Dynamische Umkonfiguration von Verteilungsnetzen mit Unsicherheit in der Erzeugung und Last

Angesichts der Unsicherheiten bei der Lastnachfrage und den erneuerbaren Energiequellen ist das Problem der Umkonfiguration von Verteilungsnetzen (DNR) ein stochastisches gemischtes ganzzahlige nichtlineares Optimierungsprogramm mit einer Laufzeit, die exponentiell mit der Anzahl der Abschnitts- und Verknüpfungsschalter skaliert. Stochastische Optimierungstechniken erfordern Kenntnisse über die stochastischen Prozesse der unsicheren Parameter, die in der Praxis möglicherweise nicht verfügbar sind. Dieses Papier behandelt sowohl die Skalierbarkeits- als auch die Unsicherheitsprobleme bei der Lösung des DNR-Problems, indem ein Algorithmus für tiefes Verstärkungslernen (DRL) entwickelt wird, der die optimale Topologie mithilfe einer Transformer-Deep-Neural-Network- (DNN) Architektur bestimmt und anschließend ein AC-optimales Leistungsflussproblem (OPF) löst, um die Betriebsbedingungen zu erfüllen. Ein algorithmus zur neuronalen kombinatorischen Optimierung wird angewendet, um das DNN zu trainieren, das unzulässige Lösungen bestraft. Simulationen an einem 119-Bus-Testsystem zeigen, dass unser vorgeschlagener Algorithmus eine nahezu optimale Lösung für das stochastische DNR-Problem mit einer kleinen Abweichung (d.h. im Durchschnitt 4,7 %) vom Zielwert des deterministischen DNR-Problems erzielen kann. Im Vergleich zu bestehenden lernbasierten DNR-Algorithmen in der Literatur kann unser vorgeschlagener Algorithmus einen um mindestens 11% niedrigeren Zielwert erzielen. Wir demonstrieren die Skalierbarkeit unseres vorgeschlagenen Algorithmus in größeren Systemen mit 595, 1190 und 3570 Bussen.