CN112583039A - 数据-模型联合驱动的交直流配用电系统协调管控方法 - Google Patents

数据-模型联合驱动的交直流配用电系统协调管控方法 Download PDF

Info

Publication number
CN112583039A
CN112583039A CN202011522103.6A CN202011522103A CN112583039A CN 112583039 A CN112583039 A CN 112583039A CN 202011522103 A CN202011522103 A CN 202011522103A CN 112583039 A CN112583039 A CN 112583039A
Authority
CN
China
Prior art keywords
current
value
data
model
power distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011522103.6A
Other languages
English (en)
Other versions
CN112583039B (zh
Inventor
邓卫
裴玮
丁立
肖浩
李琳艳
孔力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN202011522103.6A priority Critical patent/CN112583039B/zh
Publication of CN112583039A publication Critical patent/CN112583039A/zh
Application granted granted Critical
Publication of CN112583039B publication Critical patent/CN112583039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出一种数据‑模型联合驱动的交直流配用电系统协调管控方法，包括如下步骤：第一步：针对交直流配用电系统，建立整体的系统状态空间模型，第二步：针对第一步输出的系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化；第三步：针对第二步输出的系统线性化模型，形成数据驱动所需的训练集；第四步：针对第三步输出的数据驱动训练集，采用深度置信网络对训练集进行训练，获取输入‑输出神经网络，为第五步提供数据‑模型联合驱动神经网络；第五步：针对第四步输出的神经网络，采集交直流配用电系统当前的运行数据，通过数据‑模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控。

Description

数据-模型联合驱动的交直流配用电系统协调管控方法
技术领域
利用直流网来实现多个交流系统的互联互济，形成的多端交直流配用电系统从根本上改变了原有交流配电的结构形态和电网连通能力，使系统具备了灵活可控、多样化的可行拓扑结构和良好的网络连通性，进而为充分发挥广域范围的潮流柔性调控和功率波动分担作用、增强系统可控性带来了本质性的变革，能够在更大空间和时间范围提升多个交流系统的互补互济能力、供电能力以及分布式可再生能源消纳能力。因此，交直流配用电系统成为未来配电的一种重要形式。
值得注意的是，随着分布式能源的迅速增长，交直流配用电系统将向智能化运行方向发展，由于交直流配用电系统中分布式能源和用户数量大，各自可能分属不同主体运营，传统的稳定控制需要构建全系统的状态空间模型，如果降低设计的复杂度，传统基于模型的控制策略需要对分布式能源以及换流站等进行大量简化近似，扩展性差；如果提高求解精度，则存在变量数高，求解困难等瓶颈问题。目前，基于系统状态空间模型的矩阵线性化技术，可以提升交直流配用电系统的稳定控制性能，但随着系统规模的逐步增加，控制器设计日益复杂。而随着新一代信息技术的融合推广，传统配用电系统经历由数据匮乏到信息冗余的深刻转变，为交直流配用电系统协调管控从基于模型驱动逐步转向信息数据驱动提供了强有力的支撑。
发明内容
为了解决上述技术问题，本发明通过数据-模型联合驱动的交直流配用电系统协调管控方法，充分运用人工智能和数据驱动技术，挖掘模型驱动所产生的海量运行数据所蕴含的信息和知识，采用数据-模型联合驱动的新模式支撑交直流配用电系统协调管控，有针对性地降低系统协调管控的实现复杂度，减少系统控制决策的设计工作量，在保障系统稳定运行的前提下提高整体效率。
本发明的技术方案为：一种数据-模型联合驱动的交直流配用电系统协调管控方法，所述交直流配用电系统包括多个电压源型换流站VSC1、VSC2、…VSCm与直流网互联，多个交流系统AC1、AC2、……ACm分别通过其馈线上的各电压源型换流站连接直流网，包括如下步骤：
第一步：针对交直流配用电系统，建立整体的系统状态空间模型，为第二步提供交直流配用电系统状态空间模型；
第二步：针对第一步输出的系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化，为第三步提供系统的线性化模型；
第三步：针对第二步输出的系统线性化模型，形成数据驱动所需的训练集，为第四步提供训练集输入；
第四步：针对第三步输出的数据驱动训练集，采用深度置信网络(deep beliefnetwork，DBN)对训练集进行训练，获取输入-输出神经网络，为第五步提供数据-模型联合驱动神经网络；
第五步：针对第四步输出的神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控。
进一步的，所述第一步：针对交直流配用电系统，建立整体的系统状态空间模型，包括：
针对系统主电路进行建模，设置ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，假定系统扰动情况下，ΔX为系统状态变量的扰动值,ΔIm表示VSCm的直流侧线路电流扰动值,ΔIs1表示VSC1的直流侧线路电流扰动值,ΔIs2表示VSC2的直流侧线路电流扰动值,ΔUdc表示直流母线电压扰动,ΔUs1表示VSC1的直流侧电压扰动值,ΔUs2表示VSC2的直流侧电压扰动值，X表示系统状态变量当前值，X＝[Im,Is1,Is2,Udc,Us1,Us2]T，其中的元素Im表示VSCm的直流侧线路电流当前值,Is1表示VSC1的直流侧线路电流当前值,Is2表示VSC2的直流侧线路电流当前值,Udc表示直流母线电压当前值,Us1表示VSC1的直流侧电压当前值,Us2表示VSC2的直流侧电压当前值，X0表示系统状态变量扰动前的稳态值，X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，其中的元素Im 0表示个扰动前VSCm的直流侧线路电流稳态值,Is1 0表示扰动前VSC1的直流侧线路电流稳态值,Is2 0表示扰动前VSC2的直流侧线路电流稳态值,Udc 0表示扰动前的直流母线电压稳态值,Us1 0表示扰动前VSC1的直流侧电压稳态值,Us2 0表示扰动前VSC2的直流侧电压稳态值，X满足：
X＝X0+ΔX (1)
则系统状态空间模型为：
Figure BDA0002849370070000021
其中：A为状态空间模型的系统矩阵，B为控制矩阵，u为控制量。
进一步的，所述第二步，针对系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化，具体包括如下步骤：
设定权重矩阵Q与R，以及可行解矩阵P为正定对称矩阵，其中Q为k阶对角矩阵，所有元素取值为q1，R为k阶对角矩阵，所有元素取值为r1；k为状态空间模型系统矩阵A的阶数，求解：
P.A+AT.P-P.B.R-1.(B)T.P+Q＝0 (3)
在求取P矩阵之后，存在unew使得A.Δx+B.unew为线性化模型：
unew＝-R-1 BT.P.ΔX (4)
要使得u变化为unew，则需要满足：
unew(1)+Ps1，adc/Us1＝u(1)
unew(2)+Ps2，adc/Us2＝u(2)
其中，Ps1，adc为线性化所需的VSC1功率附加值，Us1为VSC1的直流侧电压；Ps2，adc为线性化所需的VSC2功率附加值，Us2为VSC2的直流侧电压，u(1)代表VSC1的原控制量,unew(1)代表能实现系统线性化的VSC1的新控制量,u(2)代表VSC2的原控制量,unew(2)代表能实现系统线性化的VSC2的新控制量。
进一步的，所述第三步：针对系统线性化模型，形成数据驱动所需的训练集，具体如下：
在某一稳态情况下，X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，当其发生扰动时ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，此时会自动生成功率附加值Ps1，adc以及Ps2，adc，在运行过程中，积累多个类似数据，每一次运行数据分为：Ti和To，
Ti＝{I0 s1,I0 s2,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,Us2}为交直流配用电系统的运行数据；
To＝{Ps1，adc,Ps2，adc}为交直流配用电系统的功率附加值，
每个Ti和To构成一组训练数据T，即每组训练数据T＝{Ti,To}，多组训练数据T形成数据驱动训练集。
进一步的，所述第四步:针对数据驱动训练集，采用深度置信网络DBN对训练集进行训练，获取输入-输出神经网络，具体为：
基于Hinton的对比散度算法(contrastive divergence，CD)权值更新规则为：
Δωmn＝λ(<vmhn>data-<vmhn>recon)
其中λ为权重学习率，<vmhn>data为数据分布期望，<vmhn>recon为一步重构后模型定义的分布；vm表示第m个显性的神经元，hn表示第n个隐性的神经元，ωmn为vm和hn之间边的权值vm，Δωmn表示权值调整值；
权重学习率更新方法为，当权值更新方向连续两次不一致时，则减小步长：
λ(k+1)＝(1-min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
反之，当权值更新方向连续两次一致时，则增加步长：
λ(k+1)＝(1+min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
其中，λ(k+1)代表第k+1次迭代时的权重学习率，λ(k)代表第k次迭代时的权重学习率，a,b为权重系数；通过上述训练，获取对应的神经网络。
进一步的，所述第五步：结合神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控，具体包括：
基于第四步得到的神经网络，采集交直流配用电系统当前的运行数据ri，ri＝{I0 s1,now,I0 s2,now,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,now,Us2,now},其中I0 s1,now表示VSC1的直流侧线路电流当前运行稳态值,I0 s2,now表示VSC2的直流侧线路电流当前运行稳态值,Us1,now表示VSC1的直流侧电压当前运行稳态值,Us2,now表示VSC2的直流侧电压当前运行稳态值，输入至神经网络，得到数据-模型联合驱动的交直流配用电系统协调管控下的当前功率附加值：
ro＝{Ps1，adc,Ps2，adc}，
Ps1，adc为线性化所需的VSC1功率附加值，Ps2，adc为线性化所需的VSC2功率附加值。
有益效果：
本发明通过数据-模型联合驱动的协调管控方法，充分运用人工智能和数据驱动技术，有效利用模型驱动所产生的历史累积运行数据，自动生成矩阵线性化所需的功率附加值，并通过不断更新、增加的运行数据，可以更为精确地调整协调管控策略。本发明提出的一种数据-模型联合驱动的交直流配用电系统协调管控方法，降低了系统协调管控的实现复杂度，提高了整体效率。
交直流配用电系统成为未来配电网的重要形态之一，其系统协调管控是保障系统安全稳定运行的重要基础。本发明提出一种数据-模型联合驱动的交直流配用电系统协调管控方法，弥补现有缺陷，填补技术空白，应用前景广阔。
附图说明
图1为3个交流系统通过多端直流进行互联的结构示意图；
图2系统等效电路结构；
图3本发明的方法流程图；
图4本发明的DBN神经网络。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
图1描述了3个交流系统通过多端直流进行互联的结构，其中单个交流系统通过电压源型换流站(voltage-source converter,VSC)与直流网互联，AC1、AC2、ACm(AC1表示为第1个交流系统，AC2表示为第2个交流系统，ACm表示为第m个交流系统)分别通过其中某条馈线上的VSC1、VSC2、VSCm(VSC1表示为第1个VSC，VSC2表示为第2个VSC，VSCm表示为第m个VSC)连接直流网，其中，VSC1、VSC2、VSCm的交流侧分别接入AC1、AC2、ACm的交流馈线，与此同时三者的直流侧经一定长度线路接入直流母线。直流网可集成光伏等分布式可再生能源、储能系统、电动汽车以及直流负载，其中，当设备直流电压等级与直流母线电压等级不匹配时可配置DC/DC变换器进行转换，部分交流设备如风电，可以通过AC/DC变流器接入直流母线。
忽略VSC1、VSC2、VSCm功率损耗，则主从模式下低压多端直流系统的等效电路结构如图2所示。
其中，VSCm作为主站采用定直流电压控制策略，通过直流线路(rm,Lm)连接直流母线，Um，Im分别表示VSCm的直流侧电压与线路电流(Um可视为恒定)。VSC1、VSC2作为从站，均采用定功率控制策略，分别通过直流线路(rs1,Ls1)和(rs2,Ls2)连接直流母线，Us1,Is1,Cs1以及Ps1分别表示VSC1的直流侧电压、线路电流、直流侧电容以及与AC1的交互功率，Us2,Is2,Cs2以及Ps2分别表示VSC2的直流侧电压、线路电流、直流侧电容以及与AC2的交互功率。储能装置、分布式电源与直流负荷接入直流母线，其中Udc表示直流母线电压，Cdc表示直流母线等效电容，Pbess，Pload，PDG分别表示储能装置功率、直流负荷功率、分布式电源输出功率。为分析需要，将直流负荷与分布式电源进行聚合，以等效负荷进行表示，其功率为Ploadeq＝(Pload-PDG)
本发明提出：一种数据-模型联合驱动的交直流配用电系统协调管控方法，所述交直流配用电系统包括多个电压源型换流站VSC1、VSC2、…VSCm与直流网互联，多个交流系统AC1、AC2、……ACm分别通过其馈线上的各电压源型换流站连接直流网，包括如下步骤：
第一步：针对交直流配用电系统，建立整体的系统状态空间模型，为第二步提供交直流配用电系统状态空间模型；
第二步：针对第一步输出的系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化，为第三步提供系统的线性化模型；
第三步：针对第二步输出的系统线性化模型，形成数据驱动所需的训练集，为第四步提供训练集输入；
第四步：针对第三步输出的数据驱动训练集，采用深度置信网络(deep beliefnetwork，DBN)对训练集进行训练，获取输入-输出神经网络，为第五步提供数据-模型联合驱动神经网络；
第五步：针对第四步输出的神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控。
根据本发明的一个实施例，具体实施如下：
第一步：针对交直流配用电系统，建立整体的系统状态空间模型
对图2所示系统主电路进行建模，在运行工作点附近进行泰勒级数展开，可得系统小信号模型：
Figure BDA0002849370070000061
其中ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，ΔX为系统状态变量的扰动值,ΔIm表示VSCm的直流侧线路电流扰动值,ΔIs1表示VSC1的直流侧线路电流扰动值,ΔIs2表示VSC2的直流侧线路电流扰动值,ΔUdc表示直流母线电压扰动,ΔUs1表示VSC1的直流侧电压扰动值,ΔUs2表示VSC2的直流侧电压扰动值，As为系统小信号模型系统矩阵
Figure BDA0002849370070000071
假定系统扰动情况下，X表示系统状态变量当前值X＝[Im,Is1,Is2,Udc,Us1,Us2]T，其中的元素Im表示VSCm的直流侧线路电流当前值,Is1表示VSC1的直流侧线路电流当前值,Is2表示VSC2的直流侧线路电流当前值,Udc表示直流母线电压当前值,Us1表示VSC1的直流侧电压当前值,Us2表示VSC2的直流侧电压当前值，X0表示系统状态变量扰动前的稳态值X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，其中的元素Im 0表示个扰动前VSCm的直流侧线路电流稳态值,Is1 0表示扰动前VSC1的直流侧线路电流稳态值,Is2 0表示扰动前VSC2的直流侧线路电流稳态值,Udc 0表示扰动前的直流母线电压稳态值,Us1 0表示扰动前VSC1的直流侧电压稳态值,Us2 0表示扰动前VSC2的直流侧电压稳态值；X满足：
X＝X0+ΔX
则系统状态空间模型为：
Figure BDA0002849370070000072
其中：A为状态空间模型的系统矩阵，B为控制矩阵，u为控制量：
Figure BDA0002849370070000073
第二步：针对系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化。
设定权重矩阵Q与R，以及可行解矩阵P为正定对称矩阵，其中Q为k阶对角矩阵，所有元素取值为q1，R为k阶对角矩阵，所有元素取值为r1。k为状态空间模型系统矩阵A的阶数。求解：
P.A+AT.P-P.B.R-1.(B)T.P+Q＝0 (3)
在求取P矩阵之后，存在unew使得A.Δx+B.unew为线性化模型：
unew＝-R-1 BT.P.ΔX (4)
要使得u变化为unew，则需要满足：
unew(1)+Ps1，adc/Us1＝u(1)
unew(2)+Ps2，adc/Us2＝u(2)
其中，Ps1，adc为线性化所需的VSC1功率附加值，Us1为VSC1的直流侧电压；Ps2，adc为线性化所需的VSC2功率附加值，Us2为VSC2的直流侧电压，u(1)代表VSC1的原控制量,unew(1)代表能实现系统线性化的VSC1的新控制量,u(2)代表VSC2的原控制量,unew(2)代表能实现系统线性化的VSC2的新控制量；
第三步：针对系统线性化模型，形成数据驱动所需的训练集
在某一稳态情况下，X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，当其发生扰动时：
ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，此时会自动生成功率附加值Ps1，adc以及Ps2，adc
在运行过程中，可以积累大量的类似数据，每一次运行数据可以分为：Ti和To，
Ti＝{I0 s1,I0 s2,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,Us2}为交直流配用电系统的运行数据。
To＝{Ps1，adc,Ps2，adc}为交直流配用电系统的功率附加值。
每个Ti和To构成一组训练数据T，即每组训练数据T＝{Ti,To}
第四步:针对数据驱动训练集，采用深度置信网络(deep belief network，DBN)对训练集进行训练，获取输入-输出神经网络。
即通过深度置信网络完成对I0 s1,I0 s2,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,Us2、Ps1，adc、Ps2，adc的学习，获取输入-输出神经网络。
DBN可以用于非监督学习和监督学习，由多层的神经元组成，其神经元可以划分为显性的神经元与隐性的神经元。DBN的基本组成元件是受限玻尔兹曼机(RestrictedBoltzmann Machines,RBM)。训练DBN的过程中，(1)首先充分训练首个RBM；(2)固定首个RBM权重和偏移量，使用其隐性的神经元状态作为第二个RBM的输入向量；(3)充分训练第二个RBM，并将第二个RBM堆叠在首个RBM的上方；(4)重复以上步骤直至训练结束。DBN可以采用基于对比散度算法的RBM非监督训练方法和基于BP的有监督微调方法。
其中，本发明的DBN结构如图4所示。其中，RBM的参数中v为显性的神经元，vm表示第m个显性的神经元，h为隐性的神经元，hn表示第n个隐性的神经元，ωmn为vm和hn之间边的权值。基于Hinton的对比散度算法(contrastive divergence，CD)权值更新规则为：
Δωmn＝λ(<vmhn>data-<vmhn>recon)
其中λ为权重学习率，<vmhn>data为数据分布期望，<vmhn>recon为一步重构后模型定义的分布；vm表示第m个显性的神经元，hn表示第n个隐性的神经元，ωmn为vm和hn之间边的权值vm，Δωmn表示权值调整值；
为了避免步长过大或过小导致训练效果不佳，本发明提出一种权重学习率更新方法，即当权值更新方向连续两次不一致时，则减小步长：
λ(k+1)＝(1-min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
反之，当权值更新方向连续两次一致时，则增加步长：
λ(k+1)＝(1+min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
其中，λ(k+1)代表第k+1次迭代时的权重学习率，λ(k)代表第k次迭代时的权重学习率。a,b为权重系数，一般取值为0.5、0.5。
通过上述训练，可以获取对应的神经网络。
第五步：结合神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控。
基于第四步得到的神经网络，采集交直流配用电系统当前的运行数据ri，ri＝{I0 s1,now,I0 s2,now,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,now,Us2,now},其中I0 s1,now表示VSC1的直流侧线路电流当前运行稳态值,I0 s2,now表示VSC2的直流侧线路电流当前运行稳态值,Us1,now表示VSC1的直流侧电压当前运行稳态值,Us2,now表示VSC2的直流侧电压当前运行稳态值，输入至神经网络，得到数据-模型联合驱动的交直流配用电系统协调管控下的当前功率附加值：
ro＝{Ps1，adc,Ps2，adc}。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种数据-模型联合驱动的交直流配用电系统协调管控方法，所述交直流配用电系统包括多个电压源型换流站VSC1、VSC2、…VSCm与直流网互联，多个交流系统AC1、AC2、……ACm分别通过其馈线上的各电压源型换流站连接直流网，其特征在于，包括如下步骤：
第一步：针对交直流配用电系统，建立整体的系统状态空间模型，为第二步提供交直流配用电系统状态空间模型；
第二步：针对第一步输出的系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化，为第三步提供系统的线性化模型；
第三步：针对第二步输出的系统线性化模型，形成数据驱动所需的训练集，为第四步提供训练集输入；
第四步：针对第三步输出的数据驱动训练集，采用深度置信网络(DBN)对训练集进行训练，获取输入-输出神经网络，为第五步提供数据-模型联合驱动神经网络；
第五步：针对第四步输出的神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控。
2.根据权利要求1所述的一种数据-模型联合驱动的交直流配用电系统协调管控方法，其特征在于，所述第一步：针对交直流配用电系统，建立整体的系统状态空间模型，包括：
针对系统主电路进行建模，设置ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，假定系统扰动情况下，ΔX为系统状态变量的扰动值,ΔIm表示VSCm的直流侧线路电流扰动值,ΔIs1表示VSC1的直流侧线路电流扰动值,ΔIs2表示VSC2的直流侧线路电流扰动值,ΔUdc表示直流母线电压扰动,ΔUs1表示VSC1的直流侧电压扰动值,ΔUs2表示VSC2的直流侧电压扰动值，X表示系统状态变量当前值，X＝[Im,Is1,Is2,Udc,Us1,Us2]T，其中的元素Im表示VSCm的直流侧线路电流当前值,Is1表示VSC1的直流侧线路电流当前值,Is2表示VSC2的直流侧线路电流当前值,Udc表示直流母线电压当前值,Us1表示VSC1的直流侧电压当前值,Us2表示VSC2的直流侧电压当前值，X0表示系统状态变量扰动前的稳态值，X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，其中的元素Im 0表示个扰动前VSCm的直流侧线路电流稳态值,Is1 0表示扰动前VSC1的直流侧线路电流稳态值,Is2 0表示扰动前VSC2的直流侧线路电流稳态值,Udc 0表示扰动前的直流母线电压稳态值,Us1 0表示扰动前VSC1的直流侧电压稳态值,Us2 0表示扰动前VSC2的直流侧电压稳态值，X满足：
X＝X0+ΔX (1)
则系统状态空间模型为：
Figure FDA0002849370060000021
其中：A为状态空间模型的系统矩阵，B为控制矩阵，u为控制量。
3.根据权利要求1所述的一种数据-模型联合驱动的交直流配用电系统协调管控方法，其特征在于，所述第二步，针对系统状态空间模型，通过对各VSC实施附加功率，对系统状态空间模型进行线性化，具体包括如下步骤：
设定权重矩阵Q与R，以及可行解矩阵P为正定对称矩阵，其中Q为k阶对角矩阵，所有元素取值为q1，R为k阶对角矩阵，所有元素取值为r1；k为状态空间模型系统矩阵A的阶数，求解：
P.A+AT.P-P.B.R-1.(B)T.P+Q＝0 (3)
在求取P矩阵之后，存在unew使得A.Δx+B.unew为线性化模型：
unew＝-R-1BT.P.ΔX (4)
要使得u变化为unew，则需要满足：
unew(1)+Ps1，adc/Us1＝u(1)
unew(2)+Ps2，adc/Us2＝u(2)
其中，Ps1，adc为线性化所需的VSC1功率附加值，Us1为VSC1的直流侧电压；Ps2，adc为线性化所需的VSC2功率附加值，Us2为VSC2的直流侧电压，u(1)代表VSC1的原控制量,unew(1)代表能实现系统线性化的VSC1的新控制量,u(2)代表VSC2的原控制量,unew(2)代表能实现系统线性化的VSC2的新控制量。
4.根据权利要求1所述的一种数据-模型联合驱动的交直流配用电系统协调管控方法，其特征在于，所述第三步：针对系统线性化模型，形成数据驱动所需的训练集，具体如下：
在某一稳态情况下，X0＝[I0 m,I0 s1,I0 s2,U0 dc,U0 s1,U0 s2]T，当其发生扰动时ΔX＝[ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2]T，此时会自动生成功率附加值Ps1，adc以及Ps2，adc，在运行过程中，积累多个类似数据，每一次运行数据分为：Ti和To，
Ti＝{I0 s1,I0 s2,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,Us2}为交直流配用电系统的运行数据；
To＝{Ps1，adc,Ps2，adc}为交直流配用电系统的功率附加值，
每个Ti和To构成一组训练数据T，即每组训练数据T＝{Ti,To}，多组训练数据T形成数据驱动训练集。
5.根据权利要求1所述的一种数据-模型联合驱动的交直流配用电系统协调管控方法，其特征在于，所述第四步：针对数据驱动训练集，采用深度置信网络DBN对训练集进行训练，获取输入-输出神经网络，具体为：
基于Hinton的对比散度算法(contrastive divergence，CD)权值更新规则为：
Δωmn＝λ(<vmhn>data-<vmhn>recon)
其中λ为权重学习率，<vmhn>data为数据分布期望，<vmhn>recon为一步重构后模型定义的分布；vm表示第m个显性的神经元，hn表示第n个隐性的神经元，ωmn为vm和hn之间边的权值vm，Δωmn表示权值调整值；
权重学习率更新方法为，当权值更新方向连续两次不一致时，则减小步长：
λ(k+1)＝(1-min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
反之，当权值更新方向连续两次一致时，则增加步长：
λ(k+1)＝(1+min{a*|logλ(k)|2+b*|logλ(k)|,eλ(k)})*λ(k)
其中，λ(k+1)代表第k+1次迭代时的权重学习率，λ(k)代表第k次迭代时的权重学习率，a,b为权重系数；通过上述训练，获取对应的神经网络。
6.根据权利要求1所述的一种数据-模型联合驱动的交直流配用电系统协调管控方法，其特征在于，所述第五步：结合神经网络，采集交直流配用电系统当前的运行数据，通过数据-模型联合驱动自适应生成各VSC所需的功率附加值，实现系统的协调管控，具体包括：
基于第四步得到的神经网络，采集交直流配用电系统当前的运行数据ri，ri＝{I0 s1,now,I0 s2,now,ΔIm,ΔIs1,ΔIs2,ΔUdc,ΔUs1,ΔUs2,Us1,now,Us2,now},其中I0 s1,now表示VSC1的直流侧线路电流当前运行稳态值,I0 s2,now表示VSC2的直流侧线路电流当前运行稳态值,Us1,now表示VSC1的直流侧电压当前运行稳态值,Us2,now表示VSC2的直流侧电压当前运行稳态值，输入至神经网络，得到数据-模型联合驱动的交直流配用电系统协调管控下的当前功率附加值：
ro＝{Ps1，adc,Ps2，adc}，
Ps1，adc为线性化所需的VSC1功率附加值，Ps2，adc为线性化所需的VSC2功率附加值。
CN202011522103.6A 2020-12-21 2020-12-21 数据-模型联合驱动的交直流配用电系统协调管控方法 Active CN112583039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011522103.6A CN112583039B (zh) 2020-12-21 2020-12-21 数据-模型联合驱动的交直流配用电系统协调管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011522103.6A CN112583039B (zh) 2020-12-21 2020-12-21 数据-模型联合驱动的交直流配用电系统协调管控方法

Publications (2)

Publication Number Publication Date
CN112583039A true CN112583039A (zh) 2021-03-30
CN112583039B CN112583039B (zh) 2022-11-15

Family

ID=75136662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011522103.6A Active CN112583039B (zh) 2020-12-21 2020-12-21 数据-模型联合驱动的交直流配用电系统协调管控方法

Country Status (1)

Country Link
CN (1) CN112583039B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060282239A1 (en) * 2005-06-08 2006-12-14 Chang Gung University Method of setting-up steady state model of VSC-based multi-terminal HVDC transmission system
CN109995095A (zh) * 2019-03-29 2019-07-09 中国科学院电工研究所 一种基于数据驱动的配用电系统智能运行控制方法
CN111628501A (zh) * 2020-06-18 2020-09-04 国网山东省电力公司济南供电公司 一种交直流大电网暂态电压稳定评估方法及系统
CN111725802A (zh) * 2020-06-03 2020-09-29 杭州电子科技大学 基于深度神经网络的交直流混联电网暂态稳定判断方法
CN112069727A (zh) * 2020-08-20 2020-12-11 国网河南省电力公司经济技术研究院 具备高可信度的电力系统暂态稳定智能化评估系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060282239A1 (en) * 2005-06-08 2006-12-14 Chang Gung University Method of setting-up steady state model of VSC-based multi-terminal HVDC transmission system
CN109995095A (zh) * 2019-03-29 2019-07-09 中国科学院电工研究所 一种基于数据驱动的配用电系统智能运行控制方法
CN111725802A (zh) * 2020-06-03 2020-09-29 杭州电子科技大学 基于深度神经网络的交直流混联电网暂态稳定判断方法
CN111628501A (zh) * 2020-06-18 2020-09-04 国网山东省电力公司济南供电公司 一种交直流大电网暂态电压稳定评估方法及系统
CN112069727A (zh) * 2020-08-20 2020-12-11 国网河南省电力公司经济技术研究院 具备高可信度的电力系统暂态稳定智能化评估系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GE QIU ET AL: "Research on Coordinated Control of Low-Voltage Multi-terminal DC Distribution System Based on Model Predictive Control", 《2019 IEEE 3RD CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 *

Also Published As

Publication number Publication date
CN112583039B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN111564849B (zh) 基于两阶段深度强化学习的电网无功电压控制方法
CN108363306B (zh) 基于线性二次型优化的微电网分布式控制器参数确定方法
CN112117760A (zh) 基于双q值网络深度强化学习的微电网能量调度方法
CN111934335A (zh) 一种基于深度强化学习的集群电动汽车充电行为优化方法
CN108879690B (zh) 一种交直流混合微电网数据驱动控制方法
CN110858718B (zh) 考虑经济性的交流微电网分布式事件驱动的频率控制方法
CN114362187B (zh) 一种基于多智能体深度强化学习的有源配电网协同调压方法及系统
CN104578045A (zh) 独立直流微网智能功率分配方法
CN111259327A (zh) 基于子图处理的多智能体系统一致性问题的优化方法
CN105119289A (zh) 一种多区域电力系统完全分散式动态经济调度方法
CN105680465A (zh) 用于多端柔直输电系统的改进协调控制方法
CN109995095B (zh) 一种基于数据驱动的配用电系统智能运行控制方法
Yin et al. Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN112564189B (zh) 一种有功无功协调优化控制方法
CN106953361A (zh) 交流微电网运行控制方法及装置
CN112583039B (zh) 数据-模型联合驱动的交直流配用电系统协调管控方法
US20240006890A1 (en) Local volt/var controllers with stability guarantees
CN113258574A (zh) 用于直流微电网集群的广义预测功率流动控制算法
CN117595338A (zh) 一种基于改进有限时间一致性的微电网经济优化调度方法
CN106611966A (zh) 多逆变器型交流微电网分布式经济性自动发电控制算法
Xia et al. Optimal secondary control of islanded AC microgrids with communication time-delay based on multi-agent deep reinforcement learning
CN115987086A (zh) 基于神经网络的单开关直流-直流变换器在线控制方法
CN111934307B (zh) 一种用于直流配电网的扁平化运行控制方法及系统
CN114629102B (zh) 一种基于bp神经网络的多电飞机直流供电系统功率分配控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant