一种语义物理融合的配电网重构方法
本发明涉及配电网运行控制,特别是一种语义物理融合的配电网重构方法。
背景技术:
1、随着分布式光伏、电动汽车和动态负荷的大规模接入,配电网运行的不确定性和时空耦合特征显著增强,容易出现电压越限、馈线负荷不均衡和网络损耗增加等问题。配电网重构能够通过调整联络开关和分段开关的开断状态改变潮流分布,是提升配电网安全性和经济性的重要手段。然而,配电网重构本质上是包含大量二进制变量的非凸非线性组合优化问题,传统数学规划和启发式算法在大规模实时场景下难以同时兼顾最优性和计算效率。近年来,深度强化学习方法被用于配电网重构决策,但现有方法大多仅依赖节点电压、功率和潮流等瞬时物理量,难以理解历史开关动作对当前拓扑和未来运行风险的因果影响。部分方法虽然引入图神经网络以增强拓扑感知能力,但仍缺乏类似调度员的语义推理能力,难以从历史操作和电压异常中提取风险提示。另一方面,直接利用大语言模型进行电力系统决策又存在可靠性不足的问题。因此,亟需一种能够同时融合配电网物理结构信息和调度语义推理信息的强化学习重构方法,以提升大规模有源配电网重构决策的安全性、稳定性和可解释性。现有深度强化学习配电网重构方法仅依赖瞬时物理观测、难以刻画历史动作因果影响和运行风险语义信息的不足。
技术实现思路
1、本发明所要解决的技术问题是克服现有技术的不足而提供一种语义物理融合的配电网重构方法,本发明能够在保持辐射状运行约束的同时,提高电压控制效果、降低网络损耗和动作成本,并增强重构策略的学习效率和可解释性。
2、本发明为解决上述技术问题采用以下技术方案:
3、根据本发明提出的一种语义物理融合的配电网重构方法,包括:
4、采集配电网实时运行信息,根据实时运行信息构建配电网物理观测图,并根据当前调度时段、历史开关对动作和节点电压越限告警生成语义描述信息;
5、根据采集到的配电网实时运行信息,构建考虑光伏机组无功补偿的配电网实时重构模型;
6、将配电网实时重构模型转化为马尔可夫决策过程,确定马尔可夫决策过程中的关键元素,关键元素包括融合配电网物理观测图与语义描述信息的状态空间,由待闭合开关和待断开开关构成的开关对动作,以及包括电压偏差、网络损耗和开关动作成本的奖励函数;其中,
7、状态空间包括物理部分和语义部分;
8、从配电网物理观测图中,提取包括配电网非欧几里得拓扑依赖和节点运行状态的物理特征作为状态空间中的物理部分;
9、将语义描述信息输入预训练大语言模型编码模块,提取表征历史开关动作、电压异常和调度逻辑的语义特征作为状态空间中的语义部分;
10、融合状态空间中的物理部分和语义部分,并输入包括循环神经网络和全连接神经网络的循环决策网络模块,生成开关对动作概率分布和配电网运行状态价值估计;
11、基于配电网运行状态价值估计和奖励函数利用强化学习算法训练智能体神经网络参数直至收敛,并基于开关对动作概率分布采样开关对动作,并生成配电网重构方案。
12、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,实时运行信息包括节点电压、节点负荷、分布式能源出力、开关状态和网络拓扑信息;将配电网实时重构模型转化为马尔可夫决策过程以便利用强化学习算法求解该配电网实时重构模型。
13、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,将配电网物理观测图输入图变换器编码模块,提取配电网非欧几里得拓扑依赖和节点运行状态的物理特征。
14、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,采集配电网实时运行信息,根据实时运行信息构建配电网物理观测图,并根据当前调度时段、历史开关对动作和节点电压越限告警生成语义描述信息;包括:
15、节点电压、节点负荷和分布式能源出力由部署于配电网节点处的智能量测装置获取,开关状态和上级控制指令由馈线终端单元获取与接收;节点电压、节点负荷和分布式能源出力和开关状态通过智能网关经配电网专用通信通道上传至集中控制器;集中控制器对实时运行信息进行处理,根据节点电压、节点负荷、分布式能源出力和网络拓扑构建配电网物理观测图,并根据当前调度时段、上一时刻开关对动作和节点电压越限告警生成表征调度员决策逻辑的语义描述信息;配电网物理观测图用于表征配电网的基础运行状态,语义描述信息用于表征当前调度时段、历史开关操作、节点电压越限告警。
16、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,构建考虑光伏机组无功补偿的配电网实时重构模型,包括:
17、配电网实时重构模型的目标函数包括电压偏差项、网络损耗项和开关动作成本项;各权重系数根据运行目标设定;节点集合、支路集合和开关支路集合由配电网拓扑确定;节点电压、支路电流、支路电阻和开关状态由实时运行信息和重构动作共同确定:
18、(1);
19、其中,、、为各子目标的权重系数;t为时间索引;t为一天内重构时段总数;ij和i分别为支路索引和节点索引;为节点集合;为支路集合;为开关支路集合;为支路电阻;和分别为节点电压平方和支路电流平方;为支路状态,为上一时刻支路的状态;
20、在每个控制时段内,配电网运行满足distflow潮流约束,节点有功和无功功率平衡约束分别表示为:
21、(2);
22、(3);
23、其中,和分别为有功负荷和无功负荷;和分别为光伏有功出力和无功出力;和分别为支路mi上的有功功率流和无功功率流;和分别为支路mi的电阻和电抗,m为以i为末端的支路首端节点编号,k为以i为首端的支路末端节点编号,为支路mi上的电流的平方,为支路ik上的有功潮流,为支路ik上的无功潮流;
24、支路末端电压关系表示为:
25、(4);
26、其中,为节点j电压的平方,为支路ij上的有功潮流,为支路ij上的电抗,为支路ij上的无功潮流;
27、采用大m法将支路电压关系转化为:
28、(5);
29、(6);
30、(7);
31、其中,为辅助变量;m为足够大的正常数;
32、节点电压和支路电流满足二阶锥松弛约束:
33、(8);
34、配电网重构过程满足辐射状拓扑约束,闭合支路数量满足:
35、(9);
36、其中,为节点数量;为变电站数量,为支路ij的开闭状态;
37、引入虚拟功率机制,其虚拟功率平衡约束表示为:
38、(10);
39、其中,为节点虚拟功率注入;为支路mi上的虚拟功率流;为支路ki上的虚拟电流,为支路ki上的虚拟功率流,为支路ki上的电阻;
40、光伏无功补偿能力约束表示为:
41、(11);
42、(12);
43、其中,为光伏单元的无功功率输出;为无功功率上限;为光伏单元装机容量;为容量弹性系数,用于允许可再生能源单元的无功能力超过额定限制;
44、节点电压和支路电流安全约束分别表示为:
45、(13);
46、(14);
47、其中,和用于确定节点电压安全区间;为支路最大电流限值,为节点i电压的平方,为支路ij电流的平方。
48、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,将配电网重构问题形式化为马尔可夫决策过程,马尔可夫决策过程包括状态空间、动作空间、状态转移函数、奖励函数和折扣因子;融合物理信息和语义信息的状态表示为:
49、(15);
50、其中,物理信息包括节点电压、节点净有功负荷和节点净无功符合,拓扑结构;语义信息包括当前调度时段、上一时刻开关对动作以及节点电压越限告警;
51、开关对动作由待闭合开关和待断开开关共同组成,表示为:
52、(16);
53、其中,为时段t的开关对动作,为打开支路,为闭合的支路,为打开支路的索引,为闭合支路的索引,为所有可控支路的集合;
54、奖励函数由电压偏差、网络损耗和开关动作成本构成,并对电压越限进行惩罚,表示为:
55、(17);
56、其中,为t时段奖励函数,为只取其中的非负数运算符。
57、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,图变换器编码模块用于提取配电网非欧式拓扑物理特征,首先基于配电网图结构构建节点位置编码:
58、(18);
59、其中,为单位对角矩阵,为拉普拉斯矩阵,a为邻接矩阵,d为度矩阵,u为特征向量构成的正交矩阵,λ为所有特征值组成的对角矩阵;选取最大的q个特征值及其对应的q个n维特征向量作为位置编码;是矩阵转置操作;
60、随后,通过多头图注意力机制和邻居信息聚合更新节点特征:
61、(19);
62、(20);
63、其中,为经过位置编码后的第j个节点l层的特征矩阵;为与第i个相连的节点集合;g为注意力头索引;j为与第i个节点相连的节点索引;||表示拼接操作;为注意力权重矩阵;、和分别为每个注意力头对应的键矩阵、查询矩阵和值矩阵;为每个注意力头的维度;为第一层线性投影层; 为经过位置编码后的第i个节点l+1层的特征矩阵,为注意力头总数,为经过位置编码后的第i个节点的特征矩阵;
64、经过前馈层、残差连接和归一化操作后,得到图变换器层输出:
65、(21);
66、其中,norm表示归一化操作,relu表示激活函数,和均为前馈层;为经过残差链接和归一化的第i个节点的特征,为经过前馈层和激活函数后的第i个节点的特征;
67、最终的物理特征由所有节点的特征拼接而成。
68、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,预训练大语言模型编码模块用于提取调度语义特征,将调度时段、历史开关对动作和电压越限告警构成的语义描述转换为词元嵌入序列:
69、(22);
70、其中,l表示词元序列长度,表示嵌入维度,为t时段词元嵌入序列,为t时段语义信息描述,为词元嵌入序列的维度,为预训练大语言模型的嵌入运算;
71、词元嵌入序列经冻结参数的大语言模型变换器层处理后,得到上下文语义表示:
72、(23);
73、其中,为上下文语义表示矩阵,为预训练大语言模型的前向传播运算;
74、对上下文语义表示进行池化,得到固定长度语义特征向量:
75、(24);
76、为上下文语义表示矩阵的第i行;
77、将语义特征向量通过语义降维网络降维为语义特征;
78、大语言模型参数在训练过程中保持冻结,语义降维网络参数与强化学习智能体网络共同训练。
79、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,将物理特征与语义特征进行融合,形成语义物理融合表示:
80、(25);
81、其中,为语义物理融合表示,为通过语义降维网络降维为语义特征;为由所有节点特征拼接而成的最终物理特征;为拼接操作符;
82、语义物理融合表示输入动作价值输出网络,生成开关对动作概率分布:
83、(26);
84、其中,表示循环神经网络在上一时间步的隐藏状态;为开关对动作概率分布;为包含循环神经网络和全连接神经网络的循环决策网络模块运算;
85、最终对智能体网络采用近端策略优化算法进行训练,并将训练后得到的开关对动作概率分布转换为重构策略进行执行。
86、作为本发明所述的一种语义物理融合的配电网重构方法进一步优化方案,将配电网重构方案下发至馈线终端单元执行开关操作,并结合分布式光伏无功补偿优化配电网运行状态。
87、本发明采用以上技术方案与现有技术相比,具有以下技术效果:
88、本发明将节点电压、负荷、分布式能源出力和拓扑结构作为物理观测,同时将调度时段、历史开关动作和电压越限告警转化为语义描述;利用图变换器提取配电网拓扑物理特征,利用预训练大语言模型提取调度语义特征,并通过循环决策模块融合历史信息生成开关对动作。与现有技术相比,本发明能够在保持辐射状运行约束的同时,提高电压控制效果、降低网络损耗和动作成本,并增强重构策略的学习效率和可解释性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com