[发明专利]一种模拟空间太阳能电站的全局协同控制方法

权利要求书

1.一种模拟空间太阳能电站的全局协同控制方法，其特征在于，包括以下步骤：

步骤1，提供相应的参考输入、先验的训练样本数据及可再生能源/负荷的预测信息，所述参考输入包括底层设备的电压、电流以及功率；

步骤2，将各底层设备运行状态信息，作为深度学习和控制网络的输入；

所述步骤2中，深度学习包括空间太阳能电站约束的奖励函数、控制策略评估与训练权重更新率以及基于深度学习的全局功率控制策略；

步骤3，利用数据分析和智能学习的功能，在大量样本训练的基础上，获得深度学习网络协同控制器；

步骤4，经控制器处理，给出空间太阳能电站各智能体参考校正变量Δr₁,Δr₂,...,Δr_n，从而在空间太阳能电站安全运行的约束条件下，实现全局协同控制目标；

所述的空间太阳能电站约束的奖励函数，具体如下：

深度学习的动态协同规则的目标是确保功率控制在允许的波动最小，其函数表达式为：

其中，J_P表示有功功率最小误差，P_EM(t)表示有功功率，t表示时间，J_Q表示无功功率最小误差，J_f表示频率最小误差，f(t)表示频率，J_V表示电压最小误差，V(t)表示电压；

同时，动态协同规则需要满足网络功率潮流平衡，网络状态约束，不同设备功率及爬坡约束，则有如下约束条件：

其中，i表示节点i，j表示节点j，P_i表示i点有功功率，V_i表示i点电压，V_j表示j点电压，G_ij表示电导，δ_i表示i点相角，δ_j表示j点相角，B_ij表示电纳，Q_i表示i点无功，V_{i_min}表示i点最小电压，V_{i_max}表示i点最大电压，ω_{i_min}表示i点最小角速度，ω_i表示i点角速度，ω_{i_max}表示i点最大角速度，P_{i_min} i点最小有功功率P_{i_max}表示i点最大有功功率，Q_{i_min}表示i点最小无功功率，Q_{i_max}表示i点最大无功功率，P_{i.r_min}表示最小无功功率差，P(t)表示有功功率，P_{i.r_max}表示最大无功功率差；

结合动态协同规则的目标和空间太阳能电站的约束条件，得到深度学习在t＝k时刻的奖励函数为：

r(k)＝(ΔP_EM(t))²+(ΔQ_EM(t))²+αq_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i) (4)

其中，k表示时间，P_EM表示有功功率，Q_EM表示无功功率，αq_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)为惩罚项，系数α＞＞(ΔP_EM(t))²+(ΔQ_EM(t))²；

当q_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)＝1时，空间太阳能电站状态不满足约束条件；当q_s.t.(P_i,Q_i,V_i,ω_i,ΔP_i)＝0时，空间太阳能电站状态满足约束条件；

所述的控制策略评估与训练权重更新率包括生成样本、估计回报与更新策略；生成样本的方法如下：

在t＝k时刻，采集底层设备运行状态信息y(k)并记为s₀；以θ(k-1)作为RNN的权重系数，输入为s₀代入RNN，得到各底层设备控制器提供相应的参考输入Δu₁,Δu₂,...,Δu_n，记为a₀；在底层设备控制器的作用下，在k+1时刻，底层设备运行状态信息为s₁，此时令RNN权重系数为θ(k-1)，代入RNN得到各底层设备控制器提供相应的参考输入a₁，以此类推，得到t＝k时刻为原点，策略RNN作用下的一条轨迹τ＝s₀,a₀,s₁,a₁,…,s_T-1,a_T-1,s_T，该轨迹就是深度学习t＝k时刻的样本；

根据所得到的深度学习t＝k时刻的样本，计算协同控制的奖励，从而得到协同控制策略的估计回报最后，根据控制策略的估计回报，结合随机梯度上升算法，得到每个时刻的权重更新值；

所述的基于深度学习的全局功率控制策略，采用循环神经网络，循环神经网络的输入为各智能体运行状态信息，经过RNN的隐层由输出层为各智能体控制器提供相应的参考输入Δr₁,Δr₂,...,Δr_n。