微电网频率自适应学习控制方法技术

本发明专利技术属于微电网频率控制技术领域，具体涉及一种微电网频率自适应学习控制方法。旨在解决现有技术无法有效地调节微电网的频率和提高微电网频率的稳定性的问题。本发明专利技术提供一种微电网频率自适应学习控制方法，包括基于预先获取的微电网系统的第一状态参数，计算微电网系统的第二状态参数；根据第二状态参数和预先构建的第一神经网络模型计算微电网系统的控制矩阵、扰动矩阵；根据第二状态参数计算微电网系统的效用函数；根据效用函数计算微电网系统的代价函数；基于第二状态参数、控制矩阵、扰动矩阵、效用函数以及代价函数，采用自适应动态规划方法计算微电网系统频率的最优控制律。本发明专利技术的方法能够有效地提高微电网系统的频率稳定性。

【技术实现步骤摘要】
微电网频率自适应学习控制方法
本专利技术属于微电网频率控制
，具体涉及一种微电网频率自适应学习控制方法。
技术介绍
在现代电力系统中，微电网已经成为不可或缺的一部分，微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，使传统电网向智能电网过渡。但是分布式和可再生能源融入微电网将不可避免地会影响微电网的稳定性，特别是负载消耗和发电的不平衡，将导致微电网的频率出现偏差甚至危及微电网的稳定性。由于微电网相对于传统大电网规模较小，系统惯性和冗余度较低，因此，如何提高微电网频率的稳定性已经成为现代电力系统发展的重要问题。在控制理论与工程中，当被控对象的参数不确定或被控对象受到扰动时，鲁棒性是评估控制器性能的重要标准。由于微电网中一般含有多种分布式电源，这些分布式电源的随机性会给系统造成一定的干扰，且微电网系统的非线性会对系统鲁棒性造成影响。为了提高微电网的稳定性，一些鲁棒控制方法应运而生，例如，模糊控制方法和滑模控制方法等，但是现有技术的方法针对微电网系统在受到扰动情况下的控制问题，获取一般非线性系统的解析解是很困难的，无法有效地调节微电网的频率和提高微电网频率的稳定性。因此，如何提出一种解决上述问题的方案是本领域技术人员目前需要解决的问题。
技术实现思路
为了解决现有技术中的上述问题，即为了解决现有技术难以获取非线性系统的解析解导致无法有效地调节微电网的频率和提高微电网频率的稳定性的问题，本专利技术提供了一种微电网频率自适应学习控制方法，所述方法包括：基于预先获取的微电网系统的第一状态参数，计算所述微电网系统的第二状态参数；根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的控制矩阵、扰动矩阵；根据所述第二状态参数计算所述微电网系统的效用函数；根据所述效用函数计算所述微电网系统的代价函数；基于所述第二状态参数、控制矩阵、扰动矩阵、效用函数以及代价函数，采用自适应动态规划方法计算所述微电网系统频率的最优控制律。在上述方法的优选技术方案中，“根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的控制矩阵、扰动矩阵”，其方法包括：步骤S21：根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的第一状态方程，所述第一状态方程为：其中，A为神经网络模型的预先稳定矩阵，x(t)＝[x1(t),x2(t),x3(t)]T，x1(t)＝Δξf(t)，x2(t)＝Δξt(t)，x3(t)＝Δξp(t)，ωm表示所述第一神经网络模型的隐层-输出层的理想权值矩阵，表示所述第一神经网络模型的激励函数，表示所述第一神经网络模型的输入量，υ(t)表示由负载变化引起的微电网系统干扰，u(t)表示微电网系统的控制信号，表示第一重构误差；步骤S22：随机初始化所述第一神经网络模型的输入层-隐层的理想权值矩阵，计算所述微电网系统的第二状态方程，所述第二状态方程为：其中，是所述第一神经网络模型的隐层-输出层的理想权值矩阵ωm在t时刻的估计值，表示对微电网系统状态的估计，vm表示输入层-隐层的理想权值矩阵；步骤S23：根据所述第一状态方程和所述第二状态方程，计算所述第一神经网络模型的状态估计误差的动态方程，所述状态估计误差的动态方程为：表示所述第一神经网络模型的权重估计误差，表示所述第一神经网络模型的状态估计误差；步骤S24：根据逼近理论，在所述第一重构误差任意小时，计算所述微电网系统的第三状态方程，分别对所述第三状态方程的微电网系统的控制信号u(t)和微电网系统干扰υ(t)求偏导，得到所述微电网系统的控制矩阵、扰动矩阵；其中，所述微电网系统的第三状态方程为：所述控制矩阵为：所述扰动矩阵为：其中，表示lm维的方阵，Im为与控制维数相同的单位矩阵，Iq为与干扰维数相同的单位矩阵。在上述方法的优选技术方案中，所述预先构建的第一神经网络模型包括(n+m+q)个输入层神经元，lm个隐层神经元，n个输出层神经元，学习率为αm(αm＞0)，激励函数为输入层-隐层的理想权值矩阵为隐层-输出层的理想权值矩阵为n、m、q分别表示状态、控制、干扰向量的维数。在上述方法的优选技术方案中，计算所述效用函数其方法如下公式所示：U(x,t)＝xT(t)Qx(t)+uT(t)u(t)-ρ2υT(t)υ(t)其中，U(x,t)表示所述微电网系统的效用函数，Q是n×n实矩阵空间的正定矩阵，ρ是微电网系统干扰的性能系数。在上述方法的优选技术方案中，“根据所述效用函数计算所述微电网系统的代价函数”，其方法如下公式所示：其中，J(x,t)表示所述微电网系统的代价函数。在上述方法的优选技术方案中，所述第一状态参数包括所述微电网系统的水轮机时间常数Tt、调速器时间常数Tg、电力系统常数Tp、电力系统增益kp、调速系数sp；所述第二状态参数包括所述微电网系统的频率偏差Δξf(t)、水轮机功率偏差Δξt(t)以及调速器位置偏差Δξp(t)。在上述方法的优选技术方案中，“计算所述微电网系统的第二状态参数”之后，该方法还包括构建所述微电网系统的仿真模型，构建方法如下公式所示：其中，分别表示所述微电网系统的频率偏差Δξf(t)、水轮机功率偏差Δξt(t)以及调速器位置偏差Δξp(t)的导数。在上述方法的优选技术方案中，“计算所述微电网系统频率的最优控制律”，其方法包括：步骤S31：通过预先构建的第二神经网络模型重新计算所述代价函数，得到第一代价函数，所述第一代价函数为：其中，表示所述预先构建的第二神经网络模型的隐层-输出层的理想权值矩阵，表示所述预先构建的第二神经网络模型的激励函数，表示第二重构误差；步骤S32：基于所述第二神经网络模型的训练隐层-输出层的权值矩阵更新所述第一代价函数，得到第二代价函数，并计算所述第二代价函数的梯度向量，所述第二代价函数为：所述第二代价函数的梯度向量为：其中，表示所述第二神经网络模型的训练隐层-输出层的权值矩阵，表示所述第二神经网络模型的激励函数的梯度向量；步骤S33：根据所述第一代价函数和所述第二代价函数的梯度向量计算所述微电网系统频率的最优控制律，计算方法如下公式所示：在上述方法的优选技术方案中，所述预先构建的第二神经网络模型包括n个输入层神经元，lc个隐层神经元，1个输出层神经元，学习率为αc(αc＞0)，激励函数为输入层-隐层的权值均为1，隐层-输出层的理想权值矩阵为在上述方法的优选技术方案中，“计算所述微电网系统频率的最优控制律”之前，该方法还包括基于梯度下降算法调整所述预先构建的第二神经网络模型的权值，所述梯度下降算法具体如下公式所示：其中，表示lc维的列向量，表示最小化目标函数，表示控制信号的近似值，表示微电网系统干扰的近似值，表示隐层-输出层的理想权值矩阵的近似值。与最接近的现有技术相比，本专利技术提供一种微电网频率自适应学习控制方法，包括基于预先获取的微电网系统的第一状态参数，计算微电网系统的第二状态参数；根据第二状态参数和预先构建的第一神经网络模型计算微电网系统的控制矩阵、扰动矩阵；根据第二状态参数计算微电网系统的效用函数；根据效本文档来自技高网...

【技术保护点】
1.一种微电网频率自适应学习控制方法，其特征在于，所述方法包括：基于预先获取的微电网系统的第一状态参数，计算所述微电网系统的第二状态参数；根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的控制矩阵、扰动矩阵；根据所述第二状态参数计算所述微电网系统的效用函数；根据所述效用函数计算所述微电网系统的代价函数；基于所述第二状态参数、控制矩阵、扰动矩阵、效用函数以及代价函数，采用自适应动态规划方法计算所述微电网系统频率的最优控制律。

【技术特征摘要】
1.一种微电网频率自适应学习控制方法，其特征在于，所述方法包括：基于预先获取的微电网系统的第一状态参数，计算所述微电网系统的第二状态参数；根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的控制矩阵、扰动矩阵；根据所述第二状态参数计算所述微电网系统的效用函数；根据所述效用函数计算所述微电网系统的代价函数；基于所述第二状态参数、控制矩阵、扰动矩阵、效用函数以及代价函数，采用自适应动态规划方法计算所述微电网系统频率的最优控制律。2.根据权利要求1所述的方法，其特征在于，“根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的控制矩阵、扰动矩阵”，其方法包括：步骤S21：根据所述第二状态参数和预先构建的第一神经网络模型计算所述微电网系统的第一状态方程，所述第一状态方程为：其中，A是神经网络模型中预先设定的稳定矩阵，x(t)＝[x1(t),x2(t),x3(t)]T，x1(t)＝Δξf(t)，x2(t)＝Δξt(t)，x3(t)＝Δξp(t)，ωm表示所述第一神经网络模型的隐层-输出层的理想权值矩阵，表示所述第一神经网络模型的激励函数，表示所述第一神经网络模型的输入量，υ(t)表示由负载变化引起的微电网系统干扰，u(t)表示微电网系统的控制信号，表示第一重构误差，Tt表示水轮机时间常数、Tg表示调速器时间常数、Tp表示电力系统常数、kp表示电力系统增益、sp表示调速系数；步骤S22：随机初始化所述第一神经网络模型的输入层-隐层的理想权值矩阵，计算所述微电网系统的第二状态方程，所述第二状态方程为：其中，是所述第一神经网络模型的隐层-输出层的理想权值矩阵ωm在t时刻的估计值，表示对微电网系统状态的估计，vm表示输入层-隐层的理想权值矩阵；步骤S23：根据所述第一状态方程和所述第二状态方程，计算所述基于神经网络的状态估计误差动态方程，所述状态估计误差的动态方程为：表示所述第一神经网络模型的权重估计误差，表示所述第一神经网络模型的状态估计误差；步骤S24：根据逼近理论，在所述第一重构误差任意小时，计算所述微电网系统的第三状态方程，分别对所述第三状态方程的微电网系统的控制信号u0(t)和微电网系统干扰υ(t)求偏导，得到所述微电网系统的控制矩阵、扰动矩阵；其中，所述微电网系统的第三状态方程为：所述控制矩阵为：所述扰动矩阵为：其中，表示lm维的方阵，Im为与控制维数相同的单位矩阵，Iq为与干扰维数相同的单位矩阵。3.根据权利要求2所述的方法，其特征在于，所述预先构建的第一神经网络模型包括(n+m+q)个输入层神经元，lm个隐层神经元，n个输出层神经元，学习率为αm(αm＞0)，激励函数为输入层-隐层的理想权值矩阵为隐层-输出层的理想权值矩阵为...

【专利技术属性】
技术研发人员：王鼎，张启超，赵博，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11