CN108521345A - 一种考虑通信中断的孤岛微电网的信息物理协同应对方法 - Google Patents

Abstract

本发明公开了一种考虑通信中断的孤岛微电网的信息物理协同应对方法，在网络层，提出一种结合图论和改进遗传算法(GA)的路径规划方法来解决通信者之间的通信中断问题。在物理层，针对传感器间通信中断的问题，提出一种结合极限学习机器(ELM)和模型预测控制(MPC)的预测补偿方法。最后用MATLAB验证了本文提出的协同响应策略的有效性。本发明方法可有效解决孤岛微电网二次控制过程中出现的通信中断问题。

Description

一种考虑通信中断的孤岛微电网的信息物理协同应对方法

技术领域

本发明涉及智能电网控制领域，尤其是一种考虑通信中断的孤岛微电网的信息物理协同应对策略的设计方法。

背景技术

信息物理融合系统(CPS)是通信系统和物理系统的结合体。它是一个复杂的系统，包括计算、通信网络和物理实体。其实时监控功能、动态控制功能和自助信息服务的功能是通过3C(控制、计算、通信)技术的有机整合和深度合作而实现的。CPS是实现计算、通信和控制技术集成的下一代工程系统的重点研究对象。随着嵌入式技术和通信技术的快速发展，CPS的概念在电力工程中的应用越来越广泛，从而组成电力信息物理融合系统(即电力CPS)。因为在电力CPS中，控制和管理的各个部分都高度依赖于通信网络，所以当通信网络的数据受到干扰时(可能会由于数据攻击受到干扰)会影响整体系统的性能(比如控制效果和状态稳定性)。IEEE会议于2012年发表了关于这一主题的专辑，讨论了电力CPS的实现模型和安全保护系统。

随着“智能电网”这一研究概念的提出，CPS的概念也开始应用在电网中。微电网(Micro-Grid)也译为微网，是指由分布式电源(DER)、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。且又因为微电网是智能电网的重要组成部分，所以CPS在微电网中的应用与研究也越来越广泛。这也使得基于通信网络的分层控制策略在微网中得到了更广泛的应用。但是将通信网络添加到控制结构中还导致许多通信问题，例如通信中断。通信中断主要发生在传感器和通信器中。而目前，大多数的研究都集中在物理层设计合适的策略来解决中断问题，而忽略了信息层的作用。

发明内容

本发明目的在于提供一种基于分层控制架构并考虑分层控制过程中可能存在传感器和通信器中断情况的考虑通信中断的孤岛微电网的信息物理协同应对方法。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，在信息层中包括通信网络、通信器、传感器和一致性控制环节；

在物理层中包括下垂控制器、功率控制器、一致性控制、二次控制器、虚拟控制器、电压电流双闭环；P-ω/Q-U下垂控制作为孤岛微电网中各DER输出电压和频率的一次控制；

步骤2，在信息层中，提出一种基于图论和改进遗传算法(GA)的路径规划方法，解决了通信者之间的通信中断问题；

步骤3，在物理层中，提出一种结合极限学习器(ELM)和模型预测控制(MPC)的预测补偿方法，解决传感器的通信中断问题；

步骤4，通过搭建合理的实验场景验证该方案的有效性。

进一步的，其特征在于：步骤2中，

2-1，判断中断原因：

基于图论，每个DER对应的通信器均可以视为一个智能体。a_ij代表第i个通信器和第j个通信器之间的连接关系。如果第j个通信器可以连接到第i个通信器，则a_ij为正；否则，a_ij＝0；有向图的邻接矩阵定义为A_a＝a_ij∈R_n×n；

根据中断的原因，消除A_a中相应的元素，然后进行路径规划，构建网络层中的新通信线路。如设第2个通信器不能发送数据，则对应的邻接矩阵变化如下：

2-2，设置目标函数和约束条件

假设有n个DER需要在系统中构造通信线路，且根据基于一致性的二次控制的控制方法，可以得到如下目标函数：

其中，L_ij是第i个通信器与第j个通信器之间的通信距离；sgn代表符号函数；

由于一致性满足的条件是可以构成一条有向生成树，所以针对第i个通信器，可以设置约束条件如下：

1)第i个通信器的容量约束:

其中，C_maxi是第i个通信器允许接入的通信线路的最大个数；

其中，C'_maxi是第i个通信器允许输出的通信线路的最大个数；

2)确保每个DER都被连接在通信路径中：

3)在路径规划中，每一个DER只能取一次：

^～(sgn(a_ij)&sgn(a_ji))＝1 (7)

其中，^～代表进行逻辑非计算；&代表进行逻辑与运算；

4)通信线路长度相等：

L_ij＝L_ji (8)

2-3，改进GA的步骤：

1)确定初始种群个数；

2)选择：1、选择适应度函数为并采用轮盘赌的方法来进行选择(避免早熟)；2、采用精英选择，即将最优个体直接送入下一代(加快收敛速度)；

3)交叉：采用最小代价树寻优；最小代价树步骤：

第1步：选择两个父代个体FA、FB,随机选择一个需求点,并把这个需求点作为子代个体SA的第一个配送需求点；

第2步：搜索ri在FA、FB配送顺序中右边的需求点rj1、rj2，比较距离dis(ri,rj1)和dis(ri,rj2)的大小，如果dis(ri,rj1)＞dis(ri,rj2)，则证明走ri到rj2的路径较优，转step4；

第3步：如果dis(ri,rj1)<dis(ri,rj2)，则证明走ri到rj1的路径较优，则把rj1作为下一个配送的需求点，并删除FA，FB中ri的值，把rj 1的值赋给ri，继续转到step2进行搜索，直到FA、FB中只剩下一个需求点；

第4步：把rj2作为下一个配送的需求点，并删除FA、FB中ri的值，把rj2的值赋给ri，继续转到step2进行搜索，直到FA、FB中只剩下一个需求点；

第5步：最后得到的子代个体SA就是FA、FB向右搜索寻优杂交产生的个体；

变异：采用单点变异；

结束(达到迭代次数要求)。

进一步的，步骤3中，采用m个ELM与MPC相结合的方法进行预测补偿，分为4个步骤：

1)对m个ELMs进行加权

为了使预测误差最小的预测模型具有更大的权重，采用以下方法对每个ELM的权值进行设计：

其中λ_i是第i个ELM在m个ELM中所占的权值；y_i是真实的数据。

经过加权处理后，m个ELM的输出为：

其中，是由ELM_i预测得到的数据。

2)加权后的m个ELM输出的数据再与MPC进行加权处理

其中，y_MPC是由MPC预测得到的数据。

3)得到预测数据

最终的预测数据是：

其中，y_MPC是由MPC预测得到的数据；

4)重新训练m个ELM

如果来自(12)的输出数据与真实值之间存在很大的误差，那么ELMS将被重新训练，然后返回到1)，直到满足误差要求。

与现有技术相比，本发明方法具有如下优点：

1、从信息层和物理层两方面入手，来协同解决通信中断问题，摆脱了以往只考虑在物理层设计解决方案的形式。

2、在信息层中创新性的结合图论和优化理论，并提出了一种改进的遗传算法来对通信器进行路径规划，从而解决在信息层中存在的中断问题。

3、在物理层中，提出了一种结合ELM和MPC的预测补偿方法来解决传感器中存在的通信中断问题。

附图说明

图1为本发明中CPS概念下的第i个DER的协同应对策略简化图。

图2为本发明中2个DER(智能体)的通信连接图。

图3为本发明中路径规划简化图。

图4为本发明中改进GA的流程图。

图5为本发明中预测补偿环节简化图。

具体实施方式

下面结合附图对本发明做进一步说明：

本发明方法包括以下步骤：

步骤1，

1.CPS概念：步骤1信息物理融合系统(CPS)是通信系统和物理系统的结合体，包括计算、网络和物理实体。实时性函数感知、动态控制和信息服务的大型工程系统是通过有机的整合和深度的3C合作(控制、计算、通信)。信息层：在信息层中，各DER均视为一个智能体，且每个智能体均具有两个功能：数据通信和一致性计算；本发明提出的数据补偿方法是通过构建出的内在关系而设计的。在信息层中包括：通信网络、通信器、传感器和一致性控制环节等。物理层：P-ω/Q-U下垂控制作为孤岛微电网中各DER输出电压和频率的一次控制；基于信息层中的通信数据和一致性理论，针对孤岛微电网中各DER输出电压和频率的的二次控制策略也在本发明中被提出。在物理层中包括：下垂控制器，功率控制器，一致性控制，二次控制器，虚拟控制器，电压电流双闭环等。

2.CPS下的微网的控制过程

本发明提出的通信中断的解决方法在分层控制中的应用过程如下：

以图1为例，首先由一次控制器来控制第i个DER和相邻DER的输出数据(例如电压)，然后将每个DER的数据从传感器发送到通信器中；再次，使用路径规划方法来设计通信者之间的通信线路。同时，将通信数据发送到二次控制器；最后，二次控制器获得的控制信号被传送到物理层以完成二次控制。

步骤2，

2.1理论基础

图论简介：多智能体系统的拓扑结构通常用有向图G＝(V,ε)表示，而对于该有向图则是由顶点集合V＝{1,2…,n}和边集合构成。定义该有向图的n个节点表示n个智能体，在有向图中，可以用a_ij表示第i个节点和第j个节点之间的连接关系。如果第j个节点有信息传递至第i个节点，则第j个节点有一条边指向第i个节点，且a_ij＞0，否则a_ij＝0。如果在有向图中,由任意一个顶点到其它每一个顶点都有一条有向路径连接,那么该有向图是强连通的。

一致性:设在通信网络中有n个智能体，分别从1到n进行标记.其中第i个智能体的状态量被记为x_i(i＝1,2,…,n).而且，若在该通信网络中存在一条有向生成树，则各智能体的状态量都会达到一致。根据一致性控制的特性，如今其也被广泛应用于微电网的二次控制中。针对第i个智能体，其一致性协议设计如下：

其中，K_i为一致性增益系数；x_i(t),x_j(t)分别对应第i个智能体和第j个智能体的状态量。

3.通信中断对一致性控制的影响分析

3.1稳定性分析

以图2中的拓扑结构和领导跟随一致性为例来检验中断的影响。该协议定义如下：

分析中断对稳定性的影响

可以表示如下：

其中，x＝[x₁ x₂]^T；u＝x_L.所有系数矩阵都表示如下：

并还有：

为了验证式(4)稳定性,令|sI-A|＝0.即有：

s²+(K₁a₁₂+K₂a₂₁)s＝0 (5)

如果在通信网络中没有通信中断，则有：

即为临界稳定状态。

如果第1个智能体发送的数据不能发送到第2个智能体(在系统中发生通信中断)，则有如下表达式成立：

s²+K₂a₂₁s-K₁K₂a₁₂a₂₁＝0 (7)

此时，会出现实部为正数的复根，使得系统的稳定性大大降低。

2.2.判断中断原因

根据图论知识，每个DER对应的通信器均可以视为一个智能体。采用如图3所示方法来解决通信中断问题。

判断中断原因：其中第一种情况需要及时抢修。本文主要针对后3种情况，来在信息层采取措施解决通信中断问题。

根据中断情况，首先判断能否构成满足一致性控制条件的通信网络，若满足，则进入3；否则，进行抢修或中断信息层中相应通信器的运行。

根据中断情况，在A阵中剔除相应的元素，再进行路径规划。如第2个DER对应的通信器不能发送信息时，相应的A阵变化如下：

2.3.建立目标函数和约束条件

假设有n个DER需要在系统中构造通信线路。目标函数设置如下：

其中，L_ij是第i个通信器与第j个通信器之间的通信距离；sgn代表符号函数.

设置约束条件：

1)第i个通信器的容量约束:

其中，C_maxi是第i个通信器允许接入的通信线路的最大个数。

其中，C_maxi是第i个通信器允许输出的通信线路的最大个数。

确保每个DER都被连接在通信路径中:

在路径规划中，每一个DER只能取一次：

^～(sgn(a_ij)&sgn(a_ji))＝1 (12)

其中，～代表进行逻辑非计算；&代表进行逻辑与运算。

通信线路长度相等:

l_ij＝l_ji (13)

2.4.改进遗传算法的设计

改进遗传算法的步骤如图4所示：

1)确定初始种群个数

2)选择：1.选择适应度函数为并采用轮盘赌的方法来进行选择(避免早熟)；2.采用精英选择，即将最优个体直接送入下一代(加快收敛速度)。

3)交叉：采用最小代价树寻优。最小代价树步骤：

第1步:选择两个父代个体F A、FB,随机选择一个需求点,并把这个需求点作为子代个体SA的第一个配送需求点；

第2步:搜索ri在FA、FB配送顺序中右边的需求点rj1、rj2,比较距离dis(ri,rj1)和dis(ri,rj2)的大小,如果dis(ri,rj1)≥dis(ri,rj2),则证明走ri到rj2的路径较优,转步骤4；

第3步:如果dis(ri,rj1)＜dis(ri,rj2),则证明走ri到rj1的路径较优,则把rj1作为下一个配送的需求点,并删除FA,FB中ri的值,把rj 1的值赋给ri,继续转到步骤2进行搜索,直到FA、FB中只剩下一个需求点；

第4步:把rj2作为下一个配送的需求点,并删除FA、FB中ri的值,把rj2的值赋给ri,继续转到步骤2进行搜索,直到FA、FB中只剩下一个需求点；

第5步:最后得到的子代个体SA就是F A、FB向右搜索寻优杂交产生的个体。

变异：采用单点变异。

结束(达到迭代次数要求)。

步骤3，

采用m个ELM与MPC相结合的方法进行预测补偿。它分为两个步骤如图5所示:

1)对m个ELMs进行加权

为了使预测误差最小的预测模型具有更大的权重，采用以下方法对每个ELM的权值进行设计：

其中y_i是真实的数据；是由ELM_i.预测得到的数据。

经过加权处理后，m个ELM的输出为:

其中，是由ELM_i预测得到的数据。

2)加权后的m个ELM输出的数据再与MPC进行加权处理

3)得到预测数据

最终的预测数据是：

其中y_MPC是由MPC预测得到的数据。

4)重新训练m个ELM

如果来自(12)的输出数据与真实值之间存在很大的误差，那么ELMS将被重新训练，然后返回到1)，直到满足误差要求。

步骤4，通过搭建合理的实验场景验证该方案的有效性。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (3)

1.一种考虑通信中断的孤岛微电网的信息物理协同应对方法，其特征在于，所述方法包括以下步骤：

步骤1，在信息层中包括通信网络、通信器、传感器和一致性控制环节；

在物理层中包括下垂控制器、功率控制器、一致性控制、二次控制器、虚拟控制器、电压电流双闭环；P-ω/Q-U下垂控制作为孤岛微电网中各DER输出电压和频率的一次控制；

步骤2，在信息层中，提出一种基于图论和改进遗传算法(GA)的路径规划方法，解决了通信者之间的通信中断问题；

步骤3，在物理层中，提出一种结合极限学习器(ELM)和模型预测控制(MPC)的预测补偿方法，解决传感器的通信中断问题；

步骤4，通过搭建合理的实验场景验证该方案的有效性。

2.根据权利要求1所述的一种考虑通信中断的孤岛微电网的信息物理协同应对方法，其特征在于：步骤2中，

2-1，判断中断原因：

基于图论，每个DER对应的通信器均可以视为一个智能体；a_ij代表第i个通信器和第j个通信器之间的连接关系；如果第j个通信器可以连接到第i个通信器，则a_ij为正；否则，a_ij＝0；有向图的邻接矩阵定义为A_a＝a_ij∈R_n×n；

根据中断的原因，消除A_a中相应的元素，然后进行路径规划，构建网络层中的新通信线路；如设第2个通信器不能发送数据，则对应的邻接矩阵变化如下：

2-2，设置目标函数和约束条件

假设有n个DER需要在系统中构造通信线路，且根据基于一致性的二次控制的控制方法，可以得到如下目标函数：

其中，L_ij是第i个通信器与第j个通信器之间的通信距离；sgn代表符号函数；

由于一致性满足的条件是可以构成一条有向生成树，所以针对第i个通信器，可以设置约束条件如下：

1)第i个通信器的容量约束:

其中，C_maxi是第i个通信器允许接入的通信线路的最大个数；

其中，C'_maxi是第i个通信器允许输出的通信线路的最大个数；

2)确保每个DER都被连接在通信路径中：

3)在路径规划中，每一个DER只能取一次：

^～(sgn(a_ij)&sgn(a_ji))＝1 (7)

其中，～代表进行逻辑非计算；&代表进行逻辑与运算；

4)通信线路长度相等：

L_ij＝L_ji (8)

2-3，改进GA的步骤：

1)确定初始种群个数；

2)选择：1、选择适应度函数为并采用轮盘赌的方法来进行选择(避免早熟)；2、采用精英选择，即将最优个体直接送入下一代(加快收敛速度)；

3)交叉：采用最小代价树寻优；最小代价树步骤：

第1步：选择两个父代个体F A、FB,随机选择一个需求点,并把这个需求点作为子代个体SA的第一个配送需求点；

第2步：搜索ri在FA、FB配送顺序中右边的需求点rj1、rj2，比较距离dis(ri,rj1)和dis(ri,rj2)的大小，如果dis(ri,rj1)＞dis(ri,rj2)，则证明走ri到rj2的路径较优，转step4；

第3步：如果dis(ri,rj1)<dis(ri,rj2)，则证明走ri到rj1的路径较优，则把rj1作为下一个配送的需求点，并删除FA，FB中ri的值，把rj 1的值赋给ri，继续转到step2进行搜索，直到FA、FB中只剩下一个需求点；

第4步：把rj2作为下一个配送的需求点，并删除FA、FB中ri的值，把rj2的值赋给ri，继续转到step2进行搜索，直到FA、FB中只剩下一个需求点；

第5步：最后得到的子代个体SA就是F A、FB向右搜索寻优杂交产生的个体；

变异：采用单点变异；

结束(达到迭代次数要求)。

3.根据权利要求1所述的一种考虑通信中断的孤岛微电网的信息物理协同应对方法，其特征在于：步骤3中，采用m个ELM与MPC相结合的方法进行预测补偿，分为4个步骤：

1)对m个ELMs进行加权

为了使预测误差最小的预测模型具有更大的权重，采用以下方法对每个ELM的权值进行设计：

其中λ_i是第i个ELM在m个ELM中所占的权值；y_i是真实的数据；

经过加权处理后，m个ELM的输出为：

其中，是由ELM_i预测得到的数据；

2)加权后的m个ELM输出的数据再与MPC进行加权处理

其中，y_MPC是由MPC预测得到的数据；

3)得到预测数据

最终的预测数据是：

其中，y_MPC是由MPC预测得到的数据；

4)重新训练m个ELM

如果来自(12)的输出数据与真实值之间存在很大的误差，那么ELMS将被重新训练，然后返回到1)，直到满足误差要求。