《配电网负荷转供优化研究：图卷积神经网络与强化学习的融合》9700字.doc

20

配电网负荷转供优化研究：图卷积神经网络与强化学习的融合

摘要：随着我国城市规模持续扩增以及可再生分布式电源的大量并网，配电网的结构形态更为复杂因此发生运行故障的风险也随之增大。配电网是面向用户的基础硬件设施，其产生故障后拓扑结构变动波动性较大，传统负荷转供方法很难解决在求解效果和计算速度方面的矛盾。针对上述问题，本文主要工作为：

首先，构建一层图卷积神经网络提取配电网的实时状态信息，转换为强化学习所需的动作评价值，实现从观测量到动作的映射。

其次，构建了负荷转供的环境状态模型，并利用Dueling-DQN算法对联络开关与分段开关进行投切控制，从而形成满足最大效益的最优控制策略。

最后，使用OpenDSS软件实现国内某配电系统的仿真模拟运行，以该仿真算例为基础，通过大量训练学习之后，在满足供电可靠性的同时实现了对失电负荷的及时供电恢复。

关键词：配电网；负荷转供；图卷积神经网络；DuelingDQN

目录

TOC\o1-3\h\z\u1 绪论 1

1.1研究背景和目的 1

1.2国内外研究现状 1

1.3本文主要工作 1

2 基于图卷积神经网络提取配电网信息 3

2.1图卷积神经网络简介 3

2.2图卷积神经网络原理 3

2.3改进图卷积神经网络结构 4

3 基于Dueing-DQN进行负荷转供决策 5

3.1强化学习算法 5

3.2Dueling-DQN算法 5

3.3负荷转供模型的构建 7

3.3.1状态空间S 7

3.3.2动作空间A与状态转移概率P 7

3.3.3奖励函数R 8

4 算例验证 10

4.1训练过程 11

4.2负荷转供训练效果 12

5 结论与展望 14

参考文献 15

附录 17

绪论

1.1研究背景和目的

随着城市体量的逐步扩增和国民经济的不断繁荣，导致各行各业的用电量持续增长，他们对电力的依赖程度也不断升高。此外，大量可再生分布式能源的大量并网导致配电网的结构愈加复杂，使得配电网运行故障频发REF_Ref101118883\r\h[1]。统计近几年电网设备的故障，配电网故障占电力系统总故障的80~90REF_Ref101184788\r\h[2]。配电网是面向用户的基础硬件设施，其运行稳定性以及供电可靠性对于负荷侧用户的满意度有着直接影响（李华明，张伟杰，2022）。

配电网普遍而言含有众多的开关。其中分段开关数量较多，常态一般表现为闭合，主要功能是实现故障隔离；联络开关数量较少，常态一般表现为断开，主要作用是实现紧急备用转移（王志强，刘思远，2023）。由此可以推断出来负荷转供是指当配网产生运行故障后，调度人员通过改动联络接通电源和分段开关的组合状态实现配电网拓扑结构的转变，在满足配电网开环形式运行以及电压幅值等安全约束的前提下，及时恢复故障下游部分重要负荷的电能供应，同时也最大程度上使得其它失电负荷恢复供电REF_Ref101190281\r\h[3]。进而实现减少故障或检修带来的失电损失，以提升配电网的供电可靠性、用户满意度以及电力供应企业的经济效益（陈立新，赵晓鹏，2021）REF_Ref101118980\r\h[4]。

1.2国内外研究现状

目前，针对负荷转供问题，按照国内外学者提出的求解方案可将它们大抵分为如下四类：（1）启发式算法；（2）随机搜寻算法；（3）数学优化算法；（4）专家系统法。

文献REF_Ref101119020\r\h[5]所采用的分层树搜索法以及文献REF_Ref101119037\r\h[6]采用的支路交换法均属于启发式算法，该算法按照规则可以有效缩小求解范围以及降低问题的复杂度，计算速度较快，得到的方案尽管能够满足约束条件，从这些迹象可以推断出但极易陷入“局部最优解”的状况REF_Ref101119048\r\h[7]。目前学者解决负荷转供问题常用到的随机搜寻算法有禁忌算法REF_Ref101119121\r\h[8]、遗传算法REF_Ref101119134\r\h[9]REF_Ref101119136\r\h[10]、粒子群算法REF_Ref101119147\r\h[11]，此类算法的突出优点是模型比较完备，寻优能力较好，但是因为搜索区域过大，致使算法的优化选择繁杂，无法完成在线运用（韩鹏飞，孙静怡，2021）。在本文中，提出的数据处理方案相比之前的方法更为便捷高效。所设计的预处理流程消除了不必要的转换步骤，优化了信息清理