基于數據驅動和深度置信網絡的配電網無功優化
摘要：隨著分布式電源和隨機負荷電動汽車等的大量接入,配電網的運行環境日益復雜,對在線無功優化及其快速性提出了更高的要求。該文將“深度學習”引入配電網無功優化,提出了基于深度置信網絡的無功優化方法。通過構造高維隨機矩陣,從配電網運行數據中提取統計特征作為輸入,將歷史控制策略進行編碼作為輸出,利用先無監督后有監督的方式訓練深層架構,學習系統特征與無功優化策略之間的映射關系,建立基于數據驅動和深度置信網絡的配電網無功優化模型。基于改造的IEEE-37節點主動配電網仿真模型,對比分析了歷史數據量和分布式電源滲透率場景對傳統優化方法,場景匹配方法和所提方法的無功優化效果的影響。結果表明,所提方法可明顯降低網絡損耗和節點電壓偏移,它不依賴于系統的模型和參數,在線決策速度快,且對歷史數據量要求較低,在高滲透率分布式發電等未知場景下仍能表現優良,驗證了該方法的正確性、有效性和較強的魯棒性。
注: 保護知識產權,如需閱讀全文請聯系電網技術雜志社
相關推薦
更多
