
1. 内蒙古电力(集团)有限责任公司阿拉善供电分公司
2. 华中科技大学电气与电子工程学院
3. 江苏源网和智能科技有限公司
Published:2025
移动端阅览
齐军, 马鹏, 周生存, et al. 基于深度强化学习的新型终端配电网源荷储协同控制[J]. 2025, (4): 56-67.
齐军, 马鹏, 周生存, et al. 基于深度强化学习的新型终端配电网源荷储协同控制[J]. 2025, (4): 56-67. DOI: 10.19929/j.cnki.nmgdljs.2025.0049.
针对高比例分布式新能源接入配电网后,常规的解耦电压控制、最大化消纳控制等方式已不能满足高比例新能源并网条件下配电网控制需求的问题,综合考虑配电网运行的经济性、新能源消纳和电压合格率,将分时电价、系统损耗和相关经济损失相结合,提出一种新型评估主动配电网智能体整体经济效益的奖励函数,构建了含高渗透率分布式光伏的配电网控制数学模型,在基于深度强化学习的源荷储协同控制技术下提升主动配电网智能体的动作效果。通过对IEEE 33节点模型进行仿真分析,验证了基于深度强化学习的配电网源荷储协同优化控制技术的有效性,最大电压波动的标幺值降低了0.029 7,最大线损降低了26.09%,光伏消纳率提高了4.73%。
With the high proportion of distributed new energy aceess to the distribution network
the conventional decoupling voltage control
maximum consumption control and other methods can not meet the distribution network control needs under the condition of high proportion of new energy integration. Considering the operational economy
new energy consumption and voltage qualification rate of the distribution network
a new reward function for evaluating the overall economic benefits of active distribution network intelligent agents is proposed by combining time-of-use electricity prices
system losses and related economic losses. A distribution network control mathematical model containing high penetration distributed photovoltaics is constructed to improve the action effect of active distribution network agents under the source-load-storage collaborative control technology based on deep reinforcement learning. Through case analysis of the IEEE 33-node model
the universal applicability of distribution network source-load-storage collaborative optimization control technology based on deep reinforcement learning is verified in improving photovoltaic consumption rate
reducing line loss and suppressing voltage fluctuations. The per unit value of maximum voltage fluctuation decreases by 0.029 7. The maximum line loss decreases by 26.09%
and the photovoltaic consumption rate increases by 4.73%.
郭清元,吴杰康,莫超,徐宏海.基于混合整数二阶锥规划的新能源配电网电压无功协同优化模型[J].中国电机工程学报,2018(05).
任佳依,顾伟,王勇,嵇文路,刘海波,曹戈.基于模型预测控制的主动配电网多时间尺度有功无功协调调度[J].中国电机工程学报,2018(05).
徐熙林,宋依群,姚良忠,严正.主动配电网源–荷–储分布式协调优化运行(一):基于一致性理论的分布式协调控制系统建模[J].中国电机工程学报,2018(10).
刘洪,徐正阳,葛少云,杨为群,刘梦怡,朱文广.考虑储能调节的主动配电网有功—无功协调运行与电压控制[J].电力系统自动化,2019(11).
李琦,乔颖,张宇精.配电网持续无功优化的深度强化学习方法[J].电网技术,2020(04).
张颖,寇凌峰,季宇,于辉,胡转娣,孙振奥.计及储能与分布式电源协同的配电网分层分区优化控制[J].中国电力,2021(02).
赵冬梅,陶然,马泰屹,夏轩,王浩翔.基于多智能体深度确定策略梯度算法的有功-无功协调调度模型[J].电工技术学报,2021(09).
刘洋,李立生,刘志伟,苗世洪,张世栋,张林利.考虑广义储能集群参与的配电网协同控制策略[J].电力建设,2021(08).
谢云云,杨正婷,蔡胜,王栋,陈汹,邹云.基于鲁棒模型预测控制的配电网供电恢复策略[J].电力系统自动化,2021(23).
刘晓宇,王斌.基于源网荷储优化的电力系统协同控制方法[J].电气自动化,2021(05).
姜云鹏,任洲洋,李秋燕,郭勇,徐岩.考虑多灵活性资源协调调度的配电网新能源消纳策略[J].电工技术学报,2022(07).
汤涌,姚伟,王宏志,王灿,郭强,王甜婧,黄彦浩.电网仿真分析与决策的人工智能方法[J].中国电机工程学报,2022(15).
丁天祥,杨黎晖,王淑娴.基于光储系统协调控制的配电网末端低电压治理策略研究[J].云南电力技术,2022(05).
张润凡,别朝红.主动配电网的动态虚拟微电网群分布式群级协同控制[J].电力系统自动化,2022(14).
王珂,姚建国,余佩遥,杨胜春,钟海旺,严嘉豪.基于深度强化学习的电网前瞻调度智能决策架构及关键技术初探[J].中国电机工程学报,2022(15).
张冬冬,郭杰,陈阳.基于深度学习的三维目标检测方法研究综述[J].机电工程技术,2022(04).
胡维昊,曹迪,黄琦,张斌,李思辰,陈哲.深度强化学习在配电网优化运行中的应用[J].电力系统自动化,2023(14).
王印峰,李依泽,叶洪波,凌晓波,陆超.考虑有功协调优化的配电网动态电压控制[J].电力自动化设备,2023(02).
顾雪平,刘彤,李少岩,王铁强,杨晓东.基于改进双延迟深度确定性策略梯度算法的电网有功安全校正控制[J].电工技术学报,2023(08).
张华赢,艾精文,汪伟.基于约束型深度强化学习的主动配电网电压控制策略[J].电测与仪表,2023(05).
栾思平,苏适,杨家全.新型电力系统光储有源配电网运行适应性研究[J].云南电力技术,2022(05).
范邦稷,刘兴华,丁涛,韩讴竹,穆程刚,同向前.基于图注意网络与深度确定性策略梯度的三相主动配电网供电恢复方法[J].中国电机工程学报,2023(21).
陈宇星,梁芙蓉,尤炜,陈飞雄,郭奕鑫,邵振国.含分布式光伏的配电网模型预测控制优化方法[J].电力工程技术,2023(06).
孙国强,殷岩岩,卫志农,臧海祥,楚云飞.基于深度确定性策略梯度的主动配电网有功-无功协调优化调度[J].电力建设,2023(11).
黄天意,李晨昕,刘玥伶,刘登伟,李健华,刘治凡,胡悦.源网荷储互动的主配一体调度控制系统研究[J].四川电力技术,2022(04).
高万胜,蔺红.考虑配电网灵活性不足风险的分布鲁棒低碳优化调度[J].电力系统保护与控制,2024(16).
张旭,赵倩.新型电力系统下的源网荷储协同控制方法研究[J].电工技术,2024(16).
张聪,张鹏飞,陈少东,周恩杰,张建平.基于源网荷储协同的配电网优化控制策略[J].电气时代,2025(05).
0
Views
2
下载量
0
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution
京公网安备11010802024621