[發明專利]一種模擬空間太陽能電站的全局協同控制方法

有效

• 申請號: 202010224852.4
• 申請日: 2020-03-26
• 公開（公告）號: CN111262275B
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 張超;明正峰;汶濤;諸文智
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H02J3/38
• 分類號: H02J3/38;H02J3/46;H02J3/06;G06F30/27;G06F113/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 朱海臨

1.一種模擬空間太陽能電站的全局協同控制方法，其特征在于，包括以下步驟：

步驟1，提供相應的參考輸入、先驗的訓練樣本數據及可再生能源/負荷的預測信息，所述參考輸入包括底層設備的電壓、電流以及功率；

步驟2，將各底層設備運行狀態信息，作為深度學習和控制網絡的輸入；

所述步驟2中，深度學習包括空間太陽能電站約束的獎勵函數、控制策略評估與訓練權重更新率以及基于深度學習的全局功率控制策略；

步驟3，利用數據分析和智能學習的功能，在大量樣本訓練的基礎上，獲得深度學習網絡協同控制器；

步驟4，經控制器處理，給出空間太陽能電站各智能體參考校正變量Δr₁,Δr₂,...,Δr_n，從而在空間太陽能電站安全運行的約束條件下，實現全局協同控制目標；

所述的空間太陽能電站約束的獎勵函數，具體如下：

深度學習的動態協同規則的目標是確保功率控制在允許的波動最小，其函數表達式為：

其中，J_P表示有功功率最小誤差，P_EM(t)表示有功功率，t表示時間，J_Q表示無功功率最小誤差，J_f表示頻率最小誤差，f(t)表示頻率，J_V表示電壓最小誤差，V(t)表示電壓；

同時，動態協同規則需要滿足網絡功率潮流平衡，網絡狀態約束，不同設備功率及爬坡約束，則有如下約束條件：

其中，i表示節點i，j表示節點j，P_i表示i點有功功率，V_i表示i點電壓，V_j表示j點電壓，G_ij表示電導，δ_i表示i點相角，δ_j表示j點相角，B_ij表示電納，Q_i表示i點無功，V_{i_min}表示i點最小電壓，V_{i_max}表示i點最大電壓，ω_{i_min}表示i點最小角速度，ω_i表示i點角速度，ω_{i_max}表示i點最大角速度，P_{i_min} i點最小有功功率P_{i_max}表示i點最大有功功率，Q_{i_min}表示i點最小無功功率，Q_{i_max}表示i點最大無功功率，P_{i.r_min}表示最小無功功率差，P(t)表示有功功率，P_{i.r_max}表示最大無功功率差；

結合動態協同規則的目標和空間太陽能電站的約束條件，得到深度學習在t＝k時刻的獎勵函數為：

r(k)＝(ΔP_EM(t))²+(ΔQ_EM(t))²+αq_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i) (4)

其中，k表示時間，P_EM表示有功功率，Q_EM表示無功功率，αq_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)為懲罰項，系數α＞＞(ΔP_EM(t))²+(ΔQ_EM(t))²；

當q_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)＝1時，空間太陽能電站狀態不滿足約束條件；當q_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)＝0時，空間太陽能電站狀態滿足約束條件；

所述的控制策略評估與訓練權重更新率包括生成樣本、估計回報與更新策略；生成樣本的方法如下：

在t＝k時刻，采集底層設備運行狀態信息y(k)并記為s₀；以θ(k-1)作為RNN的權重系數，輸入為s₀代入RNN，得到各底層設備控制器提供相應的參考輸入Δu₁,Δu₂,...,Δu_n，記為a₀；在底層設備控制器的作用下，在k+1時刻，底層設備運行狀態信息為s₁，此時令RNN權重系數為θ(k-1)，代入RNN得到各底層設備控制器提供相應的參考輸入a₁，以此類推，得到t＝k時刻為原點，策略RNN作用下的一條軌跡τ＝s₀,a₀,s₁,a₁,…,s_T-1,a_T-1,s_T，該軌跡就是深度學習t＝k時刻的樣本；

根據所得到的深度學習t＝k時刻的樣本，計算協同控制的獎勵，從而得到協同控制策略的估計回報最后，根據控制策略的估計回報，結合隨機梯度上升算法，得到每個時刻的權重更新值；

所述的基于深度學習的全局功率控制策略，采用循環神經網絡，循環神經網絡的輸入為各智能體運行狀態信息，經過RNN的隱層由輸出層為各智能體控制器提供相應的參考輸入Δr₁,Δr₂,...,Δr_n。