[發明專利]基于不完整數據的深度強化學習短期電壓穩定性評估方法

有效

• 申請號: 202110698474.8
• 申請日: 2021-06-23
• 公開（公告）號: CN113379279B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 關心;劉永楠;劉安琪
• 申請（專利權）人: 黑龍江大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 董玉嬌

1.基于不完整數據的深度強化學習短期電壓穩定性評估方法，該評估方法用于對多母線電力系統的電壓穩定性進行評估，多母線電力系統的母線的條數為N，N為大于或等于2的整數；

其特征在于，該評估方法包括如下過程：

步驟一、獲得每條母線所對應的訓練后的LSTM神經網絡模型，同時還獲得訓練后的DDQN模型；

步驟二、在每個采樣時間段內，采集N條母線的母線電壓數據，并獲得M個采樣結果，并判斷N是否等于M，結果為是，則判定無數據丟失，執行步驟四；結果為否，則判定有數據丟失，執行步驟三；

其中，M為整數；

步驟三、根據當前采樣時間段內的M個采樣結果，獲知在當前采樣時間段內存在N-M條母線發生故障；通過發生故障的N-M條母線所對應的關聯歷史數據，以及發生故障的N-M條母線所對應的N-M個訓練后的LSTM神經網絡模型，獲得發生故障的每條母線所對應母線電壓預測值，從而獲得發生故障的N-M條母線所對應的N-M個母線電壓預測值；再利用N-M個母線電壓預測值對M個采樣結果進行數據填充，獲得N個采樣結果，其中，N個采樣結果分別為采集到的N條母線的母線電壓數據，執行步驟三；

步驟四、通過訓練后的DDQN模型對采集到的N條母線的母線電壓數據進行動作價值分析后，獲得兩個數據，分別為系統穩定狀態所對應的值Q1和系統非穩定狀態所對應的值Q2；并判斷Q1是否大于Q2，結果為是，則判定多母線電力系統的電壓穩定，多母線電力系統處于安全狀態；結果為否，則判定多母線電力系統的電壓不穩定，多母線電力系統處于應急狀態。

2.根據權利要求1所述的基于不完整數據的深度強化學習短期電壓穩定性評估方法，其特征在于，步驟三中，每條母線所對應的關聯歷史數據為：

該母線在與當前采樣時間段相鄰的P個采樣時間段內的母線電壓數據；

其中，P為大于2且小于64的整數。

3.根據權利要求1或2所述的基于不完整數據的深度強化學習短期電壓穩定性評估方法，其特征在于，步驟三中，通過發生故障的N-M條母線所對應的關聯歷史數據，以及發生故障的N-M條母線所對應的N-M個訓練后的LSTM神經網絡模型，獲得發生故障的每條母線所對應母線電壓預測值的實現方式為：

將當前采樣時間段內發生故障的N-M條母線中的每條母線所對應的關聯歷史數據送至該母線所對應訓練后的LSTM神經網絡模型中，通過該訓練后的LSTM神經網絡模型預測出該母線在當前采樣時間段內的母線電壓預測值。

4.根據權利要求1所述的基于不完整數據的深度強化學習短期電壓穩定性評估方法，其特征在于，步驟一中，獲得每條母線所對應的訓練后的LSTM神經網絡模型的實現方式為：

步驟一一一、提取每條母線所對應的L組初始歷史數據，其中，每組初始歷史數據包括第一至X個采樣時間段內的X個母線電壓數據，并將第一至第X-1個采樣時間段內的X-1個母線電壓數據作為該組初始歷史數據中的訓練樣本數據，將第X個采樣時間段內的母線電壓數據作為該組初始歷史數據中的參考數據；其中，L為大于或等于3的整數，X為大于或等于3的整數；

步驟一一二、對N個初始LSTM神經網絡模型的各參數進行初始化，N個初始LSTM神經網絡模型分別與N條母線一一對應，通過每個初始LSTM神經網絡模型對與其對應的母線的每組初始歷史數據中的訓練樣本數據進行處理，獲得每條母線的每組初始歷史數據所對應的電壓預測值；

步驟一一三、將每條母線的每組初始歷史數據所對應的電壓預測值與該組初始歷史數據中的參考數據作差，并將其差值作為模型損失，利用該模型損失更新該條母線對應的初始LSTM神經網絡模型的各參數，使該條母線的所有組初始歷史數據重復執行該過程，直至模型損失小于預設容忍損失，停止更新，從而獲得該條母線所對應的訓練后的LSTM神經網絡模型。