基于双向变流器的协调控制方法、控制器及系统与流程

1.本发明涉及电力系统技术领域，具体而言，涉及一种基于双向变流器的协调控制方法、控制器及系统。


背景技术：

2.传统电力系统中，能源的输送通常是单向的，从发电站到终端用户。然而，随着可再生能源的快速发展和分布式能源的普及，双向能量流成为现实需求。这就需要一种灵活的能量转换和控制技术，使得能量可以双向流动，并且在不同模式下进行协调控制。


技术实现要素：

3.为了改善上述问题，本发明提供了一种基于双向变流器的协调控制方法、控制器及系统。
4.第一方面，提供一种基于双向变流器的协调控制方法，应用于协调控制器，所述方法包括：获得目标双向变流器的变流工作任务状态描述，所述变流工作任务状态描述包含所述目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，所述电能调节任务状态表征向量反映所述目标双向变流器与目标储能系统运行项目存在联系的变流工作状态；依据双向变流器协调控制判别网络对所述变流工作任务状态描述进行判别，得到所述目标双向变流器的协调控制权重数据，所述双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，所述协调控制权重数据用于反映所述目标双向变流器分属不同全局协调控制重要性的判别指数，所述工作任务状态描述信息与所述目标储能系统运行项目存在联系；依据所述目标双向变流器的协调控制权重数据，确定所述目标双向变流器的全局协调控制重要性；利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进行协调控制处理。
5.在一些可能的实施例中，所述获得目标双向变流器的变流工作任务状态描述，包括：获得所述目标双向变流器的所述主电路任务状态表征向量；从所述目标双向变流器的运行记录中，提取与所述目标储能系统运行项目相关的工况记录信息；对所述工况记录信息进行知识向量挖掘，得到所述电能调节任务状态表征向量；对所述主电路任务状态表征向量和所述电能调节任务状态表征向量进行组合，得到所述变流工作任务状态描述。
6.在一些可能的实施例中，所述方法还包括：获得多个双向变流器示例的运行记录示例，所述运行记录示例包含所述多个双向变流器示例的主电路任务状态要素和工况记录信息；对所述运行记录示例进行知识向量挖掘，得到第一变流工作任务状态描述示例；依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，所述第二变流工作任务状态描述示例的向量尺寸小于所述第一变流工作任务状态描述示例的向量尺寸；依据所述第二变流工作任务状态描述示例，调试所得所述双向变流器协调控制判别网络。
7.在一些可能的实施例中，所述对所述运行记录示例进行知识向量挖掘，得到第一变流工作任务状态描述示例，包括：利用第一特征挖掘规则，对所述运行记录示例中的量化信息进行知识向量挖掘，得到所述第一变流工作任务状态描述示例中的量化线性状态表征，所述第一特征挖掘规则包括分箱、分割、归一化、卷积、加权以及特征混淆中的最少一种；利用第二特征挖掘规则，对所述运行记录示例中的非量化信息进行知识向量挖掘，得到所述第一变流工作任务状态描述示例中的浮点线性状态表征，所述第二特征挖掘规则包括哈希处理、下采样、空洞卷积、特征嵌入、衍生知识向量挖掘以及特征混淆中的最少一种。
8.在一些可能的实施例中，所述依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，包括：对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，所述牵涉程度信息用于反映任务状态描述之间的关联性；对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，所述描述增强信息用于反映任务状态描述的增强结果；对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，所述量化贡献数据用于反映任务状态描述的决策权重；依据所述牵涉程度信息、所述描述增强信息以及所述量化贡献数据，从所述第一变流工作任务状态描述示例中清洗掉不符合采样要求的局部状态描述，得到所述第二变流工作任务状态描述示例。
9.在一些可能的实施例中，所述对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，包括：确定所述第一变流工作任务状态描述示例中每个变流工作任务状态变量的影响因子，所述影响因子与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量的离散度量值，所述离散度量值与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量与目标变流工作任务状态变量之间的关联
性度量，所述关联性度量与对应变流工作任务状态变量的关联性具有设定量化关系，所述目标变流工作任务状态变量与所述目标储能系统运行项目对应。
10.在一些可能的实施例中，所述对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，包括：依据设定采样策略对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行采样，得到所述第一变流工作任务状态描述示例的描述增强信息。
11.在一些可能的实施例中，所述对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，包括：依据第一ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行过拟合抑制，得到所述第一变流工作任务状态描述示例的第一量化贡献数据，所述第一ai算法具有过拟合抑制系数；依据第二ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行分团，得到所述第一变流工作任务状态描述示例的第二量化贡献数据，所述第二ai算法为随机森林；依据第三ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行顺序整理，得到所述第一变流工作任务状态描述示例的第三量化贡献数据，所述第三ai算法为xgboost；对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行变量调整处理，依据第四ai算法对完成变量调整的变流工作任务状态变量进行判别，得到所述第一变流工作任务状态描述示例的第四量化贡献数据，所述第四ai算法为待调试的双向变流器协调控制判别网络；将所述第一量化贡献数据、所述第二量化贡献数据、所述第三量化贡献数据以及所述第四量化贡献数据，确定为所述第一变流工作任务状态描述示例的量化贡献数据。
12.第二方面，提供一种基于双向变流器的协调控制系统，包括互相通信的协调控制器和双向变流器；所述协调控制器用于：获得目标双向变流器的变流工作任务状态描述，所述变流工作任务状态描述包含所述目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，所述电能调节任务状态表征向量反映所述目标双向变流器与目标储能系统运行项目存在联系的变流工作状态；依据双向变流器协调控制判别网络对所述变流工作任务状态描述进行判别，得到所述目标双向变流器的协调控制权重数据，所述双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，所述协调控制权重数据用于反映所述目标双向变流器分属不同全局协调控制重要性的判别指数，所述工作任务状态描述信息与所述目标储能系统运行项目存在联系；依据所述目标双向变流器的协调控制权重数据，确定所述目标双向变流器的全局协调控制重要性；利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进
行协调控制处理。
13.第三方面，提供一种协调控制器，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现第一方面所述的方法。
14.第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。
15.本发明实施例所提供的基于双向变流器的协调控制方法、控制器及系统，提供了一种确定双向变流器的全局协调控制重要性以实现协调控制处理的思路，通过获得目标双向变流器的变流工作任务状态描述，再依据双向变流器协调控制判别网络对获得到的变流工作任务状态描述进行处理，使得该双向变流器协调控制判别网络能够从获得到的变流工作任务状态描述中高质量地挖掘变流工作任务状态描述之间的联系，从而得到目标双向变流器的协调控制权重数据，以准确实现双向变流器的全局协调控制重要性确定，从而保障协调控制处理的质量和可靠性。
16.其中，本发明实施例可以应用但不限于集成电网中的分布式能源系统、电动车充电桩管理系统以及储能系统与微电网的协调控制。
17.就集成电网中的分布式能源系统而言，该方法可应用于分布式能源系统中的双向变流器，如太阳能光伏系统或风力发电系统。通过获得目标双向变流器的工作状态描述，并基于协调控制判别网络进行处理，可以确定双向变流器在整个能源系统中的协调控制重要性。这有助于实现双向变流器之间的协调操作，提高能源系统的效率、稳定性和可靠性。
18.就电动车充电桩管理系统而言，在电动车充电桩管理系统中，存在多个双向变流器用于电动车的充电和放电。利用该方法，可以获取每个双向变流器的工作任务状态描述，并根据协调控制判别网络获得协调控制权重数据。这些权重数据反映了每个充电桩在整个系统中的协调控制重要性，从而实现对充电桩的协调控制，优化能源利用和充电服务质量。
19.就储能系统与微电网的协调控制而言，在微电网中，储能系统扮演着平衡供需、调节电网频率等重要角色。该方法可应用于储能系统中的双向变流器，通过获取目标双向变流器的工作状态描述，并利用协调控制判别网络进行处理，确定储能系统与微电网运行项目之间的联系。根据得到的协调控制权重数据，可以实现储能系统的全局协调控制，确保其在微电网中的重要性和效果。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
21.图1为本发明实施例所提供的一种基于双向变流器的协调控制方法的流程图。
具体实施方式
22.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详
细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
23.图1示出一种基于双向变流器的协调控制方法，应用于协调控制器，所述方法包括以下步骤101-步骤103。
24.步骤101、协调控制器获得目标双向变流器的变流工作任务状态描述，该变流工作任务状态描述包括该目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，该电能调节任务状态表征向量反映该目标双向变流器与目标储能系统运行项目存在联系的变流工作状态。
25.在本发明实施例中，该协调控制器可以为基于人工智能的协调控制器。该目标双向变流器为待确定全局协调控制重要性的双向变流器。
26.步骤102、协调控制器依据双向变流器协调控制判别网络对该变流工作任务状态描述进行判别，得到该目标双向变流器的协调控制权重数据，该双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，该协调控制权重数据用于反映该目标双向变流器分属不同全局协调控制重要性的判别指数，该工作任务状态描述信息与该目标储能系统运行项目存在联系。
27.在本发明实施例中，该双向变流器协调控制判别网络能够依据输入ai算法的变流工作任务状态描述来识别目标双向变流器分属不同全局协调控制重要性的判别指数。其中，基于不同的工作任务状态描述信息，能够调试所得不同的双向变流器协调控制判别网络。在调试该双向变流器协调控制判别网络时，通过采用若干种状态描述确定策略对调试用的工作任务状态描述信息进行采样，能够使得调试所得的双向变流器协调控制判别网络，能够高质量地挖掘变流工作任务状态描述之间的联系，从而得到目标双向变流器的协调控制权重数据。
28.其中，双向变流器是一种电力电子设备，可以实现能量的双向转换和传输。它具有正向（从直流到交流）和反向（从交流到直流）两个工作模式，可用于多种应用场景。
29.在正向模式下，双向变流器将直流电能转换为交流电能，并将其注入到电网中。这种模式常见于可再生能源发电系统，如太阳能光伏系统或风力发电系统。双向变流器通过将可再生能源发电装置输出的直流电能转换为交流电能，以便将其供应给电网。这有助于实现可再生能源的接入和利用。
30.在反向模式下，双向变流器会将交流电能转换为直流电能，并将其存储在储能设备中。这种模式常用于电动车充电桩、电池储能系统等应用中。双向变流器接收来自电网的交流电能，将其转换为适合储能设备的直流电能，并将其存储起来。反之，在需要时，双向变流器可以将储能设备中的直流电能转换为交流电能，以供电动车充电或其他用途。
31.双向变流器作为关键的电力电子设备，能够实现直流到交流和交流到直流的能量转换。这使得它在可再生能源集成、储能系统管理、电动车充电等领域具有重要作用，并且对于实现能量的高效利用和灵活调控起着关键的作用。
32.步骤103、协调控制器依据目标双向变流器的协调控制权重数据，确定目标双向变流器的全局协调控制重要性。
33.在本发明实施例中，协调控制器能够基于双向变流器协调控制判别网络输出的协
调控制权重数据，确定该目标双向变流器所属的全局协调控制重要性。
34.本发明实施例提供了的基于双向变流器的协调控制方法，通过获得目标双向变流器的变流工作任务状态描述，再依据双向变流器协调控制判别网络对获得到的变流工作任务状态描述进行处理，使得该双向变流器协调控制判别网络能够从获得到的变流工作任务状态描述中高质量地挖掘变流工作任务状态描述之间的联系，从而得到目标双向变流器的协调控制权重数据，以准确实现双向变流器的全局协调控制重要性确定，从而保障协调控制处理的质量和可靠性。
35.就步骤101-步骤103而言，变流工作任务状态描述是指描述目标双向变流器的工作任务状态的信息。它包括主电路任务状态表征向量和电能调节任务状态表征向量。
36.主电路任务状态表征向量：主要用于描述目标双向变流器在能量转换和传输方面的任务状态。这些状态可以包括输入和输出电压、电流的大小和波动情况，功率因数、谐波等电参数的稳定性等。主电路任务状态表征向量提供了关于能量流和电力质量状况的重要信息。
37.电能调节任务状态表征向量：反映目标双向变流器与储能系统运行项目之间的联系，描述了目标双向变流器在电能调节方面的任务状态。例如，当目标储能系统需要充电或放电时，双向变流器需要相应地调整其工作模式和电能转换策略，以满足储能系统的需求。电能调节任务状态表征向量提供了反映目标储能系统运行情况的重要信息。
38.基于双向变流器协调控制判别网络对变流工作任务状态描述进行判别，可以通过训练一个判别网络来根据输入的任务状态描述，推断出目标双向变流器的协调控制权重数据。这个判别网络根据预先确定的策略选择，将任务状态描述信息与全局协调控制重要性相关联，从而生成协调控制权重数据。这些权重数据反映了目标双向变流器在不同方面的重要性和优先级。
39.利用目标双向变流器的全局协调控制重要性，可以进行协调控制处理。通过综合考虑各个方面的重要性权重，可以确定适当的控制策略和参数设置，以实现目标双向变流器的协调工作。例如，在能量转换过程中，可以根据重要性权重对电压、电流、功率因数等进行调节和优化，以提高能量转换效率和电力质量。
40.可见，变流工作任务状态描述提供了目标双向变流器工作状态的关键信息，通过协调控制判别网络的判别，可以获得相应的协调控制权重数据，进而决定目标双向变流器的全局协调控制重要性，并基于此进行协调控制处理，以实现更高效、稳定和可靠的能量转换和调节。
41.基于本发明实施例提供的另一种基于双向变流器的协调控制方法包括如下相关内容。
42.步骤201、协调控制器获得多个双向变流器示例的运行记录示例，该运行记录示例包括多个双向变流器示例的主电路任务状态要素和工况记录信息。
43.在本发明实施例中，协调控制器在调试双向变流器协调控制判别网络之前，需要准备调试ai算法所需的运行记录示例，该运行记录示例为非实时样本。协调控制器获得双向变流器示例的主电路任务状态要素和工况记录信息作为运行记录示例。其中，该运行记录示例可以被分类成量化信息和非量化信息。协调控制器能够采用不同的特征挖掘规则，对运行记录示例中的量化信息和非量化信息分别进行知识向量挖掘。
44.步骤202、协调控制器利用第一特征挖掘规则，对运行记录示例中的量化信息进行知识向量挖掘，得到第一变流工作任务状态描述示例中的量化线性状态表征，该第一特征挖掘规则包括分箱、分割、归一化、卷积、加权以及特征混淆中的最少一种。
45.以下是对分箱、分割、归一化、卷积、加权和特征混淆中每种特征挖掘规则的简要说明。
46.分箱（binning）：将连续的数值特征划分为离散的箱子或区间，以降低噪声影响并发现特征之间的非线性关系。例如，将电能调节任务状态中的电压值分为多个不同的电压区间。
47.分割（segmentation）：将数据集划分为不同的子集，通常根据某些预定义的条件或规则进行划分。例如，将运行记录示例中的数据按照时间段进行分割，以获取不同时间段的双向变流器工作状态。
48.归一化（normalization）：通过线性或非线性变换将数据转换为特定范围内的数值，以消除不同特征之间的量纲差异。例如，利用最小-最大缩放将主电路任务状态的功率值归一化到[0，1]范围内。
[0049]
卷积（convolution）：基于滑动窗口和卷积核的方式，提取特征的局部模式和空间相关性。例如，使用卷积操作对运行记录示例中的电流波形进行特征提取，以获取周期性或局部变化的信息。
[0050]
加权（weighting）：给予不同特征或样本不同的权重，以调整其在特征挖掘过程中的影响力。例如，根据某些先验知识或统计结果对运行记录示例中的不同双向变流器赋予不同的权重。
[0051]
特征混淆（feature obfuscation）：对原始特征进行转换或隐藏，以保护敏感信息或减少冗余。例如，通过对主电路任务状态表征向量中的某些特征进行加密或模糊化处理，以防止泄露关键信息。
[0052]
这些特征挖掘规则是协调控制器在分析和处理运行记录示例时常用的技术手段，可帮助从数据中提取有价值的特征信息，并实现更准确、有效的协调控制任务。
[0053]
在一些可能的实施例中，通过组合多种特征挖掘规则，可以得到更加丰富和准确的特征表征。以下是一些示例：分箱+归一化：将电能调节任务状态中的电压值进行分箱操作，然后对每个箱子内的数值进行归一化处理，以便在协调控制器中对不同电压区间的工作状态进行比较和分析；分割+卷积：将运行记录示例中的数据按照时间段进行分割，并使用卷积操作提取每个时间段内双向变流器工作状态的局部特征，这样可以捕捉到时间上的动态变化模式，为协调控制器提供更详细的状态信息；归一化+加权：对主电路任务状态的功率值进行归一化处理，并根据功率值的重要性给予不同的权重，这样可以在协调控制器中更精确地衡量不同功率级别对系统性能的影响，从而制定更合适的控制策略；特征混淆+卷积：针对主电路任务状态表征向量中的敏感特征信息，采用特征混淆技术进行保护，如加噪声或随机化处理，然后，利用卷积操作提取混淆后的特征中的局部模式，以确保在保护隐私的同时仍能获取有用的状态信息；
这些组合示例只是对特征挖掘规则的一小部分可能应用，实际上可以根据具体问题和数据特点选择适合的组合方式。通过综合利用不同的特征挖掘规则，协调控制器可以更好地理解双向变流器的工作状态，并做出相应的控制决策。
[0054]
在另一些更为丰富的组合方式中，更多的组合方式如下：分割+归一化+加权：将运行记录示例中的数据按照时间段进行分割，对每个时间段内的特征进行归一化处理，并根据其重要性给予不同的权重。这样可以在协调控制器中更精确地衡量不同时间段内特征的影响，并根据权重调整控制策略；分箱+卷积+特征混淆：对电能调节任务状态的电压值进行分箱操作，然后利用卷积操作从每个箱子中提取局部模式特征，在此基础上，对某些敏感特征进行特征混淆处理，以保护隐私信息；分割+归一化+卷积+加权：将运行记录示例中的数据按照时间段进行分割，对每个时间段内的特征进行归一化处理，然后使用卷积操作提取局部特征，最后，根据特征的重要性给予不同的权重，以更准确地评估不同时间段内的状态情况；分箱+分割+归一化+卷积：对电能调节任务状态的电压值进行分箱操作，并将数据按照时间段进行分割，在每个时间段内，对特征进行归一化处理，然后利用卷积操作提取局部特征。这样可以同时考虑电压值和时间的影响，并获取更详细的状态描述；这些组合方式只是示例，实际上，根据具体任务和数据的特点，可以灵活选择和组合不同的特征挖掘规则。通过适当的组合，协调控制器可以从量化信息中挖掘出更丰富、更准确的特征，为双向变流器的工作状态建模和控制提供更好的支持。
[0055]
在又一些更为丰富的组合方式中，更多的组合方式如下：分割+归一化+加权+特征混淆：将运行记录示例中的数据按照时间段进行分割，对每个时间段内的特征进行归一化处理，并根据其重要性给予不同的权重，同时，对某些敏感特征进行特征混淆处理，以保护隐私信息；分箱+分割+卷积+加权：对电能调节任务状态的电压值进行分箱操作，并将数据按照时间段进行分割，在每个时间段内，利用卷积操作提取局部特征，并根据特征的重要性给予不同的权重，以更准确地评估不同电压区间和时间段的工作状态；分箱+分割+归一化+卷积+加权：对电能调节任务状态的电压值进行分箱操作，并将数据按照时间段进行分割，在每个时间段内，对特征进行归一化处理，然后利用卷积操作提取局部特征，并根据特征的重要性给予不同的权重，从而全面考虑电压区间和时间段的影响；分箱+分割+归一化+卷积+特征混淆：对电能调节任务状态的电压值进行分箱操作，并将数据按照时间段进行分割，在每个时间段内，对特征进行归一化处理，然后利用卷积操作提取局部特征，最后，对某些敏感特征进行特征混淆处理，以保护隐私信息；这些组合方式展示了特征挖掘规则的多样性和灵活性，根据具体情况和需求，可以选择适当的组合方式来挖掘双向变流器工作状态的量化信息，并为协调控制器提供更全面、准确的特征表征和决策依据。
[0056]
步骤203、协调控制器利用第二特征挖掘规则，对运行记录示例中的非量化信息进行知识向量挖掘，得到第一变流工作任务状态描述示例中的浮点线性状态表征，该第二特征挖掘规则包括哈希处理、下采样、空洞卷积、特征嵌入、衍生知识向量挖掘以及特征混淆
中的最少一种。
[0057]
以下是对哈希处理、下采样、空洞卷积、特征嵌入、衍生知识向量挖掘中每种特征挖掘规则的简要说明和示例。
[0058]
哈希处理（hashing）：将非量化信息转换为固定长度的哈希码，以减少数据维度并保留关键特征。例如，通过应用哈希函数将双向变流器的运行记录示例中的文本描述转换为固定长度的哈希码。
[0059]
下采样（down sampling）：降低非量化信息的采样率或分辨率，以减少数据量和计算复杂度。例如，对于双向变流器的音频信号，可以使用下采样技术将采样频率从高频降低到较低的频率。
[0060]
空洞卷积（dilated convolution）：通过在卷积操作中引入不同的扩张率（dilation rate），增加卷积操作的感受野，捕捉更大范围的上下文信息。例如，在双向变流器的图像数据中，应用空洞卷积可以有效提取局部和全局的特征。
[0061]
特征嵌入（feature embedding）：将非量化信息映射到低维的稠密向量空间，以便进行进一步的分析和处理。例如，使用神经网络模型将双向变流器的文本描述转换为词嵌入向量，以表示不同的语义特征。
[0062]
衍生知识向量挖掘（derived knowledge vector mining）：基于已有的知识向量或模型，通过对非量化信息进行推理和计算，得到新的派生特征。例如，利用预训练的深度学习模型提取双向变流器图像数据中的高级视觉特征，如边缘、纹理等。
[0063]
这些特征挖掘规则可以帮助协调控制器从非量化信息中提取有用的线性状态表征或浮点线性状态表征，以更全面地描述双向变流器的工作任务状态。它们在数据处理、特征工程和机器学习中具有重要作用，有助于提高协调控制的准确性和效果。
[0064]
协调控制器能够采用若干种状态描述确定策略对上述第一变流工作任务状态描述示例中的量化线性状态表征和浮点线性状态表征进行采样，得到第二变流工作任务状态描述示例。其中，量化线性状态表征和浮点线性状态表征可以分别对应整数型的特征向量和浮点型的数值向量。
[0065]
以下是对哈希处理、下采样、空洞卷积、特征嵌入和衍生知识向量挖掘的多种规则组合使用的举例说明：哈希处理+下采样：将双向变流器的文本描述进行哈希处理，生成固定长度的哈希码，然后对音频信号进行下采样，降低采样率，这样可以将非量化信息压缩为较低维度的哈希码和降采样后的音频数据；空洞卷积+特征嵌入：利用空洞卷积操作提取双向变流器图像数据中的局部和全局特征，然后使用神经网络模型将这些特征嵌入到低维稠密向量空间中，这样可以结合图像的上下文信息和语义特征来表示非量化信息；哈希处理+衍生知识向量挖掘：将文本描述进行哈希处理，得到固定长度的哈希码，然后基于已有的知识向量或模型，在哈希码上进行推理和计算，得到新的派生特征，例如，通过对哈希码进行相似度比较，得到与其他任务状态相似度的衍生特征；下采样+空洞卷积+特征嵌入：对音频信号进行下采样，降低采样率，然后利用空洞卷积操作提取降采样后音频数据中的局部和全局特征，最后，使用神经网络模型将这些特征嵌入到低维稠密向量空间中，这样可以综合考虑声音的频谱信息和语义特征来表示非量
化信息；哈希处理+衍生知识向量挖掘+特征混淆：将非量化信息进行哈希处理得到固定长度的哈希码，然后使用衍生知识向量挖掘技术基于已有的知识向量或模型进行推理和计算，得到新的派生特征，最后，对某些敏感特征进行特征混淆处理，以保护隐私信息；下采样+空洞卷积+衍生知识向量挖掘：对非量化信息进行下采样降低采样率，然后利用空洞卷积提取局部和全局特征，接着，通过衍生知识向量挖掘技术利用已有的知识向量或模型进行推理和计算，得到新的派生特征；哈希处理+空洞卷积+特征嵌入：将非量化信息进行哈希处理得到固定长度的哈希码，然后利用空洞卷积提取图像数据的局部和全局特征，最后，使用特征嵌入技术将这些特征映射到低维稠密向量空间中；下采样+衍生知识向量挖掘+特征嵌入：对非量化信息进行下采样降低采样率，然后基于已有的知识向量或模型进行推理和计算，得到新的派生特征，接着，使用特征嵌入技术将这些特征映射到低维稠密向量空间中。
[0066]
在另外的示例下，假设的应用场景是对双向变流器进行故障检测和状态监测。目的是从非量化信息（例如文本描述、音频信号和图像数据）中提取特征来描述双向变流器的工作任务状态。
[0067]
在这个场景下，可以使用以下组合方式：哈希处理+下采样+空洞卷积+特征嵌入：将双向变流器的文本描述进行哈希处理，生成固定长度的哈希码；对音频信号进行下采样操作，将高频采样率降低为较低的频率；应用空洞卷积操作提取双向变流器图像数据中的局部和全局特征；使用特征嵌入技术将哈希码、下采样后的音频数据和空洞卷积提取的图像特征映射到低维稠密向量空间中。
[0068]
通过这个组合方式，可以从不同类型的非量化信息中提取特征。哈希处理可以压缩文本描述并保留关键特征，下采样降低音频信号的采样率以减少数据量，空洞卷积可以提取图像数据中的局部和全局特征，特征嵌入技术将这些特征映射到低维稠密向量空间中，以便进行进一步的分析和决策。
[0069]
例如，在故障检测任务中，通过对哈希码、下采样后的音频数据和空洞卷积提取的图像特征进行特征融合和机器学习算法训练，可以建立一个模型来判断双向变流器的工作任务状态，如正常工作、过载或故障状态。这样的模型可以帮助监测设备状态，并及时采取适当的措施进行维修或调整，以保证系统的稳定运行。
[0070]
通过组合哈希处理、下采样、空洞卷积和特征嵌入等特征挖掘规则，可以从非量化信息中提取有用的特征，为双向变流器的工作任务状态描述和决策提供更全面、准确的信息支持。
[0071]
这些组合方式展示了对哈希处理、下采样、空洞卷积、特征嵌入和衍生知识向量挖掘等特征挖掘规则的多种组合方式，通过灵活应用这些规则，协调控制器可以更好地从非量化信息中挖掘有用的特征，并得到更丰富、准确的状态描述示例。
[0072]
结合上述应用场景，以下是一个使用哈希处理、下采样、空洞卷积、特征嵌入和衍生知识向量挖掘的五种规则组合示例：哈希处理+下采样+空洞卷积+特征嵌入+衍生知识向量挖掘：对双向变流器的文本描述进行哈希处理，生成固定长度的哈希码；对音频信号进行下采样操作，降低采样率；利用空洞卷积提取双向变流器图像数据中的局部和全局特征；使
用特征嵌入技术将哈希码、下采样后的音频数据和空洞卷积提取的图像特征映射到低维稠密向量空间中；基于已有的知识向量或模型，在映射后的特征上进行推理和计算，得到新的派生特征。
[0073]
通过这个组合方式，在双向变流器的故障检测和状态监测任务中，可以综合考虑文本描述、音频信号和图像数据的信息。哈希处理、下采样、空洞卷积和特征嵌入可以分别从不同类型的非量化信息中提取特征。衍生知识向量挖掘则可以在映射后的特征上进行推理和计算，得到新的派生特征，以进一步丰富状态描述。
[0074]
例如，通过对哈希码、下采样后的音频数据和空洞卷积提取的图像特征进行衍生知识向量挖掘，可以计算出与其他已知故障状态的相似度指标，从而判断双向变流器当前的工作状态是否发生异常。这样的判断可以提前预警潜在的故障，并采取相应的维修措施。
[0075]
通过组合哈希处理、下采样、空洞卷积、特征嵌入和衍生知识向量挖掘等特征挖掘规则，可以从多种非量化信息中提取特征，并利用这些特征来描述双向变流器的工作任务状态。这样的组合方式能够提供更全面、准确的状态描述，并为决策和维护提供有价值的信息支持。请注意，具体的组合方式可能需要根据实际情况进行调整和优化。
[0076]
在本发明实施例中，以采用基于牵涉程度的采样、基于描述增强的采样以及基于权重的采样为例进行说明，参见步骤204-步骤207所示。
[0077]
步骤204、协调控制器对第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到第一变流工作任务状态描述示例的牵涉程度信息，该牵涉程度信息用于反映任务状态描述之间的关联性。
[0078]
在本发明实施例中，基于牵涉程度的采样在进行描述向量采样时不依靠ai算法，直接由第一变流工作任务状态描述示例得到，依赖于第一变流工作任务状态描述示例本身。协调控制器依据基于牵涉程度的采样来预测第一变流工作任务状态描述示例中各变流工作任务状态变量和目标变流工作任务状态变量之间的关联性以及第一变流工作任务状态描述示例中各变流工作任务状态变量之间的相关性。
[0079]
在一些示例下，基于牵涉程度的采样的方式包括确定第一变流工作任务状态描述示例中每个变流工作任务状态变量的影响因子（重要系数）、离散度量值（方差）以及关联性度量。协调控制器对第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到第一变流工作任务状态描述示例中的变流工作任务状态变量关联性的步骤，包括：协调控制器能够确定第一变流工作任务状态描述示例中每个变流工作任务状态变量的影响因子，该影响因子与对应变流工作任务状态变量的关联性具有设定量化关系。鉴于影响因子很小的变流工作任务状态变量对双向变流器协调控制判别网络的分析质量作用不大，因此协调控制器能够清洗掉影响因子小于影响因子阈值的变流工作任务状态变量。协调控制器能够确定每个变流工作任务状态变量的离散度量值，离散度量值与对应变流工作任务状态变量的关联性具有设定量化关系。协调控制器能够依据特征的离散度量值来得到变流工作任务状态变量的分布。若某一变流工作任务状态变量的离散度量值接近于0，反映不同示例在该变流工作任务状态变量上不存在差异，协调控制器能够清洗掉离散度量值小于离散度量值阈值的变流工作任务状态变量。协调控制器能够确定每个变流工作任务状态变量与目标变流工作任务状态变量之间的关联性度量，该关联性度量与对应变流工作任务状态变量的关联性具有设定量化关系，目标变流工作任务状态变量与当前储能系统运行项目对应。其中，关联
性度量用于衡量特征之间的线性牵涉程度。协调控制器能够选择与目标变流工作任务状态变量关联性高的变流工作任务状态变量，清洗掉关联性低的变流工作任务状态变量。
[0080]
步骤205、协调控制器对第一变流工作任务状态描述示例进行基于描述增强的采样，得到第一变流工作任务状态描述示例的描述增强信息，该描述增强信息用于反映任务状态描述的增强结果。
[0081]
在本发明实施例中，协调控制器能够使用机器学习算法来预测特征子集的效果。协调控制器对第一变流工作任务状态描述示例进行基于描述增强的采样，得到第一变流工作任务状态描述示例中的变流工作任务状态变量增强结果的步骤，包括：协调控制器依据设定采样策略对第一变流工作任务状态描述示例中的变流工作任务状态变量进行采样，得到第一变流工作任务状态描述示例的描述增强信息。
[0082]
步骤206、协调控制器对第一变流工作任务状态描述示例进行基于权重的采样，得到第一变流工作任务状态描述示例的量化贡献数据，该量化贡献数据用于反映任务状态描述的决策权重。
[0083]
在本发明实施例中，基于权重的采样包括过拟合抑制等，用于预测特征的决策权重，基于权重的采样可以理解成特征嵌入预测。
[0084]
在一些示例下，协调控制器对第一变流工作任务状态描述示例进行基于权重的采样，得到第一变流工作任务状态描述示例的量化贡献数据的步骤，包括子步骤001-子步骤005。
[0085]
子步骤001、协调控制器依据第一ai算法对第一变流工作任务状态描述示例中的变流工作任务状态变量进行过拟合抑制，得到第一变流工作任务状态描述示例的第一量化贡献数据，该第一量化贡献数据反映第一变流工作任务状态描述示例中各变流工作任务状态变量的决策权重，该第一ai算法具有过拟合抑制系数。
[0086]
其中，过拟合抑制可以是正则化处理，过拟合抑制系数可以理解为正则惩罚项。基于此，第一ai算法可以理解为正则化函数或者正则化模型。在协调控制器工作时，基于第一ai算法（可能是正则化函数或正则化模型），对变流工作任务状态描述示例中的变流工作任务状态变量进行过拟合抑制处理。这意味着控制器会根据这些变量的决策权重来减少过拟合现象，以提高控制器对变流工作任务状态的准确性和鲁棒性。具体而言，协调控制器通过计算第一量化贡献数据来反映变流工作任务状态描述示例中各变流工作任务状态变量的决策权重。这些决策权重可以指导协调控制器在不同的情况下采取适当的控制策略，以实现所需的系统行为或目标。协调控制器结合变流工作任务状态描述示例和变流工作任务状态变量，通过对这些变量进行过拟合抑制处理，获得决策权重数据，以指导控制器的行为和决策。这样可以提高控制系统在不同条件下的性能和鲁棒性。
[0087]
子步骤002、协调控制器依据第二ai算法对第一变流工作任务状态描述示例中的变流工作任务状态变量进行分团，得到第一变流工作任务状态描述示例的第二量化贡献数据，该第二量化贡献数据反映第一变流工作任务状态描述示例中各变流工作任务状态变量的决策权重。其中，该第二ai算法为随机森林。
[0088]
随机森林是一种集成学习算法，用于对数据进行分类或回归分析。它由多个决策树组成，并通过投票或平均预测结果来生成最终的预测。下面是随机森林的一般公式示例：随机森林训练过程：假设有n个样本和m个特征；随机选择b个样本（可以重复抽样）
作为训练集，构建一个决策树；在每个节点上，从m个特征中随机选择m个特征（m《《m），作为候选划分特征；根据某个划分准则（如信息增益或基尼指数），选择最佳的特征进行划分；重复以上步骤，直到达到停止条件，例如达到最大树深度或节点样本数小于阈值。
[0089]
随机森林预测过程：对于分类问题，采用投票方式，将多个决策树的预测结果进行投票，选择出现次数最多的类别作为最终预测结果；对于回归问题，采用平均方式，将多个决策树的预测结果进行平均，得到最终预测结果。
[0090]
随机森林通过引入随机性的方式，在训练过程中产生多个决策树，并对特征和样本进行随机选择，从而提高了模型的泛化能力和鲁棒性。每个决策树都对应着一组决策权重，这些权重可以反映变流工作任务状态描述示例中各变流工作任务状态变量的重要性。
[0091]
在协调控制器工作时，基于第二ai算法（随机森林），对变流工作任务状态描述示例中的变流工作任务状态变量进行分团操作。这意味着控制器会根据这些状态变量之间的关系，将它们划分为不同的组别或簇。通过分团操作，协调控制器可以得到第二量化贡献数据，该数据反映了变流工作任务状态描述示例中各变流工作任务状态变量的决策权重。这些决策权重可以帮助控制器理解变流工作任务状态变量之间的重要性和相互影响程度。通过随机森林算法，协调控制器能够综合考虑各个变流工作任务状态变量的特征，并将它们归纳为一组组具有相似特征或关系的变量。这样，控制器可以更好地理解和处理变流工作任务状态，并根据第二量化贡献数据指导其行为和决策。协调控制器结合变流工作任务状态描述示例和变流工作任务状态变量，通过随机森林算法进行分团操作，得到第二量化贡献数据来反映变量的决策权重。这样可以增强控制器对变流工作任务状态的理解和处理能力，从而更有效地实现系统的控制和管理。
[0092]
子步骤003、协调控制器依据第三ai算法对第一变流工作任务状态描述示例中的变流工作任务状态变量进行顺序整理，得到第一变流工作任务状态描述示例的第三量化贡献数据，该第三量化贡献数据反映第一变流工作任务状态描述示例中各变流工作任务状态变量的决策权重，该第三ai算法为xgboost。
[0093]
xgboost（extreme gradient boosting）是一种梯度提升树算法，用于解决分类和回归问题。它是基于决策树集成的强大机器学习模型。下面是xgboost的一般公式示例。
[0094]
xgboost训练过程：假设有n个样本和m个特征；初始化一个弱学习器（通常是决策树）作为起始模型；在每次迭代中，计算损失函数的梯度和二阶导数，并将其作为目标函数加入到当前模型的估计值中；通过拟合当前模型和目标函数的负梯度来生成一个新的弱学习器（决策树），并将其加入到之前模型的估计值中；重复以上步骤，直到达到预定义的停止条件，例如达到最大迭代次数或模型性能不再改善。
[0095]
xgboost预测过程：对于分类问题，采用逻辑函数（sigmoid函数）将模型输出转化为类别的概率；对于回归问题，直接使用模型输出作为预测结果。
[0096]
xgboost通过优化目标函数，使用梯度提升的方式逐步改进模型的性能。每个变流工作任务状态变量都具有一个决策权重，这些权重可以通过xgboost算法得到。
[0097]
具体而言，协调控制器根据第三ai算法（xgboost），对第一变流工作任务状态描述示例中的变流工作任务状态变量进行顺序整理。这意味着控制器会按照变量的重要性或影响程度对它们进行排序。
[0098]
通过xgboost算法，协调控制器能够计算出第三量化贡献数据，该数据反映了第一
变流工作任务状态描述示例中各变流工作任务状态变量的决策权重。这些决策权重可以指导协调控制器在不同情况下对变流工作任务状态进行处理和决策。
[0099]
因此，协调控制器结合变流工作任务状态描述示例和变流工作任务状态变量，通过xgboost算法进行顺序整理，得到第三量化贡献数据来反映变量的决策权重。这样，控制器可以更好地理解和利用变流工作任务状态的信息，从而更精确地进行控制和决策。
[0100]
子步骤004、协调控制器对第一变流工作任务状态描述示例中的变流工作任务状态变量进行变量调整处理，依据第四ai算法对完成变量调整的变流工作任务状态变量进行判别，得到第一变流工作任务状态描述示例的第四量化贡献数据，该第四量化贡献数据反映该第一变流工作任务状态描述示例中各变流工作任务状态变量的决策权重，其中，该第四ai算法为待调试的双向变流器协调控制判别网络。
[0101]
子步骤005、协调控制器将第一量化贡献数据、第二量化贡献数据、第三量化贡献数据以及第四量化贡献数据，确定为该第一变流工作任务状态描述示例的量化贡献数据。
[0102]
上述子步骤001-子步骤005描述了一种协调控制器对变流工作任务状态进行量化贡献数据推导的过程。这个过程包括以下几个子步骤：子步骤001：使用第一ai算法对变流工作任务状态变量进行过拟合抑制，得到第一量化贡献数据。这些数据反映了各个变流工作任务状态变量的决策权重。子步骤002：使用第二ai算法（随机森林）对变流工作任务状态变量进行分团，得到第二量化贡献数据。这些数据也反映了各个变流工作任务状态变量的决策权重。子步骤003：使用第三ai算法（xgboost）对变流工作任务状态变量进行顺序整理，得到第三量化贡献数据。这些数据同样反映了各个变流工作任务状态变量的决策权重。子步骤004：对变流工作任务状态变量进行变量调整处理，并使用第四ai算法（待调试的双向变流器协调控制判别网络）对调整后的变量进行判别，得到第四量化贡献数据。这些数据也表示了各个变流工作任务状态变量的决策权重。子步骤005：将第一、第二、第三和第四量化贡献数据确定为该变流工作任务状态描述示例的量化贡献数据。通过这些子步骤，协调控制器能够对变流工作任务状态进行综合分析和决策，并根据不同的ai算法得到不同的量化贡献数据。这些量化贡献数据有助于理解各个变流工作任务状态变量在整体决策中的重要性和影响程度。
[0103]
示例性的，以下是对上述不同算法的说明。
[0104]
正则化函数（或正则化模型）可以是l2正则化，也称为岭回归。它在线性回归中用于控制模型的复杂度和防止过拟合。l2正则化通过在损失函数中增加模型权重的平方和的惩罚项来实现。例如，在线性回归中，损失函数可以表示为预测误差的平方和与正则化项之和。
[0105]
随机森林：随机森林是一种集成学习方法，通常用于分类和回归问题。它由多个决策树组成，每个决策树都对数据集进行随机采样，并使用一部分特征进行训练。最终的预测结果是基于所有决策树的投票或平均值。随机森林可以处理高维数据，并且具有较好的泛化能力和抗过拟合能力。
[0106]
xgboost：xgboost是一种梯度提升树算法，被广泛应用于分类和回归问题。它通过迭代地训练多个决策树，并逐步优化损失函数来提高预测性能。xgboost结合了梯度提升和正则化技术，可以有效地处理高维稀疏数据和处理缺失值。它在训练过程中使用了一些正则化参数，如学习率、树的深度和叶子节点权重的正则化项等。
[0107]
步骤207、协调控制器依据牵涉程度信息、描述增强信息以及量化贡献数据，从第一变流工作任务状态描述示例中清洗掉不符合采样要求的局部状态描述，得到第二变流工作任务状态描述示例。
[0108]
在本发明实施例中，协调控制器能够从第一变流工作任务状态描述示例中，清洗掉低质量特征，以减少特征复杂性。其中，协调控制器能够依据牵涉程度信息，清洗掉影响因子小于影响因子阈值的变流工作任务状态变量、清洗掉离散度量值小于离散度量值阈值的变流工作任务状态变量、清洗掉关联性度量处于度量区间的变流工作任务状态变量清洗掉；协调控制器能够依据描述增强信息，清洗掉对ai算法调试的增强结果不佳的变流工作任务状态变量；协调控制器能够依据量化贡献数据，清洗掉对ai算法调试的决策权重不高的变流工作任务状态变量。换言之，本发明实施例提供的若干种状态描述确定策略，涉及ai算法调试的各个过程，换言之在ai算法调试前、调试中以及调试后，都可以实现变流工作任务状态变量的择优选择，以确保ai算法的全阶段运行性能。
[0109]
步骤208、协调控制器依据第二变流工作任务状态描述示例，调试所得双向变流器协调控制判别网络。
[0110]
步骤209、协调控制器获得目标双向变流器的变流工作任务状态描述，该变流工作任务状态描述包括该目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，该电能调节任务状态表征向量反映该目标双向变流器与目标储能系统运行项目存在联系的变流工作状态。
[0111]
在本发明实施例中，协调控制器能够获得目标双向变流器的主电路任务状态表征向量，该主电路任务状态表征向量由协调控制器定期更新和缓存；协调控制器从目标双向变流器的运行记录中，提取与目标储能系统运行项目相关的工况记录信息。换言之，协调控制器基于目标储能系统运行项目，从目标双向变流器的运行记录中，输出与目标储能系统运行项目相关的基础信息。然后协调控制器对工况记录信息进行知识向量挖掘，得到电能调节任务状态表征向量。最后协调控制器对主电路任务状态表征向量和电能调节任务状态表征向量进行组合，得到变流工作任务状态描述。其中，协调控制器能够依据实时特征处理算法，来进行特征处理，得到上述电能调节任务状态表征向量。
[0112]
步骤210、协调控制器依据双向变流器协调控制判别网络对变流工作任务状态描述进行判别，得到目标双向变流器的协调控制权重数据，协调控制权重数据用于反映目标双向变流器分属不同全局协调控制重要性的判别指数。
[0113]
在本发明实施例中，协调控制器能够将上述变流工作任务状态描述输入双向变流器协调控制判别网络，由该双向变流器协调控制判别网络对该变流工作任务状态描述进行处理，输出该目标双向变流器分属不同全局协调控制重要性的判别指数。
[0114]
步骤211、协调控制器依据目标双向变流器的协调控制权重数据，确定目标双向变流器的全局协调控制重要性。
[0115]
在本发明实施例中，协调控制器能够依据该目标双向变流器分属不同全局协调控制重要性的判别指数所对应的判别指数范围，确定该目标双向变流器的全局协调控制重要性。该全局协调控制重要性根据实际情况进行划分，在此不作限定。
[0116]
在上述设计思路中，主要涉及了变流工作状态和协调控制处理，以下是对这两个概念的详细举例说明。
[0117]
变流工作状态：变流工作状态指目标双向变流器与目标储能系统运行项目之间存在联系的状态描述。这包括主电路任务状态表征向量和电能调节任务状态表征向量。
[0118]
主电路任务状态表征向量示例：可以包括输入电压、输出电压、输入电流、输出电流等主要电路参数的实时测量值或者相关统计特征。
[0119]
电能调节任务状态表征向量示例：可以包括目标储能系统的充放电状态、储能容量、负载需求等与电能调节相关的信息。
[0120]
例如，在一个可再生能源发电系统中，目标双向变流器将太阳能电池板产生的直流电转换为交流电，并与储能系统进行能量交互。此时，主电路任务状态表征向量可以包括太阳能电池板的输出电压、输出电流以及储能系统的电池电压、电流等参数；而电能调节任务状态表征向量可以包括储能系统的充放电状态、剩余储能容量以及当前负载需求等信息。
[0121]
协调控制处理：协调控制处理是根据目标双向变流器的全局协调控制重要性对其进行操作和调节，以实现更高效、稳定和优化的能量转换和储能系统运行。
[0122]
例如，在上述可再生能源发电系统中，通过依据目标双向变流器的协调控制权重数据确定其全局协调控制重要性，可以进行以下协调控制处理：根据全局协调控制重要性调整双向变流器的工作参数，如输出电压、输出频率等，以适应当前系统需求和运行状态。控制双向变流器与储能系统之间的能量交互，根据全局协调控制重要性优化充电和放电策略，确保系统能量的高效利用和供需平衡。实施与其他设备的协同操作，例如与电网连接时，根据协调控制重要性参与有功功率和无功功率的调节，确保系统在并网运行时的稳定性和符合性。
[0123]
综上所述，通过获取变流工作状态描述并利用协调控制权重数据来调整目标双向变流器的工作和交互方式，可以实现协调控制处理，以优化能量转换和储能系统的运行效果。具体的实现和应用细节将根据具体的双向变流器应用场景和系统要求进行设计和调整。
[0124]
当考虑一个电动车充电桩系统作为具体场景时，可以使用上述基于双向变流器的协调控制方法来优化能量转换和储能系统运行。以下是更具体的场景例子：变流工作状态：主电路任务状态表征向量示例：输入电压、输出电压、输入电流、输出电流等主要电路参数的实时测量值或统计特征。
[0125]
电能调节任务状态表征向量示例：电池充电状态、电池剩余容量、当前负载需求等与电能调节相关的信息。
[0126]
协调控制处理：根据全局协调控制重要性调整双向变流器的工作参数，如输出电压、输出功率等，以适应电动车充电需求和供电网要求。控制双向变流器与电动车电池之间的能量交互，根据全局协调控制重要性优化充电和放电策略，确保电动车充电效率和电池寿命的平衡。实施与电网的协同操作，例如通过协调控制处理，在电动车充电高峰期限制充电功率，以避免对电网造成过大的负荷压力。
[0127]
具体的应用细节可能包括：当电动车连接到充电桩时，通过监测主电路任务状态（例如输入电流、输出电压等），协调控制器可以判断电动车的充电需求并相应地调整双向变流器的工作参数。利用电能调节任务状态（如电池剩余容量、当前负载需求等）和全局协调控制重要性，协调控制器可以优化双向变流器与电动车电池之间的能量传递，以实现高
效的能量转换和充电效率。在电动车充电过程中，根据系统需求和电网状况，协调控制器可以限制充电功率或调整充电速度，以确保系统在高峰期不会对电网造成严重影响，并提供灵活的充电策略。
[0128]
通过上述场景例子，可以看到基于双向变流器的协调控制方法如何应用于电动车充电桩系统中，以实现更高效、稳定和优化的能量转换和储能系统运行。
[0129]
考虑一个可再生能源微电网系统作为另一个场景例子，可以使用基于双向变流器的协调控制方法来优化能量转换和储能系统运行。以下是更具体的场景例子。
[0130]
变流工作状态：主电路任务状态表征向量示例：输入电压、输出电压、输入电流、输出电流等主要电路参数的实时测量值或统计特征。
[0131]
电能调节任务状态表征向量示例：可再生能源发电量、储能系统容量、负载需求等与电能调节相关的信息。
[0132]
协调控制处理：根据全局协调控制重要性调整双向变流器的工作参数，如输出功率、功率因数等，以适应微电网系统的供需平衡和稳定运行。控制双向变流器与可再生能源发电设备和储能系统之间的能量交互，根据全局协调控制重要性优化能量分配策略，确保可再生能源的最大利用和储能系统的有效运行。实施与其他微电网组件的协同操作，例如在微电网系统中，通过与节点通信和协调，控制双向变流器的功率输出，以满足特定节点的负载需求和电网约束。
[0133]
具体的应用细节可能包括：在可再生能源微电网系统中，通过监测主电路任务状态（如输入电压、输出电流等），协调控制器可以判断当前电网负载情况，并相应地调整双向变流器的工作参数。基于电能调节任务状态（如可再生能源发电量、储能系统容量等）和全局协调控制重要性，协调控制器可以优化双向变流器与可再生能源发电设备和储能系统之间的能量分配，以实现最大程度的能量利用和自持能力提升。通过与其他微电网组件（如电池储能系统、电动车充电桩等）进行协同操作，协调控制器可以根据系统需求和电网状况，对双向变流器进行调节，以实现电网稳定运行和负载均衡。
[0134]
通过上述场景例子，可以看到基于双向变流器的协调控制方法如何应用于可再生能源微电网系统中，以实现更高效、稳定和优化的能量转换和储能系统运行。这种方法可以改善可再生能源的利用效率，降低对传统电网的依赖，并提供可持续能源供应解决方案。
[0135]
在一些可独立的设计思路下，在所述利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进行协调控制处理之后，所述方法还包括：获取针对目标双向变流器的协调控制处理报告；对所述协调控制处理报告进行结构化存储。
[0136]
本发明实施例中，协调控制处理报告是对针对目标双向变流器的协调控制处理进行记录和总结的文档。该报告包含了对双向变流器的状态、操作和控制策略的分析，以及相应的结果和建议。
[0137]
以下是两个具体示例，用于说明协调控制处理报告的含义和结构化存储。
[0138]
示例一：假设目标是提高双向变流器的效率，降低能量损耗。在协调控制处理报告中，会记录双向变流器的各种工作模式和运行参数，例如输入电压、输出功率、电流等。然后，使用不同的协调控制算法对这些数据进行分析，并得出了一组优化参数，如控制信号频率、电流限制值等。最后，会总结实验结果，包括能量损耗的减少百分比、效率的提升情况，
并给出进一步改进的建议。
[0139]
结构化存储示例：报告摘要：概述报告的目标和主要结论；变流器状态描述：记录变流器的工作模式、输入输出参数等详细信息；协调控制算法：列出所使用的协调控制算法，包括第一ai算法、第二ai算法和第三ai算法；分析结果：展示各个算法对变流器工作状态的量化贡献数据，如决策权重、优化参数等；实验结果：总结实验数据，包括能量损耗减少百分比、效率提升情况等；建议与改进：给出进一步改进的建议，例如调整控制参数、改善算法准确性等。
[0140]
示例二：假设的目标是提高双向变流器的稳定性和抗干扰能力。在协调控制处理报告中，会记录双向变流器的故障模式和容易受到的干扰源，如电网波动、负载变化等。然后，使用特定的协调控制算法来分析这些干扰源对变流器的影响，并提出对应的抗干扰策略。最后，会总结实验结果，包括稳定性改善程度、抗干扰能力的提升情况，并给出进一步改进的建议。
[0141]
结构化存储示例：报告摘要：概述报告的目标和主要结论；故障模式与干扰源描述：记录可能导致双向变流器不稳定的故障模式和干扰源，如电网波动、负载变化等；协调控制算法：列出所使用的协调控制算法，包括第一ai算法、第二ai算法和第三ai算法；干扰分析与抗干扰策略：展示对不同干扰源的分析结果和相应的抗干扰策略，如频率锁定、功率调整等；实验结果：总结实验数据，包括稳定性改善程度、抗干扰能力的提升情况等；建议与改进：给出进一步改进的建议，例如增加故障检测机制、优化抗干扰算法等。
[0142]
在一些可独立的实施例中，所述对所述协调控制处理报告进行结构化存储，包括：获取所述协调控制处理报告中的有效报告文本；对所述有效报告文本中的多个文本段落分别进行协调请求控制事件分析和协调应答控制事件分析，得到协调请求控制事件分析结果集和协调应答控制事件分析结果集；通过第一语义优化策略，对所述协调请求控制事件分析结果集进行第一优化处理，得到包括有协调请求控制事件的第一文本集；通过第二语义优化策略，对所述协调应答控制事件分析结果集进行第二优化处理，得到包括有协调应答控制事件的第二文本集；基于所述第一文本集和所述第二文本集进行合并，得到所述有效报告文本中与目标控制事件相匹配的待存储报告文本集；所述目标控制事件包括协调请求控制事件和协调应答控制事件中的至少一种，根据所述待存储报告文本集进行结构化存储。
[0143]
其中，协调控制处理报告中的有效报告文本是指其中包含有关目标双向变流器的控制事件和相应分析结果的文本段落。以下是两个示例用于解释确定待存储报告文本集和结构化存储的过程。
[0144]
示例一：假设在协调控制处理报告中，发现了一个协调请求控制事件，即针对双向变流器效率提升的请求。根据协调请求控制事件分析，得到了相应的文本段落，描述了如何通过改变控制信号频率和电流限制值来提高效率。类似地，在协调应答控制事件分析中，可能会发现另一个控制事件，例如针对稳定性改善的应答。
[0145]
第一语义优化策略被应用于协调请求控制事件分析结果集，目的是进一步优化文本的准确性和清晰度。这意味着可以根据特定语义规则进行修正或改进，以确保文本更加精确地传达了对控制事件的请求。
[0146]
第二语义优化策略被应用于协调应答控制事件分析结果集，以进一步优化文本的表达方式。这可能涉及将文本调整为更符合语义要求的形式，以便更好地传达对控制事件的响应。
[0147]
根据经过第一和第二语义优化策略处理后的文本，将得到一个包含协调请求控制事件和协调应答控制事件的待存储报告文本集。
[0148]
示例二：假设在协调控制处理报告中，发现了两个协调请求控制事件，分别是针对双向变流器稳定性改善和抗干扰能力提升的请求。通过协调请求控制事件分析，获得了与这些事件相关的文本段落，描述了不同的控制方案和建议。
[0149]
类似地，在协调应答控制事件分析中，可能会发现其他控制事件，如针对效率提升的应答等。针对这些控制事件，可以从协调应答控制事件分析结果集中提取相应的文本段落。
[0150]
接下来，将分别应用第一和第二语义优化策略对协调请求和协调应答的文本进行优化处理。这将使能够进一步改进文本的准确性、清晰度和语义表达。
[0151]
最终，基于经过优化处理的协调请求和协调应答文本，将得到一个待存储报告文本集。这个集合将包含与目标控制事件相匹配的文本段落，如稳定性改善、抗干扰能力提升或效率优化等。
[0152]
在进行结构化存储时，可以使用以下组织方式：报告概要：简要描述报告的目标和主要结论。
[0153]
控制事件描述：记录协调请求和协调应答控制事件的详细信息，包括目标、原因和期望结果。
[0154]
文本段落：按照控制事件对待存储报告文本集进行分类，并按照事件顺序依次存储相关文本段落。
[0155]
分析结果：如有必要，可以添加与控制事件相关的分析结果和数据。
[0156]
综上，应用上述相关实施例，对协调控制处理报告中的待存储报告文本集进行结构化存储具有以下有益效果。
[0157]
a、方便查找和检索：结构化存储使得报告中的信息可以按照特定的字段、标签或组织结构进行分类和索引。这样，用户可以方便地查找和检索与特定控制事件相关的信息，节省时间和努力。
[0158]
b、知识管理和传承：通过将报告信息进行结构化存储，可以实现知识的有效管理和传承。相关的控制事件、分析结果和建议可以被记录下来并与其他相关文档或知识库关联，从而形成一个全面的知识资源，使得团队成员可以共享和利用这些知识。
[0159]
c、决策支持：结构化存储的报告文本集可以为决策提供更准确和全面的信息支持。通过整合和分析存储的文本数据，可以获得关于不同控制事件的趋势、模式和关联性，从而为决策制定者提供更明智的决策依据。
[0160]
d、横向比较和分析：通过结构化存储，可以轻松地将不同控制事件的相关信息进行横向比较和分析。这有助于发现相似或相关的模式、问题和解决方案，从而为持续改进和优化提供指导。
[0161]
e、知识沉淀和迭代：结构化存储可以帮助将有价值的知识和经验沉淀下来，并为
未来的控制事件处理提供参考和借鉴。报告文本集的结构化存储形式使得知识可以在不同的时间点进行迭代和更新，以适应新的需求和发现。
[0162]
因此，通过对协调控制处理报告中的待存储报告文本集进行结构化存储，可以提高信息管理效率、支持决策制定、促进知识共享和迭代，并为分析和优化工作提供更全面的基础。这些优点和好处有助于提升团队的工作效率和质量，并推动控制系统的持续改进。
[0163]
基于同样的发明构思，提供一种基于双向变流器的协调控制系统，包括互相通信的协调控制器和双向变流器；所述协调控制器用于：获得目标双向变流器的变流工作任务状态描述，所述变流工作任务状态描述包含所述目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，所述电能调节任务状态表征向量反映所述目标双向变流器与目标储能系统运行项目存在联系的变流工作状态；依据双向变流器协调控制判别网络对所述变流工作任务状态描述进行判别，得到所述目标双向变流器的协调控制权重数据，所述双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，所述协调控制权重数据用于反映所述目标双向变流器分属不同全局协调控制重要性的判别指数，所述工作任务状态描述信息与所述目标储能系统运行项目存在联系；依据所述目标双向变流器的协调控制权重数据，确定所述目标双向变流器的全局协调控制重要性；利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进行协调控制处理。
[0164]
在上述基础上，提供了一种协调控制器，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述的方法。
[0165]
在上述基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
[0166]
综上，本发明实施例提供了一种确定双向变流器的全局协调控制重要性以实现协调控制处理的思路，通过获得目标双向变流器的变流工作任务状态描述，再依据双向变流器协调控制判别网络对获得到的变流工作任务状态描述进行处理，使得该双向变流器协调控制判别网络能够从获得到的变流工作任务状态描述中高质量地挖掘变流工作任务状态描述之间的联系，从而得到目标双向变流器的协调控制权重数据，以准确实现双向变流器的全局协调控制重要性确定，从而保障协调控制处理的质量和可靠性。
[0167]
其中，本发明实施例可以应用但不限于集成电网中的分布式能源系统、电动车充电桩管理系统以及储能系统与微电网的协调控制。
[0168]
就集成电网中的分布式能源系统而言，该方法可应用于分布式能源系统中的双向变流器，如太阳能光伏系统或风力发电系统。通过获得目标双向变流器的工作状态描述，并基于协调控制判别网络进行处理，可以确定双向变流器在整个能源系统中的协调控制重要性。这有助于实现双向变流器之间的协调操作，提高能源系统的效率、稳定性和可靠性。
[0169]
就电动车充电桩管理系统而言，在电动车充电桩管理系统中，存在多个双向变流器用于电动车的充电和放电。利用该方法，可以获取每个双向变流器的工作任务状态描述，并根据协调控制判别网络获得协调控制权重数据。这些权重数据反映了每个充电桩在整个系统中的协调控制重要性，从而实现对充电桩的协调控制，优化能源利用和充电服务质量。
[0170]
就储能系统与微电网的协调控制而言，在微电网中，储能系统扮演着平衡供需、调节电网频率等重要角色。该方法可应用于储能系统中的双向变流器，通过获取目标双向变流器的工作状态描述，并利用协调控制判别网络进行处理，确定储能系统与微电网运行项目之间的联系。根据得到的协调控制权重数据，可以实现储能系统的全局协调控制，确保其在微电网中的重要性和效果。
[0171]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种基于双向变流器的协调控制方法，其特征在于，应用于协调控制器，所述方法包括：获得目标双向变流器的变流工作任务状态描述，所述变流工作任务状态描述包含所述目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，所述电能调节任务状态表征向量反映所述目标双向变流器与目标储能系统运行项目存在联系的变流工作状态；依据双向变流器协调控制判别网络对所述变流工作任务状态描述进行判别，得到所述目标双向变流器的协调控制权重数据，所述双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，所述协调控制权重数据用于反映所述目标双向变流器分属不同全局协调控制重要性的判别指数，所述工作任务状态描述信息与所述目标储能系统运行项目存在联系；依据所述目标双向变流器的协调控制权重数据，确定所述目标双向变流器的全局协调控制重要性；利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进行协调控制处理。2.如权利要求1所述的方法，其特征在于，所述获得目标双向变流器的变流工作任务状态描述，包括：获得所述目标双向变流器的所述主电路任务状态表征向量；从所述目标双向变流器的运行记录中，提取与所述目标储能系统运行项目相关的工况记录信息；对所述工况记录信息进行知识向量挖掘，得到所述电能调节任务状态表征向量；对所述主电路任务状态表征向量和所述电能调节任务状态表征向量进行组合，得到所述变流工作任务状态描述。3.如权利要求1所述的方法，其特征在于，所述方法还包括：获得多个双向变流器示例的运行记录示例，所述运行记录示例包含所述多个双向变流器示例的主电路任务状态要素和工况记录信息；对所述运行记录示例进行知识向量挖掘，得到第一变流工作任务状态描述示例；依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，所述第二变流工作任务状态描述示例的向量尺寸小于所述第一变流工作任务状态描述示例的向量尺寸；依据所述第二变流工作任务状态描述示例，调试所得所述双向变流器协调控制判别网络。4.如权利要求3所述的方法，其特征在于，所述对所述运行记录示例进行知识向量挖掘，得到第一变流工作任务状态描述示例，包括：利用第一特征挖掘规则，对所述运行记录示例中的量化信息进行知识向量挖掘，得到所述第一变流工作任务状态描述示例中的量化线性状态表征，所述第一特征挖掘规则包括分箱、分割、归一化、卷积、加权以及特征混淆中的最少一种；利用第二特征挖掘规则，对所述运行记录示例中的非量化信息进行知识向量挖掘，得
到所述第一变流工作任务状态描述示例中的浮点线性状态表征，所述第二特征挖掘规则包括哈希处理、下采样、空洞卷积、特征嵌入、衍生知识向量挖掘以及特征混淆中的最少一种。5.如权利要求3所述的方法，其特征在于，所述依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，包括：对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，所述牵涉程度信息用于反映任务状态描述之间的关联性；对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，所述描述增强信息用于反映任务状态描述的增强结果；对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，所述量化贡献数据用于反映任务状态描述的决策权重；依据所述牵涉程度信息、所述描述增强信息以及所述量化贡献数据，从所述第一变流工作任务状态描述示例中清洗掉不符合采样要求的局部状态描述，得到所述第二变流工作任务状态描述示例；其中，所述对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，包括：确定所述第一变流工作任务状态描述示例中每个变流工作任务状态变量的影响因子，所述影响因子与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量的离散度量值，所述离散度量值与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量与目标变流工作任务状态变量之间的关联性度量，所述关联性度量与对应变流工作任务状态变量的关联性具有设定量化关系，所述目标变流工作任务状态变量与所述目标储能系统运行项目对应；其中，所述对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，包括：依据设定采样策略对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行采样，得到所述第一变流工作任务状态描述示例的描述增强信息；其中，所述对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，包括：依据第一ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行过拟合抑制，得到所述第一变流工作任务状态描述示例的第一量化贡献数据，所述第一ai算法具有过拟合抑制系数；依据第二ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行分团，得到所述第一变流工作任务状态描述示例的第二量化贡献数据，所述第二ai算法为随机森林；依据第三ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行顺序整理，得到所述第一变流工作任务状态描述示例的第三量化贡献数据，所述第三ai算法为xgboost；对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行变量调整处理，依据第四ai算法对完成变量调整的变流工作任务状态变量进行判别，得到所述第一变流工作任务状态描述示例的第四量化贡献数据，所述第四ai算法为待调试的双向
变流器协调控制判别网络；将所述第一量化贡献数据、所述第二量化贡献数据、所述第三量化贡献数据以及所述第四量化贡献数据，确定为所述第一变流工作任务状态描述示例的量化贡献数据。6.一种基于双向变流器的协调控制系统，其特征在于，包括互相通信的协调控制器和双向变流器；所述协调控制器用于：获得目标双向变流器的变流工作任务状态描述，所述变流工作任务状态描述包含所述目标双向变流器的主电路任务状态表征向量和电能调节任务状态表征向量，所述电能调节任务状态表征向量反映所述目标双向变流器与目标储能系统运行项目存在联系的变流工作状态；依据双向变流器协调控制判别网络对所述变流工作任务状态描述进行判别，得到所述目标双向变流器的协调控制权重数据，所述双向变流器协调控制判别网络由依据若干种状态描述确定策略选择出的工作任务状态描述信息调试所得，用于依据传入的工作任务状态描述输出协调控制权重数据，所述协调控制权重数据用于反映所述目标双向变流器分属不同全局协调控制重要性的判别指数，所述工作任务状态描述信息与所述目标储能系统运行项目存在联系；依据所述目标双向变流器的协调控制权重数据，确定所述目标双向变流器的全局协调控制重要性；利用所述目标双向变流器的全局协调控制重要性，至少对所述目标双向变流器进行协调控制处理。7.如权利要求6所述的基于双向变流器的协调控制系统，其特征在于，所述协调控制器获得目标双向变流器的变流工作任务状态描述，包括：获得所述目标双向变流器的所述主电路任务状态表征向量；从所述目标双向变流器的运行记录中，提取与所述目标储能系统运行项目相关的工况记录信息；对所述工况记录信息进行知识向量挖掘，得到所述电能调节任务状态表征向量；对所述主电路任务状态表征向量和所述电能调节任务状态表征向量进行组合，得到所述变流工作任务状态描述。8.如权利要求6所述的基于双向变流器的协调控制系统，其特征在于，所述协调控制器还用于：获得多个双向变流器示例的运行记录示例，所述运行记录示例包含所述多个双向变流器示例的主电路任务状态要素和工况记录信息；对所述运行记录示例进行知识向量挖掘，得到第一变流工作任务状态描述示例；依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，所述第二变流工作任务状态描述示例的向量尺寸小于所述第一变流工作任务状态描述示例的向量尺寸；依据所述第二变流工作任务状态描述示例，调试所得所述双向变流器协调控制判别网络；其中，所述协调控制器对所述运行记录示例进行知识向量挖掘，得到第一变流工作任
务状态描述示例，包括：利用第一特征挖掘规则，对所述运行记录示例中的量化信息进行知识向量挖掘，得到所述第一变流工作任务状态描述示例中的量化线性状态表征，所述第一特征挖掘规则包括分箱、分割、归一化、卷积、加权以及特征混淆中的最少一种；利用第二特征挖掘规则，对所述运行记录示例中的非量化信息进行知识向量挖掘，得到所述第一变流工作任务状态描述示例中的浮点线性状态表征，所述第二特征挖掘规则包括哈希处理、下采样、空洞卷积、特征嵌入、衍生知识向量挖掘以及特征混淆中的最少一种。9.如权利要求8所述的基于双向变流器的协调控制系统，其特征在于，所述协调控制器依据所述若干种状态描述确定策略对所述第一变流工作任务状态描述示例进行采样，得到第二变流工作任务状态描述示例，包括：对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，所述牵涉程度信息用于反映任务状态描述之间的关联性；对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，所述描述增强信息用于反映任务状态描述的增强结果；对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，所述量化贡献数据用于反映任务状态描述的决策权重；依据所述牵涉程度信息、所述描述增强信息以及所述量化贡献数据，从所述第一变流工作任务状态描述示例中清洗掉不符合采样要求的局部状态描述，得到所述第二变流工作任务状态描述示例；其中，所述协调控制器对所述第一变流工作任务状态描述示例进行基于牵涉程度的采样，得到所述第一变流工作任务状态描述示例的牵涉程度信息，包括：确定所述第一变流工作任务状态描述示例中每个变流工作任务状态变量的影响因子，所述影响因子与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量的离散度量值，所述离散度量值与对应变流工作任务状态变量的关联性具有设定量化关系；确定所述每个变流工作任务状态变量与目标变流工作任务状态变量之间的关联性度量，所述关联性度量与对应变流工作任务状态变量的关联性具有设定量化关系，所述目标变流工作任务状态变量与所述目标储能系统运行项目对应；其中，所述协调控制器对所述第一变流工作任务状态描述示例进行基于描述增强的采样，得到所述第一变流工作任务状态描述示例的描述增强信息，包括：依据设定采样策略对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行采样，得到所述第一变流工作任务状态描述示例的描述增强信息；其中，所述协调控制器对所述第一变流工作任务状态描述示例进行基于权重的采样，得到所述第一变流工作任务状态描述示例的量化贡献数据，包括：依据第一ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行过拟合抑制，得到所述第一变流工作任务状态描述示例的第一量化贡献数据，所述第一ai算法具有过拟合抑制系数；依据第二ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行分团，得到所述第一变流工作任务状态描述示例的第二量化贡献数据，所述第二ai算法
为随机森林；依据第三ai算法对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行顺序整理，得到所述第一变流工作任务状态描述示例的第三量化贡献数据，所述第三ai算法为xgboost；对所述第一变流工作任务状态描述示例中的变流工作任务状态变量进行变量调整处理，依据第四ai算法对完成变量调整的变流工作任务状态变量进行判别，得到所述第一变流工作任务状态描述示例的第四量化贡献数据，所述第四ai算法为待调试的双向变流器协调控制判别网络；将所述第一量化贡献数据、所述第二量化贡献数据、所述第三量化贡献数据以及所述第四量化贡献数据，确定为所述第一变流工作任务状态描述示例的量化贡献数据。10.一种协调控制器，其特征在于，所述协调控制器包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现权利要求1-5任一项所述的方法。

技术总结
本发明实施例提供的基于双向变流器的协调控制方法、控制器及系统，提供了一种确定双向变流器的全局协调控制重要性以实现协调控制处理的思路，通过获得目标双向变流器的变流工作任务状态描述，再依据双向变流器协调控制判别网络对获得到的变流工作任务状态描述进行处理，使得该双向变流器协调控制判别网络能够从获得到的变流工作任务状态描述中高质量地挖掘变流工作任务状态描述之间的联系，从而得到目标双向变流器的协调控制权重数据，以准确实现双向变流器的全局协调控制重要性确定，从而保障协调控制处理的质量和可靠性。从而保障协调控制处理的质量和可靠性。从而保障协调控制处理的质量和可靠性。


技术研发人员：王堉 张佳婧 揭念兵
受保护的技术使用者：深圳市远信储能技术有限公司
技术研发日：2023.09.01
技术公布日：2023/10/8