基于数据驱动和深度强化学习的孤岛多风柴电压控制研究

针对风能及负荷波动导致的孤岛多风柴系统电压波动问题,提出用双馈感应发电机(double fed induction generator,DFIG)负荷侧变流器(load side converter,LSC)补偿系统无功的策略。考虑LSC状态量不完全可测及模型参数不确定的情况,本文基于连续性动作空间的深度强化学习算法提出一种数据驱动、无模型的LSC附加控制方法。该方法以非线性的方式获取控制策略来减小电压波动,并且针对模型的不确定性具有更快的响应速度和更强的自适应性。首先建立孤岛多风-柴混合系统的数学模型;其次离线采用深度强化学习在连续性空间中优化LSC的无功电压控制策略,然后在线通过堆叠去噪自动编码器(stacked denoising auto-encoder,SDAE)提取特征,并采用策略网络进行在线控制。数例仿真结果表明,与传统的控制策略相比,本文所提控制方法可以有效抑制电压的波动,且具有更好的系统动态稳定控制效果。