CN116231747A - 分布式光伏逆变器控制方法、装置及存储介质 - Google Patents
分布式光伏逆变器控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116231747A CN116231747A CN202211660708.0A CN202211660708A CN116231747A CN 116231747 A CN116231747 A CN 116231747A CN 202211660708 A CN202211660708 A CN 202211660708A CN 116231747 A CN116231747 A CN 116231747A
- Authority
- CN
- China
- Prior art keywords
- self
- learning
- photovoltaic inverter
- graph
- control model
- 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 43
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种分布式光伏逆变器控制方法、装置及存储介质，本发明的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，可以有效避免因大规模光伏接入配电网而导致的电压越限等问题，同时保证尽可能大的有功功率输出。
Description
技术领域
本发明涉及一种分布式光伏逆变器控制方法、装置及存储介质，属于分布式电源及配电网技术领域。
背景技术
光伏组件产生的电能通过光伏逆变器并入交流电网。光伏逆变器(PV inverter或solar inverter)可以将光伏(PV)太阳能板产生的可变直流电压转换为市电频率交流电(AC)的逆变器。目前光伏逆变器通常以固定的最大功率点跟踪(MPPT)控制方法运行，这种控制方法虽然可以实现光伏的输出功率最大化，但是随着规模化分布式光伏逆变器接入配电台区，当超过台区的饱和承载力，会造成电压越限等一系列电能质量问题，给电网的安全运行造成同时很大影响。
发明内容
本发明提供了一种分布式光伏逆变器控制方法、装置及存储介质，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
分布式光伏逆变器控制方法，包括：
获取系统的环境数据和运行数据；
将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
环境数据包括辐照度和温度，运行数据包括光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和相邻电气节点的输入无功功率数据。
自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点。
更新自学习参数过程为：
基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
分布式光伏逆变器控制装置，包括：
获取模块，获取系统的环境数据和运行数据；
自学习模块，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
控制模块，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
自学习模块的自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
自学习模块中，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点。
自学习模块中，更新自学习参数过程为：
基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行分布式光伏逆变器控制方法。
本发明所达到的有益效果：本发明的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，可以有效避免因大规模光伏接入配电网而导致的电压越限等问题，同时保证尽可能大的有功功率输出。
附图说明
图1为光伏逆变器控制方法的流程图；
图2为图卷积神经网络示意图；
图3为光伏逆变器控制的原理框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种光伏逆变器控制方法，包括以下步骤：
步骤1，获取系统的环境数据和运行数据。
步骤2，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立。
步骤3，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
上述方法的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，可以有效避免因大规模光伏接入配电网而导致的电压越限等问题，同时保证尽可能大的有功功率输出。
在实施上述方法之前需要先构建自学习控制模型，即图卷积神经网络，该网络周期性自学习训练，即每间隔一定时间训练依次，时间间隔可根据需要设置，推荐为24小时。
训练的训练样本包括无向图、最新的环境数据和运行数据。无向图：根据系统电气网络拓扑图，构建描述光伏逆变器接入点、相邻电气支路及拓扑关系的无向图。最新的环境数据和运行数据一般为最近3个月的数据，其中，环境数据包括辐照度和温度，运行数据包括光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和相邻电气节点的输入无功功率数据。
图卷积神经网络的结构如图2所示，包括1个输入层、2个隐含层、1个池化层、2个全连接层和1个输出层。
输入层：输入拓扑结构(即无向图)、辐照度、温度、光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和输入无功功率。
隐含层：隐含层数由任意电气节点到其它电气节点的最短路径最大值确定，经实验验证隐含层数选则2层效果较好。
隐含层采用PReLU(参数化修正线性单元)作为激活函数，用公式可表示为：
其中，PReLU(x)为激活函数，x为参数，a作为一个可学习的参数，会在训练的过程中进行更新。
池化层用于缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性。
输出层输出光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率。
可以获取不同光照条件下、不同网络位置的电压越限情况以及正常运行情况，采集温度、辐照度，光伏阵列输出电压、光伏阵列输出电流、光伏阵列输出有功功率、光伏阵列输出无功功率、光伏阵列相邻电气节点电压、光伏阵列相邻电气节点输入有功功率和光伏阵列相邻电气节点输入无功功率，构建训练数据集；从数据集中提取训练图卷积神经网络所需的数据，利用提取的数据训练图卷积神经网络。
通过多次迭代训练，在每次迭代中：
1、训练图卷积神经网络的隐含层参数；
针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；其中，关联矩阵基于无向图建立。
聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点，公式表示如下：
其中，
为当前层当前电气节点的特征，/>
指自身与所有相邻电气节点，Φu,v为第u个电气节点与第v个电气节点间的注意力权重系数，训练时需要学习每个电气节点的注意力权重系数，Wk为聚合权重，/>
为上一层相邻电气节点的特征。
利用图卷积神经网络包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
2、采用使用动量的随机梯度下降法训练全连接层和输出层参数，经多次仿真实验得到：初始学习率选0.12，动量超参数选为0.78。
在实施上述方法时，将无向图、实时采集环境数据和运行数据输入训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
图3采用了基于图卷积神经网络的方法设计自学习优化控制器，与传统基于机理模型的方案相比，神经网络的方法在计算输出结果时具有速度快的优点；同时，图卷积神经网络的方法与其他深度神经网络(如RNN、LSTM等)相比，考虑了电网节点的关联关系，以及关联节点间的相互影响。
基于相同的技术方案，本发明还公开了上述方法的软件装置，分布式光伏逆变器控制装置，包括：
获取模块，获取系统的环境数据和运行数据。
自学习模块，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立。
自学习模块的自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
自学习模块中，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点。
自学习模块中，更新自学习参数过程为：
基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
控制模块，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行分布式光伏逆变器控制方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行分布式光伏逆变器控制方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.分布式光伏逆变器控制方法，其特征在于，包括：
获取系统的环境数据和运行数据；
将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
2.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，环境数据包括辐照度和温度，运行数据包括光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和相邻电气节点的输入无功功率数据。
3.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
4.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点。
5.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，更新自学习参数过程为：
基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
6.分布式光伏逆变器控制装置，其特征在于，包括：
获取模块，获取系统的环境数据和运行数据；
自学习模块，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
控制模块，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
7.根据权利要求6所述的分布式光伏逆变器控制装置，其特征在于，自学习模块的自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
8.根据权利要求6所述的分布式光伏逆变器控制装置，其特征在于，自学习模块中，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的特征求取加权平均值，在聚集特征信息时将注意力权重分配给不同的相邻电气节点。
9.根据权利要求6所述的分布式光伏逆变器控制装置，其特征在于，自学习模块中，更新自学习参数过程为：
基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211660708.0A CN116231747A (zh) | 2022-12-23 | 2022-12-23 | 分布式光伏逆变器控制方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211660708.0A CN116231747A (zh) | 2022-12-23 | 2022-12-23 | 分布式光伏逆变器控制方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116231747A true CN116231747A (zh) | 2023-06-06 |
Family
ID=86575731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211660708.0A Pending CN116231747A (zh) | 2022-12-23 | 2022-12-23 | 分布式光伏逆变器控制方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116231747A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118300104A (zh) * | 2024-06-06 | 2024-07-05 | 国网山西省电力公司太原供电公司 | 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质 |
-
2022
- 2022-12-23 CN CN202211660708.0A patent/CN116231747A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118300104A (zh) * | 2024-06-06 | 2024-07-05 | 国网山西省电力公司太原供电公司 | 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质 |
| CN118300104B (zh) * | 2024-06-06 | 2024-08-09 | 国网山西省电力公司太原供电公司 | 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114362196B (zh) | 一种多时间尺度主动配电网电压控制方法 | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| CN108365608B (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
| CN111709109B (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
| CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
| CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| CN113315164B (zh) | 无功电压控制方法和装置、介质以及计算装置 | |
| CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
| CN115498623A (zh) | 多微电网的储能配置优化方法、装置、设备及存储介质 | |
| CN113342123A (zh) | 一种基于蝴蝶优化算法的mppt控制方法 | |
| CN116231747A (zh) | 分布式光伏逆变器控制方法、装置及存储介质 | |
| CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
| CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
| CN116707036B (zh) | 基于光伏逆变器的无功功率补偿方法、装置以及设备 | |
| CN115313510A (zh) | 一种自适应无功补偿的光伏逆变器控制方法与系统 | |
| CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
| Chen et al. | Reward adaptive wind power tracking control based on deep deterministic policy gradient | |
| Omar et al. | A new optimal control methodology for improving MPPT based on FOINC integrated with FPI controller using AHA | |
| CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 | |
| CN115146936A (zh) | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 | |
| CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 | |
| Okafor et al. | Photovoltaic System MPPT Evaluation Using Classical, Meta-Heuristics, and Reinforcement Learning-Based Controllers: A Comparative Study | |
| Karad et al. | Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller | |
| CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230731 Address after: 211106 2 2 integrity Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu. Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd. Applicant after: NARI Group Corp. Address before: 211106 2 2 integrity Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu. Applicant before: NARI TECHNOLOGY Co.,Ltd. Applicant before: NARI Group Corp. |