CN115940202A - 基于人工智能的多逆变器功率分配控制方法、装置及设备 - Google Patents

Abstract

本发明涉及基于人工智能的多逆变器功率分配控制方法、装置及设备。该方法通过将各个目标逆变器的参数嵌入向量和目标频率输入至训练好的目标频率优化模型中，输出各个目标逆变器的优化频率；然后将各个逆变器的初始频率、优化频率、初始下垂系数、信息向量，以及参数嵌入向量输入至训练好的下垂系数预测模型，输出各个目标逆变器的待调节的预测下垂系数，能够预测出各个目标逆变器在各个预设调节时间段的预测下垂系数，可以对各个目标逆变器在不同时间段分别进行阶梯式下垂控制，确保下垂控制的精确性，实现功率合理分配，提高多逆变器功率分配的稳定性。

Description

基于人工智能的多逆变器功率分配控制方法、装置及设备

技术领域

本发明适用于智能微电网领域，尤其涉及基于人工智能的多逆变器功率分配控制方法、装置及设备。

背景技术

现有技术的微电网系统中，一般采用下垂控制方法实现功率在多个并联逆变器之间的分配。但是，由于多逆变器之间的容量差异、本地负荷差异、馈线阻抗差异等因素的影响，多逆变器并联的功率分配并不合理，导致目前的功率分配控制在理论稳态情况下仍然会出现分配偏差，进而产生系统环流，引发逆变器过流等问题，因此，如何提高多逆变器功率分配的稳定性成为了亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于人工智能的多逆变器功率分配控制方法、装置及设备，以解决现有技术中微电网系统多逆变器并联的功率合理分配问题。

第一方面，提供一种基于人工智能的多逆变器功率分配控制方法，所述多逆变器功率分配控制方法包括：

根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

可选的，将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数，包括：

将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出第一调节时间段进行下垂控制后的预测频率和第二调节时间段进行下垂控制的预测下垂系数；

根据所述预测下垂系数和预测频率，第一次更新所述初始下垂系数和所述初始频率；根据第一调节时间段进行下垂控制的初始频率、初始下垂系数更新所述信息向量；将更新后的所述初始频率、所述初始下垂系数、所述信息向量，以及未更新的所述优化频率再次输入至下垂系数预测模型，输出第二调节时间段进行下垂控制后的预测频率和下一调节时间段进行下垂控制的预测下垂系数；

以此类推，直至将第k次更新后的初始频率、初始下垂系数、信息向量以及所述优化频率输入至下垂系数预测模型后，输出第k+1调节时间段进行下垂控制后的预测频率满足第一预设条件为止，得到各个目标逆变器对应的预测下垂系数序列，所述预测下垂系数序列包括第二调节时间段至第k+1调节时间段分别进行下垂控制的预测下垂系数。

可选的，所述第一预设条件包括：

第k+1调节时间段进行下垂控制后的预测频率与所述优化频率相同，或者第k+1调节时间段进行下垂控制后的预测频率与所述优化频率之间的频率差在预设差值范围内。

可选的，所述目标逆变器的数量与下垂系数预测模型的数量相同，各个目标逆变器对应的下垂系数预测模型的单独训练过程包括：

获取各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，并输入至预设的下垂系数预测模型，得到各个所述样本逆变器的待调节的预测下垂系数，以及进行下垂控制的预测频率；

实时检测按照所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率，根据所述实际频率和所述预测频率计算所述下垂系数预测模型的损失，当所述损失不满足第二预设条件时，调整下垂系数预测模型中的网络参数，再次输入所述各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，直至计算的损失满足所述第二预设条件为止。

可选的，根据所述实际频率和所述预测下垂系数计算所述下垂系数预测模型的损失包括：

第一损失，所述第一损失为各个调节时间段对应的所述实际频率和所述预测频率之间的偏差值；

第二损失，所述第二损失为第k+1调节时间段进行下垂控制的预测下垂系数和未更新前的初始下垂系数之间的偏差值。

可选的，在将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型之前，当所述参数嵌入向量包含已知参数和至少一个未知参数时，还包括以下求解所述参数嵌入向量中未知参数的步骤：

预设所述未知参数的初始值，将含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，输出各个所述目标逆变器在各个调节时间段的预测下垂系数，以及在各个调节时间段进行下垂控制的预测频率；

获取所述目标逆变器在各个调节时间段进行下垂控制的实际频率，根据所述预测频率和所述实际频率计算第三损失；

对所述参数嵌入向量的未知参数进行调整，再次将调整后的含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，直至计算得到的第三损失收敛为止。

可选的，所述目标频率优化模型的训练过程包括：

以各个样本逆变器的参数嵌入向量和目标频率作为训练样本，以检测按照各个所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率为训练标签，对初始的目标频率优化模型进行训练，直到根据模型输出各个目标逆变器的优化频率与训练标签计算的第四损失收敛为止。

可选的，在确定出各个所述目标逆变器的优化频率之后，还包括以下对各个目标逆变器对应的下垂系数预测模型进行协同优化的训练过程：

将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至各个单独训练完成的下垂系数预测模型中，得到各个目标逆变器对应的预测下垂系数序列；

基于各个目标逆变器对应的预测下垂系数序列计算第一方差，以确定第五损失，调整各个目标逆变器的下垂系数预测模型参数，再次将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至调整参数后的各个下垂系数预测模型中，直到计算得到的第五损失收敛为止。

第二方面，提供一种基于人工智能的多逆变器功率分配控制装置，所述多逆变器功率分配控制装置包括：

频率变化量计算模块，用于根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

目标频率分配模块，用于根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

目标频率优化模块，用于根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

下垂系数预测模块，用于获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

控制模块，用于根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的多逆变器功率分配控制方法。

本发明与现有技术相比存在的有益效果是：

本发明通过将各个目标逆变器的参数嵌入向量和目标频率输入至训练好的目标频率优化模型中，输出各个目标逆变器的优化频率；然后将各个逆变器的初始频率、优化频率、初始下垂系数、信息向量，以及参数嵌入向量输入至训练好的下垂系数预测模型，输出各个目标逆变器的待调节的预测下垂系数，能够预测出各个目标逆变器在各个预设调节时间段的预测下垂系数，可以对各个目标逆变器在不同时间段分别进行阶梯式下垂控制，确保下垂控制的精确性，实现功率合理分配，提高多逆变器功率分配的稳定性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种多逆变器功率分配控制方法的一应用环境示意图；

图2是本发明实施例一提供的一种多逆变器功率分配控制方法的流程示意图；

图3是本发明实施例二提供的一种多逆变器功率分配控制方法的流程示意图；

图4是本发明实施例三提供的一种多逆变器功率分配控制装置的结构示意图；

图5是本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种基于人工智能的多逆变器功率分配控制方法，可应用在如图1的应用环境中，其中，监控调度服务端与至少两个并联逆变器的本地控制服务端进行通信。其中，各个服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

参见图2，是本发明实施例一提供的基于人工智能的多逆变器功率分配控制方法的流程示意图，上述多逆变器功率分配控制方法可以应用于图1中的监控调度服务端。如图2所示，该多逆变器功率分配控制方法可以包括以下步骤：

步骤S201，根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

步骤S202，根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

步骤S203，根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

步骤S204，获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

步骤S205，根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

其中，在上述步骤S201中，总频率变化量是根据微电网系统中多个并联的目标逆变器的功率采集数据计算得到的。举例说明，微电网系统包括并联的N个逆变器，N为大于一的整数，在微电网系统出现负载的接入、切断等操作时，会导致微电网的频率发生变化，具体表现为各个目标逆变器的频率变化，因此，可以将各个目标逆变器的频率变化量进行叠加，计算得到总频率变化量，计算式如下：

其中，m_n表示第n个逆变器的初始下垂系数，为预设初始值，ΔP_n表示第n个逆变器的功率变化值，该功率变化值可以通过采集得到两个时间段的功率值之间差值得到。

上述步骤S202中，针对任一目标逆变器，可以根据频率变化量、逆变器数量和该逆变器的初始频率，确定该逆变器的目标频率。由于对逆变器下垂控制的目的使微电网系统的频率稳定，即最终稳态下各个逆变器的频率保持一致，且在出现微电网频率变化之前，默认各个逆变器处于稳态，则根据频率变化量及逆变器数量，可以得到每个逆变器的子频率变化量，计算式如下：

其中，Δω_n为每个逆变器的子频率变化量，N为逆变器的并联数量。

针对任一目标逆变器，根据该逆变器在出现微电网频率变化之前稳态下的初始频率，结合子频率变化量，可以得到该逆变器的目标频率，即该逆变器需要将频率调整为目标频率，目标频率

其中，ω′_n表示第n个逆变器的目标频率，

表示第n个逆变器的初始频率。

需要说明的是，在逆变器频率调整时，具体是通过调整逆变器功率实现的，逆变器功率与逆变器频率之间存在映射关系，映射关系即为下垂系数，本申请中直接以频率为调整对象进行处理。

在上述步骤S203中，参数嵌入向量可以是由目标逆变器的基础运行参数构成的向量，基础运行参数可以包括逆变器的额定容量、额定功率，以及逆变器接入电网的馈线阻抗以及负载等技术参数，这些参数的具体参数值可以根据具体的微电网结构进行采集即可。

并且，根据目标频率优化模型得到目标逆变器的优化频率的物理意义在于，考虑到参数嵌入向量中的各个参数影响因素后，各个目标逆变器实际上需要输出的优化频率。

在上述步骤S204中，将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数，包括：

将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出第一调节时间段进行下垂控制后的预测频率和第二调节时间段进行下垂控制的预测下垂系数；

根据所述预测下垂系数和预测频率，第一次更新所述初始下垂系数和所述初始频率；根据第一调节时间段进行下垂控制的初始频率、初始下垂系数更新所述信息向量；将更新后的所述初始频率、所述初始下垂系数、所述信息向量，以及未更新的所述优化频率再次输入至下垂系数预测模型，输出第二调节时间段进行下垂控制后的预测频率和下一调节时间段进行下垂控制的预测下垂系数；

以此类推，直至将第k次更新后的初始频率、初始下垂系数、信息向量以及所述优化频率输入至下垂系数预测模型后，输出第k+1调节时间段进行下垂控制后的预测频率满足第一预设条件为止，得到各个目标逆变器对应的预测下垂系数序列，所述预测下垂系数序列包括第二调节时间段至第k+1调节时间段分别进行下垂控制的预测下垂系数。示例性的，各个调节时间段可以根据具体需求进行设置，例如均设置为T1＝1s，或者一部分调节时间段预设为T1，另一部分调节时间段预设为T2，且T1≠T2。

其中，上述的下垂系数预测模型为神经网络结构，包括编码器和解码器，编码器用于输入设定的输入量和参数嵌入向量，解码器用于输出预设的输出量，输入量包括初始频率、优化频率、初始下垂系数、信息向量；输出量包括预测下垂系数和预测频率。

并且，上述的输入量需要根据垂系数预测模型迭代的次数进行更新，举例说明：

以初始频率、优化频率、逆变器的初始下垂系数、预设的信息向量作为输入量，将输入量和参数嵌入向量输入训练好的下垂系数预测模型，得到输出量，然后更新输入量，将迭代次数增加一；按照上述过程进行下一次迭代，其中更新的输入量包括：

(1)将输出量中的预测频率和预测系数作为输入量中的初始频率和初始下垂系数；

(2)对于信息向量，信息向量的预设初始值为全为0的向量，用于记录多次迭代过程中的历史信息，例如在第k次迭代时，将第k-1次的输入量中的初始频率和初始下垂系数更新至信息向量中，作为第k次迭代输入量的一部分，更新方式是以初始频率和初始下垂系数替换掉信息向量中最靠前的0向量。示例性的，设初始的信息向量为[0,0,0,0,0,0,0,0]，第n个逆变器对应下垂系数预测模型在第1次迭代后更新的信息向量为[f _n1,m_n1,0,0,0,0,0,0]，第2次迭代后更新的信息向量为[f _n1,m_n1,f _n2,m_n2,0,0,0,0]，第3次迭代后更新的信息向量为[f _n1,m_n1,f _n2,m_n2,f _n3,m_n3,0,0]，以此类推。

可选的是，所述第一预设条件包括：

第k+1调节时间段进行下垂控制后的预测频率与所述优化频率相同，或者第k+1调节时间段进行下垂控制后的预测频率与所述优化频率之间的频率差在预设差值范围内。

当下垂系数预测模型的输出量满足第一预设条件时，得到对应逆变器的预测下垂系数序列，预测下垂系数序列为多次迭代过程中的所有预测下垂系数按迭代顺序排列得到的序列。

可选的是，在上述步骤S204中，所述目标逆变器的数量与下垂系数预测模型的数量相同，各个目标逆变器对应的下垂系数预测模型的单独训练过程包括：

获取各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，并输入至预设的下垂系数预测模型，得到各个所述样本逆变器的待调节的预测下垂系数，以及进行下垂控制的预测频率；

实时检测按照所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率，根据所述实际频率和所述预测频率计算所述下垂系数预测模型的损失，当所述损失不满足第二预设条件时，调整下垂系数预测模型中的网络参数，再次输入所述各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，直至计算的损失满足所述第二预设条件为止。

其中，样本逆变器的优化频率是根据人工经验预设确定的，例如，先计算样本逆变器的目标频率，然后根据样本逆变器的参数，对目标频率进行人工微调，以确定合适的优化频率。

可选的是，根据所述实际频率和所述预测下垂系数计算所述下垂系数预测模型的损失包括：

第一损失，所述第一损失为各个调节时间段对应的所述实际频率和所述预测频率之间的偏差值；

第二损失，所述第二损失为第k+1调节时间段进行下垂控制的预测下垂系数和未更新前的初始下垂系数之间的偏差值。

其中，所述下垂系数预测模型的损失计算式如下：

式中，L_a为下垂系数预测模型的损失，L₁为第一损失，L₂为第二损失，

为样本逆变器的预测频率，ω为样本逆变器的实际频率，MSE为求均方误差，m₀为样本逆变器的初始下垂系数，m′为样本逆变器的预测下垂系数，Q为极大整数，则当m₀小于m′时，第二损失L2趋近于0，否则，第二损失L2极大。

在下垂系数预测模型的损失中考虑上述第二损失的目的在于，用于约束模型中每次输出的预测下垂系数是递增的，使目标逆变器进行阶梯递增式下垂控制。

可选的是，在将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型之前，当所述参数嵌入向量包含已知参数和至少一个未知参数时，需要对参数嵌入向量进行拟合求解，包括以下求解所述参数嵌入向量中未知参数的步骤：

预设所述未知参数的初始值，将含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，输出各个所述目标逆变器在各个调节时间段的预测下垂系数，以及在各个调节时间段进行下垂控制的预测频率；

获取所述目标逆变器在各个调节时间段进行下垂控制的实际频率，根据所述预测频率和所述实际频率计算第三损失(例如计算预测频率和实际频率之间的均方误差)；

对所述参数嵌入向量的未知参数进行调整(已知参数固定不变)，再次将调整后的含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，直至计算得到的第三损失收敛为止。

示例性的，上述参数嵌入向量中允许存在未知参数，但为了保证参数嵌入向量拟合求解的拟合效率，上述未知参数的数量最好小于或者等于3个，例如，某个逆变器的额定容量、本地负荷、馈线阻抗均可以是未知的，在参数嵌入向量中的对应位置以0表示即可。

当所述参数嵌入向量只包含已知参数，不包含和未知参数时，可以直接将参数嵌入向量和目标频率输入训练好的目标频率优化模型中，从而得到优化频率。

可选的是，在上述步骤S203中，目标频率优化模型的结构包括编码器和解码器，编码器用于输入参数嵌入向量和目标频率，解码器用于输出目标逆变器的优化频率，具体的，所述目标频率优化模型的训练过程包括：

以各个样本逆变器的参数嵌入向量和目标频率作为训练样本，以检测按照各个所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率为训练标签，对初始的目标频率优化模型进行训练，直到根据模型输出各个目标逆变器的优化频率与训练标签计算的第四损失收敛为止。

其中，第四损失可以通过计算各个目标逆变器的优化频率与实际频率之间的均方误差得到。

上述步骤S205中，得到各个目标逆变器对应的预测下垂系数序列后，可以确定出各个目标逆变器在各个调节时间段的预测下垂系数，输出各个目标逆变器的下垂控制指令，按照此预测下垂系数在各个调节时间段对应进行逆变器的下垂控制即可。

本实施例的多逆变器功率分配控制方法具有以下优点：

(1)通过专用的神经网络，即目标频率优化模型，合理分配了微电网系统中并联的各个目标逆变器的优化频率，使各个目标逆变器分配到的优化频率考虑到不同目标逆变器的运行参数的影响。

(2)通过专用的神经网络，即下垂系数预测模型，能够预测出各个目标逆变器在各个预设调节时间段的预测下垂系数，可以对各个目标逆变器在不同时间段分别进行阶梯式下垂控制，确保下垂控制的精确性。

(3)在各个目标逆变器对应下垂系数预测模型的单独训练过程中，不仅考虑了各个调节时间段对应实际频率和预测频率之间的损失，还考虑了预测下垂系数和未更新前初始下垂系数之间的损失，从而实现各个目标逆变器的阶梯递增式下垂控制。

(4)各个目标逆变器的参数嵌入向量中即使存在少量参数值缺失，也可以通过求解参数嵌入向量，来计入不同目标逆变器的未知运行参数的影响，提高了目标频率优化模型的频率优化性能。

参见图3，是本发明实施例二提供的一种基于人工智能的多逆变器功率分配控制方法的流程示意图，如图2所示，该多逆变器功率分配控制方法可以包括以下步骤：

步骤S301，根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

步骤S302，根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

步骤S303，根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

步骤S304，获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至经过协同优化训练的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

步骤S305，根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

上述步骤S301～步骤S303，以及步骤S305，对应为实施例一中的步骤S201～步骤S203，以及步骤S205，在实施例一中进行了清楚、完整的介绍，本实施例不再赘述。

上述步骤S304中的各个下垂系数预测模型在进行协同优化训练之前，已经预先按照实施例一步骤中S204中的内容进行了单独训练，得到初步训练完成的下垂系数预测模型，然后在确定出各个目标逆变器的优化频率之后，还需要对各个目标逆变器对应的下垂系数预测模型进行协同优化的训练过程，具体过程如下：

将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至各个单独训练完成的下垂系数预测模型中，得到各个目标逆变器对应的预测下垂系数序列；

基于各个目标逆变器对应的预测下垂系数序列计算第一方差，以确定第五损失，调整各个目标逆变器的下垂系数预测模型参数，再次将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至调整参数后的各个下垂系数预测模型中，直到计算得到的第五损失收敛为止。

上述步骤S304中，需要将N个目标逆变器的输入量和参数嵌入向量分别输入预训练好的对应下垂系数预测模型(有N个预测模型，一个预测模型对应一个目标逆变器)进行迭代，得到N个对应逆变器的预测下垂系数序列，基于N个预测下垂系数序列的长度计算得到第一方差，以第一方差作为第五损失，以第五损失为依据，优化每个目标逆变器对应的垂系数预测模型。

需要说明的是，上述下垂系数预测模型和目标频率优化模型可基于样本逆变器进行提前训练，属于模型的准备阶段；参数嵌入向量拟合求解过程可基于实际逆变器进行拟合求解，属于数据的准备阶段；步骤S304中对预训练好的预测模型的协同优化过程属于具体应用阶段，

在实施例一的多逆变器功率分配控制方法具有的优点基础上，本实施例的多逆变器功率分配控制方法还具有以下优点：

在具体某微电网系统的功率分配实际应用中，确定各个目标逆变器的优化频率后，通过对各个目标逆变器的下垂系数预测模型进行协同优化训练，能够得到更为精准的预测下垂系数，进一步提高了各个目标逆变器之间的下垂控制可靠性。

对应于上文实施例的方法，图4示出了本发明实施例三提供的基于人工智能的多逆变器功率分配控制装置的结构框图，上述多逆变器功率分配控制装置应用于计算机设备，计算机设备通过预设的应用程序接口连接目标数据库。在目标数据库被驱动运行以执行相应的任务时，会产生对应的任务日志，通过API可以采集到上述任务日志。为了便于说明，仅示出了与本发明实施例相关的部分。

参见图4，该多逆变器功率分配控制装置包括：

频率变化量计算模块41，用于根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

目标频率分配模块42，用于根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

目标频率优化模块43，用于根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

下垂系数预测模块44，用于获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

控制模块45，用于根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

可选的是，上述下垂系数预测模块44包括：

下垂系数预测模型，用于输入所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量，输出各个调节时间段进行下垂控制后的预测频率和下一调节时间段进行下垂控制的预测下垂系数；直到输出第k+1调节时间段进行下垂控制后的预测频率满足第一预设条件为止，得到各个目标逆变器对应的预测下垂系数序列，所述预测下垂系数序列包括第二调节时间段至第k+1调节时间段分别进行下垂控制的预测下垂系数；

数据更新单元，用于根据各个调节时间段进行下垂控制后的预测频率和下一调节时间段进行下垂控制的预测下垂系数，更新所述初始下垂系数和所述初始频率。

可选的是，上述下垂系数预测模块44还包括：

条件预设单元，用于设置所述第一预设条件，包括：

第k+1调节时间段进行下垂控制后的预测频率与所述优化频率相同，或者第k+1调节时间段进行下垂控制后的预测频率与所述优化频率之间的频率差在预设差值范围内。

可选的是，上述多逆变器功率分配控制装置中，目标逆变器的数量与下垂系数预测模型的数量相同，各个目标逆变器对应的下垂系数预测模型的单独训练过程包括：

获取各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，并输入至预设的下垂系数预测模型，得到各个所述样本逆变器的待调节的预测下垂系数，以及进行下垂控制的预测频率；

实时检测按照所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率，根据所述实际频率和所述预测频率计算所述下垂系数预测模型的损失，当所述损失不满足第二预设条件时，调整下垂系数预测模型中的网络参数，再次输入所述各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，直至计算的损失满足所述第二预设条件为止。

可选的是，根据所述实际频率和所述预测下垂系数计算所述下垂系数预测模型的损失包括：

第一损失，所述第一损失为各个调节时间段对应的所述实际频率和所述预测频率之间的偏差值；

第二损失，所述第二损失为第k+1调节时间段进行下垂控制的预测下垂系数和未更新前的初始下垂系数之间的偏差值。

可选的是，上述多逆变器功率分配控制装置还包括：

参数嵌入向量求解模块，用于预设所述未知参数的初始值，将含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，输出各个所述目标逆变器在各个调节时间段的预测下垂系数，以及在各个调节时间段进行下垂控制的预测频率；

获取所述目标逆变器在各个调节时间段进行下垂控制的实际频率，根据所述预测频率和所述实际频率计算第三损失；

对所述参数嵌入向量的未知参数进行调整，再次将调整后的含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，直至计算得到的第三损失收敛为止。

可选的是，上述目标频率优化模块43中，所述目标频率优化模型的训练过程包括：

以各个样本逆变器的参数嵌入向量和目标频率作为训练样本，以检测按照各个所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率为训练标签，对初始的目标频率优化模型进行训练，直到根据模型输出各个目标逆变器的优化频率与训练标签计算的第四损失收敛为止。

可选的是，上述多逆变器功率分配控制装置还包括：

协同优化训练模块，用于将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至各个单独训练完成的下垂系数预测模型中，得到各个目标逆变器对应的预测下垂系数序列；

基于各个目标逆变器对应的预测下垂系数序列计算第一方差，以确定第五损失，调整各个目标逆变器的下垂系数预测模型参数，再次将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至调整参数后的各个下垂系数预测模型中，直到计算得到的第五损失收敛为止。

需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个多逆变器功率分配控制方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的多逆变器功率分配控制方法，其特征在于，所述方法包括以下步骤：

根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

2.根据权利要求1所述的多逆变器功率分配控制方法，其特征在于，将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数，包括：

将所述初始频率、所述优化频率、所述初始下垂系数和所述信息向量输入至训练好的下垂系数预测模型，输出第一调节时间段进行下垂控制后的预测频率和第二调节时间段进行下垂控制的预测下垂系数；

根据所述预测下垂系数和预测频率，第一次更新所述初始下垂系数和所述初始频率；根据第一调节时间段进行下垂控制的初始频率、初始下垂系数更新所述信息向量；将更新后的所述初始频率、所述初始下垂系数、所述信息向量，以及未更新的所述优化频率再次输入至下垂系数预测模型，输出第二调节时间段进行下垂控制后的预测频率和下一调节时间段进行下垂控制的预测下垂系数；

以此类推，直至将第k次更新后的初始频率、初始下垂系数、信息向量以及所述优化频率输入至下垂系数预测模型后，输出第k+1调节时间段进行下垂控制后的预测频率满足第一预设条件为止，得到各个目标逆变器对应的预测下垂系数序列，所述预测下垂系数序列包括第二调节时间段至第k+1调节时间段分别进行下垂控制的预测下垂系数。

3.根据权利要求2所述的多逆变器功率分配控制方法，其特征在于，所述第一预设条件包括：

第k+1调节时间段进行下垂控制后的预测频率与所述优化频率相同，或者第k+1调节时间段进行下垂控制后的预测频率与所述优化频率之间的频率差在预设差值范围内。

4.根据权利要求2所述的多逆变器功率分配控制方法，其特征在于，所述目标逆变器的数量与下垂系数预测模型的数量相同，各个目标逆变器对应的下垂系数预测模型的单独训练过程包括：

获取各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，并输入至预设的下垂系数预测模型，得到各个所述样本逆变器的待调节的预测下垂系数，以及进行下垂控制的预测频率；

实时检测按照所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率，根据所述实际频率和所述预测频率计算所述下垂系数预测模型的损失，当所述损失不满足第二预设条件时，调整下垂系数预测模型中的网络参数，再次输入所述各个样本逆变器的初始频率、预设的优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量，直至计算的损失满足所述第二预设条件为止。

5.根据权利要求4所述的多逆变器功率分配控制方法，其特征在于，根据所述实际频率和所述预测下垂系数计算所述下垂系数预测模型的损失包括：

第一损失，所述第一损失为各个调节时间段对应的所述实际频率和所述预测频率之间的偏差值；

第二损失，所述第二损失为第k+1调节时间段进行下垂控制的预测下垂系数和未更新前的初始下垂系数之间的偏差值。

6.根据权利要求4所述的多逆变器功率分配控制方法，其特征在于，在将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型之前，当所述参数嵌入向量包含已知参数和至少一个未知参数时，还包括以下求解所述参数嵌入向量中未知参数的步骤：

预设所述未知参数的初始值，将含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，输出各个所述目标逆变器在各个调节时间段的预测下垂系数，以及在各个调节时间段进行下垂控制的预测频率；

获取所述目标逆变器在各个调节时间段进行下垂控制的实际频率，根据所述预测频率和所述实际频率计算第三损失；

对所述参数嵌入向量的未知参数进行调整，再次将调整后的含有所述未知参数的参数嵌入向量，以及目标逆变器的初始频率、目标频率、初始下垂系数和预设的信息向量输入至训练好的下垂系数预测模型中，直至计算得到的第三损失收敛为止。

7.根据权利要求4所述的多逆变器功率分配控制方法，其特征在于，所述目标频率优化模型的训练过程包括：

以各个样本逆变器的参数嵌入向量和目标频率作为训练样本，以检测按照各个所述样本逆变器的预测下垂系数进行下垂控制过程中的实际频率为训练标签，对初始的目标频率优化模型进行训练，直到根据模型输出各个目标逆变器的优化频率与训练标签计算的第四损失收敛为止。

8.根据权利要求4所述的多逆变器功率分配控制方法，其特征在于，在确定出各个所述目标逆变器的优化频率之后，还包括以下对各个目标逆变器对应的下垂系数预测模型进行协同优化的训练过程：

将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至各个单独训练完成的下垂系数预测模型中，得到各个目标逆变器对应的预测下垂系数序列；

基于各个目标逆变器对应的预测下垂系数序列计算第一方差，以确定第五损失，调整各个目标逆变器的下垂系数预测模型参数，再次将各个目标逆变器的初始频率、优化频率、初始下垂系数、预设的信息向量以及参数嵌入向量输入至调整参数后的各个下垂系数预测模型中，直到计算得到的第五损失收敛为止。

9.基于人工智能的多逆变器功率分配控制装置，其特征在于，所述多逆变器功率分配控制装置包括：

频率变化量计算模块，用于根据微电网系统中并联的各个目标逆变器的功率变化值，确定所述微电网系统的总频率变化量；

目标频率分配模块，用于根据所述微电网系统的总频率变化量以及所述目标逆变器的数量，确定各个所述目标逆变器的目标频率；

目标频率优化模块，用于根据各个所述目标逆变器的运行参数确定逆变器的参数嵌入向量，将所述参数嵌入向量和所述目标频率输入至训练好的目标频率优化模型中，输出各个所述目标逆变器的优化频率；

下垂系数预测模块，用于获取各个所述目标逆变器的初始频率、初始下垂系数和预设的信息向量，将所述初始频率、所述优化频率、所述初始下垂系数、所述信息向量，以及所述参数嵌入向量输入至训练好的下垂系数预测模型，输出各个所述目标逆变器的待调节的预测下垂系数；

控制模块，用于根据各个所述目标逆变器的待调节的预测下垂系数，对对应的目标逆变器进行下垂控制，用以实现目标逆变器之间的功率分配。

10.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的多逆变器功率分配控制方法。

Images