【技术实现步骤摘要】
本专利技术属于光伏承载能力评估领域，尤其涉及配电网分布式光伏承载力实时评估方法及装置。
技术介绍
1、目前，分布式光伏(pv)在配电网中的接入需求激增。然而，随着pv渗透率的不断提高，配电网面临着过电压、线路过载以及电能质量异常等多重挑战。为确保配电网与光伏的协调发展，准确评估配电网的光伏承载能力(pvhc)成为指导光伏接入规划与建设的关键。
2、pvhc定义为配电网在满足安全运行约束条件下所能接受的最大光伏容量，其评估方法主要分为两类：数学优化方法和随机场景方法。数学优化方法(如粒子群优化、二阶锥优化算法)将pvhc评估转化为以最大化承载容量为目标的约束优化问题；而随机场景法(如蒙特卡洛模拟)则通过生成大量具有特定概率分布特性的光伏接入场景，结合多重安全运行约束来确定pv承载能力。然而，这些传统方法存在三个主要问题：一是传统评估方法依赖于准确的数学模型描述系统，但实际配电网中的各种不确定因素和复杂关系很难用精确的数学模型表示；二是计算效率低下，特别是在处理大规模、多节点配电网时，计算复杂度呈指数级增长；三是实时性不足，难以适应配电网运行状态的动态性和不确定性。
3、因此，基于上述问题，有必要研究一种基于图强化学习的主动配电网分布式光伏承载力动态评估方法，能够有效克服传统方法的不足，为高比例分布式光伏接入的配电网提供更为灵活、高效和智能的解决方案。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供基于图强化学习的主动配电网分布式光伏承载力动态评估
2、本专利技术采用以下技术方案：
3、配电网分布式光伏承载力实时评估方法，该方法包括以下步骤：
4、确定配电网光伏承载力评估的数学模型，基于所述数学模型，构建面向配电网光伏承载力动态评估的马尔可夫决策模型；
5、以软演员-评论家sac算法为基本架构，并利用图采样和聚合(graph sample andaggregate,graphsage)对sac算法进行改进，构建图深度强化学习算法，利用图深度强化学习算法对马尔可夫决策模型进行求解，获得训练后的图策略网络；
6、利用训练后的图策略网络进行后续的配电网分布式光伏承载力实时评估。
7、进一步的，所述确定配电网光伏承载力评估的数学模型的方法为：
8、所述配电网光伏承载力评估的数学模型表示为一个以最大化承载力为目标的优化问题，其中决策变量为每个节点的光伏的可接入容量，可表示为：
9、
10、其中，n表示节点集合，表示节点i在时段t的光伏接入容量；
11、还包括配电网的运行约束，所述配电网运行约束包括功率平衡约束、节点电压约束和线路功率约束。
12、进一步的，基于所述数学模型，构建面向配电网光伏承载力动态评估的马尔可夫决策模型的方法为：
13、构建智能体的状态空间，所述状态空间包含配电网中所有的状态信息，包括负荷的有功功率和无功功率和系统运行的时间戳，在t时段，智能体的观测状态可定义为：
14、st＝(pload,t,qload,t,ppv,t,qpv,t) (6)
15、其中，pload,t,qload,t分别表示t时段的有功和无功负荷需求向量；ppv,t,qpv,t分别表示t时段配电网中光伏的有功和无功出力向量，若节点未安装光伏，则向量中的对应节点的位置数值始终为0；
16、构建智能体的动作空间，若配电网节点数为n，则智能体的动作可定义为：
17、at＝[a1,t,a2,t,…,an,t] (7)
18、其中，an,t为连续变量，表示第n个节点在t时段的光伏可接入容量；
19、根据上述状态空间和动作空间，两个相邻时段的状态变量的转移函数，可表示为：
20、
21、其中，st+1是时段t的状态向量，at是时段t每个节点的光伏可安装容量的评估结果；
22、获取智能体的奖励函数，所述奖励函数包含系统中所有节点光伏配置容量之和，以及，在当前光伏配置容量下系统发生运行约束违规问题的惩罚项，可表示为：
23、rt＝r(st,at)＝(etat)-(1-κt)α (9)
24、式中，κt为一个布尔变量，α为一个较大的实数，作为惩罚项；在光伏配置场景at下，节点电压和电流满足安全约束，则κt＝1，此时奖励函数的数值等于节点光伏配置容量之和；否则，κt＝0，奖励函数的数值为负数；
25、基于定义的奖励函数，马尔可夫决策过程的目标是寻找一个最优评估策略π，来最大化累积奖励的期望，可表示为：
26、
27、其中，gt表示累积奖励，gt＝rt+γrt+1+γ2rt+2+…；在马尔可夫决策过程框架下，智能体根据配电网(dn)在时段t的状态st生成各节点的光伏可接入容量at；然后，at被传送至配电网进行潮流计算，从而获得奖励rt；
28、上述操作在下一个时间步t+1重复进行，最终，通过闭环迭代学习一系列能够最大化动作价值的策略π*。
29、进一步的，以软演员-评论家sac算法为基本架构，并利用利用图采样和聚合(graph sample and aggregate,graphsage)对sac算法进行改进时，将图策略网络引入所述sac算法中，在图策略网络中，系统状态st被建模为一个属性图其中顶点集表示配电网的节点集合，边集ε表示节点间的物理连接关系，顶点属性矩阵x包含各节点的实时状态信息，如式(6)所示；
30、graphsage通过以下聚合和更新步骤逐层构建顶点的表征向量：
31、
32、其中，表示顶点v在第k层的表征向量，表示顶点v的邻居集合，w(k)表示第k层的权重向量，agg(k)为第k层的聚合函数，采用基于注意力机制的加权平均作为聚合函数：
33、
34、其中，表示注意力权重，可通过学习注意力网络计算；
35、所述graphsage网络包含三层图卷积，每层的隐藏维度分别为128、256和256，在最后一层图卷积后，通过一个全局平均池化层将所有顶点的表征向量聚合为一个全图表征向量：
36、
37、全图表征向量随后通过sac算法的两个全连接层处理，最终输出动作分布的均值μφ(st)和对数标准差logσφ(st)；采样动作的过程采用重参数化技巧，可表示为：
38、
39、其中，φ表示策略网络的参数集合，ε表示高斯噪声，表示期望为0，方差为β的高斯分布。
40、进一步的，利用图深度强化学习算法对马尔可夫决策模型进本文档来自技高网...
【技术保护点】
1.配电网分布式光伏承载力实时评估方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的配电网分布式光伏承载力实时评估方法，其特征在于，确定配电网光伏承载力评估的数学模型的方法为：
3.根据权利要求2所述的配电网分布式光伏承载力实时评估方法，其特征在于，基于所述数学模型，构建面向配电网光伏承载力动态评估的马尔可夫决策模型的方法为：
4.根据权利要求3所述的配电网分布式光伏承载力实时评估方法，其特征在于，以软演员-评论家SAC算法为基本架构，并利用利用图采样和聚合GraphSAGE对SAC算法进行改进时，将图策略网络引入所述SAC算法中，在图策略网络中，系统状态St被建模为一个属性图其中顶点集表示配电网的节点集合，边集ε表示节点间的物理连接关系，顶点属性矩阵X包含各节点的实时状态信息，如式(6)所示；
5.根据权利要求4所述的配电网分布式光伏承载力实时评估方法，其特征在于，利用图深度强化学习算法对马尔可夫决策模型进行求解，获得训练后的图策略网络的方法为：
6.根据权利要求5所述的配电网分布式光伏承载力实时评估方法
7.根据权利要求5所述的配电网分布式光伏承载力实时评估方法，其特征在于，对图深度强化学习算法的网络参数进行更新时，策略网络的损失函数结合了Q值最大化和策略熵的最大化：
8.配电网分布式光伏承载力实时评估装置，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1到权利要求7任一所述的配电网分布式光伏承载力实时评估方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1到权利要求7任一所述的配电网分布式光伏承载力实时评估方法。
...【技术特征摘要】
1.配电网分布式光伏承载力实时评估方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的配电网分布式光伏承载力实时评估方法，其特征在于，确定配电网光伏承载力评估的数学模型的方法为：
3.根据权利要求2所述的配电网分布式光伏承载力实时评估方法，其特征在于，基于所述数学模型，构建面向配电网光伏承载力动态评估的马尔可夫决策模型的方法为：
4.根据权利要求3所述的配电网分布式光伏承载力实时评估方法，其特征在于，以软演员-评论家sac算法为基本架构，并利用利用图采样和聚合graphsage对sac算法进行改进时，将图策略网络引入所述sac算法中，在图策略网络中，系统状态st被建模为一个属性图其中顶点集表示配电网的节点集合，边集ε表示节点间的物理连接关系，顶点属性矩阵x包含各节点的实时状态信息，如式(6)所示；
5.根据权利要求4所述的配电网分布式光伏承载力实时评估方法，其特征在于，利用图深度强化学习算法对马尔可夫决策模型进行求解，获得训练后的图策略网络的方法为：
...【专利技术属性】
技术研发人员：宫建锋，齐屹，韩一鸣，尹孜阳，郑伟，张斌，张诗豪，康健，靳盘龙，党东升，赵利宁，赵倩宇，王守相，
申请(专利权)人：国网宁夏电力有限公司经济技术研究院，
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。