为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-...为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-交通耦合网总损失成本最小为目标的多类型移动应急资源随机优化调度模型。然后,为了实时准确地求解MESS和RC最优路由和调度策略,提出了一种数据-模型混合驱动方法对所构建的复杂非线性随机优化模型进行求解。在数据驱动部分提出一种图注意力网络多智能体强化学习算法,以求解考虑交通网道路修复时间和移动应急资源邻接关系动态变化等不确定因素的MESS和RC最优路由策略。所提算法有效结合多种改进策略和优先经验回放策略以提高算法的采样效率和训练效果。在模型驱动部分采用二阶锥松弛和大M法将多类型移动应急资源优化调度问题构建为混合整数二阶锥规划模型以求解可再生能源出力和配电网负荷变化影响下MESS和RC最优调度策略。最后,在2个不同规模的电力-交通耦合网中验证所提方法的有效性、泛化能力和可拓展能力。展开更多
文摘为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-交通耦合网总损失成本最小为目标的多类型移动应急资源随机优化调度模型。然后,为了实时准确地求解MESS和RC最优路由和调度策略,提出了一种数据-模型混合驱动方法对所构建的复杂非线性随机优化模型进行求解。在数据驱动部分提出一种图注意力网络多智能体强化学习算法,以求解考虑交通网道路修复时间和移动应急资源邻接关系动态变化等不确定因素的MESS和RC最优路由策略。所提算法有效结合多种改进策略和优先经验回放策略以提高算法的采样效率和训练效果。在模型驱动部分采用二阶锥松弛和大M法将多类型移动应急资源优化调度问题构建为混合整数二阶锥规划模型以求解可再生能源出力和配电网负荷变化影响下MESS和RC最优调度策略。最后,在2个不同规模的电力-交通耦合网中验证所提方法的有效性、泛化能力和可拓展能力。
