电力弹簧的混合控制方法及系统、设备及存储介质技术方案

技术编号:27506301 阅读:36 留言:0更新日期:2021-03-02 18:33
本发明专利技术提供了一种电力弹簧的混合控制方法及系统、设备及存储介质,该方法包括:获取电力弹簧的数据,将数据代入至预置的分析模型,得到分析模型的系统基本策略,基于系统基本策略得到分析模型的运行数据,分析模型包括分析约束条件;基于运行数据和极限学习机方法构建数据驱动模型,数据驱动模型包括数据驱动约束条件;将数据驱动约束条件替代分析模型中的所述分析约束条件,得到混合模型,基于混合模型得到电力弹簧的混合控制策略;基于电力弹簧的混合控制策略得到混合运行数据,根据所述混合运行数据进行选择所述分析模型或所述数据驱动模型。该方法提高了电力弹簧在不能准确获得系统参数情况下的调压效果。系统参数情况下的调压效果。系统参数情况下的调压效果。

【技术实现步骤摘要】
电力弹簧的混合控制方法及系统、设备及存储介质


[0001]本专利技术属于电力系统领域,尤其涉及一种电力弹簧的混合控制方法及系统、设备及存储介质。

技术介绍

[0002]由于可再生能源的间歇性和不确定性,对于可再生能源渗透率较高的配电网电压调节是一个具有挑战性的问题。传统的电压调节装置,如有载分接开关(LTC)和电容器组(CB),只能以离散的方式控制电压,且控制频率较低,不能有效地处理可再生能源发电引起的电压波动问题,为了提高电力弹簧与传统设备的协同控制,研究相关的控制方法是非常有必要的。

技术实现思路

[0003]本专利技术所要解决的技术问题是:针对现有技术的问题,本专利技术提出了一种提高电力弹簧在不能准确获得系统参数情况下的调压效果。
[0004]第一方面,本申请实施例提供了一种电力弹簧的混合控制方法,所述方法包括:
[0005]获取电力弹簧的数据,将所述数据代入至预置的分析模型,得到所述分析模型的系统基本策略,基于所述系统基本策略得到所述分析模型的运行数据,所述分析模型包括分析约束条件;
[0006]基于所述运行数据和极限学习机方法构建数据驱动模型,所述数据驱动模型包括数据驱动约束条件;
[0007]将所述数据驱动约束条件替代所述分析模型中的所述分析约束条件,得到混合模型,基于所述混合模型得到所述电力弹簧的混合控制策略;
[0008]基于所述电力弹簧的混合控制策略得到混合运行数据,根据所述混合运行数据进行选择所述分析模型或所述数据驱动模型。
[0009]第二方面,本申请实施例提供了一种电力弹簧的混合控制系统,所述系统包括:
[0010]分析模型模块:用于获取电力弹簧的数据,将所述数据代入至预置的分析模型,得到所述分析模型的系统基本策略,基于所述系统基本策略得到所述分析模型的运行数据,所述分析模型包括分析约束条件;
[0011]数据驱动模块:用于基于所述运行数据和极限学习机方法构建数据驱动模型,所述数据驱动模型包括数据驱动约束条件;
[0012]混合模型模块:用于将所述数据驱动约束条件替代所述分析模型中的所述分析约束条件,得到混合模型,基于所述混合模型得到所述电力弹簧的混合控制策略;
[0013]选择模块:用于基于所述电力弹簧的混合控制策略得到混合运行数据,根据所述混合运行数据进行选择所述分析模型或所述数据驱动模型。
[0014]第三方面,本申请实施例还提供了一种电力弹簧的混合控制设备,包括存储器、处理器、以及存储在所述存储器中并可在所述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,实现如第一方面所述的电力弹簧的混合控制方法中的各个步骤。
[0015]第四方面,本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的电力弹簧的混合控制方法中的各个步骤。
[0016]本专利技术提供了一种电力弹簧的混合控制方法,所述方法包括:获取电力弹簧的数据,将所述数据代入至预置的分析模型,得到所述分析模型的系统基本策略,基于所述系统基本策略得到所述分析模型的运行数据,所述分析模型包括分析约束条件;基于所述运行数据和极限学习机方法构建数据驱动模型,所述数据驱动模型包括数据驱动约束条件;将所述数据驱动约束条件替代所述分析模型中的所述分析约束条件,得到混合模型,基于所述混合模型得到所述电力弹簧的混合控制策略;基于所述电力弹簧的混合控制策略得到混合运行数据,根据所述混合运行数据进行选择所述分析模型或所述数据驱动模型。该方法提高了电力弹簧在不能准确获得系统参数情况下的调压效果。
附图说明
[0017]下面结合附图详述本专利技术的具体结构
[0018]图1为本专利技术的电力弹簧的混合控制方法的流程示意图;
[0019]图2为本专利技术的电力弹簧的混合控制方法的子流程示意图;
[0020]图3为本专利技术的IEEE15母线配电系统示意图;
[0021]图4为本专利技术的分析模型与数据驱动模型的预测误差对比图;
[0022]图5为本专利技术的分析控制方法中分析模型与数据驱动模型的预测结果图;
[0023]图6为本专利技术的分析方法与数据驱动方法的平均电压波动图;
[0024]图7为本专利技术的在不同控制方法下母线4在30分钟内的电压分布图;
[0025]图8为本专利技术的使用不同激活函数的对比图;
[0026]图9为本专利技术的10轮训练内的ELM模型精确率图;
[0027]图10为本专利技术的电力弹簧的混合控制方法的程序模块示意图。
具体实施方式
[0028]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而非全部实施例。基于本专利技术中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。
[0029]图1为本申请实施例中电力弹簧的混合控制方法的流程示意图,所述方法包括:
[0030]步骤101、获取电力弹簧的数据,将所述数据代入至预置的分析模型,得到所述分析模型的系统基本策略,基于所述系统基本策略得到所述分析模型的运行数据,所述分析模型包括分析约束条件。
[0031]其中,先获取电力弹簧的系统数据,其中电力弹簧装置(electric spring),简称ES,是一种应用于电力系统中的电力电子装置,颠覆了电力系统中用电需求决定发电量的传统思路,旨在实现用电量可随着发电量的变化而变化,能有效缓解太阳能、风能等新能源发电的间歇性和不稳定性的问题,将获取到的数据代入至预置的分析模型中,其中分析模
型是对客观事物或现象的一种描述。模型是被研究对象的一种抽象。客观事物或现象,是一个多因素综合体。因素之间存在着相互依赖又相互制约的关系,通常是复杂的非线性关系;得到分析系统的系统基本策略后,将系统基本策略运用至实际系统中,得到运行数据;其中在数学规划中,对于决策方案的各项限制,常以不等式或方程式的形式出现。在经济问题中,对目标函数常常要在一定约束条件下求最大值(或最小值),它们包含着用来代表决策方案的变量,借以对决策方案施加限制范围。
[0032]步骤102、基于所述运行数据和极限学习机方法构建数据驱动模型,所述数据驱动模型包括数据驱动约束条件。
[0033]其中,将步骤101中得到的运行数据,基于极限学习机方法构建数据驱动模型,极限学习机(Extreme Learning Machine,ELM)或“超限学习机”是一类基于前馈神经网络(Feedforward Neuron Network,FNN)构建的机器学习系统或方法,适用于监督学习和非监督学习问题。
[0034]步骤103、将所述数据驱动约束条件替代所述分析模型中的所述分析约束条件,得到混合模型,基于所述混合模型得到所述电力弹簧的混合控制策略。
[0035]本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种电力弹簧的混合控制方法,其特征在于,所述方法包括:获取电力弹簧的数据,将所述数据代入至预置的分析模型,得到所述分析模型的系统基本策略,基于所述系统基本策略得到所述分析模型的运行数据,所述分析模型包括分析约束条件;基于所述运行数据和极限学习机方法构建数据驱动模型,所述数据驱动模型包括数据驱动约束条件;将所述数据驱动约束条件替代所述分析模型中的所述分析约束条件,得到混合模型,基于所述混合模型得到所述电力弹簧的混合控制策略;基于所述电力弹簧的混合控制策略得到混合运行数据,根据所述混合运行数据进行选择所述分析模型或所述数据驱动模型。2.如权利要求1所述的方法,其特征在于,所述基于所述运行数据和极限学习机方法构建数据驱动模型具体包括:构建极限学习机模型;基于所述运行数据和所述极限学习机模型构建数据驱动模型。3.如权利要求2所述的方法,其特征在于,所述极限学习机模型为具有L隐藏神经元的单层极限学习机模型:其中,是激活函数,w
j
、b
j
和β
j
是节点j的输入权重、偏差和输出权重,是样本i的极限学习机输出,ε
i
是样本i的训练误差。4.如权利要求3所述的方法,其特征在于,所述数据驱动模型具体包括负荷有功功率模型、负荷无功功率模型和潮流模型:数据驱动的负荷有功功率模型为:数据驱动的负荷无功功率模型为:数据驱动的潮流模型为:其中,elm为极限学习机,W
q
、W
v
、W
p
、B
v
、B
q
和B
p
均是经过训练的elm模型的参数,为激活函数,模型的输出为所有母线的负荷有功和无功消耗向量。5.如权利要求4所述的方法,其特征在于,所述数据驱动模型中的约束条件分别包括:数据驱动的潮流模型约束条件为:数据驱动的负荷有功功率模型的约束条件为:数据驱动的负荷无功功率模型的约束条件为:电压的约束条件为:V1=LTC*V
N
电力弹簧调制参数向量约束为:其中,W
v
、B
v
和β
v
是经过训练的ELM模型的参数,是激活函数,P
iG
是分布式发电在所有节点的有功功率,表示所有电弹簧的调制参数向量,和分别是所有电力弹簧的最小调制参数向量和最大调制参数向量。6.如权利要求5所述的方法,其特征在于,所述分析模型分别包括:分析模型的高层调压模型为:其中,为临界母线的电压波动,为所有母线的电压偏差,C
A
表示自适应代价,N
S
表示预测误差,V
tar
表示目标电压,表示母线电压越限;分析模型中的低模型通过共享电力弹簧之间的调节贡献来确定电力弹簧的运行,其控制变量计算为:其中,PF
i
表示负载i的功率因子,P
iL,t
和表示母线i在时间t的有功和无功功率消耗,表示电弹簧母线i在时间t的输出电压,表...

【专利技术属性】
技术研发人员:赵俊华赵焕聂一格梁高琪
申请(专利权)人:香港中文大学深圳
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1