[发明专利]一种配电网内光伏储能联动调控方法

权利要求书

1.一种配电网内光伏储能联动调控方法，其特征在于，所述方法包括：

根据配电网的拓扑及线路参数，建立配电网仿真环境，输入各节点负荷数据及光伏储能的调控指令数据，能够反馈配电网的电压，网损状态数据，同时获得配电网运行的历史负荷数据，以及光伏的出力数据；

构建基于深度强化学习的光伏储能联动调控模型，动作网络输入为配电网运行状态数据，输出为配电网内光伏调控指令和储能调控指令；评价网络的输入为配电网状态及该状态下光伏储能的调控指令，输出为该状态下光伏调控指令和储能调控指令的价值；

从历史数据中选择起始的时间断面，输入配电网环境，获得配电网状态，并将实时可获得的部分输入动作网络，得到光伏调控指令和储能调控指令，并将所述光伏调控指令和储能调控指令反馈给配电网环境，获得所述光伏调控指令和储能调控指令的价值，存入经验池中，对评价网络进行迭代训练，迭代训练到最优状态，优化模型训练完成；

在线应用时，将可获得的实时量测数据输入训练完成的基于深度强化学习的光伏储能联动调控模型，输出光伏调控指令和储能调控指令。

2.根据权利要求1所述的一种配电网内光伏储能联动调控方法，其特征在于：所述建立配电网仿真环境，具体包括：

历史数据采集各节点负荷数据，光伏出力数据，各光伏无功调节范围，储能有功调节范围；

拓扑数据获得配电网各节点连接关系，以及线路阻抗参数，变压器参数；

采用潮流计算的方式，获得配电网的状态数据，包括实时节点的有功功率、无功功率、电压，以及配电网的奖励，奖励的计算方式为：

式中：α,β为加权系数，P_loss为网损，为实时电压越上限时的电压质量，U_max为配电网接入优化指令后的电压最高值。为实时电压越下限时的电压质量，U_min为配电网接入优化指令后的电压最低值。

3.根据权利要求2所述的一种配电网内光伏储能联动调控方法，其特征在于：所述构建基于深度强化学习的光伏储能联动调控模型，具体包括：

构建输入信息格式，根据实时状态下可获得的配电网量测数据，定义输入为观测状态S；

S:{p₁,q₁,u₁,...,p_n,q_n,u_n}

其中，p表示节点的有功注入，q表示节点的无功注入，u表示节点的电压，下标表示实时状态下可获得的节点编号；

定义模型输出为光伏的无功调节量，储能的有功调节量，定义输出为调节指令A；

A:{Δp₁,Δp₂,...；Δq₁,Δq₂,...}

其中，Δp为储能吸收有功功率的调节量，下标为调节储能的编号，Δq为光伏逆变器发出无功功率的调节量，下标为调节光伏的编号；

光伏的调控约束为不能超过其逆变器能够发出的无功上限，储能的调控约束为不能超过其充放电的功率上限。

4.根据权利要求3所述的一种配电网内光伏储能联动调控方法，其特征在于：所述构建基于深度强化学习的光伏储能联动调控模型，还包括动作网络与评价网络两个部分；

所述动作网络采用深度神经网络，输入为观测状态，输出为调节指令，动作网络用Ac表示，表达式如下：

A＝Ac(S)

动作网络的神经元个数以2的倍数提高或者缩减，在精度接近的情况下，选择较小的神经元个数。选择ReLu函数作为激活函数；

所述评价网络采用深度神经网络，输入为观测状态以及调节指令，输出为此动作带来的价值Q，评价网络用C表示表达式如下：

Q＝C(S,A)

评级网络与动作网络结构基本对称，不同点在于评价网络的激活函数替换成LeakyReLu激活函数。

构建模型的损失函数及目标函数，对动作网络和评价网络进行优化，使得最终得到能够输出合适光伏储能调控指令的模型。