基于深度确定性策略梯度算法的新型有源配电网分区协同调控方法

随着分布式新能源在配电网中的不断普及和应用,传统的配电网调控方法已经难以满足日益复杂的新型有源配电网调控需求。为了解决这一问题,文章提出了一种基于深度学习技术的新型调控方法。为了解决新型有源配电网内新能源波动引起的局部区域有功平衡问题,设计了新型有源配电网分区方法;建立了新型有源配电网多层优化调控马尔可夫决策模型;最后,利用深度确定性策略梯度算法对优化模型进行求解。仿真结果表明,所提方法能够有效响应新型有源配电网的调控需求,提升新型有源配电网调控水平。

融合EMD-TCN-GBM算法的配电网线路负载预测方法研究

随着高比例分布式光伏(Distributed PV)接入配电网,使得配电网的电压时间序列表现出高度的波动性和随机性,给配电网的线路带来了很大的压力。针对高比例光伏接入的线路进行线路负载率的预测,可以有效地对配网的改造进行规划,合理安排运行安全裕度,保持系统潮流传送能力,并对配电网网架优化起到指导作用。提出一种经验模态分解(Empirical Mode Decomposition EMD)、时间卷积网络(Temporal Convolutional Network TCN)与基于决策树的梯度提升算法(Light Gradient Boosting Machine LightGBM)相结合的线路负载率预测方法(EMD-TCN-GBM)。主要采用3种样条插值函数对数据中出现的功率数据缺失及负载参数缺失的情况进行合理填充,获得可靠的样本数据集,并通过EMD将负载时间序列进行分解,形成多序列子信号,降低数据的不稳定性。利用LightGBM提取影响负载率的多个特征点,避免了单一特征测量结果所带来的局限性,提高了整体的预测精度。最终根据这些特征使用TCN算法进行一维因果卷积和扩展卷积的线路负载率的预测。通过实验分析,验证模型能够比较完整准确地对实时高比例分布式光伏接入配电网的线路负载率做出量化的预测评价。