中科院：人工智能赋能的主-配-微多层级电网协同运行技术探讨

2020202120202021集中于东部沿海一带江苏省2030年达到8000万千瓦，最大出力超过全省负荷功率的60%地区配储比例江苏山东安徽/4口全国400个县13.7万台9866台116台全网负荷全网负荷调复负荷低谷!纵向深度协同配电网配电网N₄纵向深度协同配电网配电网N₄分区2分区1本地本地可行解配电网1配电网2配电网1配电网2配电网n初始点数据驱动机理引导最小值6配网主网配网主网变电站节点变电站节点局部节点ACE光伏、风电储能储能装置1区同步发电机同步发电机模型训练模型训练模型预测训练对应的LSTM等值模型拉丁超立方抽样得到更多的运行场景关口等值功率预测风险评估构造等效节点，进行电网概率潮流计算风险评估统计概率潮流的计算结果，进行风险评估9点估计随机变量构造估计点潮流计算系数确定偏度系数峰度交直流潮流方程输出状态变量交流潮流计算互联变流站直流潮流计算变流器损耗计算变流站注入交流和直流母收敛?交替迭代的交直流潮流计算变电站直流系统一一下垂控制一一一00……DNN+点估计一DNN+蒙特卡洛---机理模型+蒙特卡洛12345678910111213141516171819202122232425262728节点编号……DNN+点估计一DNN+蒙塔卡洛---机理模型+蒙特卡洛时间(15min)分布式控制分布式控制2随着微电网群规模扩大，优化运行控制的复杂度显著增加配电网-微电网群示意图微电网侧优化模型微电网侧优化模型“s+uh≤1P2P定价辅助服务补贴二次分配变惩罚系数加速技术配电网侧日内滚动优化调控状态空间模型配电网侧日内滚动优化调控状态空间模型A=1A=1Nm+Ng+N,状态矩阵控制矩阵基于灵敏度矩阵的节点电压预测模型控制矩阵基于灵敏度矩阵的节点电压预测模型0…..0…..微电网侧日内滚动优化调控状态空间模型u(k)=[△微电网侧日内滚动优化调控状态空间模型u(k)=[△Pm(k),APes(k)]权重1误差倒数法预测误差1610总成本(元)无辅助服务仅辅助服务辅助服务+二次分配网微电网1微电网2微电网3微电网4社会总成本AVP-ADMM加速分布式求解—AVP-ADMM原始残差—AVP-ADMM对偶残差-一传统ADMM原始残差传统ADMM对偶残差迭代次数络分别提升了4.55%,8.89%,14.49%。深度网络增加DDMPC后节点电压曲线增加DDMPC后节点电压曲线总成本(元)配网微电微电微电微电社会总无MPC误差每轮平均求解速度--潮流控制器(UPFC):柔性有载调压变压器：Uwi=kuus=Uwi+Uwi=kuus=Uwi+鲁柔性互联装置(SOP):储Cij=-Cji,Sj=-Sji(Vmin)X(1)=[Pnetas(1),…,Ppe-仿真算例示意图电容投切次数电容投切次数SDN=[Ct,PB,Ps]EE兼兼兼兼兼兼改进多智能体算法的探索能力和求解效率有效提升，全局奖励函数值相比于优化前各节点电压情况不同算法的全局奖励函数对比图优化前各节点电压情况优化后各节点电压情况隐私保护问题规模收敛问题计算效率●传统的协调优化方法√Benders分解(BD)√交替方向乘子法(ADMM)●传统的协调优化方法√Benders分解(BD)√交替方向乘子法(ADMM)√增广拉格朗日分解(ALD)√目标级联分析(ATC)√最优性条件分解(OCD)√辅助问题原理(APP)√拉格朗日松弛(LP)迭代收敛慢迭代振荡燃气轮机1园a网交通鱼载风机1V,-v,=2(r,P₃+x,Q,)-1,(保留网损项忽略网损项LinDistFlow模型下的投影结果图标准SOCP约束下的投影结果图线性化处理后的投影结果图阶数取5时，误差仅为0.001205增强epslion约束法基于h""(x,,x,y")≤0,Vr∈[R],Vn∈输电网优化结果微电网优化结果配电网优化结果34输电网优化结果微电网优化结果配电网优化结果主导区SICloudpss系统状态2暂态轨迹预测原始非线性轨迹原始非线性轨迹高维线性轨迹非线性输出非线性输入观测状态线性化状态非线性输出z0线性空间ggggKEncoder0.5Predictedb(t)absolu1.H.Xiao,X.Pu,W.Pei,L.Ma,andT.Ma,“ANovelEnergyManagementMethodforNetworkedMultionImprovedDQN,”IEEETransactionson2.H.Xiao,W.Pei,L.Wu,L.Ma,T.Ma,andW.Hua,“AnMicrogridsdistributionsystemwithincomplete3.H.Xiao,W.Pei,D.Han,X.Pu,andJ.Wang,"IntegratedAnImprovedADMMBasedDistributedOptimizationApproach,”IETRenewablePowe4083,2024.4.W.Hua,H.Xiao*,W.Pei,W.Y.Chiu,J.Jiang,H.Sun,andP.Matt5.X.Pu,H.Xiao*,W.Pei,Y.Yang,L.Ma,T.Ma,andS.Zhang,“OptimalEnergyManagementoMicrogridsBasedonImprovedMulti-agentFederatedReinforcementLearning,”CSEEJournalofEarlyAccess,2024.6.C.Ji,H.Xiao*,W.Pei,X.Wang,andX.Pu.“CoordinatedvoltimprovedEM-RACEmulti-agentreinforcementlearning,"InternationalJournalofElectricalPower&En7.D.Han,W.Deng,Z.Zhao,W.Pei,andH.Xiao*,“CoordinatedOptimizationofActiveDistributi