[发明专利]微电网频率自适应学习控制方法

权利要求书

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；其中，“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”具体包括：

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)＝Δξ_f(t)，x₂(t)＝Δξ_t(t)，x₃(t)＝Δξ_p(t)，ω_m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，l_m为第一神经网络的隐藏层神经元的个数，n、m、q分别表示状态、控制、干扰向量的维数；

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ω_m在t时刻的估计值，表示对微电网系统状态的估计，v_m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l_m维的方阵，I_m为与控制维数相同的单位矩阵，I_q为与干扰维数相同的单位矩阵。

2.根据权利要求1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，l_m个隐层神经元，n个输出层神经元，学习率为α_m，其中，α_m＞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。

3.根据权利要求2所述的方法，其特征在于，所述效用函数为：

U(x,t)＝x^T(t)Qx(t)+u^T(t)u(t)-ρ²υ^T(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。

4.根据权利要求3所述的方法，其特征在于，“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。