【技术实现步骤摘要】
本专利技术涉及电力系统，尤其涉及一种配电系统控制策略的优化方法及系统。
技术介绍
1、在现代电力系统中，配电网络的效率与可靠性已成为一个关键课题。传统的配电网络存在着单向功率流动、高度集中的能量调度和有限的可视化能力，这些使得系统难以灵活响应动态负荷的变化和日益增加的分布式能源接入的挑战。随着可再生能源、储能技术和电动汽车的快速发展，配电网络正在从被动的能源分配系统转变为动态的能源交互平台。在配电网络发生深刻变革的当下，传统静态、集中化控制方法已难以适应新配电网络的发展需求，自适应性和智能化的优化策略变得尤为重要。
技术实现思路
1、本专利技术提供一种配电系统控制策略的优化方法及系统，通过配电网络的图结构，采用gnn与ddpg的图强化学习方法，能够获取自适应性和智能化的优化策略，以实现配电系统中源网荷储分布式的协同优化管理。
2、为了实现上述目的，本专利技术实施例提供了一种配电系统控制策略的优化方法，包括：
3、获取配电系统的配电网络的图结构；其中，所述图结构包括节点和边；
4、根据所述配电网络的电力特性，构建所述配电网络的动作空间和奖励函数；
5、根据所述动作空间和奖励函数，采用所述图结构对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络；
6、根据训练后的gnn和强化学习网络，对所述配电系统的控制策略进行优化。
7、作为上述方案的改进，所述获取配电系统的配电网络的图结构，包括：
8
9、其中，所述图结构的节点包括发电机、负荷、储能设备；所述图结构的边为输电线路。
10、作为上述方案的改进，所述根据所述动作空间和奖励函数，采用所述图结构对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络，包括：
11、利用gnn识别所述图结构，得到所述图结构的特征矩阵；
12、根据所述动作空间和奖励函数，采用所述特征矩阵对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络。
13、作为上述方案的改进，所述强化学习网络包括策略网络和价值网络；
14、所述策略网络用于根据输入的特征矩阵输出动作选择；
15、所述价值网络用于评估当前动作选择下的状态-动作价值。
16、作为上述方案的改进，所述动作空间包括所述发电机的出力调整策略、所述储能设备的充放电策略、所述负荷的需求响应策略；
17、所述奖励函数为最小化系统运行成本的同时提高系统运行的稳定性和可靠性。
18、作为上述方案的改进，所述奖励函数包括发电和储能的总成本、电压稳定性惩罚以及负荷不满足惩罚。
19、为了实现上述目的，本专利技术实施例提供了一种配电系统控制策略的优化系统，包括：
20、网络结构获取模块，用于获取配电系统的配电网络的图结构；其中，所述图结构包括节点和边；
21、动作奖励构建模块，用于根据所述配电网络的电力特性，构建所述配电网络的动作空间和奖励函数；
22、学习网络训练模块，用于根据所述动作空间和奖励函数，采用所述图结构对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络；
23、控制策略优化模块，用于根据训练后的gnn和强化学习网络，对所述配电系统的控制策略进行优化。
24、作为上述方案的改进，所述网络结构获取模块，包括：
25、获取配电系统的配电网络的拓扑结构，定义所述拓扑结构中的节点属性和边属性，得到所述配电网络的图结构；
26、其中，所述图结构的节点包括发电机、负荷、储能设备；所述图结构的边为输电线路。
27、作为上述方案的改进，所述学习网络训练模块，包括：
28、利用gnn识别所述图结构，得到所述图结构的特征矩阵；
29、根据所述动作空间和奖励函数，采用所述特征矩阵对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络。
30、作为上述方案的改进，所述强化学习网络包括策略网络和价值网络；
31、所述策略网络用于根据输入的特征矩阵输出动作选择；
32、所述价值网络用于评估当前动作选择下的状态-动作价值。
33、与现有技术相比，本专利技术实施例公开的一种配电系统控制策略的优化方法及系统，通过获取配电系统的配电网络的图结构；其中，所述图结构包括节点和边；根据所述配电网络的电力特性，构建所述配电网络的动作空间和奖励函数；根据所述动作空间和奖励函数，采用所述图结构对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络；根据训练后的gnn和强化学习网络，对所述配电系统的控制策略进行优化。能够将配电网络表示为图结构，能够细致地捕捉到复杂的连接关系和交互影响，基于gnn的使用使得系统能够利用拓扑结构信息，有效地提取和聚合节点和边的特征；通过信息在图中的传播，实现全局与局部网络状态的有效结合，有助于更准确地进行状态表征；结合gnn与强化学习网络方法，通过配电网络的图结构获取更智能的决策和策略优化，实现配电系统中的源网荷储分布式最佳协调与管理，提高控制策略的协调性和精确性，从而提高整体策略优化的效果，适用于复杂的电力系统优化问题。
本文档来自技高网...【技术保护点】
1.一种配电系统控制策略的优化方法，其特征在于，包括：
2.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述获取配电系统的配电网络的图结构，包括：
3.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述根据所述动作空间和奖励函数，采用所述图结构对GNN和强化学习网络进行训练，得到训练后的GNN和强化学习网络，包括：
4.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述强化学习网络包括策略网络和价值网络；
5.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述动作空间包括所述发电机的出力调整策略、所述储能设备的充放电策略、所述负荷的需求响应策略；
6.如权利要求5所述的配电系统控制策略的优化方法，其特征在于，所述奖励函数包括发电和储能的总成本、电压稳定性惩罚以及负荷不满足惩罚。
7.一种配电系统控制策略的优化系统，其特征在于，包括：
8.如权利要求7所述的配电系统控制策略的优化系统，其特征在于，所述网络结构获取模块，包括：
9.如权利要
10.如权利要求7所述的配电系统控制策略的优化系统，其特征在于，所述强化学习网络包括策略网络和价值网络；
...【技术特征摘要】
1.一种配电系统控制策略的优化方法，其特征在于，包括：
2.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述获取配电系统的配电网络的图结构，包括：
3.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述根据所述动作空间和奖励函数，采用所述图结构对gnn和强化学习网络进行训练，得到训练后的gnn和强化学习网络，包括：
4.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述强化学习网络包括策略网络和价值网络；
5.如权利要求1所述的配电系统控制策略的优化方法，其特征在于，所述动作空间包括所述发电机的出力调整策...
【专利技术属性】
技术研发人员：邢佳莉，樊立波，韩荣杰，孙智卿，汪李忠，王一达，崔俊杰，屠永伟，方响，程炜东，张水云，王亿，黄佳斌，宣羿，陈益芳，王奇锋，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
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。