电力系统无功优化是指在某种运行方式下,以满足各种控制变量约束、状态变量约束和潮流约束的前提下,通过优化控制变量(如变压器分接头位置、无功补偿装置投入容量)的取值,使系统的有功损耗、电压质量等单目标或者综合多目标最优。传统的数学方法有:非线性规划法、线性规划法、内点法、序列二次规划法、简化梯度法、牛顿法等,这些方法各有一定的适应性和优越性。随着计算机运行速度的提高和人工智能的发展,越来越多的智能算法应用在无功优化中,如粒子群算法、遗传算法、群搜索算法、蜂群算法、强化学习算法等。然而对于这种高维、复杂、非线性问题的优化计算,其优化效果和计算时间往往很难直接应用于实际电力系统的运行控制中。一方面,随着能源和气候问题的日益突显,实现低碳电力,加大节能减排已成为行业需求。为满足节能减排的要求,建立既考虑有功损耗又涵盖二氧化碳排放的多目标无功优化模型是响应低碳减排的重要举措。另一方面,随着大规模风、光和电动汽车从配电网侧接入,更多大容量、超高压的电力设备和新型电力元件通过电网连接在一起,使电网变得更加复杂,数据海量、通信瓶颈和协调互动问题也随之产生。多个自律协同的能量管理系统(energy management system,EMS)的分布式构架是未来智能电网的发展趋势,传统的集中式无功优化算法就难以适应分布协同的EMS框架,因此亟需提出适用于智能电网的分散式协同无功优化算法。因此,为适应智能电网“分散自治、集中协调”的发展趋势,以及电网低碳环保与节能减排的需要,本文构建了多区域分散协同的碳-能复合流无功优化框架,在无功优化模型中将电网侧碳排放作为控制目标之一。基于一致性概念,在Q学习算法的自学习过程基础上,引入了与相邻智能体值函数的一致性交互,提出了单主体Q学习算法与多主体Q学习算法,并将其应用于IEEE标准节点算例中,仿真效果表明所提算法具有较好的寻优性能,有效实现了区域内“自治”、区域间“协调”的快速无功优化。