CN114430165A - 基于深度模型预测的微网群智能协调控制方法和装置 - Google Patents
基于深度模型预测的微网群智能协调控制方法和装置 Download PDFInfo
- Publication number
- CN114430165A CN114430165A CN202111409902.7A CN202111409902A CN114430165A CN 114430165 A CN114430165 A CN 114430165A CN 202111409902 A CN202111409902 A CN 202111409902A CN 114430165 A CN114430165 A CN 114430165A
- Authority
- CN
- China
- Prior art keywords
- droop coefficient
- microgrid
- external system
- power
- adjustment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 238000007665 sagging Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 5
- 230000001105 regulatory effect Effects 0.000 description 14
- 210000004027 cell Anatomy 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于深度模型预测的微网群智能协调控制方法、装置。针对弱通讯场景下微网群集中控制受到严重影响导致控制效果不佳的问题,该方法提出基于历史调节信息训练生成外部系统等值下垂系数预测模型;各微网控制器根据获取的量测信息预测外部系统等值下垂系数;根据自身下垂系数和外部系统等值下垂系数预测值按比例分摊功率调节量,完成协调控制,进而设计出一种基于深度模型预测的微网群智能协调控制装置。本发明提升了通讯故障情况下微网群的智能化控制效果。
Description
技术领域
本申请涉及微电网控制技术领域,特别是涉及一种基于深度模型预测的微网群智能协调控制方法及装置。
背景技术
近年来,化石能源的逐渐枯竭导致能源危机愈演愈烈,清洁、可再生的分布式能源(DG)迅速发展。为了充分发挥DG的优势,并减小对电力系统的影响,学者们提出了微电网的概念,由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成小型发配电系统。微电网是能实现自我控制、保护和管理的自治系统,不仅能够提高可再生能源的利用率,还能在电网故障状态下保证关键负荷供电,提高供电可靠性。微电网中包含风电、光伏、蓄电池、电容等多种类型组成单元,控制方式多样,且风、光等微源输出功率具有间歇性和不确定,这些因素给微电网的安全稳定运行造成困难。
在相关技术中,针对微网群协调控制,主要集中关注两个方面:(1)从功率平衡的角度考虑,研究源、储、荷综合协调控制策略,维持微网群实时功率平衡;(2)从调节特性角度考虑,提出含储能光/风电站虚拟同步机控制策略,满足微网群调频、调压需求。当前微电网控制器主要考虑微电网的运行安全性和经济性的优化,较少涉及存在通信故障情况时的多元协调互动问题。
目前微电网的运行控制采用的集中能量管理系统,光伏、风机、储能、负荷等各单元均通过通信网络与微电网集中控制连接,功率平衡控制、系统运行优化、故障检测与保护、电能质量治理等功能均有集中控制器实现。单纯采用集中控制方式存在以下不足:(1)高度依赖通信网络,对通信网络的实时性、可靠性要求高,投资大,且一旦通信网络出现故障或者通信数据出错,就不能保证微电网运行控制的效果,轻则影响电能质量,重则威胁微电网运行稳定性;(2)对集中控制器的运算能力和可靠性要求较高,不能充分发挥各控制单元的就地快速处理能力。
因此,在相关技术中,仅仅依靠单一的控制方式,已经不能满足微网群运行可靠性、智能化和经济性的要求,不利于微电网的推广应用和智能配电网的发展。因此,在出现通信故障的情况下,无法快速准确地完成功率分配和频率调节。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速准确地完成功率分配和频率调节的基于深度模型预测的微网群智能协调控制方法及装置。
一种基于深度模型预测的微网群智能协调控制方法,所述方法包括:
步骤一,微网群中各微网的控制器分别实时获取公共母线上的量测信息;
步骤二,根据所述量测信息进行分析,确定当前时刻的自身下垂系数;
步骤三,以采集到的历史调节信息为样本进行训练,生成外部系统等值下垂系数预测模型;
步骤四,将当前时刻量测信息输入训练好的外部系统等值下垂系数预测模型,输出外部系统等值下垂系数预测值;
步骤五,根据自身下垂系数和等值下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量;
步骤六,根据自身功率调节量进行功率调节,判断当前频率是否达到合格范围,若未达到频率合格范围,返回步骤一。
进一步地,所述步骤二中,各微网的控制器通过对所述量测信息中的输出功率变化值与对应的频率变化值进行拟合,获得当前时刻的自身下垂系数。
进一步地,所述步骤三中,历史调节信息采集过程包括:
微网群中各微网的控制器分别实时获取公共母线上的量测信息;
各微网的控制器根据所述量测信息进行分析,确定当前的初步功率调节量:
其中,Δf为频率偏差,ki为自身下垂系数,ΔPi 0为初步功率调节量;
各微网的控制器根据所述当前的初步功率调节量实时进行功率调节,并采集调节信息,所述调节信息包括自身下垂系数、每次调节对应的功率调节量和频率变化量。
进一步地,所述步骤三中,外部系统等值下垂系数预测模型训练过程包括:
将系统等值为内部系统和外部系统两部分,内部系统即自身微网,外部系统即与该微网相连的电力系统其他部分的等值系统;
按照权利要求3所述进行历史调节并预设调节次数,当调节次数达到预设次数时,将采集到的调节信息作为样本,输入到待训练的长短期记忆人工神经网络模型,获得对应的外部系统等值下垂系数预测模型。
进一步地,所述步骤五中,各微网控制器根据自身下垂系数和外部系统下垂系数预测值按比例分摊功率调节量,自身功率调节量计算公式为:
其中,ΔP为系统功率缺额,ki为微网i自身下垂系数,k’为外部系统等值下垂系数预测值,ΔPi为修正后的功率调节量。
进一步地,所述外部系统等值下垂系数预测模型包括输入层、隐含层、记忆层和输出层;
所述输入层由Sigmoid、Tanh激活函数实现;
所述隐含层用于对全部输入的信息进行非线性变换,生成预测值;
所述记忆层用于储存上一时刻由隐含层输出的状态信息;
所述输出层将输入的信息经所述隐藏层再通过激活函数压缩输出。
一种基于深度模型预测的微网群智能协调控制装置,所述装置包括:
量测获取模块,用于微网群中各微网控制器分别实时获取公共母线上的量测信息;
分析模块,用于根据所述量测信息进行分析,确定当前时刻的自身下垂系数;
预测模块,用于训练生成外部系统等值下垂系数预测模型并根据当前时刻量测信息得到外部系统等值下垂系数预测值;
功率调节模块,用于根据自身下垂系数和外部系统下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量并进行功率调节。
判断模块,用于判断系统是否达到频率合格范围,若未达到频率合格范围,返回量测信息获取环节,进行下一轮循环。
附图说明
图1为本发明基于深度模型预测的微网群智能协调控制方法的应用环境图;
图2为本发明基于深度模型预测的微网群智能协调控制方法的流程示意图;
图3为本发明基于深度模型预测的微网群智能协调控制装置的结构图;
图4为本发明一个实施例中仿真过程频率波形图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于深度模型预测的微网群智能协调控制方法,可以应用于如图1所示的应用环境中。微网群中的各个微网接入同一条母线,微网群中包括各个微网,光伏、风电、燃料电池、微型燃汽轮机等都可以看作是微网中的分布式电源,通过基于深度模型预测的微网群智能协调控制方法,微网群中的各个微网共同进行智能协调控制。在出现通信故障的情况下,通过智能协调控制方法解决了无法快速准确地完成功率分配和频率调节的技术问题。
在一个实施例中,如图2所示,提供了一种基于深度模型预测的微网群智能协调控制方法,包括以下步骤:
步骤S1,微网群中各微网的控制器分别实时获取公共母线上的量测信息。
其中,量测信息包括电压、电流、频率的量测信息。微网群内包含n个微网。
步骤S2,根据所述量测信息进行分析,确定当前时刻的自身下垂系数。
具体的,所述步骤S2包括:各微网的控制器通过对所述量测信息中的输出功率变化值与对应的频率变化值进行拟合,获得当前时刻的自身下垂系数。
其中,微网群中各微网根据公共母线的量测信息及自身状态量,确定各微网的初始状态,微网i的初始状态表示为:
其中,n为微网的总个数,V公共母线的电压,f为公共母线的频率,Pi为微网i输出的有功功率,ki为微网i的自身下垂系数,微网i的自身下垂系数由微网i的输出功率值Pi与公共母线的频率f经拟合得到,t为时间变量。
步骤S3,以采集到的历史调节信息为样本进行训练,生成外部系统等值下垂系数预测模型。
具体的,所述步骤S3包括:
S31:历史调节信息采集。
其中,所述历史调节信息采集过程包括:
微网群中各微网的控制器分别实时获取公共母线上的量测信息;
各微网的控制器根据所述量测信息进行分析,确定当前的初步功率调节量:
其中,Δf为频率偏差,ki为自身下垂系数,ΔPi 0为初步功率调节量。
各微网的控制器根据所述当前的初步功率调节量实时进行功率调节,并采集调节信息,所述调节信息包括自身下垂系数、每次调节对应的功率调节量和频率变化量。
S32:外部系统等值下垂系数预测模型训练。
其中,所述外部系统等值下垂系数预测模型训练过程包括:
将系统等值为内部系统和外部系统两部分,内部系统即自身微网,外部系统即与该微网相连的电力系统其他部分的等值系统。
按照权利要求3所述进行历史调节并预设调节次数,当调节次数达到预设次数时,将采集到的调节信息作为样本,输入到待训练的长短期记忆人工神经网络模型,获得对应的外部系统等值下垂系数预测模型。
步骤S4,将当前时刻量测信息输入训练好的外部系统等值下垂系数预测模型,输出外部系统等值下垂系数预测值。
步骤S5,根据自身下垂系数和等值下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量。
具体的,所述步骤S5包括:
各微网控制器根据自身下垂系数和外部系统下垂系数预测值按比例分摊功率调节量,自身功率调节量计算公式为:
其中,ΔP为系统功率缺额,ki为微网i自身下垂系数,k’为外部系统等值下垂系数预测值,ΔPi为修正后的功率调节量。
步骤S6,根据自身功率调节量进行功率调节,判断当前频率是否达到合格范围,若未达到频率合格范围,返回步骤S1。
其中,步骤S6中频率合格范围为50±0.1Hz。
在一个实施例中,所述外部系统等值下垂系数预测模型包括输入层、隐含层、记忆层和输出层;输入层由Sigmoid、Tanh激活函数实现;隐含层用于对全部输入的信息进行非线性变换,生成预测值;记忆层用于储存上一时刻由隐含层输出的状态信息;输出层将输入的信息经隐藏层再通过激活函数压缩输出。
长短期记忆人工神经网络模型主要由输入层、隐含层、记忆层、输出层组成。输入层是输入数据或上一层神经网络的输出,由Sigmoid、Tanh激活函数实现,输入层按需提取信息以控制序列输入,计算公式为:
at=σ(Waht-1+Uaxt+ba)
其中,at为t时刻的输入单元,为t时刻的输入信息;σ为Sigmoid激活函数,tanh为Tanh激活函数;Ua为输入单元输入权重,Uc为细胞状态输入权重;Wa为输入单元循环权重,Wc为细胞状态循环权重;ba为输入单元偏置,bc为细胞状态偏置。
隐含层,又称激励层,其作用是对全部输入进行非线性变换,生成预测值,其激励函数形式为:
其中,为第j个神经元在时刻t的输出值;为第j个神经元在时刻t的状态信息;St-1为所有隐含层神经元在t-1时刻的输出值组成的向量;Ua为输入矩阵X的权重矩阵的第j行;Wa为St-1的权重矩阵第j行;ba为第j个隐含层神经元的偏置值。
记忆层用于储存上一时刻由隐含层输出的状态信息,计算公式为:
ft=σ(Wfht-1+Ufxt+bf)
其中,ft为t时刻遗忘值;σ为Sigmoid激活函数;Uf为记忆层输入权重;Wf为记忆层循环权重;ht-1为t-1时刻由隐含层输出的状态信息;xt为隐含层输入;bf为记忆层偏置。
输出层将输入数据经隐藏层再通过激活函数压缩输出,计算公式为:
ot=σ(Woht-1+Uoxt+bo)
ht=ot*tanh(Ct)
其中,ot为t时刻输出值;σ为Sigmoid为Sigmoid,tanh为Tanh激活函数;Uo为输出层输入权重;Wo为输出层循环权重;ht-1为t-1时刻由隐含层输出的状态信息;xt为隐含层输入;bo为输出层偏置;ht为t时刻由隐含层输出的状态信息;Ct为细胞状态;*为哈达玛积。
细胞状态Ct用于记录当前时刻LSTM神经网络状态,计算公式为:
在一个实施例中,基于深度模型预测的微网群协调控制方法还包括,将上一时刻输出的外部系统等值下垂系数预测值作为当前时刻的反馈数据,与当前时刻采集到的调节信息一起输入到外部系统等值下垂系数预测模型中,输出当前时刻的外部系统等值下垂系数预测值。
其中,通过每一次预测都加入了上一时刻输出的外部系统等值下垂系数预测值作为反馈数据,进入下一轮外部系统等值下垂系数预测值的预测,使得外部系统等值下垂系数预测模型的预测更加准确。
上述基于深度模型预测的微网群协调控制方法,通过微网群中各微网的控制器分别实时获取公共母线上的量测信息;根据所述量测信息进行分析,确定当前时刻的自身下垂系数;以采集到的历史调节信息为样本进行训练,生成外部系统等值下垂系数预测模型;将当前时刻量测信息输入训练好的外部系统等值下垂系数预测模型,输出外部系统等值下垂系数预测值;根据自身下垂系数和等值下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量;根据自身功率调节量进行功率调节,判断当前频率是否达到合格范围,若未达到频率合格范围,返回量测信息获取步骤,完成功率优化分配和频率调节,优化通信故障情况下微网群的协调控制效果,提升微电网运行的安全性和高效性。
为证明上述基于深度模型预测的微网群协调控制方法在通讯故障情况下达到的效果,以三个微网组成的系统为例进行仿真验证,其中,设置仿真时长为2100s,在0s~600s内,微网1出现通信故障;在600s~1500s内,微网1和微网2均存在通信故障情况;在1500s~2100s内,微网3出现通信故障。
其中,所述通信故障情况包括:微电网中的分布式电源与微网控制器之间存在通信故障;微电网之间存在通信故障;微电网与微网群总控制器或配网DMS系统之间存在通信故障。
仿真过程中系统频率波形如图3所示,经统计得出仿真结果:平均收敛步数为3.34,平均计算时间为0.0433s,产生的频率偏差平均值为0.06178。
本申请基于LSTM网络,采用深度学习方法对微网群控制的长短期记忆人工神经网络模型进行训练,具有较快的收敛速度,解决了在相关技术中,通信故障的情况下仅仅依靠单一控制策略无法快速准确地完成功率分配和频率调节的技术问题,且能将微网群频率偏差控制在较小的范围,有利于提升微网运行的可靠性和高效性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种基于深度模型预测的微网群智能协调控制装置,装置包括:量测获取模块、分析模块、预测模块、功率调节模块和判断模块。
量测获取模块,用于微网群中各微网控制器分别实时获取公共母线上的量测信息;
分析模块,用于根据所述量测信息进行分析,确定当前时刻的自身下垂系数;
预测模块,用于训练生成外部系统等值下垂系数预测模型并根据当前时刻量测信息得到外部系统等值下垂系数预测值;
功率调节模块,用于根据自身下垂系数和外部系统下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量并进行功率调节。
判断模块,用于判断系统是否达到频率合格范围,若未达到频率合格范围,返回量测信息获取环节,进行下一轮循环。
关于基于深度模型预测的微网群智能协调控制装置的具体限定可以参见上文中对于基于深度模型预测的微网群智能协调控制方法的限定,在此不再赘述。上述基于深度模型预测的微网群智能协调控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于深度模型预测的微网群智能协调控制方法,其特征在于,所述方法包括:
步骤一,微网群中各微网的控制器分别实时获取公共母线上的量测信息;
步骤二,根据所述量测信息进行分析,确定当前时刻的自身下垂系数;
步骤三,以采集到的历史调节信息为样本进行训练,生成外部系统等值下垂系数预测模型;
步骤四,将当前时刻量测信息输入训练好的外部系统等值下垂系数预测模型,输出外部系统等值下垂系数预测值;
步骤五,根据自身下垂系数和等值下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量;
步骤六,根据自身功率调节量进行功率调节,判断当前频率是否达到合格范围,若未达到频率合格范围,返回步骤一。
2.根据权利要求1所述的基于深度模型预测的微网群智能协调控制方法,其特征在于,所述步骤二中,各微网的控制器通过对所述量测信息中的输出功率变化值与对应的频率变化值进行拟合,获得当前时刻的自身下垂系数。
4.根据权利要求1所述基于深度模型预测的微网群智能协调控制方法,其特征在于,所述步骤三中,外部系统等值下垂系数预测模型训练过程包括:
将系统等值为内部系统和外部系统两部分,内部系统即自身微网,外部系统即与该微网相连的电力系统其他部分的等值系统;
按照权利要求3所述进行历史调节并预设调节次数,当调节次数达到预设次数时,将采集到的调节信息作为样本,输入到待训练的长短期记忆人工神经网络模型,获得对应的外部系统等值下垂系数预测模型。
6.根据权利要求1所述基于深度模型预测的微网群智能协调控制方法,其特征在于,所述外部系统等值下垂系数预测模型包括输入层、隐含层、记忆层和输出层;
所述输入层由Sigmoid、Tanh激活函数实现;
所述隐含层用于对全部输入的信息进行非线性变换,生成预测值;
所述记忆层用于储存上一时刻由隐含层输出的状态信息;
所述输出层将输入的信息经所述隐藏层再通过激活函数压缩输出。
7.一种基于深度模型预测的微网群智能协调控制装置,其特征在于,所述装置包括:
量测获取模块,用于微网群中各微网控制器分别实时获取公共母线上的量测信息;
分析模块,用于根据所述量测信息进行分析,确定当前时刻的自身下垂系数;
预测模块,用于训练生成外部系统等值下垂系数预测模型并根据当前时刻量测信息得到外部系统等值下垂系数预测值;
功率调节模块,用于根据自身下垂系数和外部系统下垂系数预测值按比例分摊功率调节量,计算出自身功率调节量并进行功率调节;
判断模块,用于判断系统是否达到频率合格范围,若未达到频率合格范围,返回量测信息获取环节,进行下一轮循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409902.7A CN114430165A (zh) | 2021-11-25 | 2021-11-25 | 基于深度模型预测的微网群智能协调控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409902.7A CN114430165A (zh) | 2021-11-25 | 2021-11-25 | 基于深度模型预测的微网群智能协调控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114430165A true CN114430165A (zh) | 2022-05-03 |
Family
ID=81311837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111409902.7A Pending CN114430165A (zh) | 2021-11-25 | 2021-11-25 | 基于深度模型预测的微网群智能协调控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114430165A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436013A (zh) * | 2023-06-13 | 2023-07-14 | 中国电力科学研究院有限公司 | 配电系统功率分配方法、系统、计算机设备及存储介质 |
CN116505594A (zh) * | 2023-06-27 | 2023-07-28 | 西安热工研究院有限公司 | 基于误差修正的储能系统可调下垂系数的确定方法及系统 |
CN117996863A (zh) * | 2024-04-07 | 2024-05-07 | 国网浙江省电力有限公司宁波供电公司 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN108565898A (zh) * | 2018-03-02 | 2018-09-21 | 国电南京自动化股份有限公司 | 一种基于神经网络的集散式微电网群能量调度方法 |
CN108923465A (zh) * | 2018-08-03 | 2018-11-30 | 国网福建省电力有限公司 | 混合下垂控制与模型预测电压控制的微网孤岛控制方法 |
-
2021
- 2021-11-25 CN CN202111409902.7A patent/CN114430165A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN108565898A (zh) * | 2018-03-02 | 2018-09-21 | 国电南京自动化股份有限公司 | 一种基于神经网络的集散式微电网群能量调度方法 |
CN108923465A (zh) * | 2018-08-03 | 2018-11-30 | 国网福建省电力有限公司 | 混合下垂控制与模型预测电压控制的微网孤岛控制方法 |
Non-Patent Citations (1)
Title |
---|
张金星 等: "基于自适应下垂控制的直流微电网群分层协调控制", 现代电力, no. 04, 29 December 2017 (2017-12-29), pages 72 - 79 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436013A (zh) * | 2023-06-13 | 2023-07-14 | 中国电力科学研究院有限公司 | 配电系统功率分配方法、系统、计算机设备及存储介质 |
CN116436013B (zh) * | 2023-06-13 | 2023-08-18 | 中国电力科学研究院有限公司 | 配电系统功率分配方法、系统、计算机设备及存储介质 |
CN116505594A (zh) * | 2023-06-27 | 2023-07-28 | 西安热工研究院有限公司 | 基于误差修正的储能系统可调下垂系数的确定方法及系统 |
CN116505594B (zh) * | 2023-06-27 | 2023-10-03 | 西安热工研究院有限公司 | 基于误差修正的储能系统可调下垂系数的确定方法及系统 |
CN117996863A (zh) * | 2024-04-07 | 2024-05-07 | 国网浙江省电力有限公司宁波供电公司 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
CN117996863B (zh) * | 2024-04-07 | 2024-07-09 | 国网浙江省电力有限公司宁波供电公司 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lopez-Garcia et al. | Artificial neural networks in microgrids: A review | |
Mahmud et al. | A cooperative operation of novel PV inverter control scheme and storage energy management system based on ANFIS for voltage regulation of grid-tied PV system | |
CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
CN106877338B (zh) | 含高密度间歇性能源的交直流微电网不确定优化运行方法 | |
CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
Zhang et al. | Research on bi-level optimized operation strategy of microgrid cluster based on IABC algorithm | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
Tao et al. | A human-machine reinforcement learning method for cooperative energy management | |
Chávez-Ramírez et al. | A hybrid power plant (Solar–Wind–Hydrogen) model based in artificial intelligence for a remote-housing application in Mexico | |
Badar et al. | An autonomous hybrid DC microgrid with ANN-fuzzy and adaptive terminal sliding mode multi-level control structure | |
Izzatillaev et al. | Short-term load forecasting in grid-connected microgrid | |
Mumtaz et al. | Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system | |
CN114243727B (zh) | 一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法 | |
Trigkas et al. | Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
Ciabattoni et al. | Online tuned neural networks for fuzzy supervisory control of PV-battery systems | |
Liu et al. | Day‐Ahead Economic Dispatch of Renewable Energy System considering Wind and Photovoltaic Predicted Output | |
Versaci et al. | Fuzzy approach for managing renewable energy flows for DC-microgrid with composite PV-WT generators and energy storage system | |
Zhao et al. | Online transient stability prediction method of microgrid considering different distributed energy resources' interaction under current saturation | |
Li et al. | Optimal configuration of photovoltaic microgrid with improved ant colony dynamic programming | |
Rezk et al. | Hydrogen reduction-based energy management strategy of hybrid fuel cell/PV/battery/supercapacitor renewable energy system | |
Xu et al. | Distributed Reactive Power Optimization for Energy Internet via Multiagent Deep Reinforcement Learning With Graph Attention Networks | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 |
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 |