基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

考虑重要用户的电压-时间型分段断路器参数整定方法

重要电力用户在配电网中的用电量非常大,一旦发生停电会造成很大的损失和影响。针对传统的继电保护电压-时间型分段断路器参数的整定均未考虑重要电力用户的问题,提出了一种考虑重要电力用户的配电网电压-时间型分段断路器参数整定方法。综合考虑重要电力用户对短时停电的敏感程度、短时停电造成的经济损失和社会影响这些因素来划分每条分支线的级别,根据分支线级别对电压-时间型分段断路器的参数进行整定。当发生永久性故障时,隔离故障区域后优先对级别更高的分支线恢复供电,能够缩短重要电力用户的停电时间,有效减少短时停电对重要电力用户造成的影响,使得配电网更加安全、可靠、经济地运行。