基于区域优先级评估与深度强化学习的配电网多时间尺度电压优化与控制方法

《Scientific Reports》：Multi-timescale voltage optimization and control for distribution networks based on regional priority evaluation and deep reinforcement learning

　　摘要随着分布式光伏（PV）发电、储能系统和其他灵活性资源在配电网中的渗透率不断提高，传统的电压调节方法难以同时应对过电压和欠电压越限问题，并协调运行于不同时间尺度的异构设备。现有的基于区域的智能体控制方法通常将分区区域视为同质化的决策单元，缺乏明确机制来表征区域调节能力和可用灵活性的时空变化。针对这些局限性，本文提出了一种基于区域优先级评估和深度强化学习的配电网多时间尺度电压优化与控制方法。首先，建立了一种跨越长时间尺度和短时间尺度的协调电压调节架构。在长时间尺度上，采用双深度Q网络（DDQN）从系统全局视角对离散电压调节设备进行集中调度。在短时间尺度上，引入综合区域电压调节评估指标来量化各区域的调节能力和潜力，从而确定其调节优先级。随后，配备可学习门控机制的优先级感知状态特征编码（PASFE）模块自适应地融合区域物理信息与上级控制器广播的协调信息。生成的优先级感知表示被纳入区域执行器和集中式评论家网络中，使多智能体算法能够对各个连续可调设备进行细粒度调节。IEEE 33节点和141节点系统的案例研究表明，所提出的方法有效消除了节点电压越限问题，并在减轻电压偏差和降低网络损耗方面优于基准策略，从而验证了区域优先级引导在增强协调多时间尺度电压调节方面的有效性。