当前位置: 首页 > 邱健蓄电池-官方网站
1. 引言
中进行的探测分析1受中国碳达峰、碳中和目标及新型电力系统建设的驱动,分布式光伏(PV)发电渗透率持续提升,配电网正向具有源荷双向交互的配电网演进[2,3]。光伏输出的随机性和间歇性导致母线电压频繁偏离额定范围,使电压违规成为配电网安全运行的核心威胁[4] 将高可再生能源渗透下的电压调节识别为限制分布式发电消纳的关键技术瓶颈。
光伏输出的波动性是控制问题的诱因,其本身也是近期建模研究的主题,包括将深度学习与元启发式优化相结合的光伏功率预测混合方法[5]。此类研究解决了控制之前的预测层问题;本研究将光伏输出视为给定的扰动序列并解决控制层问题,此处引用该研究作为证据,表明下游处理的不确定性既具有实质性又正受到积极研究。
现有的电压-无功控制(VVC)方法可分为三类。启发式Q-V下垂策略依赖于手动调优的系数,且系统级协调能力有限。数学优化方法,包括二阶锥规划和模型预测控制[6,7,8],可以获得高质量的解决方案,但需要准确的网络参数,并且对于实时运行来说可能计算量过大。分布式和分区协调方法[9,10,11,12] 通过网络分解减轻通信负担,但分区边界处仍可能存在优化差距。这些局限性促使了数据驱动的VVC策略,将快速推理与系统级协调相结合。
因此,深度强化学习(DRL)被引入VVC,因为它支持数据驱动的端到端决策[13]。多智能体DQN被应用于[14]中的不平衡配电系统电压-无功控制。在[15]中提出了一种结合每小时混合整数二阶锥规划与深度确定性策略梯度的两阶段方法。在[16]中开发了具有代理建模和电压灵敏度划分的无模型多智能体SAC,而文献[17] 在两个时间尺度上协调储能有功功率和光伏无功功率。在 [18] 中研究了带有动作安全层的安全DDPG,并在 [19] 中使用人机协同SAC来纠正不安全动作。自注意力机制和大型语言模型辅助也拓展了基于深度强化学习的配电网控制 [20然而,这些方法大多使用多层感知器(MLP)来处理总线状态的一维拼接。这种表示方法忽略了网络拓扑和电气耦合,难以区分不同位置总线的电压影响,并可能需要过度的控制努力来维持电压安全。
图神经网络(GNNs)天然适用于电力网络数据 [21],并在故障定位 [22,23]、状态估计 [24,25] 和拓扑识别 [26] 方面表现出色。文献 [ 中的图注意力网络(GAT)27] 使用掩码自注意力机制自适应地聚合相邻节点信息;随后应用可解释的GAT进行无功功率优化[28]。在配电网电压控制方面,图神经网络已与深度强化学习相结合,用于电压和无功功率优化[29,30]。其他进展包括物理信息全局图注意力网络表示[31]、物理辅助多智能体图强化学习[32]、基于注意力的通信用于紧急电压控制[33]以及时空图表示[34]. 最近的研究强调,拓扑感知是影响VVC性能的一个重要因素[35].
然而,图神经网络中的邻域聚合可能会使节点表示同质化。在更深的网络中,重复的聚合可能使节点特征变得越来越相似,这种现象被称为过度平滑 [36,37,38]。数学分析表明,仅靠注意力权重并不能从根本上防止节点表示的指数级收敛 [39],并且随着深度的增加,主导的传播模式可能导致GAT忽略与特定节点相关的信息 [40]。这些结果涉及深度网络。该效应是否也出现在本文所使用的两层深度中,是一个独立的实证问题,并且第4.2节通过测量而非假设来回答它[36,37,38,39,40].
这个问题与VVC相关,因为电压风险通常集中在少数对电性能敏感的母线上,这些母线的运行特性可能与相邻母线有显著差异。如果聚合操作抹平了这些差异,政策对初期违规的敏感度就会降低,其纠正措施也会被延迟或力度不足。我们并非断言这种融合发生在本文所用的深度,而是对其进行了测量:在第4.2节量化了在通道重新校准前后,节点表示对每个节点电压偏差幅值的预测效果。
SimAM是一种无参数注意力模块,它通过能量函数推导出特征权重[41]. 在此处使用的实现中,均值和方差是在GAT聚合后,针对每个节点内的特征通道进行计算的。因此,SimAM并不是直接将一个节点与邻居节点进行比较;相反,它根据每个节点表示的通道在节点内的统计显著性进行重新校准。在拓扑感知聚合之后应用此操作,可以在不增加可训练参数的情况下保留携带局部电压风险信息的通道,这在电力系统训练数据有限时非常具有吸引力。
因此,本文将电压无功控制(VVC)建模为马尔可夫决策过程,并提出了一种带有GAT-SimAM特征提取器的SAC控制器。GAT将馈线拓扑映射为自适应邻域聚合,而SimAM在图聚合后执行无参数通道重校准。生成的策略会为光伏逆变器和静止无功补偿器(SVC)发出连续的无功功率指令,同时发出储能充放电指令。训练通过与潮流环境交互进行,不需要日前负荷预测或连续动作空间的离散化。使用统一的96天冻结测试集、工程基准和匹配的消融组来评估整体有效性,并分离SimAM、训练惩罚和执行时间动作缩放的贡献。
本研究解决的研究空白可分为三个层面。已知情况:高光伏渗透率下的电压控制是一个特征明确的问题,而拓扑感知图表示结合深度强化学习是已报道在配电馈线中有效的成熟技术。尚未解决的问题:电压风险在空间上集中在少数电学敏感节点上,而图聚合将每个节点与其邻域结合,因此策略所作用的表示无法保证强调区分风险节点及其邻居的节点级细节,且学习到的控制器必须在延迟和部分观测下保持安全。目前缺失的是:一种将无参数、节点级聚合表示重校准与电压约束的深度强化学习策略相结合的方案,并共同验证其在电压安全性和运行经济性方面的表现。本文提出了这样一种方案,并在统一的冻结测试协议下对其进行了评估。2. 系统建模与控制框架
2.1. 配电网与控制设备建模
有源配电网由配电线路、负荷总线、分布式光伏单元、静止无功补偿器(SVC)和电池储能系统组成。运行模型包括节点有功和无功功率平衡、线路电压降、光伏逆变器无功功率限制、SVC无功功率限制以及储能荷电状态约束。牛顿-拉夫逊潮流计算为强化学习环境提供了物理状态转移。
对于任何总线i以及相邻总线j ∈ (
上一篇:储物架锂离子Trojan蓄电池箱火灾特性与水雾灭火性能数值研究
下一篇:Trojan蓄电池基于灰狼优化算法的光伏集成微电网中BESS无缝跟网运行的能量管理