[发明专利]一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法

权利要求书

1.一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，基于观测器的状态诊断方法和基于态势感知的源网荷分布式自趋优控制方法实现。

2.根据权利要求1所述的一种基于广域感知预测的源网荷自趋优智能调控体系和实时控制优化技术方法，其特征在于，所述基于观测器态势感知的状态诊断方法包括：

(1)面向区域能源互联网的多时间尺度电能管理控制架构建模，针对分布式能源渗透率较高的特点，考虑分布式多类型能源与工业、居民负荷的外特性功能模型，同时考虑含输电线路模型、天然气网络模型、微电网电力电子模型和工业、居民负荷模型在内的综合能源互联网模型，分析相关模型对能源互联网的系统稳定性的影响；

首先，结合传统燃煤火力发电机组协调控制系统的频率特性和电力系统负荷特性，系统地分析电网调频仿真模型中的区域等效方法，构建常规电力系统调频的区域等效模型；研究控制通信网络架构和协调控制系统异质、分散的特点，构建含可再生能源补充的火力发电的本地控制通信设备的环网通信架构模型，完成数据监控、经济调度计划、潮流分析、频率和电压的稳定、自我的发电计划、实时监测功能的基础理论验证；互联电力系统的一次、二次调频控制环中的供需平衡均由发电机、负荷和联络线交换功率三部分组成；构建发电机组一次、二次调频控制所需的频率响应模型的关键是调速系统及原动机的建模；火电机组在调速系统和原动机的结构上具有一次调频、二次调频控制环；并对系统的负荷以及控制区域之间的联络线进行考虑；将机组、负荷、联络线以及一次、二次调频控制环分别建模，按照其实际电力系统中的结构关系组合得到电力系统的调频动态模型；

其次，针对燃气轮机、光伏、风电等分布式能源、需求侧响应等渗透率较高的特点，考虑分布式能源与负荷的外特性功能模型，同时考虑含火力发电模型、输电线路模型、配电变压器模型、并联电容模型和负荷模型在内的配电系统三相稳态模型，分析相关模型对区域能源互联网系统稳定性的影响。

(2)对第一对象建立可扩张观测器，将所述第一对象的信息分为用于建立控制模型基础的第一线性部分以及包含模型变化部分和扰动的第一非线性部分；

基于所述第一线性部分，以线性滤波器或者传递函数辨识方式，建立第一系统模型，复制所述第一系统模型，并使用逆控制建模的方法建立所述第一对象的第一线性部分的逆模型；

将所述第一非线性部分作为信息驱动源，以线性滤波器或传递函数或神经网络辨识方式，对所述第一系统模型进行复制，使用逆控制建模的方法进行逆模型建立，作为扰动消除建模的模型；

将可扩张状态作为建模信号，作为对象复制模型进行离线逆建模，确定扰动消除的逆模型；

基于自适应逆原理，将线性部分的建模复制，与实际信号对象并联，实际输出的信号差值线性部分的建模复制器的输出的差值作为扰动消除的输入，利用所述扰动消除的逆模型，作为扰动消除器，反馈至信号的输入端；

将可扩张状态作为信号对象的本身特性的变化扰动以及外来扰动的总和，与扰动消除器的输出进行比较，将所述总和与所述扰动消除器的输出的差值作为扰动消除的修正，并设置死区，用于消除波动；

对信号输入端，增加过渡微分信号，使信号平滑；

(3)对各系统进行关联度分析，关联度所指的就是不同因素或不同对象之间的关联程度，一个因素或对象可用一个过程曲线形象表征，则曲线几何形状的相似性和空间位置的相近性作为衡量它们所代表对象之间的关联度的指标；

本方法，去寻求系统中各子系统或因素之间的数值关系，对于一个系统和不同系统发展变化态势提供了量化的度量，开展动态历程分析，其具体实施步骤如下：

1)确定反映系统行为特征的参考数列和影响系统行为的比较数列

反映系统行为特征的数据序列，称为参考数列，影响系统行为的因素组成的数据序列，称比较数列；

2)对参考数列和比较数列进行无量纲化处理

由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论，因此在进行关联度分析时，进行无量纲化的数据处理；

3)求参考数列与比较数列的关联系数

所谓关联程度，实质上是曲线间几何形状的差别程度；因此曲线间差值大小，可作为关联程度的衡量尺度；对于一个参考数列X₀有若干个比较数列X₁,X₂,…,X_n，各比较数列与参考数列在各个时刻，即曲线中的各点的关联系数ξ_0i可由下列公式算出：

式中，ρ为分辨系数，一般在0～1之间；Δ_0i(κ)为各比较数列X_i曲线上的每一个点与参考数列X₀曲线上的每一个点的绝对差值，Δ(min)是第二级最小差，Δ(max)是两级最大差；

4)求关联度r_i

因为关联系数是比较数列与参考数列在各个时刻，即曲线中的各点的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较；因此将各个时刻，即曲线中的各点的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度r_i计算公式如下：

r_i为比较数列X_i对参考数列X₀的关联度，或称为序列关联度、平均关联度、线关联度；r_i值越接近1，说明相关性越好；

5)关联度排序

因素间的关联程度，是用关联度的大小次序描述，将m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联序，记为{x}，它反映了对于母序列来说各子序列的优劣关系；若r_0i＞r_0j，则称{x_i}对于同一母序列{x₀}优于{x_j}，记为{x_i}＞{x_j}；r_0i表示第i个子序列对母数列特征值；

将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象自身的状态估计和对象与对象之间的影响程度；

上述即为基于观测器的状态估计和诊断方法。