分布式电-氢耦合系统协同配电网中长期运行优化方法

Proposes a safety-enhanced reinforcement learning method for mid-to-long-term operation optimization of distributed electricity-hydrogen coupling systems (DPHCS) with distribution networks. It features a DistFlow-based PPO algorithm with expert safety layer and Laurent-series linearized power flow, achieving ~27% cost reduction while ensuring security on IEEE 33/118 systems.

分布式电-氢耦合系统(DPHCS)通过跨时段能量灵活转换与功率动态调节,能够显著提升配电网的新能源承载力与灵活调控能力.目前,鲜有研究针对DPHCS协同配电网开展中长期尺度运行优化的深入探索.对此,提出一种基于安全强化学习的DPHCS协同配电网中长期运行优化方法.首先,构建考虑DPHCS灵活调节特性的配电网中长期优化模型,并将优化任务描述为马尔可夫决策过程,以实现能量的跨时段高效转移,并优化系统的中长期运行成本.然后,针对分布式资源随机性导致配电网运行约束易被违反的问题,提出一种基于DistFlow方程的近端策略优化算法,通过设计专家知识安全层将非可行动作映射到安全域,从而保障配电网运行安全性.其次,针对智能体在长回合尺度训练过程中潮流计算耗时长、效率低的问题,提出一种基于洛朗级数展开的线性化潮流计算方法,以显著提高强化学习算法在长周期、高频次交互训练下的计算效率.最后,基于IEEE 33节点和IEEE 118节点系统进行仿真验证,结果表明所提方法可有效实现能量的跨季节时段转移,在确保配电网中长期尺度运行安全的前提下,平均运行成本降低约27%,兼具显著的安全性和经济性优势.