[发明专利]无功电压分布式控制方法、服务器、控制器及存储介质

说明书

本发明提供一种无功电压分布式控制方法、服务器、控制器及存储介质，方法采用在线联邦学习与分布式控制并行的控制架构，包括：在本地控制器上部署多智能体深度强化学习算法；通过本地控制器与集中服务器之间的边际变量交换，本地控制器学习得到各本地控制器的控制策略；各本地控制器基于控制策略和本地量测数据，执行电网无功电压控制；其中，所述集中服务器用于协调各个本地控制器上的智能体的学习过程。本发明无需被控配电网的精确模型即可实现近似最优的无功电压控制，各个本地控制器可以快速执行控制策略，进而保证了高速的本地控制。

技术领域

本发明属于电力系统运行和控制技术领域，特别涉及一种无功电压分布式控制方法、服务器、控制器及存储介质。

背景技术

大规模分布式电源(DG，Distributed Generation)已成为新型电力系统的重要组成部分，如果缺乏有效的协调控制，海量DG并网会严重影响系统的安全运行。DG通常由电力电子变流器并入配电网，具有快速的控制性能，结合人工智能、5G通信等新技术，可以成为受端电网调控的灵活性资源，主动参与电网调控，支持新型电力系统的构建。在此背景下，高DG渗透率配电网的各类先进运行控制手段的价值日益凸显。其中，无功电压控制一直是配电网能量管理系统的重要组成，能够通过对配电网中各类无功资源的合理配置，消除配网电压越限等安全隐患，并提升配电网运行效率。

传统无功电压控制方法往往采用了基于模型的集中优化架构，即在配网控制中心处收集全配网状态信息，通过事先建立的配网模型进行数学优化，并将优化后的控制指令下发到各个被控设备。然而，这种基于模型的集中优化架构在实际应用中常面临以下两方面问题，限制了基于模型的集中无功电压控制方法的应用。一方面，集中式架构存在单点失效、通讯与计算负担高、受通信时延影响严重、难以保护各主体隐私等关键问题。这是由于在高渗透率配电网中，被控DG众多，网络结构复杂，通讯条件难以支撑快速的DG控制。工程实践中，常采用虚拟电厂(Virtual Power Plant，VPP)的形式对DG进行聚合，在配电网内部形成多个主体。各主体之间的不仅需要进行协调控制，还需要保证各主体的隐私。因此，业内出现了大量分布式无功电压控制方法，在各个VPP上设置本地控制器，旨在实现点对点通信条件或无通讯条件下的无功电压控制。相比于集中式方法，分布式方法往往对通信条件的要求更弱，控制速度更快，适用于大规模DG的控制。另一方面，海量DG并入配电网，其模型难于精确和及时维护，这是由于庞大的设备规模和频繁的变动导致配电网网络模型维护成本巨大，实际上基本采用理论参数，精度低。由于配电网的理想模型难以获得，传统基于模型的优化控制方法无法保障控制效果，往往出现控制指令远离最优点、电网运行在次优状态的情况。因此，业内出现了一批基于深度强化学习的无模型无功电压优化方法，能够通过对控制过程产生的海量数据在线学习，自适应地获得最优无功电压控制策略。

结合上述两个方向的改进，业内出现了一类基于多智能体深度强化学习的无功电压控制方法，能够通过“集中学习-分散控制”的方式，兼具无模型自适应的全局优化能力和分散控制的高速灵活本地控制能力，提升了无功电压控制在海量DG场景下的实用性。然而，现有基于多智能体深度强化学习的无功电压控制方法，要求将各个本地控制器中的运行数据上传到集中服务器进行学习，并将学习好的策略下发到各个本地控制器，该过程不仅需要耗费大量的通讯资源，还造成了各个VPP隐私的泄露。

因此，有必要提出一种低通讯、高隐私保护性的控制方法，在兼具全局无模型自适应优化能力和本地快速控制能力的同时，仅使用少量通讯带宽，节省通讯成本并保护各主体隐私。

发明内容

针对上述问题，本发明提供一种无功电压分布式控制方法，采用在线联邦学习与分布式控制并行的控制架构，包括：

在本地控制器上部署多智能体深度强化学习算法；

通过本地控制器与集中服务器之间的边际变量交换，本地控制器学习得到各本地控制器的控制策略；

各本地控制器基于控制策略和本地量测数据，执行电网无功电压控制；