基于电网专家策略模仿学习的新型电力系统实时调度

随着可再生能源的大规模并网,电网运行逐渐表现出高阶不确定性的新特征,给系统安全稳定运行带来严峻挑战。基于模型驱动的传统实时调度方法需占用大量计算资源,而近几年受到广泛关注的强化学习(reinforcement learning,RL)方法由于处理高维复杂电网状态信息,存在训练速度缓慢等问题。为此,该文提出一种可用于电网实时调度的电网专家策略模仿学习方法(gridexpertstrategyimitationlearning,GESIL)。该方法首先基于图论思想建立了电网模型,其次设计了考虑电网安全运行和电力平衡控制的电网专家策略,然后利用模仿学习融合专家策略与所建模型,获得可用于电网调度决策的GESIL智能体。该文在高比例新能源占比的IEEE118节点修正模型中对比了GESIL、传统调度方法和RL方法。分析结果表明,GESIL可更加稳定高效地计算出电网运行优化方案和电力平衡控制策略,显著提升调度决策的优化效果和计算速度。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。