CN115313510A - 一种自适应无功补偿的光伏逆变器控制方法与*** - Google Patents

一种自适应无功补偿的光伏逆变器控制方法与*** Download PDF

Info

Publication number
CN115313510A
CN115313510A CN202210872199.1A CN202210872199A CN115313510A CN 115313510 A CN115313510 A CN 115313510A CN 202210872199 A CN202210872199 A CN 202210872199A CN 115313510 A CN115313510 A CN 115313510A
Authority
CN
China
Prior art keywords
photovoltaic
matrix
node
training
neural network
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
Application number
CN202210872199.1A
Other languages
English (en)
Inventor
李淑锋
胡浩
刘波
李文杰
周超
石研
王巳腾
张禄晞
杨凤玖
郑涛
李吉平
邢磊
赵树野
孙核柳
郭宝财
王文文
刘婉莹
胡博
王洋
孙博文
赵潇逸
杨硕
赵振兴
裴玮
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.)
Power Supply Service Supervision And Support Center Of State Grid Inner Mongolia East Electric Power Co ltd
State Grid Corp of China SGCC
State Grid Eastern Inner Mongolia Power Co Ltd
Original Assignee
Power Supply Service Supervision And Support Center Of State Grid Inner Mongolia East Electric Power Co ltd
State Grid Corp of China SGCC
State Grid Eastern Inner Mongolia Power Co Ltd
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 Power Supply Service Supervision And Support Center Of State Grid Inner Mongolia East Electric Power Co ltd, State Grid Corp of China SGCC, State Grid Eastern Inner Mongolia Power Co Ltd filed Critical Power Supply Service Supervision And Support Center Of State Grid Inner Mongolia East Electric Power Co ltd
Priority to CN202210872199.1A priority Critical patent/CN115313510A/zh
Publication of CN115313510A publication Critical patent/CN115313510A/zh
Pending legal-status Critical Current

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
    • H02J3/38—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
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in 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
    • H02J3/38—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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

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

Abstract

本发明属于电力技术领域，尤其涉及一种自适应无功补偿的光伏逆变器控制方法与***。本发明电气部分由光伏阵列通过电缆与光伏DC‑AC变换器连接，光伏DC‑AC变换器将光伏阵列输出的直流电转换为交流输送至交流母线；控制部分由自学习优化控制器与环境数据检测***通信，获取环境检测***实时采集的环境辐照度与环境温度数据；通过电流及电压互感器获取光伏阵列输出的电流及电压数据；通过电压互感器获取交流母线的电压数据；自学习优化控制器通过与相邻网络节点的数据采集装置通信电压、功率信息作为自学习优化控制器的计算输入数据，计算结果发送至光伏DC‑AC变换器,控制运行。可有效避免电压越限和控制器参数偏差过大的问题。

Description

一种自适应无功补偿的光伏逆变器控制方法与***
技术领域
本发明属于电力技术领域，尤其涉及一种自适应无功补偿的光伏逆变器控制方法与***。
背景技术
太阳能光伏技术进入了快速发展的阶段，光伏并网发电成为人们利用太阳能的最主要途径。
随着光伏扶贫等项目的开展，越来越多的农村地区接入大量的光伏设备。农村地区地广人稀、负荷分散，考虑到配网建设的经济性，台区布点少、配电距离长、线径设计偏小的情况较为普遍；白天由于本地负荷小，光伏出力大导致局部电压偏高，而晚间本地负荷大，光伏无出力造成局部电压偏低，大量分布式光伏接入造成台区电网日电压偏差达30％以上，电压呈现白天越上限，夜间越下限的现象，严重影响低压农网安全稳定运行。同时会出现电网电压过高，超过分布式光伏逆变器运行极限，出现部分光伏逆变器由于过电压而脱网的情况。
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最大功率点跟踪MPPT方式运行，并未考虑电网运行中的无功功率，电压越限以及谐波等问题。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种自适应无功补偿的光伏逆变器控制方法与***。其目的是为了基于图卷积神经网络的方法对光伏逆变器运行参数进行优化控制，解决目前单纯依靠最大功率跟踪MPPT方法控制光伏功率输出导致的电网电压越限等问题的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种自适应无功补偿的光伏逆变器控制***，包括电气部分和控制部分构成；
其中，电气部分：由光伏阵列通过电缆与光伏DC-AC变换器连接，光伏DC-AC变换器将光伏阵列输出的直流电转换为交流并通过电缆输送到交流母线上；
其中，控制部分：由自学习优化控制器通过通信协议与环境数据检测***通信，获取环境检测***实时采集的环境辐照度与环境温度数据；通过电流互感器及电压互感器实时获取光伏阵列输出的电流及电压数据；通过电压互感器获取交流母线的电压数据；同时，自学习优化控制器通过与相邻网络节点的数据采集装置进行通信，获取相邻节点的电压、功率信息；将上述信息作为自学习优化控制器的计算输入数据，自学习优化控制器的计算结果作为控制量，发送给光伏DC-AC变换器,控制光伏DC-AC变换器运行。
更进一步的，所述环境数据检测***用于检测环境温度和环境辐照度。
更进一步的，所述自学习优化控制器利用环境数据检测***和电网节点功率检测传感器采集的数据进行优化计算，得到光伏DC-AC变换器所需的控制量，并控制DC-AC变换器将光伏阵列产生的电能输送至电网中。
一种自适应无功补偿的光伏逆变器控制方法，包括以下步骤：
步骤1.根据电气网络构建无向图来描述光伏逆变器接入点与其他电气支路及电气节点的拓扑关系，形成关联矩阵，并构建拉普拉斯矩阵；
步骤2.利用拉普拉斯矩阵构建图卷积神经网络模型；
步骤3.通过构建仿真***模型，进而构建训练数据集，从而对所构建的图卷积神经网络模型进行初始训练；
步骤4.利用提取的训练数据对图卷积神经网络，进行多次迭代训练；
步骤5.通过训练好的图卷积神经网络计算PWM占空比、有功功率及无功功率；
步骤6.将计算结果作为光伏逆变器控制参数控制逆变器运行；
步骤7.实时采集逆变器运行数据；
步骤8.每间隔3-7日触发自学习优化控制器利用新增数据进行自学习训练。
更进一步的，步骤1所述根据电气网络构建无向图来描述光伏逆变器接入点与其他电气支路及电气节点的拓扑关系，形成关联矩阵，并构建拉普拉斯矩阵；
设所述关联矩阵A，拉普拉斯矩阵为Laplacian matrix：对于图G＝(V,E)，其拉普拉斯矩阵的定义为L＝D-A，其中L是拉普拉斯矩阵，D＝diag(d)是顶点的度矩阵，即对角矩阵,d＝rowSum(A)，对角线上元素依次为各个顶点的度，对于A矩阵中的每一个元素Aij，如果结点i和j相邻，那么Aij＝1，否则Aij＝0。
更进一步的，步骤2所述利用拉普拉斯矩阵构建图卷积神经网络模型中，拉普拉斯矩阵负责将节点之间的连接关系以矩阵的方式引入到模型之中，作为图的特征参数，在训练图卷积神经网络的每次迭代中，参与计算；
所述图卷积神经网络模型包括输入层，隐含层，池化层，全连接层和输出层；
所述输入层包括：辐照度、温度、光伏阵列输出电流、光伏阵列输出电压、相邻电气连接节点的电压、相邻电气节点的输入有功功率和输入无功功率；
所述隐含层：隐含层数由S1中任意节点到其它节点的最短路径最大值决定，通常为1-N层；采用参数化修正线性单元PReLU作为激活函数：
Figure BDA0003761359970000031
上式中，a为一个可学习的参数，r(x)为激活函数值，x为上层模型的输出矩阵；可学习的参数a在训练的过程中进行更新；
所述池化层：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；
所述全连接层：其中的节点个数为lN＝log2V,其中V为上一层输出节点个数，采用Sigmoid函数作为激活函数：
Figure BDA0003761359970000032
上式中，σ(z)为激活函数输出值，z为上层模型的输出矩阵；
所述输出层：PWM占空比、输出有功功率、输出无功功率。
更进一步的，步骤3所述通过构建仿真***模型，进而构建训练数据集，从而对所构建的图卷积神经网络模型进行初始训练，是通过仿真***模型生成初始训练数据集，从而能够对步骤2中所构建的图卷积神经网络模型进行初始训练；
所述构建仿真***模型，是指分别模拟不同光照条件下、不同网络位置的电压越限情况以及正常运行情况，构建训练数据集；根据所述构建训练数据集，从数据集中提取训练图卷积神经网络所需的数据。
更进一步的，所述多次迭代训练是通过多次迭代训练，在每次迭代中，包括：
步骤4-1训练所述图卷积神经网络的隐含层参数；
针对各个对象节点，依据邻接矩阵A，将其节点特征与其邻居节点的节点特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，聚合算法采用加权均值融合方式，将节点特征与其邻居节点的节点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邻居节点，方法如下：
Figure BDA0003761359970000041
其中：
Figure BDA0003761359970000042
为当前层当前节点的特征值，∑u∈N(v)∪{v}(·)指所有邻居节点和自身节点，权重
Figure BDA0003761359970000043
为第u节点与第v节点间的注意力权重系数，训练时需要学习每个节点的注意力权重系数,Wk为聚合权重，
Figure BDA0003761359970000044
为上一层邻居节点特征；
利用所述图卷积神经网络包含的N个隐层，确定节点的嵌入向量，对节点特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定图卷积神经网络中参数的训练梯度和注意力权重；基于所述训练梯度及注意力权重，更新图卷积神经网络中的参数；
步骤4-2采用使用动量Momentum的随机梯度下降法训练全连接层和输出层参数；
经多次仿真得到：初始学习率和动量超参数。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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任一所述的一种自适应无功补偿的光伏逆变器控制方法的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的一种自适应无功补偿的光伏逆变器控制方法的步骤。
与现有技术相比，本发明具有以下有益效果及优点：
本发明方法在计算光伏逆变器运行参数时考虑了光伏接入点及相邻配网节点的电压与功率，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。
本发明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。
本发明设计的自学习优化控制器包含自学习功能，可以利用历史运行数据进行补充训练，以避免外接因素改变造成的控制器参数偏差过大等问题。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明方法流程图；
图2是本发明的控制装置框图；
图3是本发明图卷积神经网络模型图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图3描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种自适应无功补偿的光伏逆变器控制***，如图2所示，图2是本发明的控制装置框图。
本发明包括光伏阵列、环境数据检测***、光伏DC-AC变换器、自学习优化控制器、以及电网节点电压、电网节点功率检测传感器。
电气部分包括：光伏阵列通过电缆与光伏DC-AC变换器连接，光伏DC-AC变换器将光伏阵列输出的直流电转换为交流并通过电缆输送到交流母线上。
控制部分包括：自学习优化控制器通过通信协议与环境数据检测***通信，获取环境检测***实时采集的环境辐照度与环境温度数据；通过电流互感器及电压互感器实时获取光伏阵列输出的电流及电压数据；通过电压互感器获取交流母线的电压数据；同时，自学习优化控制器通过与相邻网络节点的数据采集装置进行通信，获取相邻节点的电压、功率信息。
将上述信息作为自学习优化控制器的计算输入数据，自学习优化控制器的计算结果作为控制量，发送给光伏DC-AC变换器,控制光伏DC-AC变换器运行。
其中，所述环境数据检测***用于检测环境温度和环境辐照度。
其中，所述自学习优化控制器利用环境数据检测***和电网节点功率检测传感器采集的数据进行优化计算，得到光伏DC-AC变换器所需的控制量，并控制DC-AC变换器将光伏阵列产生的电能输送到电网中。
实施例2
本发明又提供了一个实施例，是一种自适应无功补偿的光伏逆变器控制方法。如图1所示，图1是本发明方法流程图。
本发明控制方法的改进之处在于，该方法基于图卷积神经网络模型设计与实现，具体包括以下步骤：
步骤1.根据电气网络构建无向图来描述光伏逆变器接入点与其他电气支路及电气节点的拓扑关系，形成关联矩阵，并构建拉普拉斯矩阵。
设所述关联矩阵A，拉普拉斯矩阵为Laplacian matrix：对于图G＝(V,E)，其拉普拉斯矩阵的定义为L＝D-A，其中L是拉普拉斯矩阵，D＝diag(d)是顶点的度矩阵，即对角矩阵,d＝rowSum(A)，对角线上元素依次为各个顶点的度，对于A矩阵中的每一个元素Aij，如果结点i和j相邻，那么Aij＝1，否则Aij＝0；
步骤2.利用拉普拉斯矩阵构建图卷积神经网络模型。
拉普拉斯矩阵负责将图中节点之间的连接关系以矩阵的方式引入到模型之中，作为图的特征参数，在训练图卷积神经网络的每次迭代中，参与计算。
所述图卷积神经网络模型如图3所示，图3是本发明图卷积神经网络模型图。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。
所述输入层包括：辐照度、温度、光伏阵列输出电流、光伏阵列输出电压、相邻电气连接节点的电压、相邻电气节点的输入有功功率和输入无功功率；
所述隐含层：隐含层数由S1中任意节点到其它节点的最短路径最大值决定，通常为1-N层。所述N为S1中任意节点到其它节点的最短路径最大值，此处N与图的规模相关。
采用参数化修正线性单元PReLU作为激活函数：
Figure BDA0003761359970000061
上式中，a为一个可学习的参数，r(x)为激活函数值，x为上层模型的输出矩阵。
a作为一个可学习的参数，会在训练的过程中进行更新。
所述池化层：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；
所述全连接层：其中的节点个数为lN＝log2V,其中V为上一层输出节点个数，采用Sigmoid函数作为激活函数：
Figure BDA0003761359970000071
上式中，σ(z)为激活函数输出值，z为上层模型的输出矩阵。
所述输出层：PWM占空比、输出有功功率、输出无功功率。
所述PWM占空比为该专业技术领域从业人员常用术语，是一个0-100％之间的数值，作为光伏逆变器控制的重要参数之一。
步骤3.通过构建仿真***模型，进而构建训练数据集，从而对所构建的图卷积神经网络模型进行初始训练。
通过仿真***模型生成初始训练数据集，从而能够对步骤2中所构建的图卷积神经网络模型进行初始训练。
所述构建仿真***模型，是指分别模拟不同光照条件下、不同网络位置的电压越限情况以及正常运行情况，构建训练数据集。
根据所述构建训练数据集，从数据集中提取训练图卷积神经网络所需的数据。
步骤4.利用提取的训练数据对图卷积神经网络，进行多次迭代训练。
如图3所示，图3是本发明图卷积神经网络模型图。
所述多次迭代训练，具体是通过多次迭代训练，在每次迭代中：
步骤4-1训练所述图卷积神经网络的隐含层参数；
步骤4-2采用使用动量Momentum的随机梯度下降法训练全连接层和输出层参数；
步骤5.通过训练好的图卷积神经网络计算PWM占空比、有功功率及无功功率；
步骤6.将步骤5的计算结果作为光伏逆变器控制参数控制逆变器运行；
步骤7.实时采集逆变器运行数据。
所述采集逆变器运行数据，包括：逆变器控制参数、电网节点电压及节点输入功率、光伏阵列输出电流、光伏阵列输出电压、环境辐照度和环境温度，并将运行数据存入训练数据集，用于图卷积神经网络的自学习训练。
步骤8.每间隔一定时间，如3天或1周，触发自学习优化控制器利用新增数据进行自学习训练。
实施例3
本发明又提供了一个实施例，是一种自适应无功补偿的光伏逆变器控制方法与***。其中所述隐含层，经实验验证隐含层数选则2层，为最佳优先层数，其效果较为理想。
实施例4
本发明又提供了一个实施例，是一种自适应无功补偿的光伏逆变器控制方法，
本发明方法基于图卷积神经网络模型设计与实现，如实施例2所述的方法，其中所述步骤4.利用提取的训练数据对图卷积神经网络，进行多次迭代训练，在每次迭代中，包括以下步骤：
步骤4-1训练所述图卷积神经网络的隐含层参数：
针对各个对象节点，依据邻接矩阵A，将其节点特征与其邻居节点的节点特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，聚合算法可采用加权均值融合方式，即将节点特征与其邻居节点的节点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邻居节点，方法如下：
Figure BDA0003761359970000081
其中：
Figure BDA0003761359970000082
为当前层当前节点的特征值，∑u∈N(v)∪{v}(·)指所有邻居节点和自身节点，权重
Figure BDA0003761359970000083
为第u节点与第v节点间的注意力权重系数，训练时需要学习每个节点的注意力权重系数,Wk为聚合权重，
Figure BDA0003761359970000084
为上一层邻居节点特征。
利用所述图卷积神经网络包含的N个隐层，确定节点的嵌入向量，对节点特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定所述图卷积神经网络中参数的训练梯度和注意力权重；基于所述训练梯度及注意力权重，更新所述图卷积神经网络中的参数；
步骤4-2采用使用动量Momentum的随机梯度下降法训练全连接层和输出层参数。
经多次仿真得到：初始学习率选0.12，动量超参数选为0.78。
其它步骤同实施例2相同。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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实施例2或3或4所述的任意一种自适应无功补偿的光伏逆变器控制方法的步骤。
实施例6
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例2或3或4所述的任意一种自适应无功补偿的光伏逆变器控制方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(***)、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种自适应无功补偿的光伏逆变器控制***，其特征是：包括电气部分和控制部分构成；
其中，电气部分：由光伏阵列通过电缆与光伏DC-AC变换器连接，光伏DC-AC变换器将光伏阵列输出的直流电转换为交流并通过电缆输送到交流母线上；
其中，控制部分：由自学习优化控制器通过通信协议与环境数据检测***通信，获取环境检测***实时采集的环境辐照度与环境温度数据；通过电流互感器及电压互感器实时获取光伏阵列输出的电流及电压数据；通过电压互感器获取交流母线的电压数据；同时，自学习优化控制器通过与相邻网络节点的数据采集装置进行通信，获取相邻节点的电压、功率信息；将上述信息作为自学习优化控制器的计算输入数据，自学习优化控制器的计算结果作为控制量，发送给光伏DC-AC变换器,控制光伏DC-AC变换器运行。
2.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制***，其特征是：所述环境数据检测***用于检测环境温度和环境辐照度。
3.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制***，其特征是：所述自学习优化控制器利用环境数据检测***和电网节点功率检测传感器采集的数据进行优化计算，得到光伏DC-AC变换器所需的控制量，并控制DC-AC变换器将光伏阵列产生的电能输送至电网中。
4.一种自适应无功补偿的光伏逆变器控制方法，其特征是：包括以下步骤：
步骤1.根据电气网络构建无向图来描述光伏逆变器接入点与其他电气支路及电气节点的拓扑关系，形成关联矩阵，并构建拉普拉斯矩阵；
步骤2.利用拉普拉斯矩阵构建图卷积神经网络模型；
步骤3.通过构建仿真***模型，进而构建训练数据集，从而对所构建的图卷积神经网络模型进行初始训练；
步骤4.利用提取的训练数据对图卷积神经网络，进行多次迭代训练；
步骤5.通过训练好的图卷积神经网络计算PWM占空比、有功功率及无功功率；
步骤6.将计算结果作为光伏逆变器控制参数控制逆变器运行；
步骤7.实时采集逆变器运行数据；
步骤8.每间隔3-7日触发自学习优化控制器利用新增数据进行自学习训练。
5.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制方法，其特征是：步骤1所述根据电气网络构建无向图来描述光伏逆变器接入点与其他电气支路及电气节点的拓扑关系，形成关联矩阵，并构建拉普拉斯矩阵；
设所述关联矩阵A，拉普拉斯矩阵为Laplacianmatrix：对于图G＝(V,E)，其拉普拉斯矩阵的定义为L＝D-A，其中L是拉普拉斯矩阵，D＝diag(d)是顶点的度矩阵，即对角矩阵,d＝rowSum(A)，对角线上元素依次为各个顶点的度，对于A矩阵中的每一个元素Aij，如果结点i和j相邻，那么Aij＝1，否则Aij＝0。
6.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制方法，其特征是：步骤2所述利用拉普拉斯矩阵构建图卷积神经网络模型中，拉普拉斯矩阵负责将节点之间的连接关系以矩阵的方式引入到模型之中，作为图的特征参数，在训练图卷积神经网络的每次迭代中，参与计算；
所述图卷积神经网络模型包括输入层，隐含层，池化层，全连接层和输出层；
所述输入层包括：辐照度、温度、光伏阵列输出电流、光伏阵列输出电压、相邻电气连接节点的电压、相邻电气节点的输入有功功率和输入无功功率；
所述隐含层：隐含层数由S1中任意节点到其它节点的最短路径最大值决定，通常为1-N层；采用参数化修正线性单元PReLU作为激活函数：
Figure FDA0003761359960000021
上式中，a为一个可学习的参数，r(x)为激活函数值，x为上层模型的输出矩阵；可学习的参数a在训练的过程中进行更新；
所述池化层：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；
所述全连接层：其中的节点个数为lN＝log2V,其中V为上一层输出节点个数，采用Sigmoid函数作为激活函数：
Figure FDA0003761359960000022
上式中，σ(z)为激活函数输出值，z为上层模型的输出矩阵；
所述输出层：PWM占空比、输出有功功率、输出无功功率。
7.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制方法，其特征是：步骤3所述通过构建仿真***模型，进而构建训练数据集，从而对所构建的图卷积神经网络模型进行初始训练，是通过仿真***模型生成初始训练数据集，从而能够对步骤2中所构建的图卷积神经网络模型进行初始训练；
所述构建仿真***模型，是指分别模拟不同光照条件下、不同网络位置的电压越限情况以及正常运行情况，构建训练数据集；根据所述构建训练数据集，从数据集中提取训练图卷积神经网络所需的数据。
8.根据权利要求1所述的一种自适应无功补偿的光伏逆变器控制方法，其特征是：所述多次迭代训练，是通过多次迭代训练，在每次迭代中，包括：
步骤4-1训练所述图卷积神经网络的隐含层参数；
针对各个对象节点，依据邻接矩阵A，将其节点特征与其邻居节点的节点特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，聚合算法采用加权均值融合方式，将节点特征与其邻居节点的节点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邻居节点，方法如下：
Figure FDA0003761359960000031
其中：
Figure FDA0003761359960000032
为当前层当前节点的特征值，Σu∈N(v)∪{v}(·)指所有邻居节点和自身节点，权重
Figure FDA0003761359960000033
为第u节点与第v节点间的注意力权重系数，训练时需要学习每个节点的注意力权重系数,Wk为聚合权重，
Figure FDA0003761359960000034
为上一层邻居节点特征；
利用所述图卷积神经网络包含的N个隐层，确定节点的嵌入向量，对节点特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定图卷积神经网络中参数的训练梯度和注意力权重；基于所述训练梯度及注意力权重，更新图卷积神经网络中的参数；
步骤4-2采用使用动量Momentum的随机梯度下降法训练全连接层和输出层参数；
经多次仿真得到：初始学习率和动量超参数。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求4-8中任一权利要求所述的一种自适应无功补偿的光伏逆变器控制方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求4-8中任一权利要求所述的一种自适应无功补偿的光伏逆变器控制方法的步骤。
CN202210872199.1A 2022-07-23 2022-07-23 一种自适应无功补偿的光伏逆变器控制方法与*** Pending CN115313510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210872199.1A CN115313510A (zh) 2022-07-23 2022-07-23 一种自适应无功补偿的光伏逆变器控制方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210872199.1A CN115313510A (zh) 2022-07-23 2022-07-23 一种自适应无功补偿的光伏逆变器控制方法与***

Publications (1)

Publication Number Publication Date
CN115313510A true CN115313510A (zh) 2022-11-08

Family

ID=83858490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210872199.1A Pending CN115313510A (zh) 2022-07-23 2022-07-23 一种自适应无功补偿的光伏逆变器控制方法与***

Country Status (1)

Country Link
CN (1) CN115313510A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116760055A (zh) * 2023-06-07 2023-09-15 东南大学 一种基于神经网络的动态无功补偿方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116760055A (zh) * 2023-06-07 2023-09-15 东南大学 一种基于神经网络的动态无功补偿方法
CN116760055B (zh) * 2023-06-07 2024-03-12 东南大学 一种基于神经网络的动态无功补偿方法

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
JP2024008787A (ja) ハイブリッドエネルギー貯蔵システムの制御方法、装置及び電子機器
Wang et al. Design and analysis of genetic algorithm and BP neural network based PID control for boost converter applied in renewable power generations
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及***
CN111146821A (zh) 一种计及光伏不确定性的dstatcom优化配置方法
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
CN104734175A (zh) 一种实现风电机组风速功率曲线的智能修正方法
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及***
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
Yang et al. Deep learning-based distributed optimal control for wide area energy Internet
CN104915788B (zh) 一种考虑多风场相关性的电力***动态经济调度的方法
CN115313510A (zh) 一种自适应无功补偿的光伏逆变器控制方法与***
CN112330021A (zh) 一种分布式光储***的网络协调控制方法
CN105207255B (zh) 一种适用于风电出力的电力***调峰计算方法
Jegajothi et al. Combination BFPSO Tuned Intelligent Controller for Maximum Power Point Tracking in Solar Photovoltaic Farm Interconnected to Grid Supply
CN116031889A (zh) 基于鲁棒深度强化学习的多智能体分布式电压控制方法
Hongfei et al. Optimal control virtual inertia of optical storage microgrid based on improved sailfish algorithm
CN115133540A (zh) 一种配电网无模型的实时电压控制方法
CN114298383A (zh) 一种虚拟电厂储能容量配置方法及装置
Yin et al. Reduced-dimensional skip-inception feature-aggregated classified proportional-integral-derivative for suppression of mixed-mode oscillations in hydropower units
CN114204613A (zh) 一种海上风电场接入电力***的无功补偿方法和***
Sulaiman et al. Evolutionary programming versus artificial immune system in evolving neural network for grid-connected photovoltaic system output prediction
CN116231747A (zh) 分布式光伏逆变器控制方法、装置及存储介质
CN113708390B (zh) 配电台区三相不平衡治理的智能设备实时控制方法及***
CN112134304B (zh) 一种基于深度学习的微电网全自动导航方法、***与装置

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