高比例分布式光伏的接入改变了配电网的运行方式，并导致配电网出现有功功率损耗过大、调压设备寿命下降、节点电压越限等一系列问题。基于此背景，首先将电压无功优化问题建模为一个马尔科夫决策过程，然后使用无模型的深度强化学习方法进行求解，该方法可以从历史运行数据中捕获光伏发电的间歇性和负荷的波动性。提出了一种图卷积网络的近端策略优化算法（graph convolutional network-proximal policy optimization，GCN-PPO），该算法通过嵌入图卷积网络来提高强化学习智能体对配电网图数据的感知能力。最后以改进的IEEE 33节点测试系统开展算例分析，验证了所提方法的有效性和相比其他方法的优势。结果表明，基于图卷积网络训练的强化学习智能体在配电网拓扑发生变化和测量数据丢失时仍表现出较好的性能。
暂无评论！