基于双层异常过滤与自监督的风电储能协同控制方法及系统与流程

本发明属于风电储能能量管理，具体涉及基于双层异常过滤与自监督的风电储能协同控制方法及系统。

背景技术：

1、风电时空双重波动性给电网稳定、储能电池寿命带来严峻挑战。

2、然而，现有技术存在以下不足：时序数据采样采用固定长度窗口，平稳风况冗余计算、剧烈阵风工况数据量不足；异常检测仅依赖简单阈值法，仅能拦截已知区间外的硬异常，无法识别风机叶片结冰、偏航偏移等正常区间内的隐性软异常，脏数据大幅降低预测精度；功率预测仅采用cnn、lstm等单时序模型，忽略风电场多台风机之间的空间耦合关系，且均为全监督训练模式，高度依赖目标场站大量标注数据，新风电场冷启动周期长、小样本下预测精度不足；现有图神经网络储能方案仅用于电网拓扑调压，未引入自监督预训练机制，未与风电功率预测结合输出概率分布；场景划分依赖固定风速波动率阈值硬判定，临界工况下场景频繁切换，充放电功率产生阶跃冲击，加剧储能频繁小动作损耗；现有马尔可夫决策、pomdp仅用于微电网负荷调度，未与风电预测概率分布联动实现场景置信度加权；pomdp奖励系数、优化算法超参数依赖人工经验设定，不同风场工况适配性差，无法随电池老化、季节风况变化自动迭代寻优；现有方案无自动化超参寻优机制；优化模型与场景识别相互独立，无概率化联动机制，未结合预测功率分布做动态权重分配，同时缺少多层级闭环同步迭代机制，电池老化、季节风况变化后控制效果持续衰减；现有反馈仅单一模型校正，不存在预测、决策、预处理、超参四层同步更新；模型训练完成后仅适用于单场站，迁移至新风电场需重新采集全量数据、重新训练模型，部署周期长、工程落地成本高；现有风电储能控制方案无跨场站迁移学习复用机制。

3、因此，为克服现有技术固定窗口采样、单一阈值异常检测、全监督小样本精度低、固定阈值场景硬切换、超参依赖人工、模型无多层闭环同步迭代、跨场站部署成本高的不足，亟需一种同步提升功率预测精度、消除场景切换冲击、延长储能电池寿命、实现小样本快速冷启动、自动优化超参数、降低跨场站部署成本的新方案。

技术实现思路

1、本发明的目的是提供基于双层异常过滤与自监督的风电储能协同控制方法及系统，该方法同步提升功率预测精度、消除场景切换冲击、延长储能电池寿命、实现小样本快速冷启动、自动优化超参数、降低跨场站部署成本。

2、为实现上述目的，本发明提供了基于双层异常过滤与自监督的风电储能协同控制方法及系统，包括以下步骤：

3、s1、实时采集风电场多源运行数据，采用布隆过滤器通过k组哈希映射进行第一层硬异常拦截，采用增量式一类支持向量机进行第二层软异常检测，依据实时风速梯度设置两级阈值、三级动态调整时序窗口长度，输出标准化时空时序数据集；

4、s2、构建包含风机、储能单元为节点、电气耦合系数为边权重的风电场拓扑图，通过空间对比损失与时序对比损失联合构成的时空对比损失自监督预训练图卷积层，融合图卷积与时序门控单元提取时空耦合特征，经微调阶段输出未来设定时段的风电功率概率分布；s2输出的风电功率概率分布作为s3改进pomdp的观测变量输入；

5、s3、以s2输出的风电功率概率分布、储能当前soc、电网agc调度指令作为pomdp观测变量，构建融合并网功率波动损失、soc越限损失、电池循环寿命损耗的奖励函数，通过多目标贝叶斯优化构建高斯过程代理模型、采用期望改进采集函数自动调优奖励系数与优化算法超参数并输出帕累托最优解集，求解得到平滑场景、调频场景、削峰填谷场景对应的概率置信度，基于置信度线性加权生成多目标优化动态权重系数；

6、s4、构建包含场景置信度耦合并网功率偏差项、soc指数软惩罚项、基于放电深度dod与健康度soh的寿命损耗项的多目标优化函数，采用贝叶斯输出最优超参的带储能多约束修正改进粒子群算法求解最优储能充放电功率指令，下发至储能变流器pcs执行；

7、s5、采集pcs执行后的实测并网功率、soc、soh数据，同步反向更新st-wgnn图卷积与时序门控权重、贝叶斯平滑更新pomdp状态转移矩阵、指数平滑迭代自适应滑动窗口风速梯度阈值、周期重优化贝叶斯超参数集，实现预测、决策、预处理、超参四层异构算法的全链路自优化循环。

8、优选的，s1中，双层异常过滤与自适应窗口满足如下公式：

9、；

10、；

11、式中，为异常综合判定标识，1表征异常需剔除，0表征正常保留；为布隆过滤器硬异常标识，由组哈希映射联合判定；为增量式一类svm决策函数；为单条实时采集时序样本向量；为符号函数；为第个历史支持向量样本；为rbf核函数；为支持向量集；为拉格朗日乘子；为决策偏移量；

12、自适应窗口长度调整表示为：

13、；

14、式中，为自适应变长滑动窗口长度；为当前风速梯度；为低两级风速梯度阈值；为高两级风速梯度阈值；为最小窗口长度；为基准窗口长度；为最大窗口长度。

15、优选的，s2中，时空对比自监督预训练满足如下损失函数：

16、空间对比损失，基于infonce形式加权电气耦合边权重：

17、；

18、式中，为空间对比损失；为节点图卷积输出特征向量；为节点间电气耦合边权重；为图节点总数；

19、时序对比损失，约束同节点相邻时间步特征连续性：

20、；

21、式中，为时序对比损失；为当前时刻步；为滑动窗口时间步数；为对比学习温度系数；为节点时序门控输出特征。

22、自监督总损失：

23、；

24、式中，为自监督总损失；为时序损失权重系数。

25、优选的，s3中，改进pomdp奖励函数与贝叶斯优化满足如下公式：

26、pomdp奖励函数：

27、；

28、式中，为状态下执行动作获得的即时奖励值；为pomdp隐状态；为pomdp动作；为并网偏差奖励系数；为soc越限奖励系数；为寿命损耗奖励系数，由贝叶斯优化自动调优；为风场实时并网功率；为电网agc调度参考功率；为soc越限惩罚成本；为电池循环寿命损耗成本；

29、多目标贝叶斯优化高斯过程代理模型，采用matérn核函数：

30、；

31、；

32、式中，为待优化目标函数，服从高斯过程先验分布；为高斯过程先验分布；为先验均值函数；为matérn核函数；为六维超参向量；为另一组超参样本；为惯性权重；为个体学习因子；为全局学习因子；

33、场景置信度动态权重线性加权：

34、；

35、式中，为第项优化目标动态权重；为并网偏差优化目标的动态权重；为soc惩罚优化目标的动态权重；为寿命损耗优化目标的动态权重；为功率平滑场景概率置信度，为电网调频场景概率置信度，为削峰填谷场景概率置信度，并且；为平滑场景下目标基准权重；为调频场景下目标基准权重；为削峰场景下目标基准权重。

36、优选的，s4中，多目标优化函数与ipso更新公式为：

37、；

38、式中，为优化目标总成本值；为实时并网功率；为电网调度参考指令；为soc越限指数软惩罚值；为电池全生命周期损耗成本；

39、soc指数软惩罚函数，安全区间内惩罚为零、越限后指数递增：

40、；

41、式中，为充电侧惩罚基准值；为放电侧惩罚基准值；为指数增长系数，控制越限后惩罚增长速率；为时刻储能荷电状态；为soc安全上限，；为soc安全下限，；

42、ipso粒子速度位置更新：

43、；

44、；

45、式中，为第个粒子第代的速度；为第个粒子第代的位置；为[0,1]区间均匀随机数；为粒子个体历史最优位置；为种群全局最优位置。

46、优选的，s4中，改进粒子群算法的三类约束条件具体为：

47、储能充放电功率约束为：

48、；

49、式中，为时刻储能充放电功率；为储能最大放电功率；为储能最大充电功率；

50、soc硬边界约束；

51、功率爬坡速率约束为：

52、；

53、式中，为单周期允许最大功率变化幅值；为控制周期时长；为上一时刻储能功率；

54、贝叶斯优化同步输出惯性权重与学习因子最优超参数，提升多目标优化在线求解收敛速度与全局寻优能力。

55、优选的，s5四层同步闭环迭代包括四路异步频率更新：

56、

57、

58、式中，为第代图卷积层权重矩阵；为st-wgnn在线学习率；为微调损失对权重的梯度；

59、pomdp转移矩阵每日贝叶斯平滑更新：

60、；

61、式中，为从状态执行动作转移到状态的概率；为下一隐状态；为状态动作转移的累计观测次数；为狄利克雷平滑系数；为隐状态总数；为全部遍历隐状态；

62、滑动窗口阈值每日指数平滑迭代：

63、；

64、式中，为第代低两级风速梯度阈值；为指数平滑系数；为过去72小时风速梯度统计均值；为低阈值比例系数；

65、贝叶斯超参每7天周期重优化：

66、；

67、式中，为帕累托最优超参数集；为超参取值可行域集合；为过去7天实测运行数据集。

68、优选的，还包括s6域对抗迁移学习跨场站部署步骤，满足如下公式：

69、域对抗损失，通过梯度反转层grl实现博弈优化：

70、；

71、式中，为域对抗损失值；为st-wgnn特征提取器；为域判别器；为源域数据分布期望算子；为源风场数据分布；为目标域数据分布期望算子；为目标风场数据分布；为判别器输出域归属概率；

72、目标场微调任务损失，含预测kl散度与奖励系数l2正则：

73、；

74、式中，为目标场微调总任务损失；第一项为预测功率分布与实测分布的kl散度损失；第二项为pomdp奖励系数正则项；为kl散度；为目标场模型预测功率分布；为目标场实测风电功率分布；为正则系数；为目标场的奖励系数向量；为源场的奖励系数向量；为l2二范数平方。

75、本发明还提供基于双层异常过滤与自监督的风电储能协同控制系统，包括：

76、预处理模块，用于执行s1，完成布隆过滤器与增量svm双层异常过滤及自适应变长滑动窗口时序预处理；

77、自监督时空图预测模块，与所述预处理模块连接，用于执行s2，通过空间与时序双对比损失自监督预训练st-wgnn并输出风电功率概率分布；

78、贝叶斯优化pomdp决策模块，与所述自监督时空图预测模块连接，用于执行s3，基于高斯过程贝叶斯寻优求解场景置信度并输出动态权重系数；

79、多目标滚动优化模块，与所述贝叶斯优化pomdp决策模块连接，用于执行s4，通过贝叶斯调参的多约束ipso求解最优储能充放电功率并下发pcs执行；

80、四层同步闭环迭代模块，输入端连接pcs实测反馈，输出端分别回连所述大数据流式预处理模块、自监督时空图预测模块、贝叶斯优化pomdp决策模块、多目标滚动优化模块，用于执行s5，同步更新窗口阈值、图网络权重、转移矩阵与贝叶斯超参集，实现全链路自优化循环；

81、域对抗迁移部署模块，与所述自监督时空图预测模块及贝叶斯优化pomdp决策模块连接，用于执行s6，通过梯度反转对抗训练实现跨风电场模型快速迁移复用。

82、因此，本发明采用上述基于双层异常过滤与自监督的风电储能协同控制方法及系统，与现有技术相比，本发明的技术方案具有以下有益效果：

83、（1）采用布隆过滤器与增量式一类svm构成双层流式异常过滤架构，并结合自适应变长滑动窗口进行预处理，克服了传统固定窗口采样无法适配风况变化及单一过滤机制识别能力有限的技术问题，进而实现了硬异常快速拦截与软异常精准识别，提升了基础数据质量与后续预测精度；

84、（2）采用时空对比自监督预训练st-wgnn时空加权图神经网络，挖掘风电场机组时空耦合特征，克服了传统单时序预测模型难以捕捉空间依赖及小样本风场冷启动困难的技术问题，进而输出了更贴合风电随机特性的概率功率分布，大幅降低了对标注数据的依赖；

85、（3）采用多目标贝叶斯优化自动调参的改进pomdp求解场景概率置信度，替代传统固定阈值硬切换，克服了工况切换瞬间功率冲击大及控制策略不平稳的技术问题，进而实现了运行场景的无感平滑过渡，减少了储能无效动作次数；

86、（4）采用置信度耦合多目标滚动优化函数，并融合soc指数软惩罚与电池寿命损耗模型，克服了单一目标优化难以兼顾并网要求、电池安全与全生命周期损耗的技术问题，进而实现了储能系统在保障并网稳定性下的全生命周期寿命最大化；

87、（5）采用四层同步闭环模型迭代机制，同步更新预测网络、决策矩阵、预处理阈值及超参数集，克服了传统离线模型难以适应风况季节变化与电池性能逐年衰减的技术问题，进而确保了系统长期运行控制精度的稳定性；

88、（6）采用域对抗迁移学习进行跨场站部署，克服了新风电场从零训练模型周期长、成本高及模型难以快速复用的技术问题。

89、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。