本發(fā)明提供了一種基于無功負(fù)荷態(tài)勢的電網(wǎng)無功電壓控制方法包括：獲取無功分區(qū)后的負(fù)荷預(yù)測數(shù)據(jù)；將負(fù)荷預(yù)測數(shù)據(jù)和預(yù)先采集的電網(wǎng)狀態(tài)數(shù)據(jù)輸入到預(yù)先構(gòu)建的Q?Learning模型進(jìn)行深度強(qiáng)化學(xué)習(xí)得到對應(yīng)的樣本數(shù)據(jù)；將樣本數(shù)據(jù)和采集的電網(wǎng)狀態(tài)數(shù)據(jù)輸入預(yù)先構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測數(shù)據(jù)對應(yīng)的電網(wǎng)運(yùn)行特征值控制電網(wǎng)無功電壓；Q?Learning模型將電網(wǎng)狀態(tài)數(shù)據(jù)中上一時刻的數(shù)據(jù)通過雙重Q?Learning計算Q值得到當(dāng)前時刻電網(wǎng)狀態(tài)數(shù)據(jù)并將當(dāng)前時刻電網(wǎng)狀態(tài)數(shù)據(jù)作為樣本數(shù)據(jù)；深度卷積神經(jīng)網(wǎng)絡(luò)模型將樣本數(shù)據(jù)通過卷積運(yùn)算并進(jìn)行降維處理得到電網(wǎng)運(yùn)行特征值；電網(wǎng)狀態(tài)數(shù)據(jù)包括電網(wǎng)的結(jié)構(gòu)數(shù)據(jù)和電網(wǎng)運(yùn)行設(shè)備的數(shù)據(jù)；采用深度卷積神經(jīng)網(wǎng)絡(luò)模型提取電網(wǎng)運(yùn)行特征提升了算法效率。