公开(公告)号：CN118137457A

公开(公告)日：2024-06-04

申请号：CN202410072110.2

申请日：2024-01-17

Applicant: 杭州电子科技大学 ,  杭州电子科技大学信息工程学院

Inventor： 高慧敏 ,  卢艺 ,  张嘉悦 ,  黄卓 ,  郭淼

IPC: H02J3/00 ,  G06N3/0499 ,  G06N3/092 ,  G06F17/10 ,  H02J3/06 ,  H02J3/46 ,  H02J3/48 ,  H02J3/50

Abstract: 本发明公开了一种基于SAC深度强化学习的输电断面功率调整方法，包括如下步骤：建立输电断面的电网模型；利用基于全纯函数嵌入的潮流计算方法来计算输电断面功率灵敏度，将灵敏度的绝对值按大到小排序，筛选出灵敏度排序在前30％‑50％的发电机，并计算HELM电压判稳指标；建立SAC模型，所述SAC模型包括基于pandapower的SAC算法计算环境和SAC智能体，并引入HELM电压判稳指标来设置奖励机制；通过SAC模型训练，得到断面功率调整的结果。SAC深度强化学习算法通过深度神经网络来学习非线性映射关系，从而更好地捕捉电网的行为特征。该算法结合了深度学习和强化学习的优点，有效提升了调整精度，并且大幅减少了人工干预的工作量，进而提高了电网运行的稳定性。

公开(公告)号：CN116611331A

公开(公告)日：2023-08-18

申请号：CN202310575969.0

申请日：2023-05-19

Applicant: 杭州电子科技大学 ,  杭州电子科技大学信息工程学院

Inventor： 高慧敏 ,  卢艺 ,  钟毅 ,  黄卓 ,  张嘉悦

IPC: G06F30/27 ,  G06N3/006 ,  G06N3/126 ,  G06Q50/06 ,  H02J3/38 ,  H02J3/06 ,  G06F111/04 ,  G06F111/06

Abstract: 本发明公开了一种基于HELM灵敏度判据的分布式电源电压稳定预防控制方法，包括以下步骤：步骤一，建立分布式电源电压稳定预防控制模型，包括目标函数和约束条件；步骤二，利用HELM方法计算包含分布式电源的配电网潮流，作为分布式电源电压稳定预防控制的潮流约束条件；步骤三，利用HELM方法计算节点电压各阶灵敏度，作为分布式电源电压稳定预防控制的不等式约束条件及电压判稳指标，并筛选预想故障，计算各预选故障下的电压稳定指标；步骤四，利用遗传算法根据目标函数和约束条件，求解确定控制变量输出量、该方法能够用于电压稳定预防控制，解决了DG在配电网电压稳定预防控制时不易考虑其对电压稳定影响的问题，计算速度快，电压控制效果更好。

公开(公告)号：CN117150898A

公开(公告)日：2023-12-01

申请号：CN202311107536.9

申请日：2023-08-30

Applicant: 杭州电子科技大学 ,  杭州电子科技大学信息工程学院

Inventor： 高慧敏 ,  卢艺 ,  黄卓 ,  张嘉悦 ,  郭淼

IPC: G06F30/27 ,  G06F18/243 ,  G06F18/214 ,  G06N5/01 ,  H02J3/06 ,  G06F113/04

Abstract: 本发明公开了一种基于参数优化集成学习的输电断面传输容量评估方法，所述方法包括以下步骤：利用电力系统软件DSATools中PSAT和TSAT，建立一个电网模型，并进行仿真生成样本数据；对样本数据做预处理；搭建XGBoost模型、LGBM模型、RF模型三个基模型；利用随机搜索对XGBoost模型、LGBM模型、RF模型三个基模型进行超参数优化，得到最佳超参数组合；构建stacking模型及训练和预测过程，所述stacking模型集成学习的基模型为LGBM模型、XGBoost模型、RF模型的组合，元模型采用LGBM模型。该方法考虑了系统暂态稳定性，最小阻尼比指标，电压稳定性和频率稳定性这四个指标，并进行子模型和超参数的优化，这种方法可以提高断面传输极限评估的速度和效率。

公开(公告)号：CN115718478A

公开(公告)日：2023-02-28

申请号：CN202211466562.6

申请日：2022-11-22

Applicant: 杭州电子科技大学信息工程学院

Inventor： 高慧敏 ,  黄卓 ,  徐潇 ,  卢艺 ,  钟毅

IPC: G05B23/02

Abstract: 本发明公开了一种基于SAC深度强化学习的SVG参数优化辨识方法，包括以下步骤：步骤一，建立与SVG实测曲线运行环境相同的SVG接入单机无穷大系统的等值数学模型；步骤二，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度并进行筛选；步骤三，建立基于BPA的SAC的环境；步骤四，搭建SAC智能体；步骤五，开始SVG参数辨识训练，得到最终辨识结果。本发明采用上述基于SAC深度强化学习的SVG参数优化辨识方法，用SAC模型来辨识SVG控制器参数，耗费时间少，而且也能保证参数预测结果的准确度，提高了辨识效率。

公开(公告)号：CN116796644A

公开(公告)日：2023-09-22

申请号：CN202310815003.X

申请日：2023-07-05

Applicant: 杭州电子科技大学 ,  杭州电子科技大学信息工程学院

Inventor： 高慧敏 ,  黄卓 ,  卢艺 ,  张嘉悦 ,  郭淼

IPC: G06F30/27 ,  G06N3/045 ,  G06N3/084 ,  G06N3/092 ,  G06F111/10 ,  G06F113/06 ,  G06F119/06

Abstract: 本发明涉及基于多智能体SAC深度强化学习的风电场参数辨识方法，首先根据轨迹灵敏度辨识出主要参数，这种方法可减少参与辨识的参数数目，再通过BPA仿真软件搭建softactorcritic(SAC)多智能体的多工况下的训练样本环境，然后设定待辨识风机参数的范围，以此来确定SAC智能体在环境中的状态st的范围和动作at的范围。然后搭建SAC多智能体模型并开始训练和辨识，最后得出辨识结果。本发明将SAC多智能体深度强化学习在多工况下与风机参数辨识相结合，为风电场风机参数辨识提供一种新的方法。在多工况下用SAC多智能体模型来辨识风机参数，大大减少了工作量，而且也能保证参数预测结果的准确度，提高了辨识效率。