一种基于渐进学习的分级电压调控方法
【技术领域】
[0001] 本发明涉及分级电压控制技术领域，具体涉及一种基于渐进学习的分级电压调控 方法。
【背景技术】
[0002] 目前分级电压控制中应用较广的三级模式是通过不同时间尺度、全网分区和各自 不同目标实现三维分解协调的电压控制方式。传统电力系统负荷变化周期性和规律性较 强，实施该模式具有较好的运行效果。
[0003] 然而，可再生能源发电的大规模并入，加剧了电力系统运行状态的不确定性，使该 模式面临困境。以风电接入为例，由于风速波动时间尺度为秒级，规模较大风电场注入功率 的变化时间尺度一般为分钟级，如果系统含多个风场，其运行状态随机变化也是分钟级。如 果按原有全网优化计算模式将导致所得优化结果将只针对计算时刻系统状态，对于后续快 速变化的随机运行状态，该结果未必适用。若二级电压控制在该周期内还维持原有目标值， 并不能保证系统处于优化状态甚至起反作用。但以改变全网优化计算的时间周期来适应系 统状态的快速随机变化，比如改为分钟级，一是会使全网优化计算变为实时计算，对于规模 较大的电网实现较为困难，二是即使全网优化实时计算得以完成，其目标值下发过于频繁， 造成二级电压控制器对上一时刻目标值维持调控尚未结束又收到新的目标值，形成调控振 荡。
[0004] 为解决这一矛盾，需要维持原有的全网优化计算周期以保证与二级电压控制在时 间上的解耦，但全网优化计算必须考虑周期内系统运行状态的随机波动，下发目标值的维 持可以使周期内累计效果在统计意义上最优。由此，该问题变为动态随机优化决策问题。 国内对于该领域的研究较少，现有技术中对这类优化问题采用较为先进的学习算法（ACD 等），利用DSOPF消除随机波动取得了相当的效果，但其应用必须要先进行离线仿真训练， 才能在线应用。其决策并不参考实际系统的历史调控信息，仅仅依赖仿真训练难以满足大 系统各种工况条件下实时控制的要求。
[0005] 随着计算机和通讯技术的发展，电力系统实现全景量测已是必然。即系统当前状 态可直接量测，历史状态和调控记录均可获取。为本发明方法的实现提供了必要的基础。
【发明内容】
[0006] 本发明的目的就是为了解决上述问题，提出了一种基于渐进学习的分级电压调控 方法，该方法在保留原有分级电压控制的框架基础上，提出一种基于全景量测的渐进学习 调控机制，为解决这类动态随机优化问题开辟一条便于工程实施的新思路。避免了现有应 用强化学习方法进行优化调控策略中必须大量离线仿真训练才能应用的不足，保留了原有 的分级电压控制的调控体系框架，无需额外的硬件设施，只需较少的软件修正即可应用于 实际工程，具有一定的理论价值和较为广阔的应用前景。
[0007] 为了实现上述目的，本发明采用如下技术方案：
[0008] -种基于渐进学习的分级电压调控方法，包括以下步骤：
[0009] (1)通过三级电压控制的基本模式，以当前潮流断面下网损最小为优化目标，构建 全网无功优化目标函数，分别获得主导节点目标值与累计网损率的历史调控样本数据； [0010] (2)采用RBF神经网络方法对获得的历史调控样本数据进行学习，获得主导节点 电压目标值与三级电压控制周期内累计网损率之间的拟合函数；
[0011] (3)根据步骤（2)中得到的拟合函数对后续优化过程的累计网损率进行预估， 判断累计网损率的预估精度是否满足设定要求；如果满足，进入步骤（4)，否则，返回步骤 (1)，增加新的调控样本数据后重新进行函数拟合；
[0012] (4)在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，对全网 无功优化目标函数进行修正；
[0013] (5)逐步修正电压目标与累计网损率间的拟合函数并调整其权重系数，使得修正 后的全网无功优化目标函数输出结果与历史样本之差在设定的误差精度之内；
[0014] (6)重复步骤（1)-步骤（5)的过程，渐进式向控制周期内累计网损率最小的渐进 学习式调控逼近，最终实现渐进学习的分级电压调控。
[0015] 所述三级电压控制的基本模式是将大电网电压控制分为三级：
[0016] -级电压控制主要是电压无功控制设备，通过维持电压或无功设定值进行电压无 功瞬时快速控制；
[0017] 二级电压控制是一种分区控制，将整个电力系统按照设定原则分成若干二级电压 控制区域，每个控制区域中选择一个主导节点并确定相应的控制发电机和其他电压无功控 制设备，二级电压控制器按照一定的协调控制规律设定控制区域内各一级电压控制器的整 定值，接收并维持由三级电压控制设定的主导节点电压水平，从而平衡较慢、较大的无功变 化和电压偏差；
[0018] 三级电压控制以全系统的经济运行为优化目标，经过最优潮流计算之后，三级电 压控制器给出每个主导节点电压的设定参考值。
[0019] 所述步骤（1)中，构建的全网无功优化目标函数具体为：
[0021] 其中，匕为当前潮流断面下网损，G u为节点i与节点j之间的线路电导，U1为第 i个PQ节点的电压幅值，Θ U为节点i与j之间的电压相角差，U j为节点j的电压幅值，\ 为输电线路集合。
[0022] 所述全网无功优化目标函数的约束方程具体为：
[0023] 等式约束方程：
[0025] 不等式约束为：
[0027] 其中，NS、NPV和Nptj分别为发电机、PV节点集合和PQ节点集合；G Θ ^分别 为节点i与j之间的线路电导、电纳和电压相角差；
分别为第i个PQ节点的电 压下限和电压上限；PJPQ1分别为PQ节点的有功功率和无功功率；
分别为 发电机机端电压下限、机端电压和机端电压上限
分别为节点发电机无功 出力、无功出力上限和无功出力下限。
[0028] 所述步骤⑵中，RBF神经网络模型结构由输入层、隐含层和输出层组成，该网络 模型从输入层到隐含层为非线性映射，隐含层到输出层为线性映射，以电压目标值样本序 列作为输入Xn，以高斯核函数作为隐含层径向基函数，以调控周期内的累计网损率作为输 出P 〇
[0029] 所述步骤⑵中，主导节点电压目标值与三级电压控制周期内累计网损率之间的 拟合函数具体为：
[0031] 其中，Prate为累计网损率，Vgcial为主导节点电压目标值，N h为隐含层神经元的个数， C,、δ ,分别为第j个隐含层神经元的中心和扩展常数，w ,为第j个隐含层神经元与输出的 权重系数。
[0032] 所述步骤（4)中，修正后全网无功优化目标函数具体为：
[0033] minF = (I- a ) PL/Pgs+ a Prate ；
[0034] 其中，匕为当前断面的网损，Pgs为总发电量，Prate为根据主导节点电压目标值 与三级电压控制周期内累计网损率之间的拟合函数预估的本调控周期内的累计网损率，α 为权重系数，OS a <1;F表示考虑累计网损率和当前网损率加权的目标函数。
[0035] 本发明的有益效果是：
[0036] 本发明提出的基于渐进学习的分级电压调控方法，通过学习历史样本拟合电压目 标值与累计网损率之间的函数关系，渐进调整累计网损率在全网优化目标中的比例系数并 修正电压目标值与累计网损率的拟合函数，逐步向累计调控效果最优策略逼近。该方法避 免了已有应用强化学习方法进行优化调控策略中必须大量离线仿真训练才能应用的不足， 保留了原有的分级电压控制的调控体系框架，无需额外的硬件设施，只需较少的软件修正 即可应用于实际工程，具有一定的理论价值和较为广阔的应用前景。
【附图说明】
[0037] 图1为RBF神经网络结构示意图；
[0038] 图2为本发明渐进学习的方法流程图；
[0039] 图3为本发明实施例New England 39节点系统结构图；
[0040] 图4为本发明实施例主导节点28的电压目标值与实际值。
【具体实施方式】：
[0041] 下面结合附图与实施例对本发明做进一步说明：
[0042] 本发明公开了一种基于渐进学习的分级电压调控方法，包括以下步骤：
[0043] (1)通过三级电压控制的基本模式，以当前潮流断面下网损最小为优化目标，构建 全网无功优化目标函数，分别获得主导节点目标值与累计网损率的历史调控样本数据；
[0044] (2)采用RBF神经网络方法对获得的历史调控样本数据进行学习，获得主导节点 电压目标值与三级电压控制周期内累计网损率之间的拟合函数；
[0045] (3)根据步骤（2)中得到的拟合函数对后续优化过程的累计网损率进行预估， 判断累计网损率的预估精度是否满足设定要求；如果满足，进入步骤（4)，否则，返回步骤 (1)，增加新的调控样本数据后重新进行函数拟合；
[0046] (4)在全网无功优化目标函数中加入累计网损率部分，设定初始权重系数，对全网 无功优化目标函数进行修正；
[0047] (5)