CN112909954B - 一种基于生成对抗神经网络的微电网分层控制策略 - Google Patents
一种基于生成对抗神经网络的微电网分层控制策略 Download PDFInfo
- Publication number
- CN112909954B CN112909954B CN202011600878.0A CN202011600878A CN112909954B CN 112909954 B CN112909954 B CN 112909954B CN 202011600878 A CN202011600878 A CN 202011600878A CN 112909954 B CN112909954 B CN 112909954B
- Authority
- CN
- China
- Prior art keywords
- delay
- voltage
- formula
- frequency
- time delay
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 95
- 238000011217 control strategy Methods 0.000 title claims abstract description 21
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 155
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000003795 chemical substances by application Substances 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000007665 sagging Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005530 etching Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于生成对抗神经网络的微电网分层控制策略,包括物理层和信息层,物理层包括功率计算、下垂控制、二次控制、电压电流双闭环以及PWM信号产生器;信息层包括考虑通信时变时延的电压预测补偿器、频率预测补偿器以及通信网络,本发明实现了不同通信时延条件下的电压与频率控制,保证了微电网***在通信时延下的稳定性,为通信时延下的微电网***的电压、频率控制提供了一种新的方法。
Description
技术领域
本发明涉及智能电网控制领域,尤其是一种基于生成对抗神经网络的微电 网分层控制策略。
背景技术
随着社会经济的快速发展和生活质量的不断提高,人们对电力能源的需求 和要求也逐渐增加。光伏、风力发电等分布式发电单元由于其具有的清洁性、 高效性已经被广泛应用于电网领域,为了解决分布式电源和传统电网间的矛盾, 提高电力***的经济性、可靠性,微电网的概念被众多学者提出。目前微电网 普遍采用下垂控制实现***的即插即用,但由于下垂控制为有静差控制,稳态 时***电压与频率会与参考值存在偏差,因此需要添加二次控制或改进下垂进 行电压与频率的补偿。传统的二次控制中微电网电压控制采用集中式控制方式, 但该控制方式需要所有发电单元的信息,对于通信网络有着较强的依赖性以及 较高的要求,并且控制过程中需要大量计算,因此集中控制不可靠且不经济;分布式控制利用相邻单元的信息进行信息互换,实现全局控制,大大减少了通 信的依赖性以及计算量,相比于集中控制而言更加稳定可靠,因此分布式控制 被越来越多的应用到微电网控制中。虽然分布式发电降低了通信的依赖程度, 但通信的融入不可避免的会产生时变时延,邻居智能体存在的时变时延仅对系 统的收敛时间产生影响,而本地智能体存在的时变时延会对***的稳定性和安 全性产生极大影响。因此,如何设计一种通信时变时延下的控制策略,解决本 地智能体的通信时变时延所导致的***电能质量不稳定问题,保证***良好的 动态性能,是目前智能电网一个重要研究方向。
发明内容
本发明需要解决的技术问题是提供一种基于生成对抗神经网络的微电网分 层控制策略,基于分布式控制策略对信息传输时的通信时变时延进行考虑,设 计了一种可行、灵活、可靠的电压、频率分层控制策略,进而保证在时变时延 的通信下,能够通过该方法解决智能体的通信时变时延对微电网所造成的*** 电压、频率不稳定问题。
为解决上述技术问题,本发明所采用的技术方案是:一种基于生成对抗神 经网络的微电网分层控制策略,包括物理层和信息层,物理层包括功率计算、 下垂控制、二次控制、电压电流双闭环以及PWM信号产生器;信息层包括考虑 通信时变时延的电压预测补偿器、频率预测补偿器以及通信网络;微电网的分 层控制流程具体如下:
S1、将分布式发电单元输出的电压与电流经过Park变换后输入至功率计算 进行计算得到有功功率Pi和无功功率Qi;
S2、将功率计算环节输出的有功功率Pi和无功功率Qi输入至下垂控制得到 生成的频率ωi和电压Ui;
S3、将下垂控制生成的频率ωi和电压Ui作为通信数据,并与邻居智能体通 过通信网络进行交互;
S4、通过通信网络的数据进入考虑通信时变时延的电压预测补偿器、频率 预测补偿器,对微电网的电压和频率进行预测补偿;
S5、利用电压预测补偿器和频率预测补偿器的输出,使用PI控制器完成系 统的二次控制环节;
S6、二次控制经过电压合成得到合成电压Ui∠θi并输入至电压电流双闭环 中,其中θi为频率对应的角度,θi具体计算公式如下:
θi=∫ωidt, (1)
S7、电压电流双闭环将输出的控制信号通过PWM信号生成器输出至分布式 发电单元。
本发明技术方案的进一步改进在于:所述步骤S4中电压预测补偿器、频率 预测补偿器包括上层控制架构、中层控制架构和下层控制架构,所述上层控制 架构包括LSTM通信时延神经网络和考虑通信时延的事件触发机制,所述中层控 制架构包括改进的GAN时延生成器,所述下层控制架构包括电压、频率预测BP 神经网络和两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性 控制器,所述LSTM通信时延神经网络将历史实际通信时延进行数据预处理后, 送至LSTM通信时延神经网络不断训练,输出时延预测序列;求出t时刻***临 界稳定时所允许的最大通信时延,判断预测的时延值与允许的最大通信时延的 大小,当预测的时延值小于最大允许通信时延时为稳定时延,此时将智能体i 输出的电压和频率分别直接输入至两模态下的电压虚拟领导者一致性控制器、 频率虚拟领导者一致性控制器;当预测的时延值大于等于允许的最大通信时延 时为不稳定时延,此时考虑通信时延的事件触发机制被触发,包含不稳定时延 的时延预测序列被输送至改进的GAN时延生成器,所述改进的GAN时延生成器 将上层控制架构输出的包含不稳定时延的时延预测序列和历史实际稳定时延序 列进行博弈,学习历史实际稳定时延的分布,最终将上层控制构架输出的包含 不稳定时延的时延预测序列生成为符合历史分布的稳定时延序列;改进的GAN 时延生成器生成的稳定时延序列和采集的智能体i的电压、频率序列分别传送 至电压预测BP神经网络、频率预测BP神经网络进行二维数据预测,输出稳定 时延输送下的智能体i的电压预测值与频率预测值,将电压预测值与频率预测 值输入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控 制器,实现通信时延下微电网的电压、频率的预测补偿控制。
本发明技术方案的进一步改进在于:求t时刻***临界稳定时所允许的最 大通信时延具体如下:
当智能体i与邻居智能体j均存在时变时延时,令智能体i和邻居智能体j 的通信时延相同,且t时刻下通信时延为τ(t),xi(t-τ(t))和xj(t-τ(t))代表考虑 时延后智能体i和邻居智能体j的状态信息,xL(t)为虚拟领导者L在t时刻输 出的状态信息,则智能体i和邻居智能体j的考虑通信时变时延的虚拟领导者 一致性协议如式(11)所示:
在t时刻,各智能体通信时延为固定值τ,上式可变为式(12)所示:
式(11)和式(12)中n为智能体数量,k1和k2为考虑通信时延的虚拟领 导者一致性协议的控制参数,aij表示智能体i和邻居智能体j间的通信连接, 相连时aij>0,否则为0,bi表示智能体i和虚拟领导者L之间的通信连接,相 连时bi>0,否则为0;
将***的稳定性问题转化到频域进行分析,使式(12)能够全局收敛实现 稳定性,如式(13)所示:
[SI+(k1L+k2B)e-τs]X(S)=k2bXL(S)+X(0) (13)
其中,式(13)中L为微电网多智能体网络通信连接的拉普拉斯矩阵,其 中元素可表示为且/>
令G(S)=[SI+(k1L+k2B)e-τs]为***的特征方程,取k1L+k2B的第k个特征 向量为vk,所对应的特征值记为λk,为了***实现稳定,则式(14):
s+λke-τs=0, (14)
令s=jω带入式(14)后得到式(15)至(18):
(ω-λk)2+2ωλk[1-sin(ωτ)]=0, (16)
式(18)中λn为最大特征值,τ*为t时刻所允许最大通信时延。
本发明技术方案的进一步改进在于:所述改进的GAN时延生成器包括生成 器G和判别器D,所述生成器G采用参数为θG的全连接层神经网络,生成器G 用于生成虚假稳定时延序列,所述判别器D采用参数为θD的全连接层神经网络, 判别器D用于判断数据的真假性,所述生成器G的输入数据用预测所得的含不 稳定时延的时延序列代替原始的噪声序列,其中/>为预测的不 稳定时延数据,/>为预测的稳定时延数据,输出数据为生成的虚假时延序列 τG'=(τ1G',τ2G',…,τnG');判别器D的输入数据包括生成器G生成的虚假时延序列 τG'=(τ1G',τ2G',…,τnG')以及历史实际稳定时延序列τ=(τ1,τ2,…,τn),输出生成的虚假时延序列 是否属于真实时延序列的概率;通过生成器G与判别器D的博弈训练,生成器G 最终可将预测所得的含不稳定时延的时延序列/>生成为符合历 史稳定时延分布的虚假稳定时延序列τG=(τ1G,τ2G,…,τnG);
原有生成器G的损失函数如式(19)所示:
改进的生成器G的目标函数如式(20)所示:
其中
式(21)为Huber损失函数,其中的δ为设定的真实时延与生成时延间的误 差阈值,式(20)中的表示时延序列/>期望分布,/>表示用时延预测序 列/>生成的虚假稳定时延τG序列是否真实的概率,λ1和λ2分别为原有生成器G的 损失函数和Huber损失的权重,权重数值大小根据式(22)计算所得:
判别器G的目标函数如式(23)所示:
式(23)中,Eτ~P(τ)表示历史实际稳定时延序列τ的数学期望,D(τ)表示时延 序列τ的真实性概率;
根据式(20)和式(23),利用随机梯度下降法对生成器G和判别器D进行 训练,首先,依照式(24)计算判别器梯度,并利用Adam算法计算判别器参数 更新值,通过式(25)更新判别器网络参数:
θD(k+1)=θD(k)+ΔθD(k), (25)
式(25)中ΔθD(k)为第k次迭代后经Adam算法得到的判别器参数更新值;
其次,当判别器G循环训练k次后,固定训练后的判别器G网络参数不变, 单独对生成器D进行一次训练,依照式(26)计算生成器梯度,并利用Adam算 法计算生成器参数更新值,通过式(27)更新生成器网络参数:
θG(k+1)=θG(k)-ΔθG(k), (27)
式(27)中ΔθG(k)为经过Adam算法得到的生成器参数更新值;
经过训练后的生成对抗神经网络能够生成虚假稳定时延序列τG,并将τG传 送至下层控制的电压预测BP神经网络和频率预测BP神经网络中。
本发明技术方案的进一步改进在于:所述步骤S5中,电压、频率二次 控制环节均采用PI控制器分别实现电压补偿以及频率补偿,电压的反馈量 以及频率反馈量分别如式(43)、式(44)所示:
δUi(t)=kPUieui(t)+kIUi∫eui(t)dt, (43)
δωi(t)=kPωieωi(t)+kIωi∫eωi(t)dt, (44)
式(43)中,kPUi和kIUi为电压二次控制环节参数,eUi(t)为t时刻的电压误 差,其表达方式如式(45);式(44)中,kPωi和kIωi为频率二次控制环节参 数,eωi(t)为t时刻的频率误差,其表达方式如式(46):
eUi(t)=∫uui(t)dt-Uref, (45)
eωi(t)=∫uωi(t)dt-ωref, (46)
根据式(3)与式(43)、式(44),得到经过二次控制后,智能体i所 输出的电压和频率为:
将经过二次控制后输出的电压和频率输入至电压合成环节。
由于采用了上述技术方案,本发明取得的技术进步是:本发明针对通信时 变时延下的电压、频率控制,设计了一种基于生成对抗神经网络的微电网分层 控制策略,其中,信息层中提出的考虑通信时变时延的电压预测补偿器、频率 预测补偿器,基于数据驱动的思想首先设计了获取通信时延的LSTM通信时延神 经网络,能够有效准确的对***未来的通信时延进行预测,解决了测量通信时 延的繁琐性;给出***临界稳定时所允许的最大通信时延,当预测的时延值大 于等于允许的最大通信时延时,将其定义为不稳定时延,针对不稳定时延提出 并设计了一种基于改进GAN的时延生成器,能够快速有效的将包含不稳定时延 的时延预测序列生成与历史实际稳定时延序列样本相似的时延序列;其次分别 设计了电压预测BP神经网络和频率预测BP神经网络,通过输入稳定时延与采 集的电压和频率,能够对经过稳定时延传输后的电压与频率进行准确预测;最 后根据通信时延大小,分别设计了两模态切换下电压虚拟领导者一致性控制器 与频率虚拟领导者一致性控制器,物理层中利用PI控制器弥补传统下垂造成的 电压偏差与频率偏差,由此完成二次控制环节,实现了不同通信时延条件下的 电压与频率控制,保证了微电网***在通信时延下的稳定性,为通信时延下的 微电网***的电压、频率控制提供了一种新的方法。
附图说明
图1是本发明通信时延下分层控制架构图;
图2是本发明电压、频率预测补偿器结构图;
图3是本发明LSTM通信时延神经网络;
图4是本发明时延生成器结构图;
图5是本发明电压预测BP神经网络结构图;
图6是本发明频率预测BP神经网络结构图;
图7是本发明电压、频率二次控制结构图。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
如图1所示,一种基于生成对抗神经网络的微电网分层控制策略,包括物 理层和信息层,物理层包括功率计算、下垂控制、二次控制、电压电流双闭环 以及PWM信号产生器;信息层包括考虑通信时变时延的电压预测补偿器、频率 预测补偿器以及通信网络;微电网的分层控制流程具体如下:
S1、将分布式发电单元输出的电压与电流经过Park变换后输入至功率计算 进行计算得到有功功率Pi和无功功率Qi,功率计算进行计算有功功率Pi和无功 功率Qi的具体公式如下:
式(2)中,Uod、Uoq、Iod和Ioq分别为分布式发电单元中逆变器输出的电 压与电流经过Park变换后,得到的在d轴和q轴的分量;
S2、将功率计算环节输出的有功功率Pi和无功功率Qi输入至下垂控制得到 生成的频率ωi和电压Ui,具体公式如下:
式(3)中,ωref和Uref分别为分布式发电单元中频率和电压的额定值,mi和 ni为下垂控制参数;
S3、将下垂控制生成的频率ωi和电压Ui作为通信数据,并与邻居智能体通 过通信网络进行交互;
S4、通过通信网络的数据进入考虑通信时变时延的电压预测补偿器、频率 预测补偿器,对微电网的电压和频率进行预测补偿;
对微电网的电压和频率进行预测补偿的方法如图2所示:电压预测补偿器、 频率预测补偿器包括上层控制架构、中层控制架构和下层控制架构,所述上层 控制架构包括LSTM通信时延神经网络和考虑通信时延的事件触发机制,所述中 层控制架构包括改进的GAN时延生成器,所述下层控制架构包括电压、频率预 测BP神经网络和两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一 致性控制器,所述LSTM通信时延神经网络将历史实际通信时延进行数据预处理 后,送至LSTM通信时延神经网络不断训练,输出时延预测序列;求出t时刻系 统临界稳定时所允许的最大通信时延具体如下:
当智能体i与邻居智能体j均存在时变时延时,令智能体i和邻居智能体j 的通信时延相同,且t时刻下通信时延为τ(t),xi(t-τ(t))和xj(t-τ(t))代表考虑 时延后智能体i和邻居智能体j的状态信息,xL(t)为虚拟领导者L在t时刻输 出的状态信息,则智能体i和邻居智能体j的考虑通信时变时延的虚拟领导者 一致性协议如式(11)所示:
在t时刻,各智能体通信时延为固定值τ,上式可变为式(12)所示:
式(11)和式(12)中n为智能体数量,k1和k2为考虑通信时延的虚拟领 导者一致性协议的控制参数,aij表示智能体i和邻居智能体j间的通信连接, 相连时aij>0,否则为0,bi表示智能体i和虚拟领导者L之间的通信连接,相 连时bi>0,否则为0;
将***的稳定性问题转化到频域进行分析,使式(12)能够全局收敛实现 稳定性,如式(13)所示:
[SI+(k1L+k2B)e-τs]X(S)=k2bXL(S)+X(0), (13)
其中,式(13)中L为微电网多智能体网络通信连接的拉普拉斯矩阵,其 中元素可表示为且/>
令G(S)=[SI+(k1L+k2B)e-τs]为***的特征方程,取k1L+k2B的第k个特征 向量为vk,所对应的特征值记为λk,为了***实现稳定,则式(14):
s+λke-τs=0, (14)
令s=jω带入式(14)后得到式(15)至(18):
(ω-λk)2+2ωλk[1-sin(ωτ)]=0, (16)
式(18)中λn为最大特征值,τ*为t时刻所允许最大通信时延;
判断预测的时延值与允许的最大通信时延的大小,当预测的时延值小于最 大允许通信时延时为稳定时延,此时将智能体i输出的电压和频率分别直接输 入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器; 当预测的时延值大于等于允许的最大通信时延时为不稳定时延,此时考虑通信 时延的事件触发机制被触发,包含不稳定时延的时延预测序列被输送至改进的 GAN时延生成器,所述改进的GAN时延生成器将上层控制架构输出的包含不稳定 时延的时延预测序列和历史实际稳定时延序列进行博弈,学习历史实际稳定时 延的分布,最终将上层控制构架输出的包含不稳定时延的时延预测序列生成为 符合历史分布的稳定时延序列;改进的GAN时延生成器生成的稳定时延序列和 采集的智能体i的电压、频率序列分别传送至电压预测BP神经网络、频率预测 BP神经网络进行二维数据预测,输出稳定时延输送下的智能体i的电压预测值 与频率预测值,将电压预测值与频率预测值输入至两模态下的电压虚拟领导者 一致性控制器、频率虚拟领导者一致性控制器,实现通信时延下微电网的电压、 频率的预测补偿控制。
如图3所示:所述LSTM通信时延神经网络包括若干个细胞状态,每个细胞 状态由三个门构成,分别为输入门、遗忘门和输出门,输入数据为历史实际通 信时延序列,输出数据为时延预测序列,LSTM通信时延神经网络输出时延预测 具体步骤如下:
步骤一:对采集到的历史实际通信时延进行数据预处理,所述预处理方式 可根据式(4)进行:
式(4)中,τ'为归一化后的通信时延,τmin和τmax为通信时延序列的最小 时延与最大时延;
步骤二:将归一化预处理后的通信时延分别输入遗忘门、输入门和输出门 进行时延预测;
遗忘门对输入的归一化通信时延序列中无用的状态信息进行丢弃,将t-1 时刻隐藏层细胞输出的时延状态ht-1、t-1时刻下的细胞状态ct-1以及t时刻输入 的时延xt输入至遗忘门,经过权重赋值后,通过式(5)得到遗忘后的通信时延 状态:
ft=σ(wfhht-1+wfxxt+wfcct-1+bf), (5)
式(5)中的σ为Sigmoid激活函数,wfh为在遗忘门中t-1时刻隐藏层细 胞输出的时延状态ht-1的权重值,wfx为在遗忘门中t时刻输入的时延xt的权重 值,wfc为在遗忘门中t-1时刻细胞状态ct-1的权重值,bf为遗忘门的阈值;
输入门起控制信息输入的作用,将t-1时刻隐藏层细胞输出的时延状态ht-1、 细胞状态ct-1与t时刻输入的时延xt共同输入至输入门,通过输入门权重,利用 激活函数经过式(6)得到通过输入门后的信息:
it=σ(wihht-1+wixxt+wicct-1+bi), (6)
式(6)中的σ为Sigmoid激活函数,wih为在输入门中t-1时刻隐藏层细 胞输出的时延状态ht-1的权重值,wix为在输入门中t时刻输入的时延xt的权重 值,wic为在输入门中t-1时刻细胞状态ct-1的权重值,bi为输入门的阈值;
对细胞状态进行更新,可由式(7)得出t时刻输出的细胞状态:
ct=ft×ct-1+it×σ(wchht-1+wcxxt+bc), (7)
式(7)中的σ为激活函数,ft为t时刻遗忘门输出的通信时延,ct-1为t-1 时刻的细胞状态,wch和wcx分别为t-1时刻隐藏层细胞输出的时延状态ht-1和t 时刻输入的时延xt的权重值,bc为计算细胞状态时的阈值;
输出门决定了要输出的通信时延,将t-1时刻隐藏层细胞输出的时延状态 ht-1、t时刻的细胞状态ct与t时刻的时延xt输入至输出门,经过权重赋值计算 后,得出t时刻输出的通信时延,t时刻输出的通信时延可由式(8)计算所得:
ot=σ(wohht-1+woxxt+wocct+bo), (8)
式(8)中的σ为激活函数,woh为在输出门中t-1时刻隐藏层细胞输出的 时延状态ht-1的权重值,wox为在输出门中t时刻输入的时延xt的权重值,woc为 在输出门中t时刻的细胞状态ct的权重值,bo为输出门的阈值;
t时刻隐藏层细胞的输出状态,如式(9):
ht=ot×tanh(ct), (9)
式(9)中:tanh(ct)为激活函数-tanh对式(7)中得出的t时刻输出 的细胞状态进行规范化;
步骤三:通过多次迭代对预测模型进行训练,对步骤二中得到的各权值和 阈值进行更新,选用均方根误差作为损失函数,当损失函数满足式(10)所示 条件时,停止通信时延预测模型中各权值和阈值的更新,并输出未来一段时间 的预测时延序列:
式(10)中,为第i次迭代的输出时延预测序列,τ*(k)为实际通信时 延序列,/>为设定的误差阈值。
如图4所示:所述改进的GAN时延生成器包括生成器G和判别器D,所述生 成器G采用参数为θG的全连接层神经网络,生成器G用于生成虚假稳定时延序 列,所述判别器D采用参数为θD的全连接层神经网络,判别器D用于判断数据 的真假性,所述生成器G的输入数据用预测所得的含不稳定时延的时延序列 代替原始的噪声序列,其中为预测的不稳定时延数据,/>为 预测的稳定时延数据,输出数据为生成的虚假时延序列τG'=(τ1G',τ2G',…,τnG');判别器D 的输入数据包括生成器G生成的虚假时延序列τG'=(τ1G',τ2G',…,τnG')以及历史实际稳定 时延序列τ=(τ1,τ2,…,τn),输出生成的虚假时延序列是否属于真实时延序列的概率; 通过生成器G与判别器D的博弈训练,生成器G最终可将预测所得的含不稳定 时延的时延序列/>生成为符合历史稳定时延分布的虚假稳定时 延序列τG=(τ1G,τ2G,…,τnG);
本发明所提的改进GAN中,为了获得生成效果较好的时延序列,首先需要 生成器和判别器进行训练。生成器的目的是生成一部分符合历史稳定时延分布 的稳定时延序列,一定程度上也可视为类回归问题,为了保证生成序列的多样 性和准确性,在原有生成器的损失函数上添加了Huber损失函数并进行改进,
原有生成器G的损失函数如式(19)所示:
改进的生成器G的目标函数如式(20)所示:
其中
式(21)为Huber损失函数表达式,其中的δ为设定的真实时延与生成时延 间的误差阈值,式(20)中的表示时延序列/>的期望分布,/>表示用时 延预测序列/>生成的虚假稳定时延τG序列是否真实的概率,λ1和λ2分别为原有生 成器G的损失函数和Huber损失的权重,权重数值大小根据式(22)计算所得:
判别器G的目标函数如式(23)所示:
式(23)中,Eτ~P(τ)表示历史实际稳定时延序列τ的数学期望,D(τ)表示时延 序列τ的真实性概率;
根据式(20)和式(23),利用随机梯度下降法对生成器G和判别器D进行 训练,首先,依照式(24)计算判别器梯度,并利用Adam算法计算判别器参数 更新值,通过式(25)更新判别器网络参数:
θD(k+1)=θD(k)+ΔθD(k), (25)
式(25)中ΔθD(k)为第k次迭代后经Adam算法得到的判别器参数更新值;
其次,当判别器G循环训练k次后,固定训练后的判别器G网络参数不变, 单独对生成器D进行一次训练,依照式(26)计算生成器梯度,并利用Adam算 法计算生成器参数更新值,通过式(27)更新生成器网络参数:
θG(k+1)=θG(k)-ΔθG(k) (27)
式(27)中ΔθG(k)为经过Adam算法得到的生成器参数更新值;
经过训练后的生成对抗神经网络能够生成虚假稳定时延序列τG,并将τG传 送至下层控制的电压预测BP神经网络和频率预测BP神经网络中。
所述的两模态下的电压虚拟领导者一致性控制器如式(28)所示,
式(28)中,k1u和k2u为电压控制参数,xuj(t-τ(t))为接收的邻居智能体j 的电压,xLu(t)为虚拟领导者L输出的电压,x'ui(t-τ′(t))为经过两模态切换后智 能体i的电压,该值可以通过式(29)获得,式(29)中,σ可进行两模态切 换,当时延为稳定时延时,将电压xui(t-τ(t))带入式(28)所示控制器进行电压 控制;当时延为不稳定时延时,通过电压预测BP神经网络,利用生成的虚假稳 定时延τG(t)来预测t时刻下经稳定时延传输后的电压预测值并将其 代入至式(28)所示控制器进行电压控制,具体σ的判别方法如式(30)所示:
所述的两模态下的频率虚拟领导者一致性控制器如式(31)所示,
/>
式(31)中,k1ω和k2ω为频率控制参数,xωj(t-τ(t))为接收的邻居智能 体j的频率,xLω(t)为虚拟领导者L输出的频率,x'ωi(t-τ′(t))为经过两模态 切换后智能体i的频率,该值可以通过式(32)获得,式(32)中,σ可 进行两模态切换,当时延为稳定时延时,将频率xωi(t-τ(t))带入式(31)所 示控制器进行频率控制;当时延为不稳定时延时,通过频率预测BP神经网络,利用生成时延τG(t)来预测t时刻下经稳定时延传输后的频率预测值 并将其代入至式(31)所示控制器进行频率控制,具体σ的判 别方法如式(30)所示。
如图5所示:所述电压预测BP神经网络包括输入层、隐藏层和输出层,所 述电压预测BP神经网络输入层的输入数据为包括稳定时延序列和***电压的二 维数据,输出层的输出数据为经过稳定时延传输后的电压预测值,经过稳定时 延传输后的电压预测值具体获取步骤如下:
步骤一:将稳定时延序列以及电压进行归一化预处理,预处理方式按照式 (33)、(34)所示:
式(33)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值 以及通信时延样本最大值;式(34)中Un、Umin和Umax分别为电压的归一值,样 本最小值以及样本最大值;
步骤二:在稳定时延序列以及电压进行预处理后,将稳定时延序列以及电 压作为电压预测BP神经网络的输入,输入至初始化的BP神经网络中进行训练, 并依据式(35)对参数进行更新:
,
式(35)中,αu为电压预测BP神经网络的学习率,eu(k)、wu(k)、Δwu(k) 分别为电压预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更 新值,bu(k)、Δbu(k)分别为电压预测BP神经网络进行第k次训练后的阈值以及 阈值更新值,wu(k+1)和bu(k+1)为电压预测BP神经网络更新后的权重以及阈 值,其中训练后输出的误差值eu(k)可由式(36)计算获得:
式(36)中为经过电压预测BP神经网络训练k次后的输出值,yu(k)为 实际电压值;
步骤三:当式(36)计算所得的预测误差值满足式(37)所示的条件时, 停止对权值wu(k)和阈值bu(k)的更新,并将预测所得的经稳定时延传输后的电 压值带入至式(28)进行电压控制;
eu(k)<ξu, (37)
式(37)中,ξu为预先设定的电压误差阈值;
如图6所示:所述频率预测BP神经网络包括输入层、隐藏层和输出层,所 述频率预测BP神经网络输入层的输入数据为包括稳定时延序列和***频率的二 维数据,输出层的输出为经过稳定时延传输后的频率预测值,经过稳定时延传 输后的频率预测值具体获取步骤如下:
步骤一:将稳定时延序列以及频率进行归一化预处理,预处理方式按照式 (38)、(39)所示:
式(38)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值 以及通信时延样本最大值;式(39)中ωn、ωmin和ωmax分别为频率的归一值,样 本最小值以及样本最大值。
步骤二:稳定时延序列以及频率进行预处理后,将稳定时延以及频率作为 频率预测BP神经网络的输入,输入至初始化的BP神经网络中进行训练,并依 据式(40)对参数进行更新:
,
式(40)中,αω为频率预测BP神经网络的学习率,eω(k)、wω(k)、Δwω(k) 分别为频率预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更 新值,bω(k)、Δbω(k)分别为频率预测BP神经网络进行第k次训练后的阈值以 及阈值更新值,wω(k+1)和bω(k+1)为频率预测BP神经网络更新后的权重以及 阈值,其中训练后输出的误差值eω(k)可由式(41)计算获得:
式(41)中为经过频率预测BP神经网络训练k次后的输出值,yω(k) 为实际频率值;
步骤三:当式(41)计算所得的预测误差值满足式(42)所示的条件时, 停止对权值wω(k)和阈值bω(k)的更新,并将预测所得的经稳定时延传输后的频 率值带入至式(31)进行频率控制;
eω(k)<ξω, (42)
式(42)中,ξω为预先设定的频率误差阈值。
S5、利用电压预测补偿器和频率预测补偿器的输出,使用PI控制器完成系 统的二次控制环节;
对微电网的电压、频率二次控制的方法如图7所示:所述步骤S5中, 电压、频率二次控制环节均采用PI控制器分别实现电压补偿以及频率补偿, 电压的反馈量以及频率反馈量分别如式(43)、式(44)所示:
δUi(t)=kPUieui(t)+kIUi∫eui(t)dt, (43)
δωi(t)=kPωieωi(t)+kIωi∫eωi(t)dt, (44)
式(43)中,kPUi和kIUi为电压二次控制环节参数,eUi(t)为t时刻的电压误 差,其表达方式如式(45);式(44)中,kPωi和kIωi为频率二次控制环节参 数,eωi(t)为t时刻的频率误差,其表达方式如式(46):
eUi(t)=∫uui(t)dt-Uref, (45)
eωi(t)=∫uωi(t)dt-ωref, (46)
根据式(3)与式(43)、式(44),得到经过二次控制后,智能体i所 输出的电压和频率为:
S6、二次控制经过电压合成得到合成电压Ui∠θi并输入至电压电流双闭环 中,其中θi为频率对应的角度,θi具体计算公式如下:
θi=∫ωidt, (1)
S7、电压电流双闭环将输出的控制信号通过PWM信号生成器输出至分布式 发电单元。
本发明实现了不同通信时延条件下的电压与频率控制,保证了微电网*** 在通信时延下的稳定性,为通信时延下的微电网***的电压、频率控制提供了 一种新的方法。
Claims (10)
1.一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:包括物理层和信息层,物理层包括功率计算、下垂控制、二次控制、电压电流双闭环以及PWM信号产生器;信息层包括考虑通信时变时延的电压预测补偿器、频率预测补偿器以及通信网络;微电网的分层控制流程具体如下:
S1、将分布式发电单元输出的电压与电流经过Park变换后输入至功率计算进行计算得到有功功率Pi和无功功率Qi;
S2、将功率计算环节输出的有功功率Pi和无功功率Qi输入至下垂控制得到生成的频率ωi和电压Ui;
S3、将下垂控制生成的频率ωi和电压Ui作为通信数据,并与邻居智能体通过通信网络进行交互;
S4、通过通信网络的数据进入考虑通信时变时延的电压预测补偿器、频率预测补偿器,对微电网的电压和频率进行预测补偿;
S5、利用电压预测补偿器和频率预测补偿器的输出,使用PI控制器完成***的二次控制环节;
S6、二次控制经过电压合成得到合成电压Ui∠θi并输入至电压电流双闭环中,其中θi为频率对应的角度,θi具体计算公式如下:
θi=∫ωidt, (1)
S7、电压电流双闭环将输出的控制信号通过PWM信号生成器输出至分布式发电单元。
2.根据权利要求1所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述步骤S1中功率计算进行计算有功功率Pi和无功功率Qi的具体公式如下:
式(2)中,Uod、Uoq、Iod和Ioq分别为分布式发电单元中逆变器输出的电压与电流经过Park变换后,得到的在d轴和q轴的分量。
3.根据权利要求2所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述步骤S2中下垂控制得到生成的频率ωi和电压Ui的具体公式如下:
式(3)中,ωref和Uref分别为分布式发电单元中频率和电压的额定值,mi和ni为下垂控制参数。
4.根据权利要求3所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述步骤S4中电压预测补偿器、频率预测补偿器包括上层控制架构、中层控制架构和下层控制架构,所述上层控制架构包括LSTM通信时延神经网络和考虑通信时延的事件触发机制,所述中层控制架构包括改进的GAN时延生成器,所述下层控制架构包括电压、频率预测BP神经网络和两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器,所述LSTM通信时延神经网络将历史实际通信时延进行数据预处理后,送至LSTM通信时延神经网络不断训练,输出时延预测序列;求出t时刻***临界稳定时所允许的最大通信时延,判断预测的时延值与允许的最大通信时延的大小,当预测的时延值小于最大允许通信时延时为稳定时延,此时将智能体i输出的电压和频率分别直接输入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器;当预测的时延值大于等于允许的最大通信时延时为不稳定时延,此时考虑通信时延的事件触发机制被触发,包含不稳定时延的时延预测序列被输送至改进的GAN时延生成器,所述改进的GAN时延生成器将上层控制架构输出的包含不稳定时延的时延预测序列和历史实际稳定时延序列进行博弈,学习历史实际稳定时延的分布,最终将上层控制构架输出的包含不稳定时延的时延预测序列生成为符合历史分布的稳定时延序列;改进的GAN时延生成器生成的稳定时延序列和采集的智能体i的电压、频率序列分别传送至电压预测BP神经网络、频率预测BP神经网络进行二维数据预测,输出稳定时延输送下的智能体i的电压预测值与频率预测值,将电压预测值与频率预测值输入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器,实现通信时延下微电网的电压、频率的预测补偿控制。
5.根据权利要求4所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述LSTM通信时延神经网络包括若干个细胞状态,每个细胞状态由三个门构成,分别为输入门、遗忘门和输出门,输入数据为历史实际通信时延序列,输出数据为时延预测序列,LSTM通信时延神经网络输出时延预测具体步骤如下:
步骤一:对采集到的历史实际通信时延进行数据预处理,所述预处理方式可根据式(4)进行:
式(4)中,τ'为归一化后的通信时延,τmin和τmax为通信时延序列的最小时延与最大时延;
步骤二:将归一化预处理后的通信时延分别输入遗忘门、输入门和输出门进行时延预测;
遗忘门对输入的归一化通信时延序列中无用的状态信息进行丢弃,将t-1时刻隐藏层细胞输出的时延状态ht-1、t-1时刻下的细胞状态ct-1以及t时刻输入的时延xt输入至遗忘门,经过权重赋值后,通过式(5)得到遗忘后的通信时延状态:
ft=σ(wfhht-1+wfxxt+wfcct-1+bf), (5)
式(5)中的σ为Sigmoid激活函数,wfh为在遗忘门中t-1时刻隐藏层细胞输出的时延状态ht-1的权重值,wfx为在遗忘门中t时刻输入的时延xt的权重值,wfc为在遗忘门中t-1时刻细胞状态ct-1的权重值,bf为遗忘门的阈值;
输入门起控制信息输入的作用,将t-1时刻隐藏层细胞输出的时延状态ht-1、细胞状态ct-1与t时刻输入的时延xt共同输入至输入门,通过输入门权重,利用激活函数经过式(6)得到通过输入门后的信息:
it=σ(wihht-1+wixxt+wicct-1+bi), (6)
式(6)中的σ为Sigmoid激活函数,wih为在输入门中t-1时刻隐藏层细胞输出的时延状态ht-1的权重值,wix为在输入门中t时刻输入的时延xt的权重值,wic为在输入门中t-1时刻细胞状态ct-1的权重值,bi为输入门的阈值;
对细胞状态进行更新,可由式(7)得出t时刻输出的细胞状态:
ct=ft×ct-1+it×σ(wchht-1+wcxxt+bc), (7)
式(7)中的σ为激活函数,ft为t时刻遗忘门输出的通信时延,ct-1为t-1时刻的细胞状态,wch和wcx分别为t-1时刻隐藏层细胞输出的时延状态ht-1和t时刻输入的时延xt的权重值,bc为计算细胞状态时的阈值;
输出门决定了要输出的通信时延,将t-1时刻隐藏层细胞输出的时延状态ht-1、t时刻的细胞状态ct与t时刻的时延xt输入至输出门,经过权重赋值计算后,得出t时刻输出的通信时延,t时刻输出的通信时延可由式(8)计算所得:
ot=σ(wohht-1+woxxt+wocct+bo), (8)
式(8)中的σ为激活函数,woh为在输出门中t-1时刻隐藏层细胞输出的时延状态ht-1的权重值,wox为在输出门中t时刻输入的时延xt的权重值,woc为在输出门中t时刻的细胞状态ct的权重值,bo为输出门的阈值;
t时刻隐藏层细胞的输出状态,如式(9):
ht=ot×tanh(ct), (9)
式(9)中:tanh(ct)为激活函数-tanh对式(7)中得出的t时刻输出的细胞状态进行规范化;
步骤三:通过多次迭代对预测模型进行训练,对步骤二中得到的各权值和阈值进行更新,选用均方根误差作为损失函数,当损失函数满足式(10)所示条件时,停止通信时延预测模型中各权值和阈值的更新,并输出未来一段时间的预测时延序列:
式(10)中,为第i次迭代的输出时延预测序列,τ*(k)为实际通信时延序列,θ为设定的误差阈值。
6.根据权利要求5所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:求t时刻***临界稳定时所允许的最大通信时延具体如下:
当智能体i与邻居智能体j均存在时变时延时,令智能体i和邻居智能体j的通信时延相同,且t时刻下通信时延为τ(t),xi(t-τ(t))和xj(t-τ(t))代表考虑时延后智能体i和邻居智能体j的状态信息,xL(t)为虚拟领导者L在t时刻输出的状态信息,则智能体i和邻居智能体j的考虑通信时变时延的虚拟领导者一致性协议如式(11)所示:
在t时刻,各智能体通信时延为固定值τ,上式可变为式(12)所示:
式(11)和式(12)中n为智能体数量,k1和k2为考虑通信时延的虚拟领导者一致性协议的控制参数,aij表示智能体i和邻居智能体j间的通信连接,相连时aij>0,否则为0,bi表示智能体i和虚拟领导者L之间的通信连接,相连时bi>0,否则为0;
将***的稳定性问题转化到频域进行分析,使式(12)能够全局收敛实现稳定性,如式(13)所示:
[SI+(k1L+k2B)e-τs]X(S)=k2bXL(S)+X(0), (13)
其中,式(13)中L为微电网多智能体网络通信连接的拉普拉斯矩阵,其中元素可表示为且/>
令G(S)=[SI+(k1L+k2B)e-τs]为***的特征方程,取k1L+k2B的第k个特征向量为vk,所对应的特征值记为λk,为了***实现稳定,则式(14):
s+λke-τs=0, (14)
令s=jω带入式(14)后得到式(15)至(18):
(ω-λk)2+2ωλk[1-sin(ωτ)]=0, (16)
式(18)中λn为最大特征值,τ*为t时刻所允许最大通信时延。
7.根据权利要求6所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述改进的GAN时延生成器包括生成器G和判别器D,所述生成器G采用参数为θG的全连接层神经网络,生成器G用于生成虚假稳定时延序列,所述判别器D采用参数为θD的全连接层神经网络,判别器D用于判断数据的真假性,所述生成器G的输入数据用预测所得的含不稳定时延的时延序列代替原始的噪声序列,其中/>为预测的不稳定时延数据,/>为预测的稳定时延数据,输出数据为生成的虚假时延序列τG'=(τ1G',τ2G',…,τnG');判别器D的输入数据包括生成器G生成的虚假时延序列τG'=(τ1G',τ2G',…,τnG')以及历史实际稳定时延序列τ=(τ1,τ2,…,τn),输出生成的虚假时延序列是否属于真实时延序列的概率;通过生成器G与判别器D的博弈训练,生成器G最终可将预测所得的含不稳定时延的时延序列/>生成为符合历史稳定时延分布的虚假稳定时延序列τG=(τ1G,τ2G,…,τnG);原有生成器G的损失函数如式(19)所示:
改进的生成器G的目标函数如式(20)所示:
其中
式(21)为Huber损失函数,其中的δ为设定的真实时延与生成时延间的误差阈值,式(20)中的表示时延序列/>期望分布,/>表示用时延预测序列/>生成的虚假稳定时延τG序列是否真实的概率,λ1和λ2分别为原有生成器G的损失函数和Huber损失的权重,权重数值大小根据式(22)计算所得:
判别器G的目标函数如式(23)所示:
式(23)中,Eτ~P(τ)表示历史实际稳定时延序列τ的数学期望,D(τ)表示时延序列τ的真实性概率;
根据式(20)和式(23),利用随机梯度下降法对生成器G和判别器D进行训练,首先,依照式(24)计算判别器梯度,并利用Adam算法计算判别器参数更新值,通过式(25)更新判别器网络参数:
θD(k+1)=θD(k)+ΔθD(k), (25)
式(25)中ΔθD(k)为第k次迭代后经Adam算法得到的判别器参数更新值;
其次,当判别器G循环训练k次后,固定训练后的判别器G网络参数不变,单独对生成器D进行一次训练,依照式(26)计算生成器梯度,并利用Adam算法计算生成器参数更新值,通过式(27)更新生成器网络参数:
θG(k+1)=θG(k)-ΔθG(k), (27)
式(27)中ΔθG(k)为经过Adam算法得到的生成器参数更新值;
经过训练后的生成对抗神经网络能够生成虚假稳定时延序列τG,并将τG传送至下层控制的电压预测BP神经网络和频率预测BP神经网络中。
8.根据权利要求7所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述的两模态下的电压虚拟领导者一致性控制器如式(28)所示,
式(28)中,k1u和k2u为电压控制参数,xuj(t-τ(t))为接收的邻居智能体j的电压,xLu(t)为虚拟领导者L输出的电压,x'ui(t-τ′(t))为经过两模态切换后智能体i的电压,该值可以通过式(29)获得,式(29)中,σ可进行两模态切换,当时延为稳定时延时,将电压xui(t-τ(t))带入式(28)所示控制器进行电压控制;当时延为不稳定时延时,通过电压预测BP神经网络,利用生成的虚假稳定时延τG(t)来预测t时刻下经过稳定时延传输后的电压预测值并将其带如式(28)所示控制器进行电压控制,具体σ的判别方法如式(30)所示:
所述的两模态下的频率虚拟领导者一致性控制器如式(31)所示,
式(31)中,k1ω和k2ω为频率控制参数,xωj(t-τ(t))为接收的邻居智能体j的频率,xLω(t)为虚拟领导者L输出的频率,x'ωi(t-τ′(t))为经过两模态切换后智能体i的频率,该值可以通过式(32)获得,式(32)中,σ可进行两模态切换,当时延为稳定时延时,将频率xωi(t-τ(t))带入式(31)所示控制器进行频率控制;当时延为不稳定时延时,通过频率预测BP神经网络,利用生成时延τG(t)来预测t时刻下经过稳定时延传输后的频率预测值并将其带入式(31)所示控制器进行频率控制,具体σ的判别方法如式(30)所示。
9.根据权利要求8所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述电压预测BP神经网络包括输入层、隐藏层和输出层,所述电压预测BP神经网络输入层的输入数据为包括稳定时延序列和***电压的二维数据,输出层的输出数据为经过稳定时延传输后的电压预测值,经过稳定时延传输后的电压预测值具体获取步骤如下:
步骤一:将稳定时延序列以及电压进行归一化预处理,预处理方式按照式(33)、(34)所示:
式(33)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值以及通信时延样本最大值;式(34)中Un、Umin和Umax分别为电压的归一值,样本最小值以及样本最大值;
步骤二:在稳定时延序列以及电压进行预处理后,将稳定时延序列以及电压作为电压预测BP神经网络的输入,输入至初始化的BP神经网络中进行训练,并依据式(35)对参数进行更新:
,
式(35)中,αu为电压预测BP神经网络的学习率,eu(k)、wu(k)、Δwu(k)分别为电压预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更新值,bu(k)、Δbu(k)分别为电压预测BP神经网络进行第k次训练后的阈值以及阈值更新值,wu(k+1)和bu(k+1)为电压预测BP神经网络更新后的权重以及阈值,其中训练后输出的误差值eu(k)可由式(36)计算获得:
式(36)中为经过电压预测BP神经网络训练k次后的输出值,yu(k)为实际电压值;
步骤三:当式(36)计算所得的预测误差值满足式(37)所示的条件时,停止对权值wu(k)和阈值bu(k)的更新,并将预测所得的经过稳定时延传输后的电压值带入至式(28)进行电压控制;
eu(k)<ξu, (37)
式(37)中,ξu为预先设定的电压误差阈值;
所述频率预测BP神经网络包括输入层、隐藏层和输出层,所述频率预测BP神经网络输入层的输入数据为包括稳定时延序列和***频率的二维数据,输出层的输出为经过稳定时延传输后的频率预测值,经过稳定时延传输后的频率预测值具体获取步骤如下:
步骤一:将稳定时延序列以及频率进行归一化预处理,预处理方式按照式(38)、(39)所示:
式(38)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值以及通信时延样本最大值;式(39)中ωn、ωmin和ωmax分别为频率的归一值,样本最小值以及样本最大值;
步骤二:稳定时延序列以及频率进行预处理后,将稳定时延以及频率作为频率预测BP神经网络的输入,输入至初始化的BP神经网络中进行训练,并依据式(40)对参数进行更新:
,
式(40)中,αω为频率预测BP神经网络的学习率,eω(k)、wω(k)、Δwω(k)分别为频率预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更新值,bω(k)、Δbω(k)分别为频率预测BP神经网络进行第k次训练后的阈值以及阈值更新值,wω(k+1)和bω(k+1)为频率预测BP神经网络更新后的权重以及阈值,其中训练后输出的误差值eω(k)可由式(41)计算获得:
式(41)中为经过频率预测BP神经网络训练k次后的输出值,yω(k)为实际频率值;
步骤三:当式(41)计算所得的预测误差值满足式(42)所示的条件时,停止对权值wω(k)和阈值bω(k)的更新,并将预测所得的经稳定时延传输后的频率值带入至式(31)进行频率控制;
eω(k)<ξω, (42)
式(42)中,ξω为预先设定的频率误差阈值。
10.根据权利要求9所述的一种基于生成对抗神经网络的微电网分层控制策略,其特征在于:所述步骤S5中,电压、频率二次控制环节均采用PI控制器分别实现电压补偿以及频率补偿,电压的反馈量以及频率反馈量分别如式(43)、式(44)所示:
δUi(t)=kPUieui(t)+kIUi∫eui(t)dt, (43)
δωi(t)=kPωieωi(t)+kIωi∫eωi(t)dt, (44)
式(43)中,kPUi和kIUi为电压二次控制环节参数,eUi(t)为t时刻的电压误差,其表达方式如式(45);式(44)中,kPωi和kIωi为频率二次控制环节参数,eωi(t)为t时刻的频率误差,其表达方式如式(46):
eUi(t)=∫uui(t)dt-Uref, (45)
eωi(t)=∫uωi(t)dt-ωref, (46)
根据式(3)与式(43)、式(44),得到经过二次控制后,智能体i所输出的电压和频率为:
将经过二次控制后输出的电压和频率输入至电压合成环节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600878.0A CN112909954B (zh) | 2020-12-30 | 2020-12-30 | 一种基于生成对抗神经网络的微电网分层控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600878.0A CN112909954B (zh) | 2020-12-30 | 2020-12-30 | 一种基于生成对抗神经网络的微电网分层控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112909954A CN112909954A (zh) | 2021-06-04 |
CN112909954B true CN112909954B (zh) | 2023-12-15 |
Family
ID=76111987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011600878.0A Active CN112909954B (zh) | 2020-12-30 | 2020-12-30 | 一种基于生成对抗神经网络的微电网分层控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112909954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113725922B (zh) * | 2021-08-24 | 2024-07-09 | 安徽大学 | 基于自触发机制的混合微电网有功功率分配方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266450A (ja) * | 1993-03-16 | 1994-09-22 | Tohoku Electric Power Co Inc | 自動電圧・無効電力制御装置 |
CN107706939A (zh) * | 2017-09-26 | 2018-02-16 | 燕山大学 | Cps概念下的微网中考虑时滞和丢包问题的分布式控制方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN108075488A (zh) * | 2017-12-05 | 2018-05-25 | 燕山大学 | 在cps概念下考虑通信数据扰动的孤岛微电网分层控制方法 |
CN110190599A (zh) * | 2019-06-10 | 2019-08-30 | 燕山大学 | 一种基于有限时间一致性理论的孤岛微电网控制策略 |
CN110472280A (zh) * | 2019-07-10 | 2019-11-19 | 广东工业大学 | 一种基于生成对抗神经网络的功率放大器行为建模方法 |
CN110611333A (zh) * | 2019-11-11 | 2019-12-24 | 燕山大学 | 一种考虑通信问题的孤岛微电网分布式协调控制方法 |
-
2020
- 2020-12-30 CN CN202011600878.0A patent/CN112909954B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266450A (ja) * | 1993-03-16 | 1994-09-22 | Tohoku Electric Power Co Inc | 自動電圧・無効電力制御装置 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN107706939A (zh) * | 2017-09-26 | 2018-02-16 | 燕山大学 | Cps概念下的微网中考虑时滞和丢包问题的分布式控制方法 |
CN108075488A (zh) * | 2017-12-05 | 2018-05-25 | 燕山大学 | 在cps概念下考虑通信数据扰动的孤岛微电网分层控制方法 |
CN110190599A (zh) * | 2019-06-10 | 2019-08-30 | 燕山大学 | 一种基于有限时间一致性理论的孤岛微电网控制策略 |
CN110472280A (zh) * | 2019-07-10 | 2019-11-19 | 广东工业大学 | 一种基于生成对抗神经网络的功率放大器行为建模方法 |
CN110611333A (zh) * | 2019-11-11 | 2019-12-24 | 燕山大学 | 一种考虑通信问题的孤岛微电网分布式协调控制方法 |
Non-Patent Citations (1)
Title |
---|
DoS攻击下基于自触发一致性的微电网电压无功控制;马良;许刚;;计算机工程(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112909954A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112186743B (zh) | 一种基于深度强化学习的动态电力***经济调度方法 | |
Hu et al. | Multi-agent deep reinforcement learning for voltage control with coordinated active and reactive power optimization | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
Yin et al. | Multi-layer distributed multi-objective consensus algorithm for multi-objective economic dispatch of large-scale multi-area interconnected power systems | |
El Helou et al. | Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power | |
Su et al. | Online event-triggered adaptive critic design for non-zero-sum games of partially unknown networked systems | |
CN112909954B (zh) | 一种基于生成对抗神经网络的微电网分层控制策略 | |
Modi et al. | Fuzzy neural network based voltage stability evaluation of power systems with SVC | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN113872213B (zh) | 一种配电网电压自主优化控制方法及装置 | |
Yin et al. | Expandable quantum deep width learning-based distributed voltage control for smart grids with high penetration of distributed energy resources | |
CN117039981A (zh) | 一种面向含新能源的大规模电网优化调度方法、装置、存储介质 | |
Yin et al. | Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids | |
Helou et al. | Fully decentralized reinforcement learning-based control of photovoltaics in distribution grids for joint provision of real and reactive power | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN112787331A (zh) | 基于深度强化学习的潮流收敛自动调整方法及*** | |
CN116995645A (zh) | 基于保护机制强化学习的电力***安全约束经济调度方法 | |
Cavraro et al. | Learning local Volt/Var controllers towards efficient network operation with stability guarantees | |
Fan et al. | Attention-Based Multi-Agent Graph Reinforcement Learning for Service Restoration | |
Li et al. | A machine learning-assisted distributed optimization method for inverter-based Volt-Var control in active distribution networks | |
CN105353614A (zh) | 一种变速恒频率双馈式双向潮汐发电机***的控制方法 | |
Liu et al. | A deep reinforcement learning framework for automatic operation control of power system considering extreme weather events | |
Guo et al. | Voltage stability control method based on comprehensive principal component analysis and improved neural network | |
Han et al. | LSTM-Based Strategy for Customer Directrix Load Prediction |
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 |