优化智能储能软开关(Soft open point integrated with energy storage system,ESOP)可调度设备的应用,是应对高比例分布式电源(Distributed generation,DG)接入引发波动性与不确定性的主要手段之一。对此,提出一种基于智能储能软开关...优化智能储能软开关(Soft open point integrated with energy storage system,ESOP)可调度设备的应用,是应对高比例分布式电源(Distributed generation,DG)接入引发波动性与不确定性的主要手段之一。对此,提出一种基于智能储能软开关优化的配电网两阶段动态重构策略。首先,以网损与电压偏差之和最小为综合目标函数,建立含ESOP的有源配电网重构优化模型。然后,实施ESOP两阶段协同优化。阶段1,运用有序环网编码策略,缩减可行解空间,优化多时段网络拓扑与软开关(Soft open point,SOP)两侧有功–无功;在阶段2,基于阶段1网络结构集中优化ESOP两侧有功–无功,挖掘ESOP灵活的潮流调控潜力。最后,采用引入启发式规则、高斯映射及改进莱维飞行策略进行改进的河马优化算法求解重构优化模型。以IEEE33节点配电系统为算例进行验证。结果表明,所提策略可以有效降低网络损耗和电压偏差,提升有源配电网运行的经济性和稳定性。展开更多
现有深度强化学习(deep reinforcement learning,DRL)方法在解决配电网电压优化问题时,存在信用分配难、探索效率低等问题,在模型训练速度和优化效果等方面表现欠佳。为此,结合配电网分区降损与模仿学习的思想,提出一种基于指导信号的...现有深度强化学习(deep reinforcement learning,DRL)方法在解决配电网电压优化问题时,存在信用分配难、探索效率低等问题,在模型训练速度和优化效果等方面表现欠佳。为此,结合配电网分区降损与模仿学习的思想,提出一种基于指导信号的多智能体深度确定性策略梯度(guidance signal based multi-agent deep deterministic policy gradient,GS-MADDPG)的电压优化方法。首先,将电动汽车(electric vehicles,EV)集群、分布式电源(distributed generations,DG)和无功调节装置作为决策智能体,构建强化学习优化模型。然后,通过配电网分区,解耦多智能体的外部奖励,并结合模仿学习,利用指导信号引入内部奖励,帮助智能体快速寻优。最后,基于改进IEEE33节点系统进行算例测试。结果表明,所提电压优化策略较传统DRL方法具有更高的样本利用率,实现了更稳定的收敛及更高的模型训练效率,提升了配电网电压的优化效果。展开更多
文摘优化智能储能软开关(Soft open point integrated with energy storage system,ESOP)可调度设备的应用,是应对高比例分布式电源(Distributed generation,DG)接入引发波动性与不确定性的主要手段之一。对此,提出一种基于智能储能软开关优化的配电网两阶段动态重构策略。首先,以网损与电压偏差之和最小为综合目标函数,建立含ESOP的有源配电网重构优化模型。然后,实施ESOP两阶段协同优化。阶段1,运用有序环网编码策略,缩减可行解空间,优化多时段网络拓扑与软开关(Soft open point,SOP)两侧有功–无功;在阶段2,基于阶段1网络结构集中优化ESOP两侧有功–无功,挖掘ESOP灵活的潮流调控潜力。最后,采用引入启发式规则、高斯映射及改进莱维飞行策略进行改进的河马优化算法求解重构优化模型。以IEEE33节点配电系统为算例进行验证。结果表明,所提策略可以有效降低网络损耗和电压偏差,提升有源配电网运行的经济性和稳定性。
文摘现有深度强化学习(deep reinforcement learning,DRL)方法在解决配电网电压优化问题时,存在信用分配难、探索效率低等问题,在模型训练速度和优化效果等方面表现欠佳。为此,结合配电网分区降损与模仿学习的思想,提出一种基于指导信号的多智能体深度确定性策略梯度(guidance signal based multi-agent deep deterministic policy gradient,GS-MADDPG)的电压优化方法。首先,将电动汽车(electric vehicles,EV)集群、分布式电源(distributed generations,DG)和无功调节装置作为决策智能体,构建强化学习优化模型。然后,通过配电网分区,解耦多智能体的外部奖励,并结合模仿学习,利用指导信号引入内部奖励,帮助智能体快速寻优。最后,基于改进IEEE33节点系统进行算例测试。结果表明,所提电压优化策略较传统DRL方法具有更高的样本利用率,实现了更稳定的收敛及更高的模型训练效率,提升了配电网电压的优化效果。
