[发明专利]一种基于无功负荷态势的电网无功电压控制方法及系统

说明书

本发明提供一种基于无功负荷态势的电网无功电压控制方法及系统：获取无功分区后的负荷预测数据；将负荷预测数据和预先采集的电网状态数据输入到预先构建的Q‑Learning模型进行深度强化学习得到对应的样本数据；将样本数据和采集的电网状态数据输入预先构建的深度卷积神经网络模型得到预测数据对应的电网运行特征值控制电网无功电压；Q‑Learning模型将电网状态数据中上一时刻的数据通过双重Q‑Learning计算Q值得到当前时刻电网状态数据并将当前时刻电网状态数据作为样本数据；深度卷积神经网络模型将样本数据通过卷积运算并进行降维处理得到电网运行特征值；电网状态数据包括电网的结构数据和电网运行设备的数据；采用深度卷积神经网络模型提取电网运行特征提升了算法效率。

技术领域

本发明属于电网无功电压控制领域，涉及一种基于无功负荷态势的电网无功电压控制方法及系统。

背景技术

目前自动电压控制大都基于当前时间断面进行决策，但系统电压受新能源和负荷侧影响容易快速、频繁波动，故传统单断面控制方式无法实现多时间尺度上，特性各异无功调节设备的协调控制，一方面导致设备的频繁动作，并没有有效降低并网点以及系统电压无功波动率，另一方面还造成因为追求电压目标将导致动作迅速的SVC/SVG 经常近限运行，导致电网动态无功储备不足，严重恶化了系统的电压无功态势，无法应对潜在的扰动，给电网安全稳定运行造成了巨大威胁。

另外，传统电压无功分析均采用基于模型的方法，其分析范式是考虑系统物理约束，利用物理原理建立数学模型，然后进行数值计算，其结果依赖于一定的假设和简化，基于模型的方法很难处理电网源-荷侧的不确定性，同时也忽略了电力系统与外部因素间存在的高维、时变、强非线性的耦合关联关系，且由于非电力因素之外系统状态不能完全观测，造成计算存在较大的保守性与粗糙性，同时，一旦如果假设条件发生了变化，则决策缺乏主动适应和调整能力。另一方面，随着电网规模扩大、量测手段和信息通信技术的不断完善，电网的基础与运行数据近年来出现爆炸性增长，并逐渐呈现出海量、复杂、处理逻辑复杂、存储周期长、计算频度高等大数据特征。

发明内容

针对现有的传统电压无功分析结果依赖于一定的假设和简化，基于模型的方法很难处理电网源-荷侧的不确定性，同时也忽略了电力系统与外部因素间存在的耦合关联关系，决策缺乏主动适应和调整能力的不足，本发明提供了一种基于无功负荷态势的电网无功电压控制方法及系统，具体包括：

一种基于无功负荷态势的电网无功电压控制方法，包括：

获取无功分区后的负荷预测数据；

将所述负荷预测数据和预先采集的电网状态数据输入到预先构建的Q-Learning模型，进行深度强化学习，得到对应的样本数据；

将所述样本数据和预先采集的电网状态数据输入预先构建的深度卷积神经网络模型得到所述预测数据对应的电网运行特征值控制电网无功电压；

其中，所述Q-Learning模型用于将电网状态数据中上一时刻的数据通过双重Q-Learning计算Q值得到当前时刻电网状态数据，并将所述当前时刻电网状态数据作为样本数据；

所述深度卷积神经网络模型用于将所述样本数据通过卷积运算并进行降维处理得到电网运行特征值；

所述电网状态数据，包括：电网的结构数据和电网运行设备的数据；所述电网运行设备的数据包括：电网节点注入功率的功率因数和节点无功电压；

所述负荷预测数据，包括：无功分区的有功负荷、无功负荷。

优选的，所述无功分区，包括：

基于带权值的电网拓扑矩阵计算节点电气距离；所述权值为节点之间的电抗；

基于所述电气距离采用k-shape的无功聚类算法获得无功分区。