基于改进DDPG算法的N-1潮流收敛智能调整方法

摘要

N-1状态下潮流不收敛问题对N-1校验和电网的安全运行造成极大困扰，但当前的潮流收敛研究主要集中于静态潮流，且调整方法不仅动作有效性低，也难以兼顾快速性和成功率。因此提出一种基于BNN-DS的DDPG改进算法，通过深度强化学习对N-1潮流不收敛网络进行智能调整。首先，根据N-1方案校验元件类型及潮流重载量等指标确定了方案的调整措施，通过广度优先算法确定调整元件组以保证动作的有效性，根据CRITIC权重法计算了多重奖励之和，据此，设计了N-1潮流收敛调整MDP模型。其次对MDP模型中所用DDPG算法进行改进，搭建了轻量BNN网络以降低计算复杂度、提高计算速度，设计了高奖励经验池以及存量判定机制以优化模型的收敛性。最后，在某分部2 179节点网络和某分部12 732节点网络上对改进算法进行测试验证，结果表明基于BNN-DS的DDPG改进算法比传统方法的成功率提高36.535%,平均用时减少95.01%。

关键词

深度强化学习 / N-1潮流收敛 / 神经网络 / DDPG算法