基于Actor-Critic框架的风机换流器参数优化策略

摘要

随着可再生能源并网发电量的不断增加，由电力电子设备引发的电力系统次同步振荡问题逐渐凸显，给电力系统的安全稳定运行带来了新的挑战。除此之外，当目标电力系统规模较大时，常用的基于线性化模型的分析方法面临着维数灾难。为了解决上述问题，根据强化学习原理，通过动作-评价(Actor-Critic)学习框架提出一种对风机换流器控制参数的优化策略。通过搜集永磁直驱风机(permanent magnetic synchronous generator,PMSG)运行状态数据，训练强化学习代理(Agent)，以此评估风机运行状态及其稳定性，并寻找优化风机换流器参数的最优策略。该训练方法得到的代理能够基于时域采样数据对风机换流器参数进行优化，从而有效抑制由于换流器诱发的振荡现象，在没有建立线性化分析模型的情况下，能够有效优化并增强电力系统的稳定性。经实验验证，该优化策略在采样数据有噪声干扰的情况下仍然具有良好的优化性能。

关键词

强化学习 / 动作-评价 / 永磁直驱风机 / 次同步振荡 / 参数优化