一种综合能源系统的结合比例与深度学习的智能控制方法

本发明属于综合能源系统、人工智能、机器学习、深度学习、强化学习、深度强化学习、新能源发电、电力系统有功控制，电力系统功率平衡领域，涉及一种综合能源系统的结合比例与深度学习的智能控制方法，适用于综合能源系统的频率控制。

背景技术：

1、现有2023年3月30日申请号为2023103322345的电热气综合能源系统优化调度方法、终端设备及存储介质专利，存在计算复杂度高，易梯度爆炸和消失的问题。

2、现有2022年11月21日在applied energy发表的relaxed deep generativeadversarial networks for real-time economic smart generation dispatch andcontrol of integrated energy systems论文，存在训练数据需求量大，计算复杂度高的问题。

3、现有2022年10月18日申请号为202211271500x的一种综合能源系统的多尺度多组认知智能调度与控制方法专利，存在依赖与环境交互，模型难收敛或不稳定，效率不高的问题。

4、现有2022年4月15日申请号为2022103995139的基于深度确定性策略梯度的微电网频率控制方法及系统专利，存在控制策略单一，应用场景简单的问题。

5、现有2022年3月8日申请号为2021115283164的一种基于协同控制的独立电力系统频率控制方法及系统专利，存在系统复杂度增加，适用性差，没有考虑社会因素的问题。

6、现有2021年6月7日广西大学硕士学位论文，题目为基于混合深度对抗网络滚动强化学习算法的智能发电控制研究，存在缺乏模型可解释性的问题。

7、现有2020年10月27日在applied energy发表的time series generativeadversarial network controller for long-term smart generation control ofmicrogrids论文，存在训练时间长的问题。

8、另外，现有2020年5月15日申请号为2020104148412的一种综合能源系统的深度生成式对抗网络调度与控制方法专利，存在可拓展性差的问题。

9、因此，提出一种综合能源系统的结合比例与深度学习的智能控制方法，来解决系统复杂度高，计算复杂度高，训练数据需求量大，训练时间长，控制策略单一，适用性差，拓展性差，效率不高，模型难收敛或不稳定，梯度爆炸和梯度消失问题。

技术实现思路

1、一种综合能源系统的结合比例与深度学习的智能控制方法，将“比例-积分-微分”控制和深度学习进行结合，用于综合能源系统的频率控制，具有减小频率偏差，提高控制精度，节约发电成本，降低碳排放，减少网络损耗的效果；在综合能源系统中包含有多个区域，每个区域均采用相同的控制策略；在区域a中的使用步骤为：

2、步骤（1）：在区域a中，自动发电控制机组的总数为 n；以0.01秒为采样时间获取综合能源系统的频率偏差信号δ f( t)并判断|δ f( t)|是否小于阈值 ε；若|δ f( t)|< ε，执行步骤(2)；若|δ f( t)|≥ ε，执行步骤(3)-步骤(7)；

3、步骤（2）：在 n个自动发电控制机组中选取 k个机组，根据系统模拟对每一个自动发电控制机组进行建模；第 k个自动发电控制机组的传递函数为：

4、 g k( s)= kagc, k/ s(ti, k s+1)(td, k s+1) (1)

5、式中， kagc, k为第 k个自动发电控制机组的增益；ti, k为第 k个自动发电控制机组的积分常数；td, k为第 k个自动发电控制机组的微分常数； s为拉普拉斯变换的复变量；

6、第 k个“比例-积分-微分”控制器的传递函数为：

7、 c k( s)= kp, k +ki, k/ s+kd, k s (2)

8、式中， kp, k为第 k个“比例-积分-微分”控制器的比例系数； ki, k为第 k个“比例-积分-微分”控制器的积分常数； kd, k为第 k个“比例-积分-微分”控制器的微分常数；

9、通过“比例-积分-微分”自整定方法，由第 k个自动发电控制机组的响应曲线确定第 k个“比例-积分-微分”控制器中传递函数的参数值；将δ f( t)作为每一个“比例-积分-微分”控制器的输入，对应输出 k个自动发电控制机组的发电指令， k个自动发电控制机组发电指令矩阵为；

10、 φpid,net=( φpid1, φpid2,…, φpid k)1× k (3)

11、式中， φpid1为第1个自动发电控制机组发电指令； φpid2为第2个自动发电控制机组发电指令； φpid k为第 k个自动发电控制机组发电指令；

12、对 φpid,net填充0元素，令其维度扩充到1× n，得到 n个自动发电控制机组发电指令矩阵为：

13、 φpid=( φpid1, φpid2,…, φpid k,0,…,0)1× n (4)

14、步骤（3）：采集综合能源系统的频率偏差序列δ f( t)和与区域 i的区域控制误差序列δ eace i( t)，其中 t= t-399, t-398,…, t；获取机组特性矩阵m，m由 n个自动发电控制机组和 z种机组特性组成，共有 n行 z列；其中m11为m矩阵第1行第1列的元素，表示第1个自动发电控制机组的第1个机组特性数值，m12为m矩阵第1行第2列的元素，表示第1个自动发电控制机组的第2个机组特性数值，m21为m矩阵第2行第1列的元素，表示第2个自动发电控制机组的第1个机组特性数值，m nz为m矩阵第 n行第 z列的元素，表示第 n个自动发电控制机组的第 z个机组特性数值；

15、步骤（4）：运用自适应噪声完备集合经验模态分解对频率偏差序列δ f( t)进行处理，设定迭代次数为 q，将 p组成对的正负高斯白噪声分别加入到原始信号δ f( t)中，一共为 p个新信号，第 j次添加白噪声后的新信号序列δ f1( t), j为：

16、δ f1( t), j=δ f( t)+ ε0 ω( t), j (5)

17、式中， ε0为噪声的标准差； ω( t), j为第 j个满足标准正态分布的高斯白噪声；

18、对每一个δ f1( t), j进行经验模态分解，在第 j次经验模态分解后得到第 j个模态分量imf1( t), j，分解出来的个模态分量进行加总平均，得到第1个本征模态分量imf1( t)为：

19、imf1( t)=sum( j=1, p,imf1( t), j)/ p(6)

20、式中，imf1( t), j为δ f1( t), j经验模态分解后得到的模态分量；sum( j=1, p,imf1( t), j)为对imf1( t),1，imf1( t),2，…，imf1( t), p进行求和；

21、第1个残余分量r1( t)为：

22、r1( t)=δ f( t)-imf1( t)(7)

23、在r1( t)中加入 p组成对的正负高斯白噪声经过经验模态分解后的辅助噪声信号，得到第 j次添加辅助噪声后的新信号δ f2( t), j为：

24、δ f2( t), j=r1( t)+ ε0 e( ω( t), j)(8)

25、式中， e()为进行经验模态分解的函数；

26、对每一个δ f2( t), j进行经验模态分解，在第 j次经验模态分解后得到第 j个模态分量imf2( t), j，分解出来的 p个模态分量进行加总平均，得到第2个本征模态分量imf2( t)为:

27、imf2( t)=sum( j=1, p,imf2( t), j)/ p(9)

28、式中，imf2( t), j为δ f2( t), j经验模态分解后得到的模态分量；sum( j=1, p,imf2( t), j)为对imf2( t),1，imf2( t),2，…，imf2( t), p进行求和；

29、第2个残余分量r2( t)为：

30、r2( t)=r1( t)-imf2( t)(10)

31、步骤（5）：重复步骤（4）的计算直到残余分量不能够再进行经验模态分解，在进行 q次迭代后得到的本征模态分量的数量为 q，则原始信号δ f( t)被分解为：

32、δ f( t)=sum( q=1, q,imf q( t)+r q( t))(11)

33、式中，imf q( t)为第 q个本征模态分量；r q( t)为第 q个残余分量；sum( q=1, q,imf q( t)+r q( t))为对imf1( t)+r1( t)，imf2( t)+r2( t)，…，imf q( t)+r q( t)进行求和；

34、步骤（6）：计算δ f( t)和δ eace i( t)的微分与积分，得到综合能源系统的频率偏差微分序列δ fdif( t)，频率偏差积分序列δ fint( t)，与区域的区域控制误差微分序列δ eace i,dif( t)和与区域的区域控制误差积分序列δ eace i,int( t)；

35、δ f( t)在第 i个点的微分为：

36、δ fdif( i)=δ f( i+1)-δ f( i)(12)

37、式中，δ f( i)为δ f( t)在第 i个点的值；δ f( i+1)为δ f( t)在第 i+1个点的值；

38、δ f( t)在第 i个点的积分为：

39、δ fint( i)=((δ f(1)+δ f(2))/2+…+(δ f( i-1)+δ f( i))/2)×0.01(13)

40、式中，δ f(1)为δ f( t)在第1个点的值；δ f(2)为δ f( t)在第2个点的值；δ f( i-1)为δ f( t)在第 i-1个点的值；

41、δ eace i( t)在第 i个点的微分为：

42、δ eace i,dif( t)=δ eace i( i+1)-δ eace i( i)(14)

43、式中，δ eace i( i)为δ eace i( t)在第 i个点的值；δ eace i( i+1)为δ eace i( t)在第 i+1个点的值；

44、δ eace i( t)在第 i个点的积分为：

45、δ eace i,int( i)=((δ eace i(1)+δ eace i(2))/2+…+(δ eace i( i-1)+δ eace i( i))/2)×0.01(15)

46、式中，δ eace i(1)为δ eace i( t)在第1个点的值；δ eace i(2)为δ eace i( t)在第2个点的值；δ eace i( i-1)为δ eace i( t)在第 i-1个点的值；

47、步骤（7）：设计深度学习部分所需的编码器和解码器；编码器由 n 1个编码单元组成，每个编码单元都包含有多头注意力机制，前馈层，残差连接和层归一化；输入信号经过嵌入层转换为固定长度的向量后添加位置编码，经过编码器输出给解码器，作为多头注意力机制的输入；解码器由 n 1个解码单元组成，每个解码单元包含有多头注意力机制，前馈层，残差连接，层归一化和掩码注意力机制；解码器的输出经过线性化，指数归一化得到自动发电控制机组发电指令，自动发电控制机组发电指令又反过来经过嵌入层转换为固定长度的向量后添加位置编码，成为解码器下一时刻的输入；将imf q( t)，δ fdif( t)，δ fint( t)，δ eace i( t)，δ eace i,dif( t)， eace i,int( t)， m和用户行为信息矩阵作为编码器的输入；通过解码器输出 n个自动发电控制机组的发电指令 φdl=( φdl1, φdl2,…, φdl n)1× n，其中 φdl1为第1个自动发电控制机组发电指令， φdl2为第2个自动发电控制机组发电指令， φdl n为第 n个自动发电控制机组发电指令；

48、步骤（8）：将“比例-积分-微分”控制器的输出和深度学习部分解码器的输出相加，得到最后的自动发电控制机组发电指令 φ为：

49、 φ= φpid+ φdl(16)

50、自动发电控制机组将保持当前的发电动作直到下一组发电指令到来。

51、本发明相对于现有技术具有如下的优点及效果：

52、(1) 现有2023年3月30日申请号为2023103322345的电热气综合能源系统优化调度方法、终端设备及存储介质专利会造成计算复杂度高，而本发明能降低计算复杂度，避免梯度爆炸和梯度消失问题。

53、(2) 现有2022年11月21日在applied energy发表的relaxed deep generativeadversarial networks for real-time economic smart generation dispatch andcontrol of integrated energy systems论文，存在训练数据需求量大问题，而本发明在数据有限的情况下也能取得出色的效果。

54、(3) 现有2022年10月18日申请号为202211271500x的一种综合能源系统的多尺度多组认知智能调度与控制方法专利，存在依赖与环境交互，模型难收敛或不稳定的问题，而本发明能够从静态的数据集中进行训练，模型收敛性强。

55、(4) 现有2022年4月15日申请号为2022103995139的基于深度确定性策略梯度的微电网频率控制方法及系统专利，存在控制策略单一，应用场景简单的问题，而本发明有两种控制策略，应用的场景为更加复杂的综合能源系统。

56、(5) 现有2022年3月8日申请号为2021115283164的一种基于协同控制的独立电力系统频率控制方法及系统专利不能考虑社会因素问题，而本发明能够根据用户行为信息和政府政策信息调整频率控制策略。

57、(6) 现有2021年6月7日广西大学硕士学位论文，题目为基于混合深度对抗网络滚动强化学习算法的智能发电控制研究缺乏模型可解释性，而本发明中自注意力机制允许模型在处理输入序列时根据不同位置之间的关系进行加权，使得注意力权重可视化，具有更高的模型可解释性。

58、(7) 现有2020年10月27日在applied energy发表的time series generativeadversarial network controller for long-term smart generation control ofmicrogrids论文，存在训练时间长的问题，而本发明中的自注意力机制允许对序列中的所有位置进行并行化计算，训练速度更快。

59、(8) 现有2020年5月15日申请号为2020104148412的一种综合能源系统的深度生成式对抗网络调度与控制方法专利的可拓展性差，而本发明中transformer的模块化结构能够在不同的任务和应用中通过堆叠多个transformer层进行定制和扩展，拓展性高。