分布式光伏配电网的无模型自适应控制方法、装置及介质与流程

1.本发明属于配电网调控技术领域，特别涉及一种分布式光伏配电网的无模型自适应控制方法、装置及介质。


背景技术：

2.相比于传统的化石能源，分布式电源（distributed generation, dg）采用可再生能源发电，具有环境友好等特点，已成为全球研究热点。分布式光伏作为dg的重要形式之一，规模化接入、全额消纳是当前的发展趋势。然而分布式光伏接入电压等级低、单体容量小、数量多且数据采集不足，具有较强的随机性、间歇性和波动性的特点，且现有配电网对分布式光伏调控方式单一，随着其渗透率的不断提高，配电网电压波动愈发明显，电能质量不断恶化，给配电网的安全、经济、稳定运行带来了诸多挑战。
3.针对现有低压配电台区分布式光伏缺乏有效调控的实际情况，目前分布式光伏的控制方式主要为现场控制和接入配电网调控系统进行集中监控方式。其中，集中监控方式是指，将多个分布式光伏电站信息连接到一个中心控制系统，通过中心控制系统对这些电站进行集中式的监控和管理。虽然集中控制可以提高分布式光伏配电网的调控效率，但同时也存在系统复杂度高，调控精度不够等问题。现有的集中调控模式，在各类调控资源、数据获取等方面难以满足含分布式光伏配电网的调控管理需求。


技术实现要素：

4.本发明提出一种分布式光伏配电网的无模型自适应控制方法、装置及介质，可以有效提高配电网的运行安全性和平稳性，又可以提高分布式光伏发电的消纳率，达到节能减排的目的。
5.针对上述问题，本发明采用如下技术方案：第一方面，提供一种分布式光伏配电网的无模型自适应控制方法，包括：将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；将第一区域的历史运行数据输入高斯代理模型，确定高斯代理模型的参数，第一区域为多个区域中的任一区域；将第一区域的当前运行数据输入高斯代理模型，确定第一区域的电压预测值；基于电压预测值，控制第一区域的各节点的输出功率。
6.可选地，将分布式光伏配电网划分为多个区域，包括：确定分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
7.进一步地，基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域，包括：基于电压调节能力和电气距离，获取分布式光伏配电网中的各节点的聚类结果；基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
8.可选地，基于电压预测值，控制第一区域的各节点的输出功率，包括：基于电压预测值，调整发电机的输出功率和/或市电网络的负荷。
9.第二方面，提供一种分布式光伏配电网的无模型自适应控制方法，包括：将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，第二区域为多个区域中的任一区域，无模型自适应mfa控制模型用于学习分布式光伏配电网的动态特性；将第二区域的当前运行数据输入mfa控制模型，获取分布式光伏配电网的预测值，预测值与分布式光伏配电网的动态特性相对应；基于预测值，控制第二区域中的各节点的输出电压。
10.可选地，将分布式光伏配电网划分为多个区域，包括：获取分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
11.进一步地，基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域，包括：基于电压调节能力和电气距离，确定分布式光伏配电网中的各节点的聚类结果；基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
12.可选地，基于预测值，控制第二区域中的各节点的输出电压，包括：获取分布式光伏配电网的当前值与预测值之间的偏差；基于当前值与预测值之间的偏差，调整第二区域中的各节点的输出电压。
13.第三方面，提供一种分布式光伏配电网的无模型自适应控制装置，包括：划分模块、确定模块和控制模块；其中，划分模块，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；确定模块，用于将第一区域的历史运行数据输入高斯代理模型，确定高斯代理模型的参数，第一区域为多个区域中的任一区域；确定模块，还用于将第一区域的当前运行数据输入高斯代理模型，确定所述第一区域的电压预测值；控制模块，用于基于电压预测值，控制第一区域的各节点的输出功率。
14.可选地，确定模块，还用于确定分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；划分模块，还用于基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
15.进一步地，确定模块，还用于基于电压调节能力和电气距离，确定分布式光伏配电网中的各节点的聚类结果；划分模块，还用于基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
16.可选地，控制模块，还用于基于电压预测值，调整发电机的输出功率和/或市电网络的负荷。
17.第四方面，提供一种分布式光伏配电网的无模型自适应控制装置，包括：划分模块、训练模块、获取模块和控制模块；其中，划分模块，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；训练模块，用于基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，所述第二区域为所述多个区域中的任一区域，无模型自适应mfa控制模型用于学习分布式光伏配电网的动态特性；获取模块，用于将所述第二区域的当前运行数据输入mfa控制模型，获取分布式光伏配电网的预测值，预测值与分布式光伏配电网的动态特性相对应；控制模块，用于基于预测值，控制第二区域中的各节点的输出电压。
18.可选地，获取模块，还用于获取分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；划分模块，还用于基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
19.进一步地，获取模块，还用于基于电压调节能力和电气距离，获取分布式光伏配电网中的各节点的聚类结果；划分模块，还用于基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
20.可选地，获取模块，还用于获取分布式光伏配电网的当前值与预测值之间的偏差；控制模块，还用于基于当前值与预测值之间的偏差，调整第二区域中的各节点的输出电压。
21.第五方面提供一种分布式光伏配电网的无模型自适应控制装置，包括：处理器，处理器与存储器耦合；其中，处理器，用于读取并执行存储器存储的程序或指令，使得装置执行第一方面或第二方面所述的分布式光伏配电网的无模型自适应控制方法。
22.第六方面，提供一种计算机可读存储介质，存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行第一方面或第二方面所述的分布式光伏配电网的无模型自适应控制方法。
23.基于本发明提供的分布式光伏配电网的无模型自适应控制方法、装置及介质，可以将分布式配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度，这样一来，对于任一区域内的所有节点，均可以采用相似的监控机制控制该任一区域内的所有节点，如调整输出电压、输出功率、电网负荷等，既克服了对分布式光伏配电网进行集中监控方式存在的系统复杂度高、调控精度低的问题，提高分布式光伏配电网的运行安全性和平稳性，又可以有效消除分布式光伏随机性、间歇性和波动性带来的负面影响，提高分布式光伏发电的消纳率，从而提高新能源利用率，达到节能减排的目的。
24.并且，在上述过程中，不要建立准确的系统模型即可实现分布式光伏配电网的准确监控，即无模型监控方法，该方法相对有系统模型方法具有以下优势：1.免去系统模型开发和识别的过程：无系统模型方法不需要事先建立准确的数学模型，避免了复杂的系统模型开发和识别过程。
25.2.适应性强：无系统模型方法可以在实时或离线学习系统的动态特性，并基于学习到的动态特性对控制器进行训练和调整，具有更好的适应性和鲁棒性，适用于复杂、不确定的系统。
26.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
28.图1为本发明实施例提供的一种分布式光伏配电网的无模型自适应控制方法的流程示意图；图2为本发明实施例提供的另一种分布式光伏配电网的无模型自适应控制方法的流程示意图；图3为本发明实施例提供的一种分布式光伏配电网的无模型自适应控制装置的结构示意图；图4为本发明实施例提供的另一种分布式光伏配电网的无模型自适应控制装置的结构示意图；图5为本发明实施例提供的又一种分布式光伏配电网的无模型自适应控制装置的结构示意图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.首先结合图1和图2，详细说明本发明实施例提供本发明实施例提供的分布式光伏配电网的无模型自适应控制方法。
31.示例性地，图1为本发明实施例提供的一种分布式光伏配电网的无模型自适应控制方法。如图1所示，该方法包括：s101，将分布式光伏配电网划分为多个区域。
32.其中，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度。
33.可选地，将分布式光伏配电网划分为多个区域，包括：步骤1，确定分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；步骤2，基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
34.进一步地，基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域，包括：基于电压调节能力和电气距离，获取分布式光伏配电网中的各节点的聚类结果；基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
35.s102，将第一区域的历史运行数据输入高斯代理模型，确定高斯代理模型的参数，第一区域为多个区域中的任一区域；s103，将第一区域的当前运行数据输入高斯代理模型，确定第一区域的电压预测值；s104，基于电压预测值，控制第一区域的各节点的输出功率。
36.可选地，基于电压预测值，控制第一区域的各节点的输出功率，包括：基于电压预测值，调整发电机的输出功率和/或市电网络的负荷。
37.下面通过一个示例详细说明。
38.在分布式光伏发电系统中，光伏组件的电压和电流与光照强度、温度等因素相关，这些因素的变化会影响光伏发电系统的输出功率和电压等参数。此外，光伏发电系统的输出功率和电压等参数又会对配电网的电压等参数产生影响，从而影响配电网的稳定运行。因此，在分布式光伏发电系统中，如何保证配电网的电压等参数不越限，以保证配电网的安全运行，是一个非常重要的问题。
39.基于数据驱动技术，我们可以使用分布式光伏发电系统实时的电压、电流、功率等参数作为输入数据，使用无模型自适应控制方法实现对系统的控制。
40.首先，收集实时数据，通过采集分布式光伏发电系统的实时数据，包括光照强度、
温度、电压、电流、功率等参数，作为控制方法的输入；其次，对输入数据进行预处理，包括数据清洗、特征提取等操作，以得到适合于控制的数据；然后，使用高斯代理建模，将输入数据送入高斯代理模型中进行处理和分析，以得到相应的控制参数；再根据高斯模型输出的控制参数，对分布式光伏发电系统进行电压调节，调节光伏组件的输出功率和电压等参数，以保证配电网的电压等参数不越限。
41.其具体实现如下：高斯代理建模现有的电压控制算法在训练过程中必须使用原始潮流模型进行奖励计算。为了处理这个问题，可以采用高斯代理模型，产生与功率流方程相同的输入-输出关系：（1）（2）（3）（4）（5）其中，一个高斯过程表示为，由均值函数，协方差表示，高斯过程的目标是在给定新输入的情况下预测。其中，表示训练点和测试点之间的n维协方差向量;表示的方差；表示用于表示和之间的相关性的核函数。表示方差尺度，是信号方差，为超参数集，表示协方差矩阵（covariance matrix）。当超参数集固定，确定伪集的最优位置时，可根据式(1)和式(2)求得预测值的均值和协方差。由于它是从数据中推断出来的，所以不需要物理的潮流模型。
42.分布式光伏配电网分区解决电压调节问题目的是将整个分布式光伏配电网划分成几个区域，使得集中式电压调节问题被分成可以以分布式方式解决的几个子问题。在考虑区域电压调节能力的同时，采用基于电压灵敏度确定电气距离，并基于电气距离的对属性相似的节点进行聚合。其中，基于电压-有功功率灵敏度和电压-无功功率灵敏度矩阵定义电气距离如下：（6）其中，为节点i和节点j之间的电气距离，为节点i和节点j之间的电压-有功功率灵敏度，为节点i和节点j之间的电压-无功功率灵敏度。
43.公式（6）定义了电气距离，它是基于电压-有功功率灵敏度（）和电压-无功
功率灵敏度（）计算得出的。通过将电压调节问题分解为分布式的子问题，使用电气距离来衡量节点之间的连接紧密度。其中和分别表示基于电压-有功功率灵敏度和电压-无功功率灵敏度定义的电气距离，具体如下式所示：（7）公式（7）给出了基于电压-有功功率灵敏度和电压-无功功率灵敏度计算电气距离的方法。这些灵敏度表示节点i的电压对节点j的注入有功功率和无功功率的敏感程度。其中，和分别表示节点i的电压对节点j的注入有功功率和注入无功功率的灵敏度。电气距离d
ij
越小，节点i和j之间的电连接将越紧密。
44.进一步的，电压调节能力定义为：（8）公式（8）定义了整个网络的电压调节能力（c）和各区域（集群k）的区域电压调节能力（ck）之间的关系。它基于节点的最大无功功率（qi）和有功功率（pi）缩减以及节点之间的电压偏差（δvj）计算得到。其中c为整个网络的电压调节能力，ck为区域k的电压调节能力;为具有最大电压违规值的节点的电压偏差;qi和pi分别为可以由节点i用于电压调节的最大无功功率和有功功率缩减。clip函数限制的取值在[0，1]的范围。
[0045]
基于模块度指标定义了聚类的性能指标：(9)公式（9）定义了基于模块度指标的聚类性能指标（ρ），它衡量了聚类结果的紧密度，其中节点间的电连接越紧密，聚类内的连接越紧密，聚类间的连接越松散。该指标可用于搜索最佳聚类，同时最大化定义的性能。其中表示所有节点的权重之和；表示节点j的权重。对于性能指标，值越大，簇内的电连接越紧密，簇间的连接越松散。该算法可用于搜索最佳聚类，同时最大化定义的性能。
[0046]
使用高斯代理模型进行电压预测和功率控制，具体如下：数据收集：收集包含时间、负荷水平、天气条件和对应的电压测量值（或功率测量值）的数据。记输入变量为x，电压测量值为y。
[0047]
特征选择：选择收集的数据的适当输入特征，例如时间戳t、季节性指标s、负荷水
平l、温度t和湿度h。记输入特征向量为x=[t,s,l,t,h]。
[0048]
高斯代理模型训练：使用收集到的数据，估计高斯过程的均值函数m(x)和协方差函数k(x,x
´
)的参数。记高斯过程为gp(m(x),k(x,x
´
))。
[0049]
模型预测：给定新的输入特征（如当前时刻的运行数据），使用高斯代理模型进行电压预测。预测的电压值为，估计的方差为。即计算条件分布。
[0050]
功率控制：根据预测的电压值，进行功率控制操作。具体操作方式将取决于应用场景，例如可以调整发电机的输出功率或控制电网的负荷，来调控区域内所有节点的输出功率。
[0051]
示例性地，图2为本发明实施例提供的另一种分布式光伏配电网的无模型自适应控制方法。如图2所示，该方法包括：s201，将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度。
[0052]
具体实现可以参考s101，此处不再赘述。
[0053]
s202，基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，第二区域为多个区域中的任一区域，无模型自适应mfa控制模型用于学习分布式光伏配电网的动态特性。
[0054]
s203，将第二区域的当前运行数据输入mfa控制模型，获取分布式光伏配电网的预测值，预测值与分布式光伏配电网的动态特性相对应。
[0055]
s204，基于预测值，控制第二区域中的各节点的输出电压。
[0056]
可选地，基于预测值，控制第二区域中的各节点的输出电压，包括：获取分布式光伏配电网的当前值与预测值之间的偏差；基于当前值与预测值之间的偏差，调整第二区域中的各节点的输出电压。
[0057]
下面通过一个示例详细说明。
[0058]
收集和处理数据：首先需要收集分布式光伏系统的运行数据，并对数据进行处理，包括数据清洗、采样和预处理等操作。这些处理操作可以提高数据质量和可用性，使得后续的数据驱动建模更加准确和可靠。
[0059]
建立动态线性化数据模型：针对分布式光伏系统的复杂离散时间非线性特性，需要在每个动态工作点处建立一个等价的动态线性化数据模型。该模型可以通过一系列的数学运算和数据处理技术获得，例如插值、回归和最小二乘法等。动态线性化数据模型如下：（10）（11）（12）其中，k为时间步或离散时间索引，表示当前的时间点或时间步，u(k)为控制输入或操纵变量，表示在时间步k处的控制输入，u(k-1)为在时间步(k-1)处的控制输入，
为参数估计值，表示在时间步k处的参数估计，y(k)为状态变量或系统输出，表示在时间步k处的状态变量或系统输出，期望的状态变量或系统输出，表示在时间步(k+1)处的期望状态变量或系统输出，为状态变量或系统输出的预测值，表示在时间步k处的状态变量或系统输出的预测值，r为控制增益，用于调节控制输入的变化对模型的影响，为状态变量或系统输出的估计值，表示在时间步k处的状态变量或系统输出的估计值，θ为参数，用于平衡控制输入变化和状态变量估计误差之间的权衡，α为参数，用于平衡参数估计的速度和稳定性，b为参数，表示一个常数，δu(k-1)为控制输入变化量，表示在时间步(k-1)到时间步k之间的控制输入变化量。
[0060]
推导过程如下：首先，根据离散非线性系统的泰勒展开式，结合微分中值定理，给出了一种新的动态线性化模型：（13）其中和为分布式光伏系统的时变参数，，通过该时变参数，公式（13）可以表示为如下：（14）其中，，使用关于围绕的泰勒级数展开和微分中值定理，可以得到：（15）其中，，，，假设的符号已知，并且不失一般性，令则必然存在以下公式：（16）其中，b和b是两个正常数。假设=0，我们定义：（17）（18）假设是的估计，是的估计，将公式（17）和（18）代入公式（15），可以得到：（19）其中，，包括模型的估计误差和系统的可能干扰。定义：
（20）其中是d（k）的估计值，是近似模型（16）的输出。
[0061]
然后，公式（19）可以被重写为：（21）根据公式（19）-（21），通过引入内模控制的思想，我们可以定义两个成本函数如下：（22）（23）其中，α》0，θ》0是加权系数，r》0是模型估计误差的影响系数，引入项是为了通过使用内模控制结构来减小模型估计误差和系统中可能存在的干扰的影响。然后，使（22）和（23）的偏导数等于0，得到等式（10）和（11）。从（16）和（17）可知，，使得β（k）的估计算法（11）中应满足。因此，可以将的初始值设置为1/b，并提出公式（12）更新算法。至此，推导出新的mfa控制算法由（10）、（11）和（12）组成。
[0062]
采用在线或离线学习方式训练mfa控制器在动态线性化数据模型的基础上，可以采用在线或离线学习方式对mfa控制器进行训练。mfa控制器是一种基于模糊逻辑的控制器，具有较好的鲁棒性和适应性。训练的目标是学习系统的动态特性，以获得更加准确和可靠的控制策略，从而实现可调控量和节点电压的控制。其模型预测控制器用到的公式如下：目标函数：（24）该目标函数用于模型预测控制器。它是一个代价函数，通过最小化该函数，可以获得更准确和可靠的控制策略。目标函数包含了有功功率变化量δpk、无功功率变化量δqk和电压变化量δvk，其中q、r和s是权重矩阵。
[0063]
电力平衡约束：（25）这些约束条件用于确保电力系统的功率平衡。左侧是当前时刻的有功功率和无功功率以及其变化量的总和，右侧为零，表示电力平衡。
[0064]
不等式约束：
（26）这些约束条件用于限制有功功率pi、无功功率qi、电压vi以及电流ii的取值范围。它们保证了电力系统的稳定性和安全性。
[0065]
控制变量和状态变量之间的关系：（27）这些公式描述了控制变量（δp、δq、δv）与状态变量（pi、qi、vi）之间的关系。通过计算控制变量与状态变量的差值，可以确定调节量与期望值之间的偏差，从而实现可调控量和节点电压的控制。其中，p，q，v分别表示当前时刻的有功、无功和电压值，，，分别表示期望的有功、无功和电压值，n为节点个数。
[0066]
评估和优化控制器性能：最后需要对训练得到的mfa控制器进行性能评估和优化，以验证其有效性和可行性。评估可以通过模拟仿真和实际测试等方式进行，优化则需要根据实际情况和控制目标进行调整和优化。
[0067]
基于本发明实施例提供的分布式光伏配电网的无模型自适应控制方法，可以将分布式配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度，这样一来，对于任一区域内的所有节点，均可以采用相似的监控机制调整该任一区域内的所有节点，如调整输出电压、输出功率、电网负荷等，既克服了对分布式光伏配电网进行集中监控方式存在的系统复杂度高、调控精度低的问题，提高配电网的运行安全性和平稳性，又可以有效消除分布式光伏随机性、间歇性和波动性带来的负面影响，提高分布式光伏发电的消纳率，从而提高新能源利用率，达到节能减排的目的。
[0068]
并且，在上述过程中，不要建立准确的系统模型即可实现分布式光伏配电网的准确监控，即无模型监控方法，该方法相对有系统模型方法具有以下优势：1.免去系统模型开发和识别的过程：无系统模型方法不需要事先建立准确的数学模型，避免了复杂的系统模型开发和识别过程。
[0069]
2.适应性强：无系统模型方法可以在实时或离线学习系统的动态特性，并基于学习到的动态特性对控制器进行训练和调整，具有更好的适应性和鲁棒性，适用于复杂、不确定的系统。
[0070]
上面结合图1和图2详细说明了本发明实施例提供的分布式光伏配电网的无模型自适应控制方法，下面结合图3-图5说明本发明实施例提供的分布式光伏配电网的无模型自适应控制装置。
[0071]
示例性地，图3为本发明实施例提供的一种分布式光伏配电网的无模型自适应控制装置的结构示意图。该装置可以执行上述图1所示的分布式光伏配电网的无模型自适应控制方法。
[0072]
如图3所示，该装置300包括：划分模块301、确定模块302和控制模块303；其中，划分模块301，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；确定模块302，用于将第一区域的历史运行数据输入高斯代理模型，确定高斯代理模型的参数，第一区域为多个区域中的任一区域；确定模块302，还用于将第一区域的当前运行数据输入高斯代理模型，确定第一区域的电压预测值；控制模块303，用于基于电压预测值，控制第一区域的各节点的输出功率。
[0073]
可选地，确定模块302，还用于确定分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；划分模块301，还用于基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
[0074]
进一步地，确定模块302，还用于基于电压调节能力和电气距离，确定分布式光伏配电网中的各节点的聚类结果；划分模块301，还用于基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
[0075]
可选地，控制模块303，还用于基于电压预测值，调整发电机的输出功率和/或市电网络的负荷。
[0076]
示例性地，图4为本发明实施例提供的另一种分布式光伏配电网的无模型自适应控制装置的结构示意图。该装置可以执行上述图2所示的分布式光伏配电网的无模型自适应控制方法。
[0077]
如图4所示，该装置400包括：划分模块401、训练模块402、获取模块403和控制模块404；其中，划分模块401，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；训练模块402，用于基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，第二区域为多个区域中的任一区域，无模型自适应mfa控制模型用于学习分布式光伏配电网的动态特性；获取模块403，用于将第二区域的当前运行数据输入mfa控制模型，获取分布式光伏配电网的预测值，预测值与分布式光伏配电网的动态特性相对应；控制模块404，用于基于预测值，控制第二区域中的各节点的输出电压。
[0078]
可选地，获取模块403，还用于获取分布式光伏配电网的电压调节能力和分布式光伏配电网中的不同节点之间的电气距离，电压调节能力包括分布式光伏配电网的整体电压调节能力和分布式光伏配电网中的各节点的电压调节能力，电气距离表示分布式光伏配电网中的不同节点之间的连接紧密度；划分模块401，还用于基于电压调节能力和电气距离，将分布式光伏配电网划分为多个区域。
[0079]
进一步地，获取模块403，还用于基于电压调节能力和电气距离，获取分布式光伏配电网中的各节点的聚类结果；划分模块401，还用于基于聚类结果，将分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。
[0080]
可选地，获取模块403，还用于获取分布式光伏配电网的当前值与预测值之间的偏差；控制模块404，还用于基于当前值与预测值之间的偏差，调整第二区域中的各节点的输出电压。
[0081]
示例性地，图5为本发明实施例提供的又一种分布式光伏配电网的无模型自适应控制装置的结构示意图。
[0082]
如图5所示，该装置500包括：处理器501，处理器501与存储器502耦合；其中，处理器501，用于读取并执行存储器502存储的程序或指令，使得该装置500执行如图1或图2所示的分布式光伏配电网的无模型自适应控制方法。
[0083]
可选地，装置500还可以包括收发器503，用于装置500与其他装置通信。
[0084]
需要说明的是，为了便于说明，图3-图5仅示出了分布式光伏配电网的无模型自适应控制装置的主要部件。实际应用中，分布式光伏配电网的无模型自适应控制装置还可能包括图中未示出的部件或组件。
[0085]
本发明实施例还提供一种计算机可读存储介质，该介质存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行上述方法实施例所述的分布式光伏配电网的无模型自适应控制方法。
[0086]
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种分布式光伏配电网的无模型自适应控制方法，其特征在于，包括：将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；将第一区域的历史运行数据输入高斯代理模型，确定所述高斯代理模型的参数，所述第一区域为所述多个区域中的任一区域；将所述第一区域的当前运行数据输入所述高斯代理模型，确定所述第一区域的电压预测值；基于所述电压预测值，控制所述第一区域的各节点的输出功率。2.根据权利要求1所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述将分布式光伏配电网划分为多个区域，包括：确定所述分布式光伏配电网的电压调节能力和所述分布式光伏配电网中的不同节点之间的电气距离，所述电压调节能力包括所述分布式光伏配电网的整体电压调节能力和所述分布式光伏配电网中的各节点的电压调节能力，所述电气距离表示所述分布式光伏配电网中的不同节点之间的连接紧密度；基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域。3.根据权利要求2所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域，包括：基于所述电压调节能力和所述电气距离，获取所述分布式光伏配电网中的各节点的聚类结果；基于所述聚类结果，将所述分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。4.根据权利要求1-3中任一项所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述基于所述电压预测值，控制所述第一区域的各节点的输出功率，包括：基于所述电压预测值，调整发电机的输出功率和/或市电网络的负荷。5.一种分布式光伏配电网的无模型自适应控制方法，其特征在于，包括：将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，所述第二区域为所述多个区域中的任一区域，所述无模型自适应mfa控制模型用于学习所述分布式光伏配电网的动态特性；将所述第二区域的当前运行数据输入所述mfa控制模型，获取所述分布式光伏配电网的预测值，所述预测值与所述分布式光伏配电网的动态特性相对应；基于所述预测值，控制所述第二区域中的各节点的输出电压。6.根据权利要求5所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述将分布式光伏配电网划分为多个区域，包括：获取所述分布式光伏配电网的电压调节能力和所述分布式光伏配电网中的不同节点之间的电气距离，所述电压调节能力包括所述分布式光伏配电网的整体电压调节能力和所述分布式光伏配电网中的各节点的电压调节能力，所述电气距离表示所述分布式光伏配电
网中的不同节点之间的连接紧密度；基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域。7.根据权利要求6所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域，包括：基于所述电压调节能力和所述电气距离，确定所述分布式光伏配电网中的各节点的聚类结果；基于所述聚类结果，将所述分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。8.根据权利要求5-7中任一项所述的分布式光伏配电网的无模型自适应控制方法，其特征在于，所述基于所述预测值，控制所述第二区域中的各节点的输出电压，包括：获取所述分布式光伏配电网的当前值与预测值之间的偏差；基于所述当前值与预测值之间的偏差，调整所述第二区域中的各节点的输出电压。9.一种分布式光伏配电网的无模型自适应控制装置，其特征在于，包括：划分模块、确定模块和控制模块；其中，所述划分模块，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；所述确定模块，用于将第一区域的历史运行数据输入高斯代理模型，确定所述高斯代理模型的参数，所述第一区域为所述多个区域中的任一区域；所述确定模块，还用于将所述第一区域的当前运行数据输入所述高斯代理模型，确定所述第一区域的电压预测值；所述控制模块，用于基于所述电压预测值，控制所述第一区域的各节点的输出功率。10.根据权利要求9所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述确定模块，还用于确定所述分布式光伏配电网的电压调节能力和所述分布式光伏配电网中的不同节点之间的电气距离，所述电压调节能力包括所述分布式光伏配电网的整体电压调节能力和所述分布式光伏配电网中的各节点的电压调节能力，所述电气距离表示所述分布式光伏配电网中的不同节点之间的连接紧密度；所述划分模块，还用于基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域。11.根据权利要求10所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述确定模块，还用于基于所述电压调节能力和所述电气距离，确定所述分布式光伏配电网中的各节点的聚类结果；所述划分模块，还用于基于所述聚类结果，将所述分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。12.根据权利要求9-11中任一项所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述控制模块，还用于基于所述电压预测值，调整发电机的输出功率和/或市电网络的负荷。13.一种分布式光伏配电网的无模型自适应控制装置，其特征在于，包括：划分模块、训
练模块、获取模块和控制模块；其中，所述划分模块，用于将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度；所述训练模块，用于基于第二区域的历史运行数据和动态线性化数据模型，训练无模型自适应mfa控制模型，所述第二区域为所述多个区域中的任一区域，所述无模型自适应mfa控制模型用于学习所述分布式光伏配电网的动态特性；所述获取模块，用于将所述第二区域的当前运行数据输入所述mfa控制模型，获取所述分布式光伏配电网的预测值，所述预测值与所述分布式光伏配电网的动态特性相对应；所述控制模块，用于基于所述预测值，控制所述第二区域中的各节点的输出电压。14.根据权利要求13所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述获取模块，还用于获取所述分布式光伏配电网的电压调节能力和所述分布式光伏配电网中的不同节点之间的电气距离，所述电压调节能力包括所述分布式光伏配电网的整体电压调节能力和所述分布式光伏配电网中的各节点的电压调节能力，所述电气距离表示所述分布式光伏配电网中的不同节点之间的连接紧密度；所述划分模块，还用于基于所述电压调节能力和所述电气距离，将所述分布式光伏配电网划分为多个区域。15.根据权利要求14所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述获取模块，还用于基于所述电压调节能力和所述电气距离，获取所述分布式光伏配电网中的各节点的聚类结果；所述划分模块，还用于基于所述聚类结果，将所述分布式光伏配电网划分为多个区域，同一区域内的不同节点之间的连接紧密度大于不同区域内的节点之间的连接紧密度。16.根据权利要求13-15中任一项所述的分布式光伏配电网的无模型自适应控制装置，其特征在于，所述获取模块，还用于获取所述分布式光伏配电网的当前值与预测值之间的偏差；所述控制模块，还用于基于所述当前值与预测值之间的偏差，调整所述第二区域中的各节点的输出电压。17.一种分布式光伏配电网的无模型自适应控制装置，其特征在于，包括：处理器，所述处理器与存储器耦合；其中，所述处理器，用于读取并执行所述存储器存储的程序或指令，使得所述装置执行如权利要求1-8中任一项所述的分布式光伏配电网的无模型自适应控制方法。18.一种计算机可读存储介质，其特征在于，存储有程序或指令，当计算机读取并执行所述程序或指令时，使得所述计算机执行如权利要求1-8中任一项所述的分布式光伏配电网的无模型自适应控制方法。

技术总结
本发明提出一种分布式光伏配电网的无模型自适应控制方法、装置及介质，适用于配电网调控技术领域，可以提高配电网的运行安全性和平稳性，以及分布式光伏发电的消纳率。该方法包括：将分布式光伏配电网划分为多个区域，同一个区域内的不同节点之间的相似度，高于不同区域内的节点之间的相似度，然后可以基于相似的监控方式，如高斯代理模型和/或MFA控制模型，对任一区域内的所有节点进行调控。对任一区域内的所有节点进行调控。对任一区域内的所有节点进行调控。


技术研发人员：张黎元 张宇泽 葛磊蛟 仝新宇 宋兴旺 李冰洁 赵宇营 王珍珍 陈曦 陈商玥 郭凌旭 张渭澎 范瑞卿 郝雪
受保护的技术使用者：国网天津市电力公司城西供电分公司 国家电网有限公司 国网天津市电力公司
技术研发日：2023.09.01
技术公布日：2023/10/11