针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测...针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测辅助鲁棒状态估计方法(robust forecasting-aided state estimation,FASE),以实现对配电网运行状态的实时动态估计。基于配电系统的历史运行数据建立了深层LSTM预测模型,采用改进的PF构建量测和状态之间的非线性模型。针对量测缺失或异常问题,采用孤立森林异常检测技术准确识别量测信息中的异常数据。基于此,结合深层LSTM预测值经潮流计算(powerflowcalculation,PFC)得到的伪量测可实现对缺失和异常数据的替换。此外,提出的联合长短期记忆神经网络和粒子滤波的电力系统预测辅助状态估计方法(longshortterm memory-particlefilter,LSTM-PF)可以实现对拓扑结构改变后的节点状态的预测和估计。对IEEE33节点标准配电网和某市10 kV 78节点实际配电网测试系统进行了数值仿真,仿真结果表明LSTM-PF算法具有较高的精度和鲁棒性,可为配电网状态估计提供参考。展开更多
文摘针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题,提出了一种联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测辅助鲁棒状态估计方法(robust forecasting-aided state estimation,FASE),以实现对配电网运行状态的实时动态估计。基于配电系统的历史运行数据建立了深层LSTM预测模型,采用改进的PF构建量测和状态之间的非线性模型。针对量测缺失或异常问题,采用孤立森林异常检测技术准确识别量测信息中的异常数据。基于此,结合深层LSTM预测值经潮流计算(powerflowcalculation,PFC)得到的伪量测可实现对缺失和异常数据的替换。此外,提出的联合长短期记忆神经网络和粒子滤波的电力系统预测辅助状态估计方法(longshortterm memory-particlefilter,LSTM-PF)可以实现对拓扑结构改变后的节点状态的预测和估计。对IEEE33节点标准配电网和某市10 kV 78节点实际配电网测试系统进行了数值仿真,仿真结果表明LSTM-PF算法具有较高的精度和鲁棒性,可为配电网状态估计提供参考。
文摘随着大量直流电源和负荷的接入,交直流混合的配电网技术已成为未来配电网的发展趋势.然而,源荷不确定性及可调度设备的类型多样化给配电网调度带来了巨大的挑战.本文提出了基于分支决斗深度强化网络(branching dueling Q-network,BDQ)和软演员-评论家(soft actor critic,SAC)双智能体深度强化学习的交直流配电网调度方法.该方法首先将经济调度问题与两智能体的动作、奖励、状态相结合,建立经济调度的马尔可夫决策过程,并分别基于BDQ和SAC方法设置两个智能体,其中,BDQ智能体用于控制配电网中离散动作设备,SAC智能体用于控制连续动作设备.然后,通过集中训练分散执行的方式,两智能体与环境进行交互,进行离线训练.最后,固定智能体的参数,进行在线调度.该方法的优势在于采用双智能体能够同时控制离散动作设备电容器组、载调压变压器和连续动作设备变流器、储能,同时通过对双智能体的集中训练,可以自适应源荷的不确定性.改进的IEEE33节点交直流配电网算例测试验证了所提方法的有效性.
