【技术实现步骤摘要】
本专利技术涉及微电网电压控制的，更具体地，涉及一种基于改进深度强化学习的台区微电网电压控制方法及系统。
技术介绍
1、随着可再生新能源发电技术和电力电子技术的迅猛进步，现代新型电力系统显著特征在于高比例新能源渗透与高度电力电子化。台区微电网，作为这一新型电力体系的核心构成，扮演着促进大量新能源有效整合。然而，随着高占比新能源发电与多样化负荷接入的日益普遍，台区微电网在维持安全、高效、优质运行方面面临着严峻考验。具体而言，新能源与负荷两端的不匹配现象以及电力潮流的双向流动特性，显著加剧了电网系统中电压越限问题的严峻性。
2、传统电压调节装置，如有载调压变压器及并联电容器组，受限于其机械式操作机制，仅能提供非连续的、离散化的控制手段，难以实现电压的连续精准调整。此外，这些设备受制于操作次数的物理限制，其投切过程耗时较长，其操作策略多设计为离线预设模式。鉴于新能源发电具有显著的随机性特点，电压波动幅度较大且频繁，这对电压调节的即时响应能力提出了更为严苛的需求。
3、当前，针对无功-电压实时调控的挑战，两大主流策略分别是经典数学优化技术与深度强化学习技术。传统数学优化途径，通过采用诸如凸松弛技术来求解最优潮流问题，旨在最小化电压偏离与网络耗损。然而，此类方法高度依赖于详尽的物理模型及精确的网络参数，而现实中电网的感知能力常显不足，参数信息往往不全。此外，随着电网规模的扩张，优化问题的复杂度急剧攀升，求解过程耗时增加，限制了其在线实时应用的可行性。
4、申请号为cn118739313a的现有公开专利公开
5、申请号为cn118659454a的现有公开专利公开了一种基于紧二次凸松弛的多源协同电力系统的优化调度方法，通过采用诸如凸松弛技术来求解最优潮流问题，旨在最小化电压偏离与网络耗损。然而，此类方法高度依赖于详尽的物理模型及精确的网络参数，而现实中电网的感知能力常显不足，参数信息往往不全。此外，随着电网规模的扩张，优化问题的复杂度急剧攀升，求解过程耗时增加，限制了其在线实时应用的可行性。
6、相比之下，深度强化学习作为一种不依赖于精确模型的数据驱动策略，展现了卓越的适应性和泛化能力。它能够从过往的交互数据中自主学习出智能体的调控策略，摆脱了对精确模型参数的依赖。更为关键的是，深度强化学习允许将繁重的训练过程移至离线环境中进行，而在实际运行时，仅需执行神经网络的快速前向计算，响应时间在毫秒级别，确保了极高的实时性，完美契合了无功电压控制对于在线决策的快速响应需求。
7、尽管深度学习在电力系统应用中展现出显著成效，但当其应用范围扩展至大规模配电网络时，面临挑战，难以有效实现电压稳定与损耗降低的双重目标。特别是在应对台区微电网这一复杂多变环境时，传统模型因其处理能力受限，导致控制效果不尽如人意。这些传统方法往往仅对区域节点的状态向量进行基础拼接，忽略了关键特征的深度提取，进而增加了策略学习的难度，并且未能充分捕捉新能源发电与负荷变化的时序特性。此外，现有方法在训练过程中的收敛速度迟缓，制约了计算效率的提升。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于改进深度强化学习的台区微电网电压控制方法，能够解决现有技术对台区微电网电压控制不准确的问题。
2、本专利技术采用如下的技术方案。
3、一种基于改进深度强化学习的台区微电网电压控制方法，包括如下步骤：
4、采集台区微电网的内源荷功率数据，并对采集到的数据进行预处理，得到预处理后的内源荷功率数据；
5、结合电能传输过程中的线路损耗以及电压越限的潜在风险，构建台区微电网的电压管理模型；
6、基于ε-贪婪递减策略改进q-learning算法得到改进的q-learning模型，并结合电压管理模型对改进的q-learning模型进行训练；
7、基于训练后改进的q-learning模型和预处理后的内源荷功率数据，得到微电网电压控制结果。
8、优选地，所述对采集到的数据进行预处理具体包括：
9、识别并去除数据中的异常值，检查数据的完整性，记录损坏和缺失的部分；
10、采用z-score标准化方法将内源荷功率数据转换为统一的格式和量纲；
11、设计rnn架构：包括设置并调整网络层数、每层神经元数量、激活函数参数，输入层接收内源荷功率数据序列；隐藏层用于捕捉数据中的时序依赖关系；输出层根据隐藏层的输出预测当前时间步的内源荷功率值。
12、优选地，所述构建的台区微电网的电压管理模型具体包括：
13、建立面向台区微电网的电压控制模型目标函数：
14、
15、式中，n表示系统中所包含的全部节点数目；closs表示单位网损经济惩罚系数；ploss，t则反映了在第t个时刻台区微电网网损；ca表示电压偏离设定值时的经济惩罚系数；δui，t则表示在第i个节点在t时刻的电压偏离量。
16、优选地，建立电压管理模型的约束条件，包括电压幅值约束、新能源出力约束、光伏系统容量和输出功率约束、有功-无功潮流平衡约束；
17、其中，电压幅值约束如下：
18、
19、式中，ui,t表示第i个节点在t时刻的电压，和分别表示第i个节点在t时刻电压的最小允许值和最大允许值；
20、新能源出力约束如下：
21、
22、式中，ppv，t表示光伏系统的在t时刻的有功功率输出，和分别表示光伏系统的最小有功功率输出和最大有功功率输出；qpv，t表示光伏系统的在t时刻的有功功率输出，和分别表示光伏系统的最小有功功率输出和最大有功功率输出；
23、光伏系统容量和输出功率约束如下：
24、
25、式中，表示光伏逆变器的额定容量的平方值；
26、有功-无功潮流平衡约束如下：
27、
28、式中，pg，i和qg，i分别表示系统内第i个节点的有功功率和无功功率；pl，i和ql，i分别表示第i个负荷节点的有功负荷和无功负荷；ui和uj分别表示第i个节点和和第j个节点的电压；n为节点总数，gij和bij分别表示第i个节点和j个节点之间的电导和电纳；δij表示第i个和j个节点电压相角差。
29、优选地，所述本文档来自技高网...
【技术保护点】
1.一种基于改进深度强化学习的台区微电网电压控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
3.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
4.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
5.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
6.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
7.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
8.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
9.一种基于改进深度强化学习的台区微电网电压控制系统，用于实现权利要求1-8任一项权利要求所述基于改进深度强化学习的台区微电网电压控制方法，其特征在于，包括：数据采集模块、预处理模块、电压管理模型构建模块、改进Q-learnin
10.一种终端，包括处理器及存储介质；其特征在于：
11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于改进深度强化学习的台区微电网电压控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
3.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
4.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
5.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
6.根据权利要求1所述的基于改进深度强化学习的台区微电网电压控制方法，其特征在于，
7.根据权利要求1所述的基于改进深度强化...
【专利技术属性】
技术研发人员：岳付昌，顾阳，张自伟，肖小龙，李光熹，刘建，陆晓星，郭宁，吴凡，郭子冉，孙天奎，
申请(专利权)人：国网江苏省电力有限公司连云港供电分公司，
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。