[发明专利]一种基于人工智能控制方法的微电网控制器

权利要求书

1.一种基于人工智能控制方法的微电网控制方法，其特征在于，所述微电网控制方法包括：

获取微电网控制器运行过程中的历史样本数据库；所述历史样本数据库以微电网的历史运行工况为输入量，以微电网控制器为能量管理系统提供调度控制策略的决策信息为标签；

利用所述历史样本数据库构成深度确定性策略梯度网络的观测集进行动作探索，然后根据微电网控制器与微电网系统环境的不断交互进行训练，获得训练好的微电网控制器模型；

将微电网的实时运行数据输入所述训练好的微电网控制器模型，输出实时决策信息；

当训练好的微电网控制器模型输出的实时决策信息的数量大于或等于预设数量时，将预设数量的实时决策信息与对应的实时运行数据构成实时样本数据集；

利用所述实时样本数据集替换历史样本数据库中对应数量的历史样本数据，获得更新后的历史样本数据库，并返回步骤“利用所述历史样本数据库构成深度确定性策略梯度网络的观测集进行动作探索，然后根据微电网控制器与微电网系统环境的不断交互进行训练，获得训练好的微电网控制器模型”。

2.根据权利要求1所述的基于人工智能控制方法的微电网控制方法，其特征在于，所述历史运行工况包括：微电网本地柴油机组状态、可再生能源机组最大出力、负荷需求、储能机组状态和电力交易价格；

所述决策信息包括：每台可控机组各时段的出力大小、储能电池各时段的充放电功率以及微电网与大电网联络线的交换功率。

3.根据权利要求1所述的基于人工智能控制方法的微电网控制方法，其特征在于，所述获取微电网控制器运行过程中的历史样本数据库，之后还包括：

采用插补法对历史样本数据库中的缺失值进行填充；

对填充后的历史样本数据库利用箱线图法检测出异常值并删除；

根据异常值删除后的历史样本数据库，利用最小冗余最大相关法进行特征选择，获得特征选择后的历史样本数据库。

4.根据权利要求1所述的基于人工智能控制方法的微电网控制方法，其特征在于，所述深度确定性策略梯度神经网络采用Actor-Critic框架；

所述Actor-Critic框架中的Actor网络包括在线策略网络和目标策略网络；

所述Actor-Critic框架中的Critic网络包括在线价值网络和目标价值网络。

5.根据权利要求4所述的基于人工智能控制方法的微电网控制方法，其特征在于，所述将微电网的实时运行数据输入所述训练好的微电网控制器模型，输出实时决策信息，具体包括：

将微电网的实时运行数据输入所述训练好的微电网控制器模型中的目标策略网络，输出实时决策信息。

6.一种基于人工智能控制方法的微电网控制器，其特征在于，所述微电网控制器包括：

历史样本数据库获取模块，用于获取微电网控制器运行过程中的历史样本数据库；所述历史样本数据库以微电网的历史运行工况为输入量，以微电网控制器为能量管理系统提供调度控制策略的决策信息为标签；

训练模块，用于利用所述历史样本数据库构成深度确定性策略梯度网络的观测集进行动作探索，然后根据微电网控制器与微电网系统环境的不断交互进行训练，获得训练好的微电网控制器模型；

实时决策信息输出模块，用于将微电网的实时运行数据输入所述训练好的微电网控制器模型，输出实时决策信息；

实时样本数据集构成模块，用于当训练好的微电网控制器模型输出的实时决策信息的数量大于或等于预设数量时，将预设数量的实时决策信息与对应的实时运行数据构成实时样本数据集；

更新模块，用于利用所述实时样本数据集替换历史样本数据库中对应数量的历史样本数据，获得更新后的历史样本数据库，并返回步骤“利用所述历史样本数据库对深度确定性策略梯度神经网络进行训练，获得训练好的微电网控制器模型”。