潮流计算框架下融合DL的电网碳流预测模型设计

作     者：鞠学良 陈文静 吕平海 刘超 刘兰方 JU Xueliang;CHEN Wenjing;LV Pinghai;LIU Chao;LIU Lanfang

作者机构：国网陕西省电力有限公司电力科学研究院陕西西安710100 国网(西安)环保技术中心有限公司陕西西安710100 中国电力科学研究院有限公司北京100192 

出 版 物：《电子设计工程》 (Electronic Design Engineering)

年 卷 期：2024年第32卷第17期

页      面：22-26页

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081001[工学-通信与信息系统] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国网陕西省电力公司科技项目(5226SX21N038) 

主　　题：潮流计算 深度学习 强化学习 Q-Learning 碳流预测 碳排放 

摘      要：为了提升电力系统中碳流预测的精度,文中对传统统计学观点下的一次能源转换计算思路进行了改进,基于电网潮流计算时碳流的依赖关系,设计了碳流预测模型。该模型以电网的安全运行和经济性为约束条件,引入电网分布特性机理和深度学习理论求解电网最优的碳流排放状态。在求解该模型时,对传统的强化学习Q-Learning算法进行了改进,通过结合瞬时差分的多步迭代,设计了一种基于概率分布选择动作的Q(λ)算法。该方法确保了模型在迭代过程中较高Q值动作的选择概率,提升了模型求解时的收敛速度,保证了网络寻优的鲁棒性。为了评估碳流预测模型的有效性,基于IEEE9节点网络设计了仿真实验。仿真结果表明,改进后的深度学习网络在预测碳流排放时其MAPE、NMSE分别提升了2.85%和6.06%。