[发明专利]一种基于人工智能控制方法的微电网控制器

说明书

本发明涉及一种基于人工智能控制方法的微电网控制器，利用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，直接构建微电网运行工况与协调控制结果的映射关系，微电网控制器直接使用离线训练好的微电网控制器模型进行快速在线决策，计算和响应速度非常快，并定期更新离线训练样本库实现模型的滚动优化和策略的持续改进，实现了微电网控制器对系统内部的源、网、荷、储的实时协调控制，有效提高微电网控制器的高效性和鲁棒性。

技术领域

本发明涉及微电网控制技术领域，特别是涉及一种基于人工智能控制方法的微电网控制器。

背景技术

微电网是分布式电源、储能装置和负荷等单元的集合，作为分布式能源的重要利用形式，能够充分促进可再生能源与分布式能源的大规模接入，实现对负荷多种能源形式的高可靠供给。与火电、水电等传统能源相比，微电网内的风电、光伏等可再生能源存在易受天气条件影响、能量密度较低等缺点，其输出功率存在波动性；负荷功率受季节气候、生活生产的影响，也存在一定的不确定性。微电网的可控式电源机组和储能装置依据负荷变化调整的同时，还要平抑可再生能源机组出力的功率波动。因此，微电网的运行控制领域面临极大挑战。

微电网控制器是微电网运行控制系统的重要设备，负责系统底层设备的实时数据采集与转发，提供本地化协调控制策略，实现单独组网运行以及与外部电网的联合组网运行。为保障系统的安全稳定运行、实现新能源的友好接入，控制器需要对系统内部的源、网、荷、储进行协调控制，所以设计稳定可靠的协调控制策略非常关键。分布式电源的控制策略分为有功、无功控制或有功、电压控制，下垂控制和电压频率控制三类；负荷控制策略包括PID控制切负荷等，这些协调控制策略保障了微电网的安全性和可靠性，但经济性较低。为实现微电网各单元的经济控制，模型预测控制等物理模型驱动方法被引入微电网协调控制策略中，但是这些方法存在的普遍问题都是难以对微电网内部元件精确建模、求解效率低、很难满足微电网控制实时性的要求，在决策控制的最优性方面存在不足。

随着微电网历史运行数据的持续积累和系统控制管理设备算力的逐渐提升，基于数据驱动的人工智能控制方法在微电网运行控制领域迅速发展，有助于突破传统控制方法的局限性。

将机器学习应用到微电网控制器具体的协调控制策略中，不依赖微电网各单元的内在联系与机理，而是采用无模型的强化学习方式，基于微电网历史运行和决策数据构成的观测集进行动作探索，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，构造出模拟逼近微电网运行工况与控制决策之间关系的数学模型，在实际微电网控制任务中直接根据微电网的运行工况映射出各元件的控制方案。与传统模型驱动方法相比，基于数据驱动的人工智能控制方法通过对微电网历史数据的积累实现对微电网控制器模型的持续性修正，赋予微电网以自学习和更新的能力，并在实际应用过程中不断提升协调控制策略的精度与效率，在面对考虑不同运行场景下的微电网运行控制问题中适用性更好。目前机器学习在微电网方面的应用方法主要是基于DQN算法框架，但该算法的系统状态和输出决策动作仍为离散形式，不可避免的引入了误差，难以应对微电网高维、连续的动作和状态空间。

传统模型驱动的协调控制策略在决策控制的最优性、应对新能源的不确定性等方面存在不足，具体体现在：

1)微电网内部源、网、荷、储的协调控制伴随着强耦合特性，难以对其物理特性与运行特征进行精确的建模分析；

2)依赖系统单元的内在联系与机理，需要依据网络拓扑结构和电网运行方式建模，对网络拓扑的变化敏感，对新型电力设备接入的适应性不强；

3)微电网控制器在运行过程中积累的数据蕴含着丰富的相关关系，对未来的决策控制具有指导意义，传统模型驱动方法缺乏对历史决策数据信息的挖掘和利用；

4)微电网控制问题本质上是一种非线性、多约束、多目标的复杂系统优化问题，在精度和效率之间存在矛盾，通过简化模型来提高决策效率往往会导致精度下降。

发明内容