电力系统调度中心往往通过控制极限传输能力(total transfer capability,TTC),使之高于传输潮流,以保证运行安全性或扩大断面输电能力。然而,暂态稳定校核使TTC计算和调控均难以满足在线需求。因此文章提出一种基于深度强化学习的动态TT...电力系统调度中心往往通过控制极限传输能力(total transfer capability,TTC),使之高于传输潮流,以保证运行安全性或扩大断面输电能力。然而,暂态稳定校核使TTC计算和调控均难以满足在线需求。因此文章提出一种基于深度强化学习的动态TTC控制方法。首先基于深度置信网络建立系统稳态状态与TTC的精确非线性映射,将此映射替换TTC控制模型中的复杂部分,建立快速响应的代理辅助模型;然后基于此模型搭建了电力系统与强化学习的快速交互环境;最后采用连续动作空间下的深度确定性策略梯度算法实现了TTC控制的快速决策。以IEEE39节点系统为例的测试结果表明,相较全物理模型的分钟级TTC计算和小时级TTC控制,所提方法仅1s左右即可实现准确的TTC计算和趋优的TTC安全控制决策。展开更多
文摘电力系统调度中心往往通过控制极限传输能力(total transfer capability,TTC),使之高于传输潮流,以保证运行安全性或扩大断面输电能力。然而,暂态稳定校核使TTC计算和调控均难以满足在线需求。因此文章提出一种基于深度强化学习的动态TTC控制方法。首先基于深度置信网络建立系统稳态状态与TTC的精确非线性映射,将此映射替换TTC控制模型中的复杂部分,建立快速响应的代理辅助模型;然后基于此模型搭建了电力系统与强化学习的快速交互环境;最后采用连续动作空间下的深度确定性策略梯度算法实现了TTC控制的快速决策。以IEEE39节点系统为例的测试结果表明,相较全物理模型的分钟级TTC计算和小时级TTC控制,所提方法仅1s左右即可实现准确的TTC计算和趋优的TTC安全控制决策。
