基于多智能体深度强化学习的配电网无功优化策略

• 作者: 邓清唐 胡丹尔 蔡田田 李肖博 徐贤民 彭勇刚
• 来源期刊: 电工电能新技术
• 学科: 工学
• 关键词: 多智能体 深度强化学习 无功优化 数据驱动 低感知度配电网
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 论文报告|Treatise and Report
• 页码范围: 10-20
• 页数: 11页
• 分类号: TM761
• 语种: 中文
• DOI: 10.12067/ATEEE2103019

摘要

配电网中光伏、风机设备出力随机波动以及负荷波动带来的电压波动、网损增加等问题,给配电网在线无功优化带来了挑战.本文采用一种无模型的深度确定性策略梯度(MADDP G)算法多智能体强化学习框架,采用集中训练、分散执行的方式解决无功优化问题.MADDP G算法将每一个智能体当作一个行动者(Actor),在离线训练过程中每个Actor可以借助一个评论家(Critic)进行训练.所提策略用深度神经网络拟合可投切电容器、有载调压变压器分接头以及分布式电源逆变器的动作函数,在和配电网环境交互过程中完成深度神经网络的训练.利用该强化学习算法在线实时决策无功调节设备的调度方案,此方法不需要通过精确的潮流建模,也不依赖于日前的数据预测,适用于通信能力较弱的部分观测配电网.最后,通过算例来验证MADDP G算法的有效性.