一种基于图深度强化学习的电网低压减载紧急控制方法

    公开(公告)号:CN114865638A

    公开(公告)日:2022-08-05

    申请号:CN202210284930.9

    申请日:2022-03-22

    摘要: 本发明涉及一种基于图深度强化学习的电网低压减载紧急控制方法。该方法基于电力系统算例规模设计拓扑变化场景和低压减载策略;采样系统拓扑多时刻观测值构建节点特征矩阵;基于FastGCN‑D3QN图深度强化学习提取有效样本特征,训练并建立电力系统低压减载紧急控制模型;利用训练完成的低压减载模型进行预测获取系统紧急控制方案。现有基于传统深度强化学习的低压减载方法难以适应电网拓扑变化,无法提供准确和可靠的控制方案;而改进的FastGCN方法可对非欧式空间数据进行建模,提取拓扑频繁变化的电网拓扑特征,但是缺乏一定的决策能力。本发明将两者结合优势互补,为拓扑频繁变化的电力系统场景的感知决策问题提供了解决思路,可提供更可靠更经济的控制策略。

    一种基于CNN的GPU并行潮流越限判别方法

    公开(公告)号:CN112670996A

    公开(公告)日:2021-04-16

    申请号:CN202011405704.9

    申请日:2020-12-03

    IPC分类号: H02J3/06 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于CNN的GPU并行潮流越限判别方法,该方法首先获取电力系统的系统参数、负荷曲线和额定运行状态数据;潮流越限判别数据集数据增强;构建标签;以数据增强后的运行状态数据作为输入,标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集构建卷积神经网络,将数据集和模型移动至GPU,使用训练数据集并行训练模型的参数;最后获取实际环境中的电力系统运行状态数据,使用训练完成的卷积神经网络模型进行潮流越限判别,并根据判别结果计算模型的判别误差。本发明通过建立并使用GPU并行训练卷积神经网络,得到可进行潮流越限判别的模型,能够在确保判别准确率的前提下加快潮流越限判别。