源-荷不确定性的同时实现微电网故障恢复过程成本最小化，计及DG出力和负荷需求时变，建立微电网故障恢复模型，具体包括：
3.根据权利要求2所述基于DASAC的微电网故障恢复方法，其特征在于：构建故障恢复模型约束条件：
4.根据权利要求1所述基于DASAC的微电网故障恢复方法，其特征在于：所述步骤2中，DARL是两个智能体在与环境的感知和交互过程中通过动作学习以期获得各自最大回报、实现特定目标的过程，用(S,Oi,Ai,Pi,Ri,γi)表示；其中：S表示所有的环境状态空间；Oi表示智能体i所能感知的局部状态空间；Ai表示智能体i的动作空间；Pi:S×Ai×S→[0,1]表示智能体i的状态转移概率；Ri:S×Ai→Ri表示智能体动作后获得的奖励；γi∈[0,1)表示折扣因子，用来调节近、远期奖励对不同智能体当下决策的影响程度。
5.根据权利要求4所述基于DASAC的微电网故障恢
6.根据权利要求1所述基于DASAC的微电网故障恢复方法，其特征在于：所述步骤3中，采用的DASAC同时以最大化累计奖励和策略熵为目标，训练离散智能体和连续动作智能体的目标函数分别为：
7.根据权利要求6所述基于DASAC的微电网故障恢复方法，其特征在于：离散智能体和连续动作智能体在SAC-D和SAC的框架下分别进行训练，二者均包含各自的经验池，训练流程包括：
...【技术特征摘要】
1.基于dasac的微电网故障恢复方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于dasac的微电网故障恢复方法，其特征在于：所述步骤1中，为了综合考虑源-荷不确定性的同时实现微电网故障恢复过程成本最小化，计及dg出力和负荷需求时变，建立微电网故障恢复模型，具体包括：
3.根据权利要求2所述基于dasac的微电网故障恢复方法，其特征在于：构建故障恢复模型约束条件：
4.根据权利要求1所述基于dasac的微电网故障恢复方法，其特征在于：所述步骤2中，darl是两个智能体在与环境的感知和交互过程中通过动作学习以期获得各自最大回报、实现特定目标的过程，用(s,oi,ai,pi,ri,γi)表示；其中：s表示所有的环境状态空间；oi表示智能体i所能感知的局部状态空间；ai表示智能体i的动作空间；pi:s×ai×s→[0,1]表示...
【专利技术属性】
技术研发人员：王灿，郑军，贺旭辉，程本涛，常文涵，徐恒山，杨义，
申请(专利权)人：三峡大学，
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。