买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华北电力大学

摘要：本发明公开了一种基于D3QN的主动配电网多目标无功控制方法，包括：以综合了主动配电网模型的电压偏差、网络损耗、无功补偿器动作成本和弃风弃光功率成本四部分的目标函数最小为优化控制目标；以配电网潮流约束、节点电压安全约束、支路电流安全约束为约束条件建立无功优化控制模型。然后设计了强化学习的状态空间、动作集合和奖励函数，构建了多目标无功控制的马尔科夫过程。最后基于D3QN深度强化学习网架迭代训练，得到经D3QN学习优化后的状态空间，寻找出主动配电网的最优调度状态。本发明的无功控制方法有效提升了电能质量，同时考虑了控制过程中的动作成本与新能源大规模接入配电网带来的弃风弃光功率成本，取得了很好的优化效果。

主权项：1.一种基于D3QN的主动配电网多目标无功控制方法，其特征在于，所述方法包括以下步骤：S1：构建多目标无功控制模型的目标函数；所述的目标函数是包括主动配电网电压偏差、网络损耗、无功补偿设备动作成本和弃风弃光功率成本的多目标无功控制模型的目标函数，所述目标函数如下： 式中，λ1为电压偏差权重系数；ΔUi为节点i的电压偏差，单位为kV；N为配电网节点总数；λ2为网络损耗权重系数；Ploss为配电网断面下的总网络损耗，单位为MVA；λ3为无功补偿设备动作成本权重系数；cj为无功补偿设备j的单次动作成本，单位为元；Dj为无功步长设备j调节到优化挡位的动作次数；M为配电网中无功补偿设备的个数；λ4为弃风弃功率权重系数；ΔPk为DG的弃风弃光功率，单位为MVA；G为配电网中分布式发电DG的个数；S2：构建上述目标函数的约束条件集合；S3：设计强化学习中的马尔科夫决策过程；包括：结合S1和S2中模型的目标函数与约束条件，构建强化学习的状态空间、动作空间与奖励函数；包括：S301：构建t阶段下的状态空间为： Pit和为节点i的有功功率和无功功率的净注入Pit和为节点i的电压幅值为OLTC的挡位为无功补偿设备j的挡位和为分布式电源k的有功出力和无功出力；I表示配电网中的节点个数；H表示配电网中OLTC的数量；J表示配电网中并联补偿器的数量；K表示配电网中DG的数量；S302：构建动作集合为：A＝[a1,a2,...,ag,…aG]式中，G表示动作集元素的个数，且有G＝2H+J+2K；a1至aG分别表示编号为1至G的决策变量动作元素，且在上式中有： a1至a2H为OLTC分接头挡位调节的动作集合，集合内的动作为该OLTC分接头增加减少一个挡位；a2H+1至a2H+J为无功补偿器挡位调节的动作集合，集合内动作为该无功补偿器挡位增加减少一挡；a2H+J+1至a2H+J+K为DG有功功率调节的动作集合，集合内动作为该DG有功功率加减0.01MW；a2H+J+K+1至a2H+J+2K为DG无功功率调节的动作集合，集合内动作为该DG无功功率加减0.01Mvar；S303：设计奖励函数Rt，表示为： 式中，为目标函数奖励函数；为潮流约束奖励函数；为节点电压安全约束奖励函数；为支路电流安全约束奖励函数；其中表示为： 式中，C为所述多目标无功控制模型的目标函数；K1和K2为灵敏度系数；t阶段下的约束条件奖励函数为： 潮流不收敛时 S4：基于D3QN深度强化学习算法，完成所述无功控制模型的优化求解。

全文数据：

权利要求：

百度查询： 华北电力大学 一种基于D3QN的主动配电网多目标无功控制方法