Machine Learning Based Energy Management and Operation Control for Active Distribution Networks

WU Wenchuan; LIN Chenhui; SUN Hongbin; WANG Bin; LIU Haotian; WU Guannan; LI Penghua; SUN Shumin; LU Jiangang

doi:10.7500/AEPS20240510007

您当前的位置：

首页 >

文章列表页 >

Machine Learning Based Energy Management and Operation Control for Active Distribution Networks

Active Control and Cooperative Dispatch for Distribution Networks with High-penetration Distributed Energy Resources | 更新时间：2025-06-16

- Machine Learning Based Energy Management and Operation Control for Active Distribution Networks
- Automation of Electric Power Systems Vol. 48, Issue 20, Pages: 2-11(2024)
- 作者机构：
  
  1.清华大学电机工程与应用电子技术系,北京市 100084
  2.新型电力系统运行与控制全国重点实验室(清华大学),北京市 100084
  3.国网山东省电力公司电力科学研究院,山东省济南市 250003
  4.广东电网有限责任公司,广东省广州市 510180
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2022YFB2402900);National Natural Science Foundation of China(52307101)
- DOI：10.7500/AEPS20240510007
  CLC：
- Received：10 May 2024，
  
  Revised：2024-06-07，
  
  Published Online：29 August 2024，
  
  Published：25 October 2024
- 稿件说明：
移动端阅览
吴文传,蔺晨晖,孙宏斌等.基于机器学习的主动配电网能量管理与运行控制[J].电力系统自动化,2024,48(20):2-11.

WU Wenchuan,LIN Chenhui,SUN Hongbin,et al.Machine Learning Based Energy Management and Operation Control for Active Distribution Networks[J].Automation of Electric Power Systems,2024,48(20):2-11.
吴文传,蔺晨晖,孙宏斌等.基于机器学习的主动配电网能量管理与运行控制[J].电力系统自动化,2024,48(20):2-11. DOI： 10.7500/AEPS20240510007.

WU Wenchuan,LIN Chenhui,SUN Hongbin,et al.Machine Learning Based Energy Management and Operation Control for Active Distribution Networks[J].Automation of Electric Power Systems,2024,48(20):2-11. DOI： 10.7500/AEPS20240510007.

摘要

随着分布式资源和灵活负荷广泛接入，配电网正演变成为主动配电网，其能量管理与运行控制面临着巨大挑战：1)海量分布式资源并网使得调控需求大增，同时引入了大量随机性使得运行风险增加，需要挖掘其主动支撑能力；2)分布式资源量大且异动频繁，难以及时维护，配电网模型精度差，基于精确建模的运行控制和优化调度技术的工程应用困难。为应对上述挑战，文中介绍了基于机器学习的理论和方法，提出了“测-辨-控”一体化的主动配电网能量管理与运行控制技术体系，实现少/免模型维护的运行控制与优化调度。同时，分析了以下核心技术：1)配电网弱/无模型实时调控技术，实现自律优化；2)分布式资源集群自适应动态控制技术，实现对电网的主动支撑；3)风险量化的概率优化调度方法，实现风险与经济的平衡。最后，简要介绍了适应含极高比例分布式资源的主动配电网的能量管理与运行控制系统架构。

Abstract

With the large-scale integration of distributed energy resources (DERs) and flexible power loads

the distribution networks are transforming into active distribution networks (ADNs). This transformation poses significant challenges to the energy management and operation control: 1) The integration of massive DERs requires additional scheduling capacity

which necessitates the active control of DERs to enhance system support capabilities. The variability of these sources also significantly increases the operation risk of ADNs. 2) The complexity and frequent changes in DERs make timely maintenance impractical

and the accuracy of the distribution network model is poor. The engineering application of the precise modeling based operation control and optimal scheduling technology is difficult. To address these challenges

this paper introduces the theory and methods based on machine learning

proposes an energy management and operation control technology system for ADNs that integrates “measurement-identification-control”

and realizes operation control and optimal scheduling with minimal/no model maintenance. Meanwhile

the following key techniques are analyzed: 1) the real-time scheduling technology for distribution networks with weak models or without models

achieving autonomous optimization; 2) the adaptive dynamic control technology for DER clusters

enabling proactive support for the power grid; 3) the probability optimization scheduling method for risk quantification

achieving a balance between risk and economy. Finally

the architecture of the energy management and operation control system suitable for ADNs with a extremely high proportion of DERs is briefly introduced.

关键词

Keywords

references

许诘翊，刘威，刘树，等 . 电力系统变流器构网控制技术的现状与发展趋势［J］. 电网技术， 2022 ， 46 （ 9 ）： 3586 - 3594 .

XU Jieyi ， LIU Wei ， LIU Shu ， et al . Current state and development trends of power system converter grid-forming control technology ［J］. Power System Technology ， 2022 ， 46 （ 9 ）： 3586 - 3594 .

杜红卫，尉同正，夏栋，等 . 基于集群动态划分的配电网无功电压自律-协同控制［J］. 电力系统自动化， 2024 ， 48 （ 10 ）： 171 - 181 .

DU Hongwei ， WEI Tongzheng ， XIA Dong ， et al . Reactive voltage self-regulation and coordination control in distribution networks based on cluster dynamic partition ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 10 ）： 171 - 181 .

马尚，卫志农，黄蔓云，等 . 基于智能电表数据的低压配电网拓扑与线路参数联合辨识［J］. 电力系统自动化， 2024 ， 48 （ 2 ）： 60 - 70 .

MA Shang ， WEI Zhinong ， HUANG Manyun ， et al . Joint identification of topology and line parameters for low-voltage distribution network based on smart meter data ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 2 ）： 60 - 70 .

LIU H T ， WU W C ， BOSE A . Model-free voltage control for inverter-based energy resources： algorithm， simulation and field test verification ［J］. IEEE Transactions on Energy Conversion ， 2021 ， 36 （ 2 ）： 1207 - 1215 .

张梓麒，陈中 . 主动配电网多元主体灵活性和随机性的转换机制与刻画方法［J］. 电力系统自动化， 2024 ， 48 （ 13 ）： 79 - 88 .

ZHANG Ziqi ， CHEN Zhong . Transformation mechanisms and characterization methods for flexibility and uncertainty in active distribution networks with multiple entities ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 13 ）： 79 - 88 .

SHANG Y W ， WU W C ， LIAO J W ， et al . Stochastic maintenance schedules of active distribution networks based on Monte-Carlo tree search ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 5 ）： 3940 - 3952 .

SHANG Y W ， WU W C ， GUO J B ， et al . Stochastic dispatch of energy storage in microgrids： an augmented reinforcement learning approach ［J］. Applied Energy ， 2020 ， 261 ： 114423 .

路小俊，吴在军，李培帅，等 . 面向光伏集群的配电网模型-数据联合驱动无功/电压控制［J］. 电力系统自动化， 2024 ， 48 （ 9 ）： 97 - 106 .

LU Xiaojun ， WU Zaijun ， LI Peishuai ， et al . Combined model- and data-driven volt/var control for distribution network with photovoltaic clusters ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 9 ）： 97 - 106 .

NOWAK S ， CHEN Y C ， WANG L W . Measurement-based optimal DER dispatch with a recursively estimated sensitivity model ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 6 ）： 4792 - 4802 .

CHEN Y Z ， SHI Y Y ， ZHANG B S . Data-driven optimal voltage regulation using input convex neural networks ［J］. Electric Power Systems Research ， 2020 ， 189 ： 106741 .

雷江龙，余娟，向明旭，等 . 基于深度神经网络的数据驱动潮流计算异常误差改进策略［J］. 电力系统自动化， 2022 ， 46 （ 1 ）： 76 - 84 .

LEI Jianglong ， YU Juan ， XIANG Mingxu ， et al . Improvement strategy for abnormal error of data-driven power flow calculation based on deep neural network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 1 ）： 76 - 84 .

杨浩，朱宇迪，刘铖，等 . 基于MLSSVR数据驱动的潮流非线性回归及其灵敏度解析［J］. 中国电机工程学报， 2022 ， 42 （ 21 ）： 7706 - 7718 .

YANG Hao ， ZHU Yudi ， LIU Cheng ， et al . Data-driven nonlinear power flow regression and analytical sensitivity calculation using MLSSVR ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 21 ）： 7706 - 7718 .

DU Y ， LI F X . Intelligent multi-microgrid energy management based on deep neural network and model-free reinforcement learning ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1066 - 1076 .

蒲天骄，杜帅，李烨，等 . 面向隐私保护基于联邦强化学习的分布式电源协同优化策略［J］. 电力系统自动化， 2023 ， 47 （ 8 ）： 62 - 70 .

PU Tianjiao ， DU Shuai ， LI Ye ， et al . Collaborative optimization strategy of distributed generators based on federated reinforcement learning for privacy preservation ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 8 ）： 62 - 70 .

ZHANG Q Z ， DEHGHANPOUR K ， WANG Z Y ， et al . Multi-agent safe policy learning for power management of networked microgrids ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 2 ）： 1048 - 1062 .

ZHANG Y ， WANG X N ， WANG J H ， et al . Deep reinforcement learning based volt-VAR optimization in smart distribution systems ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 1 ）： 361 - 371 .

路小俊，吴在军，李培帅，等 . 面向光伏集群的配电网模型-数据联合驱动无功/电压控制［J］. 电力系统自动化， 2024 ， 48 （ 9 ）： 97 - 106 .

GAO Y Q ， WANG W ， YU N P . Consensus multi-agent reinforcement learning for volt-VAR control in power distribution networks ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 4 ）： 3594 - 3604 .

吴文传，张伯明，孙宏斌，等 . 主动配电网能量管理与分布式资源集群控制［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 111 - 118 .

WU Wenchuan ， ZHANG Boming ， SUN Hongbin ， et al . Energy management and distributed energy resources cluster control for active distribution networks ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 111 - 118 .

XU T ， WU W C ， HONG Y W ， et al . Data-driven inverter-based volt/VAR control for partially observable distribution networks ［J］. CSEE Journal of Power and Energy Systems ， 2023 ， 9 （ 2 ）： 548 - 560 .

LI S Y ， WU W C ， LIN Y . Robust data-driven and fully distributed volt/VAR control for active distribution networks with multiple virtual power plants ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 4 ）： 2627 - 2638 .

LI S Y ， WU W C . Data-driven linear-time-variant MPC method for voltage and power regulation in active distribution networks ［J］. IEEE Transactions on Smart Grid ， 2024 ， 15 （ 3 ）： 2625 - 2638 .

GUO Z Z ， WU W C . Data-driven model predictive control method for wind farms to provide frequency support ［J］. IEEE Transactions on Energy Conversion ， 2022 ， 37 （ 2 ）： 1304 - 1313 .

HUANG Z S ， WU W C ， GUO Z Z . Data-driven stochastic model predictive control for regulating wind farm power generation with controlled battery storage ［J］. IET Renewable Power Generation ， 2023 ， 17 （ 14 ）： 3568 - 3581 .

LI P H ， WU W C ， WANG X M ， et al . A data-driven linear optimal power flow model for distribution networks ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 1 ）： 956 - 959 .

CHEN J Q ， WU W C ， ROALD L A . Data-driven piecewise linearization for distribution three-phase stochastic power flow ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 2 ）： 1035 - 1048 .

李鹏华，宋卓然，吴文传 . 部分可观测条件下的配电网数据驱动最优潮流模型［J］. 中国电力， 2023 ， 56 （ 12 ）： 51 - 57 .

LI Penghua ， SONG Zhuoran ， WU Wenchuan . A data-driven optimal power flow model under partial observability ［J］. Electric Power ， 2023 ， 56 （ 12 ）： 51 - 57 .

王思远，吴文传 . 灵活性资源聚合参考模型与量化指标体系［J］. 电力系统自动化， 2024 ， 48 （ 3 ）： 1 - 9 .

WANG Siyuan ， WU Wenchuan . Aggregation reference model and quantitative metric system of flexible energy resources ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 3 ）： 1 - 9 .

SHEN Y K ， WU W C ， SUN S M . Stochastic model predictive control based fast-slow coordination automatic generation control ［J］. IEEE Transactions on Power Systems ， 2024 ， 39 （ 3 ）： 5259 - 5271 .

YANG Y ， WU W C ， XU S W ， et al . Allocating cost of uncertainties from renewable generation in stochastic electricity market： general mechanism and analytical solution ［J］. IEEE Transactions on Power Systems ， 2024 ， 39 （ 2 ）： 4224 - 4239 .

SHEN Y K ， WU W C ， WANG B ， et al . Optimal allocation of virtual inertia and droop control for renewable energy in stochastic look-ahead power dispatch ［J］. IEEE Transactions on Sustainable Energy ， 2023 ， 14 （ 3 ）： 1881 - 1894 .

XU S W ， WU W C . Tractable reformulation of two-side chance-constrained economic dispatch ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 1 ）： 796 - 799 .

LIU H T ， WU W C . Online multi-agent reinforcement learning for decentralized inverter-based volt-VAR control ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 4 ）： 2980 - 2990 .

YANG X ， LIU H T ， WU W C ， et al . Reinforcement learning with enhanced safety for optimal dispatch of distributed energy resources in active distribution networks ［J/OL］. Journal of Modern Power Systems and Clean Energy ［ 2024-04-10 ］. https：//ieeexplore.ieee.org/document/10505133/ https://ieeexplore.ieee.org/document/10505133/ .

LIU H T ， WU W C . Two-stage deep reinforcement learning for inverter-based volt-VAR control in active distribution networks ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 3 ）： 2037 - 2047 .

LIU H T ， WU W C ， WANG Y . Bi-level off-policy reinforcement learning for two-timescale volt/VAR control in active distribution networks ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 1 ）： 385 - 395 .

LIU H T ， WU W C . Federated reinforcement learning for decentralized voltage control in distribution networks ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 5 ）： 3840 - 3843 .

WANG S Y ， WANG X D ， WU W C . Cloud computing and local chip-based dynamic economic dispatch for microgrids ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 5 ）： 3774 - 3784 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Energy Management and Distributed Energy Resources Cluster Control for Active Distribution Networks

自动电压控制中强耦合电厂的协调控制方法

多能源发电微网实验平台及其能量管理信息集成

Voltage Regulation Strategy for Active Distribution Network Based on Multi-agent Deep Reinforcement Learning

Related Author

Wenchuan WU

Boming ZHANG

Hongbin SUN

Bin WANG

Yue YANG

Haotian LIU

Chenhui LIN

Siyuan WANG

Related Institution

State Key Laboratory of Control and Simulation of Power System and Generation Equipments, Tsinghua University

Research Center for Photovoltaic System Engineering Ministry of Education， Hefei University of Technology

Department of Electrical and Computer Engineering， University of New Brunswick， Fredericton New Brunswick

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Technology Co., Ltd.

⁰