[发明专利]一种配电网动案辅助决策方法、系统、装置和存储介质

说明书

本发明公开了一种配电网动案辅助决策方法、系统、装置和存储介质，方法包括步骤：获取配电网在线运行数据；将所述配电网在线运行数据输入预设的配电网动案辅助决策模型中；所述配电网动案辅助决策模型输出令配电网安全未定运行的网络结构；所述配电网动案辅助决策模型基于DQN强化学习算法训练形成。对于在线配电网只需输入其对应的状态，就可以重构配电网的拓扑结构，又因为判断过程无需对整个配电网所有重构方案全部计算，计算量小，所耗用的时间较短，因而基于强化学习方法的配电网动案辅助决策方法具有运算速度快、效率高等优点。

技术领域

本发明属于电网运行安全技术领域，具体涉及一种配电网动案辅助决策方法、系统、装置和存储介质。

背景技术

随着城市配电网技术的迅速发展，配电网建设逐步进入高可靠性阶段。根据统计，在用户停电事故中四分之三以上都是由配电网出现故障导致。同时，随着分布式可再生能源(DRG)的普及，配电网面临着供需关系的变化。如何保证配电网的安全、经济运行变得越来越重要。配电网重构(Distribution network reconfiguration,DNR)通过控制连接开关的开/关状态来调整配电网的拓扑结构，可以减少网络损耗，提高配电网的电压质量，保证电网安全稳定运行。

传统的使用网络重构进行配电网调度优化方法，主要有暴力搜索算法和遗传算法等启发式算法。但配电网的网络拓扑结构复杂、分布相对分散、设备种类繁多、设备运行状态易受外部因素影响等特点，使采用传统方法进行网络重构时计算量大，相应的造成了所耗用时间较长，导致最终的重构效率偏低。

发明内容

本发明的目的在于提供一种配电网动案辅助决策方法、系统、装置和存储介质，以解决现有技术中，传统遗传算法等启发式方法因计算时间过长而导致的决策效率低，决策不及时等问题。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面，提供了一种基于深度神经网络的配电网动案辅助决策方法，包括如下步骤：

获取配电网在线运行数据；

将所述配电网在线运行数据输入预设的配电网动案辅助决策模型中；所述配电网动案辅助决策模型输出令配电网安全未定运行的网络结构；

其中，所述配电网动案辅助决策模型基于DQN强化学习算法训练形成。

可选的，所述配电网在线运行数据包括实时或者预测的开关状态、风机发电、光伏发电和负荷大小。

可选的，所述配电网动案辅助决策模型的获取方式如下：

获取配电网历史运行数据；

设置ε-greedy策略选取动作；

基于所述配电网历史运行数据建立配电网系统环境模型，并构建智能体的深度强化学习模型；

基于预设置的ε-greedy策略，利用配电网系统环境模型和深度强化学习模型进行离线训练和学习，得到满足误差要求的配电网动案辅助决策模型。

可选的，获取配电网历史运行数据后，对所述配电网历史运行数据进行预处理，将配电网历史运行数据转化为适合强化学习算法的原始样本集。

可选的，利用配电网系统环境模型和深度强化学习模型进行离线训练和学习，具体包括：

配电网系统环境模型每执行一次深度强化学习模型给出的动作，会返回新的系统状态并计算相应的奖励值；而深度强化学习模型根据当前状态，以输出能够最大化奖励期望值的控制动作为目标，在与配电网系统环境模型交互过程中不断学习并改进动作策略。

可选的，建立配电网系统环境模型包括：设置智能体状态空间、动作空间以及智能体奖励/惩罚机制。