基于分布式深度強(qiáng)化學(xué)習(xí)的微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度

巨云濤，陳 希，李嘉偉，王 杰

（1. 北方工業(yè)大學(xué)電氣與控制工程學(xué)院，北京市 100144；2. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京市 100083）

0 引言

微網(wǎng)（microgrid）是一種將分布式電源（distributed generator，DG）、負(fù)荷、儲(chǔ)能裝置及監(jiān)控保護(hù)裝置有機(jī)整合在一起的小型源網(wǎng)荷儲(chǔ)系統(tǒng)［1-5］，是消納分布式新能源和提高配電網(wǎng)可靠性的有效手段。然而，單個(gè)微網(wǎng)存在抗擾動(dòng)能力差、工作容量有限且缺乏備用的缺點(diǎn)。針對(duì)以上問題，研究人員提出將相鄰微網(wǎng)互聯(lián)構(gòu)成微網(wǎng)群（networked microgrids，NMG）［6-7］，并通過有效的優(yōu)化調(diào)度策略協(xié)同調(diào)度，提升對(duì)新能源不確定性的適應(yīng)性［8］。由于微網(wǎng)阻抗比較大，有功和無功功率間存在著強(qiáng)耦合關(guān)系，并且大量DG 的接入使得潮流由傳統(tǒng)的單向流動(dòng)變?yōu)殡p向流動(dòng)，電壓越限問題嚴(yán)重，僅調(diào)控有功資源并不能保證系統(tǒng)運(yùn)行的安全和經(jīng)濟(jì)性，需要同時(shí)協(xié)調(diào)有功和無功資源［9-11］。

目前，有功無功協(xié)調(diào)優(yōu)化調(diào)度問題的求解方法主要有基于物理模型的優(yōu)化方法和數(shù)據(jù)驅(qū)動(dòng)的方法兩類?；谖锢砟Ｐ偷膬?yōu)化方法中，文獻(xiàn)［12］對(duì)配電網(wǎng)有功無功協(xié)調(diào)優(yōu)化調(diào)度問題建立二階錐規(guī)劃模型并求解。文獻(xiàn)［13-14］在文獻(xiàn)［12］的基礎(chǔ)上，應(yīng)用場(chǎng)景法處理可再生能源和負(fù)荷的不確定性。文獻(xiàn)［15］則利用區(qū)間描述不確定性，建立基于區(qū)間不確定性的微網(wǎng)有功無功協(xié)調(diào)優(yōu)化調(diào)度模型。而文獻(xiàn)［16］則采用基于模型預(yù)測(cè)控制的方法處理含不確定性的優(yōu)化調(diào)度問題。但上述方法均為集中式方法，無法保障各子微網(wǎng)信息的隱私性且通信壓力較大［17］。雖然已有文獻(xiàn)通過引入交替方向乘子法（alternating direction method of multipliers，ADMM）實(shí)現(xiàn)了微網(wǎng)群的分布式優(yōu)化調(diào)度［18-19］，但ADMM 對(duì)通信系統(tǒng)的要求較高。同時(shí)，無論是集中式優(yōu)化還是分布式優(yōu)化，均無法避免對(duì)精確電網(wǎng)模型的依賴。

基于數(shù)據(jù)驅(qū)動(dòng)的方法中，深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning，DRL）被證明是解決無模型優(yōu)化決策問題的有效方法，已在電力系統(tǒng)能量管理［20-21］、無功優(yōu)化［22-23］、需求響應(yīng)［24］、緊急控制［25］等方面開展了大量研究。文獻(xiàn)［26］提出了基于DRL的有功無功協(xié)調(diào)優(yōu)化方法，但文中并未考慮離散變量。文獻(xiàn)［27］設(shè)計(jì)了一種基于混合隨機(jī)變量聯(lián)合分布的隨機(jī)策略，適應(yīng)了離散-連續(xù)混合動(dòng)作空間。然而，上述DRL 算法只能訓(xùn)練單一智能體，與集中式優(yōu)化面臨著相同的問題。對(duì)此，多智能體深度強(qiáng)化 學(xué) 習(xí)（multi-agent deep reinforcement learning，MADRL）給出了解決方案［28］。文獻(xiàn)［29-30］將DRL擴(kuò)展為MADRL，通過訓(xùn)練多個(gè)智能體實(shí)現(xiàn)分布式控制。但是，文中采用“集中訓(xùn)練，分散執(zhí)行”框架，集中訓(xùn)練期間未能保護(hù)各分區(qū)信息的隱私性。雖然文獻(xiàn)［31-32］提出了基于通信神經(jīng)網(wǎng)絡(luò)的MADRL來克服集中訓(xùn)練的問題，但所提方法僅面向連續(xù)動(dòng)作。此外，上述文獻(xiàn)中均未考慮網(wǎng)絡(luò)拓?fù)渥兓瘞淼挠绊憽?/p>

綜上所述，當(dāng)前基于模型的傳統(tǒng)集中式和分布式優(yōu)化方法依賴于精確的網(wǎng)絡(luò)模型且對(duì)通信要求高，而基于MADRL 的方法又難以同時(shí)適應(yīng)分布式訓(xùn)練和離散-連續(xù)混合動(dòng)作空間，并且缺乏對(duì)拓?fù)渥兓奶幚?。因此，為了解決上述問題，本文提出一種基于分布式MADRL 的微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度方法，具有以下優(yōu)點(diǎn)。

1）在訓(xùn)練學(xué)習(xí)階段，各智能體僅需本地觀察量和其余智能體傳遞的少量信息，而無須像基于“集中訓(xùn)練”框架的MADRL 一樣收集全局信息，減少了通信壓力，保證了各子微網(wǎng)信息的隱私性。

2）采用的算法可以訓(xùn)練具有離散-連續(xù)混合動(dòng)作空間的智能體，智能體在線執(zhí)行階段能夠以毫秒級(jí)實(shí)時(shí)性給出近似集中式優(yōu)化水平的調(diào)度策略。

3）考慮到一組智能體難以匹配多種網(wǎng)絡(luò)拓?fù)湎碌恼{(diào)度任務(wù)，提出一種遷移強(qiáng)化學(xué)習(xí)方法，通過改進(jìn)Critic 和Actor 網(wǎng)絡(luò)函數(shù)，實(shí)現(xiàn)利用已有策略引導(dǎo)新智能體加速訓(xùn)練。

4）本文方法對(duì)通信要求低，且對(duì)通信故障具有較好的魯棒性。在訓(xùn)練階段，智能體間有限時(shí)間的通信中斷并不會(huì)影響訓(xùn)練效果，而在執(zhí)行階段智能體間則無須通信。

本文的結(jié)構(gòu)如下：首先，以網(wǎng)損最低為目標(biāo)，構(gòu)建微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度模型；然后，將該模型描述為馬爾可夫博弈（Markov game）問題，給出各智能體的具體觀察空間、動(dòng)作空間以及獎(jiǎng)勵(lì)函數(shù)；進(jìn)而，介紹用于訓(xùn)練多智能體組的分布式多智能體軟演員-評(píng)論家（distributed multi-agent soft actorcritic，DMASAC）算法，以及遷移強(qiáng)化學(xué)習(xí)方法；最后，通過數(shù)值算例驗(yàn)證本文所提方法相較于其他算法的有效性和優(yōu)越性。

1 微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度模型

1.1 目標(biāo)函數(shù)

本文考慮通過合理控制光伏逆變器、靜止無功補(bǔ)償器（static var compensator，SVC）、分布式儲(chǔ)能系統(tǒng)（distributed energy storage system，DESS）、有載調(diào)壓變壓器（on-load tap-changer，OLTC）、投切電容器組（capacitor bank，CB）等設(shè)備，使得調(diào)度周期內(nèi)的網(wǎng)損最小。構(gòu)造目標(biāo)函數(shù)如下［12］：

式中：n為子微網(wǎng)的個(gè)數(shù)；T為一天的總調(diào)度時(shí)段數(shù)；Rij為 支 路ij的 線 路 電 阻；iij為 支 路ij電 流 的 平 方；εi為子微網(wǎng)i的支路集合。

1.2 約束條件

1）潮流約束為：

2）光伏出力約束。為提高經(jīng)濟(jì)性，規(guī)定光伏系統(tǒng)以最大功率發(fā)電，僅無功功率可調(diào)［33］，即

4）支路傳輸功率約束。支路上傳輸?shù)挠泄β始s束為：

式 中：Pij，t為 支 路ij在t時(shí) 刻 傳 輸 的 有 功 功 率；Pˉij為支路ij傳輸?shù)挠泄β首畲笙拗?；ε為支路集合?/p>

5）電壓幅值約束。各個(gè)節(jié)點(diǎn)的電壓幅值約束為：

2 基于分布式MADRL 的微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度

2.1 微網(wǎng)群分布式優(yōu)化調(diào)度的馬爾可夫博弈模型

MADRL 方法是令智能體與環(huán)境進(jìn)行多輪交互，通過“試錯(cuò)”學(xué)習(xí)到最優(yōu)策略。每輪交互均從環(huán)境初始狀態(tài)開始，各智能體會(huì)先觀察局部環(huán)境狀態(tài)，再根據(jù)自身策略由觀察量選擇動(dòng)作，并使環(huán)境進(jìn)入下一狀態(tài)，然后獲得環(huán)境給予的獎(jiǎng)勵(lì)，從而對(duì)自身策略進(jìn)行優(yōu)化。重復(fù)上述過程，直到環(huán)境狀態(tài)達(dá)到終止?fàn)顟B(tài)便完成一輪訓(xùn)練。通過在交互過程中對(duì)自身策略的逐步優(yōu)化，智能體獲得的累積獎(jiǎng)勵(lì)會(huì)逐漸增加直至趨于穩(wěn)定。

上述交互過程常用馬爾可夫博弈定量描述，其包括6 個(gè)要素，采用元組S，Oi，Ai，P，R，γ表示。其中，S代表公共環(huán)境的所有狀態(tài)集，t時(shí)刻的狀態(tài)為st∈S；Oi為智能體i的局部觀察集，t時(shí)刻智能體i的本地觀察為oi，t∈Oi，n個(gè)智能體的觀察聯(lián)合在一起組成了聯(lián)合觀察O=O1O2…On；Ai為智能體i的動(dòng)作集，t時(shí)刻智能體i的本地動(dòng)作為ai，t∈Ai，n個(gè)智能體的動(dòng)作聯(lián)合組成了聯(lián)合動(dòng)作A=A1A2…An；P為狀態(tài)轉(zhuǎn)移概率，表示在狀態(tài)st下執(zhí)行聯(lián)合動(dòng)作at后使環(huán)境進(jìn)入下一狀態(tài)st+1的概率；R為獎(jiǎng)勵(lì)函數(shù)，表示在狀態(tài)st下智能體組執(zhí)行聯(lián)合動(dòng)作at后，環(huán)境給 予 的 反 饋 獎(jiǎng) 勵(lì)，滿 足stat→rt，rt∈R；γ為 折 扣因子。

利用MADRL 求解具體問題的關(guān)鍵在于對(duì)上述馬爾可夫博弈進(jìn)行設(shè)計(jì)。在微網(wǎng)群有功無功協(xié)調(diào)優(yōu)化調(diào)度背景下，給出各智能體的觀察、動(dòng)作空間以及獎(jiǎng)勵(lì)函數(shù)的具體設(shè)置，如下所述。

1）智能體觀察空間

智能體的觀察空間是智能體對(duì)本地環(huán)境的感知信息。這里，設(shè)定智能體i的局部觀察量為每個(gè)時(shí)間步t本地各節(jié)點(diǎn)負(fù)荷功率、可再生能源發(fā)電功率、儲(chǔ)能的電量、OLTC 和CB 的擋位以及時(shí)刻t。同時(shí)，為了考慮離散設(shè)備的動(dòng)作次數(shù)約束，將OLTC和CB 已動(dòng)作的次數(shù)也加入觀察空間，如式（17）所示。

2）智能體動(dòng)作空間

智能體的動(dòng)作空間是本地可控設(shè)備的調(diào)節(jié)量。由于本地既有離散調(diào)節(jié)設(shè)備又有連續(xù)調(diào)節(jié)設(shè)備，故這里智能體的動(dòng)作空間包括離散動(dòng)作空間和連續(xù)動(dòng)作空間，即

3）智能體獎(jiǎng)勵(lì)函數(shù)

需要注意的是，由于不存在協(xié)調(diào)中心，策略優(yōu)化時(shí)無法直接獲取系統(tǒng)的總網(wǎng)損以及總越限懲罰。觀察式（21）可以分解為各子微網(wǎng)的本地網(wǎng)損和越限懲罰再累加，因此，可以通過智能體間的通信傳遞得到。由于并不涉及各子微網(wǎng)本地源荷出力、設(shè)備調(diào)度動(dòng)作、網(wǎng)絡(luò)參數(shù)以及運(yùn)行成本等隱私信息，故并未侵犯隱私。

離散設(shè)備的動(dòng)作次數(shù)有限，在動(dòng)作次數(shù)越限之后強(qiáng)行加入一個(gè)懲罰容易導(dǎo)致訓(xùn)練結(jié)果發(fā)散?？紤]到離散智能體的動(dòng)作集有限，這里采用Mask 掩碼約束離散智能體的動(dòng)作，具體方法見附錄A。

2.2 DMASAC 算法

本節(jié)介紹用于求解所提馬爾可夫博弈模型的MADRL 算法。已知文獻(xiàn)［34］采用經(jīng)典的“集中訓(xùn)練，分散執(zhí)行”框架，將軟演員-評(píng)論家（soft actorcritic，SAC）算法擴(kuò)展為多智能體軟演員-評(píng)論家（multi-agent soft actor-critic，MASAC）算法，但在訓(xùn)練過程中各子微網(wǎng)的信息隱私性得不到保障。本文以MASAC 算法為基礎(chǔ)，進(jìn)行相應(yīng)調(diào)整使其可以適應(yīng)分布式訓(xùn)練以及離散-連續(xù)混合動(dòng)作空間。

MASAC 算法僅適用于連續(xù)動(dòng)作空間，為使其可以適應(yīng)離散-連續(xù)混合的動(dòng)作空間，需要對(duì)其進(jìn)行改進(jìn)。參考文獻(xiàn)［35］對(duì)SAC 的更改，這里在每個(gè)智能體的Critic 網(wǎng)絡(luò)中補(bǔ)充一個(gè)輸出層，維數(shù)為hdim×Nˉ，其中hdim為隱藏層神經(jīng)元的個(gè)數(shù)，Nˉ為本地離散設(shè)備的最大動(dòng)作擋位，用于輸出每個(gè)離散擋位對(duì)應(yīng)的Q值。相應(yīng)地，Actor 網(wǎng)絡(luò)也補(bǔ)充一個(gè)輸出層，維數(shù)同樣為hdim×Nˉ，輸出經(jīng)Softmax 函數(shù)后，得到每個(gè)離散擋位對(duì)應(yīng)的概率。修改后的Critic、Actor、Estimate 網(wǎng)絡(luò)結(jié)構(gòu)分別如附錄B 圖B2、圖B3、圖B4所示。

通過上述改進(jìn)便得到了DMASAC 算法。算法的訓(xùn)練目標(biāo)為尋找到智能體i的最優(yōu)策略π*i，如式（26）所示。

式中：E{·}表示求期望函數(shù)；(st，at)～ρπ表示由策略π誘導(dǎo)的狀態(tài)動(dòng)作軌跡分布；H(πi(·|oi，t))為智能體i在 觀 察 量oi，t下 按 照 策 略πi采 取 動(dòng) 作 的 熵；α為 溫 度系數(shù)，用于調(diào)整動(dòng)作熵相對(duì)于獎(jiǎng)勵(lì)的重要性。

上述尋優(yōu)過程在智能體與環(huán)境交互的過程中進(jìn)行，可簡(jiǎn)單描述為策略迭代更新。從一個(gè)隨機(jī)策略π0開始，Actor 網(wǎng)絡(luò)通過策略選擇動(dòng)作，而Critic 網(wǎng)絡(luò)評(píng)估Actor 所選擇動(dòng)作的價(jià)值，并指導(dǎo)Actor 按照評(píng)估值最大更新策略參數(shù)，得到新策略π1，然后重復(fù)前述步驟，使得策略逐步提升。上述過程主要有兩個(gè)關(guān)鍵步驟：策略評(píng)估（policy evaluation）和策略改進(jìn)（policy improvement），分別對(duì)應(yīng)Critic 和Actor網(wǎng)絡(luò)的更新，具體流程見附錄B。

2.3 拓?fù)渥兓蟮倪w移學(xué)習(xí)方法

多拓?fù)湎碌恼{(diào)度控制需要為每種網(wǎng)絡(luò)拓?fù)溆?xùn)練一組對(duì)應(yīng)的智能體。為提高訓(xùn)練效率，可以在上述DMASAC 的基礎(chǔ)上引入遷移學(xué)習(xí)機(jī)制。

首先，將已訓(xùn)練好的智能體的Critic 網(wǎng)絡(luò)參數(shù)遷移至新智能體，并將新智能體的動(dòng)作價(jià)值函數(shù)修改為如式（27）所示的形式，以保證新智能體的Critic網(wǎng)絡(luò)在初期能較為準(zhǔn)確地評(píng)估動(dòng)作的好壞。然后，借鑒文獻(xiàn)［36］的思路，令已訓(xùn)練好的智能體的Actor網(wǎng)絡(luò)作為教師模型，并在新智能體的Actor 網(wǎng)絡(luò)的損失函數(shù)中補(bǔ)充一項(xiàng)與教師模型的“差距”，如式（28）所示。期望通過縮小“差距”，實(shí)現(xiàn)利用教師模型指導(dǎo)新智能體訓(xùn)練。不同于文獻(xiàn)［33］，這里將“差距”描述為在同一狀態(tài)下分別按教師策略和新智能體當(dāng)前策略采樣動(dòng)作，進(jìn)而得到的兩動(dòng)作價(jià)值之差，不僅更好地體現(xiàn)了利用教師模型引導(dǎo)新智能體向更高的動(dòng)作價(jià)值方向?qū)W習(xí)，并且連續(xù)、離散動(dòng)作空間均適用，很容易推廣到其他基于Actor-Critic框架的算法。

3 數(shù)值算例

3.1 系統(tǒng)設(shè)置

為驗(yàn)證基于DMASAC 的微網(wǎng)群分布式有功無功協(xié)調(diào)優(yōu)化調(diào)度方法的有效性，以改進(jìn)IEEE 33 節(jié)點(diǎn)系統(tǒng)為例進(jìn)行仿真研究。系統(tǒng)拓?fù)淙绺戒汣 圖C1 所示，共分為3 個(gè)子微網(wǎng)，其中，在節(jié)點(diǎn)6、14、18、22、25、33 處接有光伏，裝機(jī)容量為800 kW，逆變器視在功率為裝機(jī)容量的1.05 倍；節(jié)點(diǎn)18 處接有儲(chǔ)能裝置DESS18，荷電狀態(tài)（SOC）范圍為0.1～0.9，充放電效率均為0.9，容量為2 MW·h；節(jié)點(diǎn)23、29 處接有SVC，無功調(diào)節(jié)范圍為-500～500 kvar；節(jié)點(diǎn)8、27 處接有CB，共4 組，每組0.2 Mvar，一天內(nèi)擋位最大調(diào)節(jié)次數(shù)為6；節(jié)點(diǎn)0、1 之間接有OLTC，一天內(nèi)擋位最大調(diào)節(jié)次數(shù)也為6。調(diào)度周期為一天24 h，以1 h 為一個(gè)調(diào)度時(shí)段。

Critic、Actor、Estimate 網(wǎng)絡(luò)均含有2 個(gè)隱含層，各層的神經(jīng)元數(shù)量均為256。所有隱含層均采用ReLU 激 活 函 數(shù)。Critic、Actor、Estimate 網(wǎng) 絡(luò) 的 學(xué)習(xí)率σ=0.001。折扣因子γ=0.99，溫度系數(shù)α=0.1，延遲參數(shù)η=0.001。文中所有MADRL 算法均由Python 實(shí)現(xiàn)，利用了深度學(xué)習(xí)框架PyTorch。

3.2 訓(xùn)練效果分析

3.2.1 收斂性分析

為驗(yàn)證本文方法的收斂性，將負(fù)荷和光伏出力的歷史數(shù)據(jù)作為訓(xùn)練樣本，分別采用本文的DMASAC 算法和“集中學(xué)習(xí)，分散執(zhí)行”框架的MASAC 算法訓(xùn)練智能體組，統(tǒng)計(jì)每個(gè)調(diào)度周期智能體組獲得的累積獎(jiǎng)勵(lì)，生成獎(jiǎng)勵(lì)曲線如圖1（a）所示，可以觀察到兩者在大概100 次訓(xùn)練后均收斂。如圖1（b）所示，在約70 次訓(xùn)練后，智能體受到的約束越限懲罰趨于0，說明智能體動(dòng)作被限制在合理的區(qū)間內(nèi)。但是，在收斂性相當(dāng)?shù)那闆r下，采用DMASAC 訓(xùn)練并不需要收集全局信息，保障了各子微網(wǎng)信息的隱私性。

圖1 DMASAC 與集中學(xué)習(xí)的訓(xùn)練結(jié)果對(duì)比Fig.1 Comparison of training results between DMASAC and centralized learning

為驗(yàn)證本文方法在處理離散-連續(xù)混合動(dòng)作空間上的有效性，采用文獻(xiàn)［37］中的雙層強(qiáng)化學(xué)習(xí)算法作為對(duì)比算法，并比較其訓(xùn)練效果。如圖2 所示，可以看到本文方法的訓(xùn)練效果更好，不僅智能體獲得的累積獎(jiǎng)勵(lì)更大，而且智能體的約束越限懲罰也更小。這是由于雙層強(qiáng)化學(xué)習(xí)算法中，連續(xù)智能體以離散智能體的調(diào)度動(dòng)作為部分觀察，而離散智能體獲得的獎(jiǎng)勵(lì)大小又取決于連續(xù)智能體的動(dòng)作優(yōu)劣，導(dǎo)致兩智能體的訓(xùn)練效果彼此相互影響。這種相互影響的存在，使得對(duì)于兩智能體而言，環(huán)境都是不穩(wěn)定的，訓(xùn)練更加困難。

圖2 DMASAC 與雙層強(qiáng)化學(xué)習(xí)算法的訓(xùn)練結(jié)果對(duì)比Fig.2 Comparison of training results between DMASAC and bi-level reinforcement learning algorithms

3.2.2 訓(xùn)練所需通信數(shù)據(jù)量分析

對(duì)于MADRL，為克服多個(gè)智能體的存在導(dǎo)致的非馬爾可夫性，在訓(xùn)練過程中智能體均需要來自其他智能體的信息。不同MADRL 算法所需的通信信息不同。

在改進(jìn)的IEEE 33 節(jié)點(diǎn)3 微網(wǎng)算例下，訓(xùn)練過程中各算法需要的通信數(shù)據(jù)如表1 所示?？梢钥闯鲈诿總€(gè)更新步，采用DMASAC 算法時(shí)智能體間傳遞的數(shù)據(jù)量明顯少于采用集中訓(xùn)練框架的MASAC算法。在MASAC 中，每個(gè)智能體的Critic 和Actor網(wǎng)絡(luò)在中央?yún)f(xié)調(diào)器中集中訓(xùn)練。要完成一個(gè)更新步，需要中央?yún)f(xié)調(diào)器向每個(gè)智能體i廣播nstatei×nbatchi維從經(jīng)驗(yàn)池采集的狀態(tài)數(shù)據(jù)，其中nstatei為觀察向量維數(shù)，nbatchi為采樣個(gè)數(shù)。然后，從每個(gè)智能體獲得nactioni×nbatchi維動(dòng)作數(shù)據(jù)，其中nactioni為動(dòng)作向量維數(shù)。對(duì)于集中式的雙層強(qiáng)化學(xué)習(xí)算法，每個(gè)智能體的觀察向量和動(dòng)作向量均是全局信息，但采用DMASAC 算法時(shí)，各智能體擁有自己獨(dú)立的經(jīng)驗(yàn)池，僅需智能體間傳遞邊界信息和獎(jiǎng)懲信息，不僅通信數(shù)據(jù)量少，更保障了智能體的數(shù)據(jù)隱私性。

表1 各算法下的通信需求Table 1 Communication demand of each algorithm

3.2.3 訓(xùn)練對(duì)通信故障的魯棒性分析

由于本文方法在訓(xùn)練階段智能體間需要相互通信，考慮到通信系統(tǒng)非理想，難免出現(xiàn)通信中斷、數(shù)據(jù)丟包等問題，這里對(duì)比不同程度的通信中斷情況下智能體組的訓(xùn)練效果，如圖3 所示。可以看出，有限時(shí)間的通信中斷并不會(huì)對(duì)方法的收斂性造成很大的影響，這是因?yàn)樵谕ㄐ胖袛嗪?，受影響的智能體不更新參數(shù)，保留當(dāng)前策略，而當(dāng)通信恢復(fù)后，智能體會(huì)繼續(xù)訓(xùn)練，只要訓(xùn)練次數(shù)充足便能夠收斂到與沒有通信中斷相當(dāng)?shù)慕Y(jié)果。數(shù)據(jù)丟包同理，通信中斷僅停止策略的更新優(yōu)化，并不影響當(dāng)前策略的執(zhí)行。綜上所述，本文方法對(duì)通信中斷以及數(shù)據(jù)丟包等問題具有較好的魯棒性。

圖3 不同通信中斷情況下的訓(xùn)練效果Fig.3 Training effect under different communication interruption conditions

3.3 調(diào)度結(jié)果分析

選取某一天的源荷數(shù)據(jù)進(jìn)行測(cè)試，見附錄C 圖C2，利用訓(xùn)練好的智能體組進(jìn)行調(diào)度，調(diào)度結(jié)果如圖4 所示。

圖4 各設(shè)備調(diào)度結(jié)果Fig.4 Dispatching results of each equipment

由圖4（a）可以看出，從09：00 開始，隨著光伏出力的增加，儲(chǔ)能充電達(dá)到容量上限，以就地消納光伏、減少功率倒送；而在16：00 后，光伏出力不足以供應(yīng)本地負(fù)荷，儲(chǔ)能開始放電，直到21：00 達(dá)到容量下限并保持，以維持一個(gè)調(diào)度周期內(nèi)儲(chǔ)能的狀態(tài)不變。通過上述調(diào)度方式，一定程度上實(shí)現(xiàn)了削峰填谷，減少了光伏波動(dòng)性對(duì)系統(tǒng)帶來的干擾。對(duì)于無功補(bǔ)償裝置，光伏逆變器的出力如圖4（b）所示?？梢?，大部分光伏逆變器發(fā)出無功功率，以支撐電壓并減小網(wǎng)損，僅節(jié)點(diǎn)6 和14 所接光伏逆變器在光伏出力較高時(shí)吸收無功功率，防止電壓越限。

此外，節(jié)點(diǎn)29 和23 所接SVC 也根據(jù)所在節(jié)點(diǎn)的電壓幅值，發(fā)出和吸收感性無功功率，進(jìn)而平抑電壓波動(dòng)，如圖4（c）所示。

離散設(shè)備在調(diào)度周期內(nèi)的動(dòng)作次數(shù)不宜過多，從圖4（d）可以看出，OLTC 和CB 的動(dòng)作次數(shù)均未超過限值。在01：00—08：00 以及18：00—24：00，光伏出力為0，OLTC 將擋位調(diào)至最高以提高系統(tǒng)電壓等級(jí)，降低網(wǎng)損；在09：00—17：00 擋位下調(diào)，防止因光伏功率倒送引起電壓越限。而節(jié)點(diǎn)27 和8 所接CB 則調(diào)整擋位用于提升節(jié)點(diǎn)27 和8 的電壓。

為了直觀地體現(xiàn)出本文方法的優(yōu)化效果，比較了優(yōu)化調(diào)度前后系統(tǒng)各時(shí)刻的網(wǎng)損以及電壓幅值，分別如圖5、圖6 所示。從圖中可以看出，采用有功無功協(xié)調(diào)調(diào)度顯著降低了網(wǎng)損，并且改善了電壓分布，治理了電壓越限問題。

圖5 各時(shí)刻網(wǎng)損Fig.5 Network loss at each moment

圖6 優(yōu)化前后各節(jié)點(diǎn)電壓幅值Fig.6 Voltage amplitude of each node before and after optimization

為進(jìn)一步驗(yàn)證本文方法的優(yōu)越性，選用混合整數(shù)動(dòng)態(tài)優(yōu)化［38］和ADMM 作為傳統(tǒng)優(yōu)化方法的代表，選取3.2 節(jié)中的MASAC 和雙層強(qiáng)化學(xué)習(xí)算法作為數(shù)據(jù)驅(qū)動(dòng)方法的代表，與本文方法進(jìn)行對(duì)比分析。為了較為全面地評(píng)估各方法的優(yōu)劣，這里從多個(gè)方面對(duì)5 種方法進(jìn)行對(duì)比，如表2 所示。

表2 不同方法的性能對(duì)比Table 2 Performance comparison among different methods

雖然傳統(tǒng)優(yōu)化方法在降低網(wǎng)損方面似乎更優(yōu)，但這是因?yàn)閭鹘y(tǒng)方法的調(diào)度結(jié)果是在假設(shè)日前負(fù)荷、可再生能源出力預(yù)測(cè)數(shù)據(jù)以及網(wǎng)絡(luò)模型參數(shù)均無誤差的情況下求得的，而實(shí)際應(yīng)用時(shí)無法達(dá)到上述理想條件。采用本文方法經(jīng)過19 min 的訓(xùn)練，智能體能以毫秒級(jí)實(shí)現(xiàn)在線決策，且無須重復(fù)計(jì)算。同時(shí)，由于智能體基于歷史源荷數(shù)據(jù)進(jìn)行訓(xùn)練，其能夠自適應(yīng)學(xué)習(xí)到源荷的分布，從而適應(yīng)源荷的不確定性。此外，相較于傳統(tǒng)集中式優(yōu)化方法，本文方法保護(hù)了各子微網(wǎng)信息的隱私性，相較于ADMM，本文方法則展現(xiàn)出對(duì)通信故障的魯棒性：訓(xùn)練階段的通信中斷或數(shù)據(jù)丟包不會(huì)影響訓(xùn)練效果，執(zhí)行階段智能體間則無須通信，而相較于另外兩種數(shù)據(jù)驅(qū)動(dòng)方法，本文方法不僅在降低網(wǎng)損的效果上更優(yōu)，并且能夠保護(hù)隱私。綜上所述，本文方法在整體處理效果上具有優(yōu)越性。

3.4 遷移強(qiáng)化學(xué)習(xí)的訓(xùn)練效果分析

為驗(yàn)證遷移強(qiáng)化學(xué)習(xí)方法的有效性，仍以改進(jìn)的IEEE 33 節(jié)點(diǎn)系統(tǒng)為例來比較遷移學(xué)習(xí)和普通訓(xùn)練的訓(xùn)練效果。IEEE 33 節(jié)點(diǎn)系統(tǒng)共分為3 個(gè)子微網(wǎng)（拓?fù)?），如附錄C 圖C1 所示，拓?fù)?、3 是分別在拓?fù)? 的基礎(chǔ)上斷開支路9-10 并連通支路9-15、斷開支路7-8 并連通12-22 得到的，同時(shí)假設(shè)已在拓?fù)? 下訓(xùn)練好一組智能體，記為源智能體組。如圖7 所示，在拓?fù)?、3 情況下采用遷移強(qiáng)化學(xué)習(xí)方式，均更快地實(shí)現(xiàn)了收斂。這是因?yàn)樵谝朐粗悄荏w作為教師模型修改新智能體網(wǎng)絡(luò)損失函數(shù)后，在訓(xùn)練初期新智能體會(huì)向著源智能體的方向?qū)W習(xí)，相當(dāng)于在源智能體的指導(dǎo)下探索環(huán)境，增強(qiáng)了前期探索的方向性，提高了學(xué)習(xí)效率。

圖7 遷移強(qiáng)化學(xué)習(xí)訓(xùn)練效果Fig.7 Training effect of transfer reinforcement learning

4 結(jié)語

本文針對(duì)微網(wǎng)群的分布式有功無功協(xié)調(diào)優(yōu)化調(diào)度問題，提出了一種基于MADRL 的方法。首先，相較于傳統(tǒng)優(yōu)化方法，所提方法得益于數(shù)據(jù)驅(qū)動(dòng)的特性，訓(xùn)練時(shí)無需精確的微網(wǎng)群模型和源荷預(yù)測(cè)數(shù)據(jù)，訓(xùn)練后智能體僅依據(jù)本地觀察量便能以毫秒級(jí)實(shí)時(shí)性給出調(diào)度動(dòng)作，而且方法對(duì)通信故障具有魯棒性；其次，與基于“集中訓(xùn)練”框架的MADRL 方法相比，所提方法在無全局信息的情況下也可達(dá)到與之等同的訓(xùn)練效果，在學(xué)習(xí)過程中保障了各子微網(wǎng)信息的隱私性。此外，還補(bǔ)充了一種遷移強(qiáng)化學(xué)習(xí)方法，用于系統(tǒng)拓?fù)渥儞Q后加速訓(xùn)練新智能體組，彌補(bǔ)了MADRL 模型泛化能力差的缺點(diǎn)。

然而，本文方法對(duì)于約束的處理僅是將其作為一種懲罰加入獎(jiǎng)勵(lì)函數(shù)中，雖然通過多輪訓(xùn)練使得懲罰降為零，但也影響了訓(xùn)練效率。因此，對(duì)約束的處理進(jìn)行改進(jìn)，令智能體在允許的范圍內(nèi)高效探索環(huán)境是值得進(jìn)一步研究的方向。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。