一种直流微电网非线性下垂控制系数确定方法及系统与流程

本技术涉及电力系统控制，具体地，涉及一种直流微电网非线性下垂控制系数确定方法及系统。

背景技术：

1、在多源并联直流微电网中，由光伏、储能、燃料电池、岸基电源等异质分布式电源，经变换器并联接入直流母线的架构，广泛应用于新能源并网、港口、船舶、多电飞机等供电场景。下垂控制凭借无通信、模块化、去中心化的特点，成为该系统主流的功率分配方案。

2、然而，下垂控制在工程应用中面临两大突出问题：一是各并联支路的线路阻抗因走线、导体特性、环境与老化等因素存在差异且难以精准测量，阻抗失配会导致电流分配偏离预期；二是常规线性下垂控制存在固有矛盾，重载时需小下垂系数约束电压跌落却会放大分配偏差，轻载时需大下垂系数保证分配精度却会加剧重载下的电压跌落，难以兼顾分配精度与母线电压稳定。

3、非线性下垂控制（含 id-vdc 耦合型、分段式、指数型、自适应型等）通过将下垂关系由线性扩展为非线性，能更好兼顾轻载分配精度与重载母线电压稳定，且可省去常规双环控制的母线电压外环、缩短动态响应时间，已成为多源并联直流微电网下垂控制的重要研究与应用方向。

4、但非线性下垂控制中，控制系数对电流分配、母线电压的影响远大于线性下垂。线性下垂的系数与输出电流近似线性相关，而非线性下垂系数会同时影响特性曲线形态与稳态工作点，微小变动就会造成电流分配非线性波动。这使得系数整定精度直接决定控制效果，也对参数设定提出了更高要求。

5、现有针对下垂控制系数设定的方法主要包括以下几类：（1）解析补偿类方法，基于对各支路线路阻抗的直接测量或在线辨识对下垂系数进行解析修正，如在专利“cn114156932a；一种基于振荡频率的直流配电网下垂系数自适应设计方法”中，在线辨识系统振荡频率，解析推导下垂系数与振荡频率的关系，实时修正系数，抑制阻抗时变引起的振荡。但依赖准确的阻抗信息，难以适应阻抗随温度、老化、接触状态时变的工程场景；（2）启发式优化类方法，如粒子群（pso）、nsga-ii等元启发算法，对下垂系数进行多目标寻优，但其计算开销大、需要精心设定适应度函数与权重系数，工况切换或系统拓扑变化时需重新整定；（3）正向代理人工神经网络方法，先离线训练以下垂系数为输入、稳态输出电流为输出的正向代理模型，再针对设计指标构造适应度函数并在候选系数网格上进行穷举或梯度搜索，仍保留了完整的后训练寻优搜索环节，对多变换器系统计算量呈快速增长，并伴随权重系数的人工调节负担。

6、现有方法在面对非线性下垂控制系数的高精度设定需求时，普遍存在以下不足：① 对线路阻抗的先验信息存在不同程度的依赖，对阻抗辨识误差与时变性敏感；② 现有数据生成或采样方法缺乏对电路物理约束的校验，导致无效/错误样本污染训练集，进而影响神经网络映射精度；③ 训练完成后仍需借助寻优搜索、适应度函数构造或参数限幅等后处理步骤获取最终下垂系数，部署链路冗长；④在非线性下垂控制下，下垂系数对系统性能的影响被显著放大，现有方法的精度往往不足以匹配非线性下垂控制的精度要求；⑤难以同时兼顾工况切换的灵活性与在线整定的快速响应需求。

7、综上，非线性下垂控制的工程应用关键在于高精度系数设定，而现有方法受阻抗依赖性、网络映射精度不足、部署复杂性、动态适配性限制，亟需一种高效可靠的在线整定新方法，助力其工程化落地。

技术实现思路

1、针对现有技术中的缺陷/之一，本技术的目的是提供一种直流微电网非线性下垂控制系数确定方法及系统。

2、本技术的第一方面，提供一种直流微电网非线性下垂控制系数确定方法，包括：

3、构建采用预设的非线性下垂控制策略的多源并联直流微电网的平均化仿真模型，并进行多维网格扫描采样，确定训练数据集，所述训练数据集包括目标稳态输出电流和非线性下垂控制系数；

4、剔除所述训练数据集中的存在负电流的样本、大于并联变换器的额定电流上限的样本以及非收敛输出的样本，并基于基尔霍夫电压定律进行数据清洗处理，确定有效训练数据集；

5、构建反向映射人工神经网络，将所述有效训练数据集中的目标稳态输出电流作为输入，所述非线性下垂控制系数作为期望输出，训练所述反向映射人工神经网络；

6、将所述多源并联直流微电网的实际目标稳态输出电流输入经过训练的反向映射人工神经网络，确定所述实际目标稳态输出电流对应的非线性下垂控制系数。

7、可选地，所述构建采用预设的非线性下垂控制策略的多源并联直流微电网的平均化仿真模型，并进行多维网格扫描采样，确定训练数据集，包括：

8、在仿真平台中搭建所述采用预设的非线性下垂控制策略的多源并联直流微电网的平均化仿真模型；

9、根据所述预设的非线性下垂控制策略，确定预设的非线性下垂控制系数的取值区间；

10、在所述预设的非线性下垂控制系数的取值区间中对每一并联变换器对应的每一非线性下垂控制系数进行均匀采样，确定非线性下垂控制系数组合；

11、采用所述非线性下垂控制系数组合中的每一组非线性下垂控制系数，运行所述平均化仿真模型至预设的稳态时刻，确定每一组非线性下垂控制系数对应的目标稳态输出电流，构建所述训练数据集。

12、所述基于基尔霍夫电压定律进行数据清洗处理，确定有效训练数据集，包括：

13、对于剔除存在负电流的样本、大于并联变换器的额定电流上限的样本以及非收敛输出的样本的训练数据集中的每一条样本，计算任意两条支路之间的支路电压平衡残差；

14、获取测量误差项、参数误差项以及稳态误差项；

15、将所述测量误差项、所述参数误差项及所述稳态误差项作和，确定预设阈值；

16、若任意一组支路电压平衡残差的绝对值不小于所述预设阈值，删除对应的样本，确定所述有效训练数据集。

17、可选地，所述反向映射人工神经网络包括依次连接的输入层、隐藏层以及输出层；

18、所述输入层包括n个神经元，所述n个神经元的数量等于所述多源并联直流微电网的并联变换器的数量，且所述n个神经元的数量为不小于2的整数，所述输入层的n个神经元分别用于接收n台并联变换器的目标稳态输出电流；

19、所述隐藏层包括第一隐藏层和第二隐藏层，所述第一隐藏层包括多个神经元，所述第一隐藏层采用双曲正切型激活函数，所述第二隐藏层包括多个神经元，所述第二隐藏层采用对数s型激活函数；

20、所述输出层包括n个神经元，所述输出层的n个神经元分别用于输出n台并联变换器对应的非线性下垂控制系数，且所述输出层采用纯线性激活函数。

21、可选地，所述将所述有效训练数据集中的目标稳态输出电流作为输入，所述非线性下垂控制系数作为期望输出，训练所述反向映射人工神经网络，包括：

22、将所述有效训练数据集划分为训练集、测试集和验证集；

23、将所述训练集中的目标稳态输出电流输入所述反向映射人工神经网络，输出所述非线性下垂控制系数，采用levenberg–marquardt算法进行反向传播训练，迭代预设轮次，确定所述经过训练的反向映射人工神经网络，其中，在模型训练过程中，采用所述验证集对每一迭代轮次的反向映射人工神经网络进行验证处理，若所述反向映射人工神经网络的均方误差小于预设的均方误差阈值或者连续预设数量的迭代轮次的反向映射人工神经网络的均方误差增加，启动早停机制，停止训练。

24、可选地，确定所述多源并联直流微电网的实际目标稳态输出电流的方法，包括：

25、根据直流功率功率，将总负载功率转换为总负载电流；

26、根据所述多源并联直流微电网的变换器的额定功率，确定每一变换器所承担的负载比例；

27、根据每一变换器所承担的负载比例和所述总负载电流，确定每一变换器的实际目标稳态输出电流。

28、可选地，所述将所述多源并联直流微电网的实际目标稳态输出电流输入经过训练的反向映射人工神经网络，确定所述实际目标稳态输出电流对应的非线性下垂控制系数，包括：

29、调用所述经过训练的反向映射人工神经网络；

30、将所述多源并联直流微电网的实际目标稳态输出电流输入所述经过训练的反向映射人工神经网络，进行单次前向传播，确定所述多源并联直流微电网的实际目标稳态输出电流对应的非线性下垂控制系数。

31、可选地，所述预设的非线性下垂控制策略包括id-vdc耦合型非线性下垂控制策略、分段非线性下垂控制策略、指数型非线性下垂控制策略、二次型非线性下垂控制策略中的任意一种。

32、可选地，将所述多源并联直流微电网的最大系统总负载电流和最大直流母线电压跌落值作为约束边界，并结合每一变换器对应支路的等效总电阻，对所述非线性下垂控制系数进行校核处理，确定符合电压跌落约束的非线性下垂控制系数；

33、将所述符合电压跌落约束的非线性下垂控制系数下发至并联变换器的底层非线性下垂控制环节进行参数设定。

34、本技术第二方面，提供一种直流微电网非线性下垂控制系数确定系统，包括：

35、训练数据集构建模块，用于构建采用预设的非线性下垂控制策略的多源并联直流微电网的平均化仿真模型，并进行多维网格扫描采样，确定训练数据集，所述训练数据集包括目标稳态输出电流和非线性下垂控制系数；

36、数据清洗模块，用于剔除所述训练数据集中的存在负电流的样本、大于并联变换器的额定电流上限的样本以及非收敛输出的样本，并基于基尔霍夫电压定律进行数据清洗处理，确定有效训练数据集；

37、模型训练模块，用于构建反向映射人工神经网络，将所述目标稳态输出电流作为输入，所述非线性下垂控制系数作为期望输出，训练所述反向映射人工神经网络；

38、非线性下垂控制系数确定模块，用于将所述多源并联直流微电网的实际目标稳态输出电流输入经过训练的反向映射人工神经网络，确定所述实际目标稳态输出电流对应的非线性下垂控制系数。

39、本技术通过剔除训练数据集中存在负电流的样本、大于并联变换器的额定电流上限的样本以及非收敛输出的样本进行第一次数据清洗，并通过基于基尔霍夫电压定律进行第二次数据清洗，实现训练反向映射人工神经网络的训练样本同时满足器件运行边界和直流支路电压平衡约束，提高反向映射人工神经网络的映射精度；采用有效训练数据集训练反向映射人工神经网络，建立直接逆向映射使非线性下垂控制系数的整定过程完全不依赖线路阻抗测量或辨识，规避了阻抗未知、时变或老化场景下的精度退化；训练完成后，采用经过训练的反向映射人工神经网络根据输入的多源并联直流微电网的实际目标稳态输出电流以单次前向传播输出对应的非线性下垂控制系数，无需后训练穷举或梯度寻优，显著缩短整定链路并实现稳态电流平稳到达目标值的快速动态响应且无环流振荡。

40、由附加特征带来的其他技术效果将在相应的实施例中进一步阐述。