基于近端策略优化算法的灾后配电网韧性提升方法

被引：18

作者：

王子昊 ^{[1
]}

王旭 ^{[1
]}

蒋传文 ^{[1
]}

龚开 ^{[1
]}

白冰青 ^{[1
]}

邓晖 ^{[2
,3
]}

机构：

[1] 电力传输与功率变换控制教育部重点实验室(上海交通大学)

[2] 国网浙江省电力有限公司电力科学研究院

[3] 国网浙江省电力有限公司电力市场仿真实验室

来源：

电力系统自动化 | 2022年 / 46卷 / 21期

关键词：

配电网; 韧性; 近端策略优化; 深度强化学习; 灾害;

D O I：

暂无

中图分类号：

TM73 [电力系统的调度、管理、通信]; TP18 [人工智能理论];

学科分类号：

120103 [信息系统与信息管理]; 140502 [人工智能];

摘要：

台风灾害易导致配电网线路断线，并解列成多个孤岛运行。如何高效实现配电网网络重构、分布式发电调度以促进灾后负荷恢复这一问题亟待解决。文中提出了一种基于深度强化学习近端策略优化（PPO）算法的灾后配电网韧性提升方法。首先，以灾后配电网的节点电压偏差、负荷损失和发电成本最小为目标，构造了内层优化模型。其次，将灾后配电网韧性提升策略转化为多阶段马尔可夫决策过程，并构建了外层强化学习优化模型。以联络线开关的投切指令为控制变量，最大化负荷恢复为优化目标，并采用PPO算法进行求解。然后，分析了PPO算法的样本数据处理方法，并对PPO算法训练过程进行测试以验证该算法的收敛性。最后，采用改进的IEEE 33节点、IEEE 118节点配电网进行算例分析，验证了所提优化方法的可行性。

引用

页码：62 / 70

页数：9

共 21 条

[1]

基于深度强化学习的综合能源系统运行优化研究 [D].

张斌 .

电子科技大学,

2021

[2]

主动配电网运行优化的深度强化学习方法 [D].

王标 .

华中科技大学,

2020

[3]

Power balance control of RES integrated power system by deep reinforcement learning with optimized utilization rate of renewable energy [J].

Wei, Tongxin ;

Chu, Xiaodong ;

Yang, Dong ;

Ma, Huan .

ENERGY REPORTS, 2022, 8 :544-553

[4]

Adaptive Power System Emergency Control Using Deep Reinforcement Learning [J].

Huang, Qiuhua ;

Huang, Renke ;

Hao, Weituo ;

Tan, Jie ;

Fan, Rui ;

Huang, Zhenyu .

IEEE TRANSACTIONS ON SMART GRID, 2020, 11 (02) :1171-1182

[5]

Deep Reinforcement Learning Based Approach for Proportional Resonance Power System Stabilizer to Prevent Ultra-Low-Frequency Oscillations.[J].Guozhou Zhang;Weihao Hu;Di Cao;Qi Huang;Jianbo Yi;Zhe Chen;Frede Blaabjerg.IEEE Transactions on Smart Grid.2020, 99

[6]

Data-Driven Load Frequency Control for Stochastic Power Systems: A Deep Reinforcement Learning Method With Continuous Action Search [J].