CN119231559B 一种多源无功补偿控制方法、系统、程序、介质及设备 （国网四川省电力公司电力科学研究院）

构建多源异构无功补偿集成系统的功率分配模特征作为神经网络输入预测电网无功功率缺额2提取电网无功功率的主导影响特征作为CNN_LSTM网络的输入，预测基于TD3的深度强化学习算法构建多源异构无功补偿集成系统的功TD3的深度强化学习算法流程包括输入状态空间、Critic网tt+1]；t′3,最后，利用梯度下降算法最小化评估值和目标值之间的误差,从而对Critic1和式中，q表示Critic网络对动作a计算的执行目标奖励；Q1表示Critic网络；oe表示引入一个学习率τ或者成为动量，将旧的目标网络参数和新的对应网络参数做加权平,L为负荷数据的特征数；G(t)为历史发电机43.根据权利要求1所述的一种多源无功补偿4.根据权利要求1所述的一种多源无功补偿控制方法，其特征在于，5STC分别是所述第一模块，用于提取电网无功功率的主导影响特征作为CNN所述第二模块，用于以系统网损、电压降的最小化和多源异构无功补6基于TD3的深度强化学习算法构建多源异构无功补偿集成系统的功TD3的深度强化学习算法流程包括输入状态空间、Critic网tt+1]；t,,最后，利用梯度下降算法最小化评估值和目标值之间的误差,从而对Critic1和式中，q表示Critic网络对动作a计算的执行目标奖励；Q1表示Critic网络；oe表示7引入一个学习率τ或者成为动量，将旧的目标网络参数和新的对应网络参数做加权平9.一种计算机程序的产品，其特征在于，所述计算机程8然发展成为制约大型城市电网受电能力以及大规模新能源送9[0007]基于现有技术中多源异构的无功补偿设备，难以充分利[0012]以系统网损、电压降的最小化和多源异构无功补偿集成[0020]式中，D1为经正则化技术处理过的数据；FLSTM为经展平操作处理过的数据；d1为Whx[0042]进一步的，基于TD3的深度强化学习算法构建多源异构无功补偿集成系统的功率；,,[0055]最后，利用梯度下降算法最小化评估值和目标值之间的误差,从而对Critic1和I,表示Critic网络更新的梯度；Qi表示Critic[0067]引入一个学习率τ或者成为动量，将旧的目标网络参数和新的对应网络参数做加′[0071]所述第一模块，用于提取电网无功功率的主导影响特征作为CNN_LSTM网络的输网络)的输入，预测电网无功功率缺额区间，并将其作为多源无功补偿设备的功率分配目[0098]由于上述历史数据均具有时空特性，因此采用CNN通过卷积操作捕捉输入数据的[0103]式中，D1为经正则化技术处理过的数据；FLSTM为经展平操作处理过的数据；d1为[0108]采用CNN_LSTM混合网络来预测电网无功功率缺额区间，是因为它能够结合CNN的映射关系，适应电网系统复杂的特征和动态变化，进而实现电网无功功率缺额区间预测。静止同步补偿器(StaticVarGenerator,SVG)、静止无功补偿器(StaticVar[0121]Sr为接入设备的额定容量，通常表示为发电机或可再生能源电源的额定视在功[0139]基于TD3的深度强化学习算法构建多源异构无功补偿集成系统的功率分配模型。将第1节中预测的电网各时段的无功功率缺额和对应的系统节点电压作为智能体的状态输励用于指导动作的更新，因此还需要将各无功补偿设备的初始功率状态也作为输入状态；通过最小化评估值与目标值之间的误差来更新，所有的目标网络都采用软更新的方式来。,,[0153]最后，利用梯度下降算法最小化评估值和目标值之间的误差,从而对Critic1和[0157]Actor网络通过最大化累积期望回报来更新(确定性策略梯度)，采用延迟更新策′[0169]基于TD3算法的多源异构无功补偿集成系统的功率分配模型，可以将多种无功补能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash器还可以用于暂时地存储已经输出或者将要输出的各[0174]所述处理器在一些实施例中可以是中央处理器(CentralProcessingUnit，少一个处理器执行，以使所述至少一个处理器执行上述实施例1中多源异构无功补偿装置现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0180]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行