分布式光伏逆变器控制方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种分布式光伏逆变器控制方法、装置及存储介质，本发明专利技术的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，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。有功功率输出。有功功率输出。

【技术实现步骤摘要】
分布式光伏逆变器控制方法、装置及存储介质


[0001]本专利技术涉及一种分布式光伏逆变器控制方法、装置及存储介质，属于分布式电源及配电网


技术介绍

[0002]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固定的最大功率点跟踪(MPPT)控制方法运行，这种控制方法虽然可以实现光伏的输出功率最大化，但是随着规模化分布式光伏逆变器接入配电台区，当超过台区的饱和承载力，会造成电压越限等一系列电能质量问题，给电网的安全运行造成同时很大影响。

技术实现思路

[0003]本专利技术提供了一种分布式光伏逆变器控制方法、装置及存储介质，解决了
技术介绍
中披露的问题。
[0004]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0005]分布式光伏逆变器控制方法，包括：
[0006]获取系统的环境数据和运行数据；
[0007]将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
[0008]将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
[0009]环境数据包括辐照度和温度，运行数据包括光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和相邻电气节点的输入无功功率数据。
[0010]自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
[0011]聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的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相邻电气节点。
[0012]更新自学习参数过程为：
[0013]基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注
意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
[0014]分布式光伏逆变器控制装置，包括：
[0015]获取模块，获取系统的环境数据和运行数据；
[0016]自学习模块，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；
[0017]控制模块，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
[0018]自学习模块的自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。
[0019]自学习模块中，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的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相邻电气节点。
[0020]自学习模块中，更新自学习参数过程为：
[0021]基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。
[0022]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行分布式光伏逆变器控制方法。
[0023]本专利技术所达到的有益效果：本专利技术的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，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。
附图说明
[0024]图1为光伏逆变器控制方法的流程图；
[0025]图2为图卷积神经网络示意图；
[0026]图3为光伏逆变器控制的原理框图。
具体实施方式
[0027]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0028]如图1所示，一种光伏逆变器控制方法，包括以下步骤：
[0029]步骤1，获取系统的环境数据和运行数据。
[0030]步骤2，将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光
伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立。
[0031]步骤3，将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。
[0032]上述方法的自学习控制模型采用图卷积神经网络，并基于最近的数据进行周期性训练，在训练过程中，将电气节点的特征与相邻电气节点的特征进行聚合进行模型更新，是一种考虑相邻节点电气量的自学习优化控制模型，采用该模型获取控制参数，进行光伏逆变器控制，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。
[0033]在实施上述方法之前需要先构建自学习控制模型，即图卷积神经网络，该网络周期性自学习训练，即每间隔一定时间训练依次，时间间隔可根据需要设置，推荐为24小时。
[0034]训练的训练样本包括无向图、最新的环境数据和运行数据。无向图：根据系统电气网络拓扑图，构建描述光伏逆变器接入点、相邻电气支路及拓扑关系的无向图。最新的环境数据和运行数据一般为最近3个月的数据，其中，环境数据包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.分布式光伏逆变器控制方法，其特征在于，包括：获取系统的环境数据和运行数据；将环境数据、运行数据和无向图输入预先训练的自学习控制模型，获得光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率；其中，无向图根据系统电气网络拓扑图预先构建；自学习控制模型采用图卷积神经网络，按周期进行自学习训练；在训练过程中，采用无向图、最近预设时段的环境数据和运行数据作为训练集，针对每个电气节点，根据关联矩阵，将电气节点的特征与相邻电气节点的特征进行聚合，形成新的聚合特征矩阵，并计算新的拉普拉斯矩阵，更新自学习参数和自学习控制模型；关联矩阵基于无向图建立；将光伏逆变器的PWM占空比、输出的有功功率和输出的无功功率作为控制参数，对光伏逆变器进行控制。2.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，环境数据包括辐照度和温度，运行数据包括光伏阵列输出电流、光伏阵列输出电压、相邻电气节点的电压、相邻电气节点的输入有功功率和相邻电气节点的输入无功功率数据。3.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，自学习控制模型中，隐含层数由任意电气节点到其它电气节点的最短路径最大值确定。4.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，聚合采用加权均值融合方式，将电气节点的特征与相邻电气节点的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相邻电气节点。5.根据权利要求1所述的分布式光伏逆变器控制方法，其特征在于，更新自学习参数过程为：基于自学习控制模型包含的隐层数量，确定电气节点的嵌入向量，对电气节点的特征进行图卷积运算，经过激活函数后得到图信号矩阵，确定自学习参数的训练梯度和注意力权重，根据训练梯度和注意力权重，更新自学习控制模型的自学习参数。6.分布式光伏逆变器控制装置，其...

【专利技术属性】
技术研发人员：唐成虹，廖辉，赵福林，贾向博，戴维，蒋亦凡，
申请(专利权)人：南瑞集团有限公司，
类型：发明
国别省市：