一种多智能体电力系统分布式控制方法及系统技术方案

本发明专利技术公开一种多智能体电力系统分布式控制方法及系统，涉及电力系统领域，该方法包括：确定非线性多智能体电力系统模型的动力学模型；确定一致性跟踪误差；建立非线性多智能体电力系统的情感自学习神经网络逼近模型；构建串

【技术实现步骤摘要】
一种多智能体电力系统分布式控制方法及系统


[0001]本专利技术涉及电力系统
，特别是涉及一种多智能体电力系统分布式控制方法及系统
。

技术介绍

[0002]随着电力系统规模的不断扩大和复杂性的增加，多智能体电力系统协同控制已成为电力系统研究的热点领域
。
为了应对日益严峻的能源需求和环境挑战，分布式能源资源
(
如风能
、
太阳能
、
储能设备等
)
在电力系统中的应用逐渐普及，提高了系统的复杂性和不确定性
。
因此，传统的集中式控制方法在处理大规模
、
高度复杂的电力系统时，面临计算量大
、
通信负担重
、
实时性差等诸多挑战
。
多智能体系统作为一种分布式协同控制方法，充分利用了智能体之间的通信和协作能力，为解决这些问题提供了新的思路
。
目前，多智能体电力系统协同控制技术已在电力系统的各个领域得到了技术支持
。
然而，现有的多智能体系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多智能体电力系统分布式控制方法，其特征在于，包括：确定非线性多智能体电力系统模型的动力学模型；基于动力学模型，确定非线性多智能体电力系统的一致性跟踪误差；建立所述非线性多智能体电力系统的逼近模型，所述逼近模型为情感自学习神经网络；所述逼近模型用于表示所述动力学模型中未知非线性项；构建串
‑
并联辨识模型，所述串
‑
并联辨识模型用于提取动力学模型的辨识误差；根据所述辨识误差确定所述逼近模型中权值的估计值；根据所述逼近模型中的重构逼近误差和未知外部扰动，利用鲁棒控制律确定复合扰动上界估计值；根据相对阈值的动态事件触发协同控制机制限制控制器的触发次数，所述控制器为控制所述动力学模型的控制器；根据所述一致性跟踪误差
、
所述逼近模型中权值的估计值和复合扰动上界估计值，采用努斯鲍姆函数解决所述协同控制机制的控制方向未知的问题
。2.
根据权利要求1所述的多智能体电力系统分布式控制方法，其特征在于，确定非线性多智能体电力系统模型的动力学模型步骤之前，还包括：根据图论知识建立多智能体电力系统的非线性多智能体电力系统模型；所述多智能体电力系统中智能体为同步发电机；所述非线性多智能体电力系统模型中包括1个虚拟领导者发电机和
n
个跟随者发电机，
n
为大于1的整数
。3.
根据权利要求2所述的多智能体电力系统分布式控制方法，其特征在于，所述动力学模型表示为：其中，
x
i
表示第
i
个同步发电机的转子转速，表示
x
i
的导数，
F(X
i
)
表示第
i
个同步发电机的所述动力学模型中未知非线性项，
X
i
表示第
i
个同步发电机的状态向量，
u
i
表示第
i
个同步发电机的控制输入，
M
i
表示第
i
个同步发电机的惯性常数，
d
i
表示第
i
个同步发电机的时变动态扰动
。4.
根据权利要求2所述的多智能体电力系统分布式控制方法，其特征在于，所述一致性跟踪误差表示为：其中，表示第
i
个同步发电机的一致性跟踪误差，
n
表示同步发电机的数量，表示第
i
个同步发电机的时变邻接矩阵
A
的元素，表示领导
‑
跟随矩阵
B
的元素，
x
i
表示第
i
个同步发电机的转子转速，
x
j
表示第
j
个同步发电机的转子转速，
x
L
表示所述虚拟领导者发电机的转子转速
。5.
根据权利要求2所述的多智能体电力系统分布式控制方法，其特征在于，所述情感自学习神经网络逼近模型表示为：
其中，
F(X
i
)
表示第
i
个同步发电机的所述动力学模型中未知非线性项，表示第一动态权值，表示第二动态权值，表示第三动态权值，
Φ
(
·
)
表示
Sigmoid
函数，表示第一静态权值，表示第二静态权值，表示第三静态权值，
ε
(X
i
)
表示重构逼近误差
。6.
根据权利要求3所述的多智能体电力系统分布式控制方法，其特征在于，所述串
‑
并联辨识模型表示为：其中，表示第
i
个同步发电机的所述串
...

【专利技术属性】
技术研发人员：陈龙胜，石童昕，李统帅，王宇翔，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：