一种基于PSO监督的LSTM-PID增益调度方法及系统与流程

本发明属于微电网频率控制，具体涉及一种基于粒子群优化（particleswarmoptimization,pso）监督的长短期记忆网络（longshort-termmemory,lstm）-pid增益调度方法及系统，适用于含可再生能源微电网的高效频率调节。

背景技术：

1、可高占比可再生能源改变了微电网的架构与运行模式。含光伏、风电、储能与可调机组的微电网本地供电架构提升系统灵活性，但新能源出力与负荷的随机波动易引发功率失衡，孤岛模式下频率稳定控制难度显著增大，维持扰动下的频率稳定是微电网控制核心难题。

2、比例-积分-微分控制器（proportional-integral-derivativecontroller，pid）控制结构简单、易于工程落地，在微电网调频中广泛应用；但固定参数pid难以适配多变工况，源荷与储能状态动态变化时控制性能存在局限。现有研究常采用粒子群优化（pso）整定pid参数，可获得优于人工整定的动态性能；然而pso需反复闭环仿真评估参数，工况频繁切换时计算效率偏低。

3、与此同时，lstm凭借时序特征提取能力，适合微电网时序运行数据建模，在电力调频领域逐步得到关注。但现有学习类方法大多聚焦参数预测，常仅以预测误差作为训练目标，缺少闭环控制效果验证；单纯缩小预测参数与pso标签的误差，并不能保证控制器具备优良的频率调节能力。

4、综上，当前缺少一类方案，能够融合pso离线优化优势与lstm快速推理特性，并以闭环控制性能作为核心评价准则构建增益调度策略。

技术实现思路

1、（一）发明目的：

2、本发明的目的在于克服现有技术的不足，提供一种基于pso监督的lstm-pid增益调度方法及系统，将离线优化与在线快速推理相结合，在保持接近pso优化频率控制性能的同时，通过lstm学习实现快速pid参数生成，从而在含可再生能源微电网中兼顾频率控制性能与计算效率。

3、（二）技术方案：

4、一种基于pso监督的lstm-pid增益调度方法，用于含可再生能源微电网的频率调节，包括以下步骤：

5、s1、构建多个含可再生能源微电网运行场景，每个运行场景包括光伏功率序列、风电功率序列、负荷需求序列以及电池初始荷电状态；

6、s2、利用粒子群优化算法作为离线教师模型，针对各运行场景，以最小化归一化闭环目标函数为目标，在预设参数搜索范围内搜索最优pid控制增益，生成对应各运行场景的pid参数标签；

7、s3、对生成的pid参数标签进行质量审查，审查通过后，利用运行场景序列与对应的pid参数标签构建监督学习数据集；

8、s4、构建长短期记忆网络增益调度器，以运行场景序列作为输入、pid控制增益作为输出，利用监督学习数据集对lstm网络进行训练，学习运行工况序列与pid参数之间的映射关系；

9、s5、训练多个lstm候选模型，将多个lstm候选模型输出的pid参数分别代入微电网闭环模型进行验证，基于验证集上的闭环控制性能选择最终lstm增益调度器，闭环控制性能的评价指标包括归一化综合代价、最大频率偏差、频率均方根误差、时间加权绝对误差积分以及约束违例情况；

10、s6：将选定的lstm增益调度器冻结，对于新的运行场景，将运行场景序列输入冻结后的lstm增益调度器进行单次前向推理，生成对应的pid控制增益，直接应用于微电网频率控制。

11、优选的，s2中归一化闭环目标函数表示为：

12、；

13、其中，为归一化综合代价，为第个归一化后的目标项，为对应的权重系数，为约束违例惩罚项；约束违例惩罚项用于处理以下一种或多种约束超限情况：频率越限、控制输入饱和、电池功率约束违例、柴油发电机功率约束违例、电池荷电状态约束违例。

14、优选的，s3中质量审查包括：

15、pso优化过程是否成功收敛并生成完整标签；

16、优化得到的pid参数是否位于预设搜索范围内；

17、闭环仿真是否能够正常完成；

18、是否存在物理约束违例；

19、与固定参数pid基准控制器相比，pso参数是否能够改善系统频率响应性能；

20、上述五项审查内容全部通过后，才将该pso标签纳入监督学习数据集。

21、优选的，lstm网络的输入特征包括：光伏功率序列、风电功率序列、负荷需求序列以及电池初始荷电状态，输出为三个pid控制参数比例增益。

22、优选的，s5中基于验证集上的闭环控制性能选择最终lstm增益调度器，具体为：

23、将验证集场景输入各lstm候选模型，得到预测的pid参数，将pid参数应用于相同的微电网闭环模型进行仿真，与固定pid基准控制器以及pso教师控制器进行对比；

24、只有当候选模型满足以下全部条件时，才被视为合格模型：

25、不产生任何约束违例；

26、相较于固定pid基准能够稳定改善闭环性能；

27、在所有合格模型中，选择验证集平均归一化综合代价最低的模型作为最终lstm增益调度器。

28、优选的，s6中，在将选定的lstm增益调度器冻结后，在独立测试集上对冻结后的lstm调度器进行泛化性能评估，独立测试集不参与模型训练和模型选择过程，独立测试集上的评估结果用于最终验证lstm调度器在未见运行场景下的频率调节效果。

29、优选的，还包括事后消融分析步骤：在不对lstm调度器重新训练的条件下，将冻结后的lstm增益调度器输出的微分增益强制置零，重新在闭环模型中进行测试，以分析微分增益对频率调节性能的贡献程度。

30、一种基于pso监督的lstm-pid增益调度系统，运行一种基于pso监督的lstm-pid增益调度方法，包括：

31、运行场景生成模块，用于构建多个含可再生能源微电网运行场景，所述运行场景包括光伏功率序列、风电功率序列、负荷需求序列以及电池初始荷电状态；

32、离线pso教师模块，用于作为离线教师模型，所述离线pso教师模块针对各运行场景，以最小化归一化闭环目标函数为目标，在预设参数搜索范围内搜索最优pid控制增益，生成对应各运行场景的pid参数标签；

33、数据集构建模块，用于对生成的pid参数标签进行质量审查，所述数据集构建模块审查通过后，利用运行场景序列与对应的pid参数标签构建监督学习数据集；

34、lstm增益调度器训练模块，用于构建长短期记忆网络增益调度器，所述lstm增益调度器训练模块以运行场景序列作为输入、pid控制增益作为输出，利用所述监督学习数据集对lstm网络进行训练；

35、闭环性能验证与模型选择模块，用于训练多个lstm候选模型，所述闭环性能验证与模型选择模块将多个lstm候选模型输出的pid参数分别代入微电网闭环模型进行验证，基于验证集上的闭环控制性能选择最终lstm增益调度器；

36、在线推理与参数生成模块，用于将选定的lstm增益调度器冻结，所述在线推理与参数生成模块对于新的运行场景，将运行场景序列输入冻结后的lstm增益调度器进行单次前向推理，生成对应的pid控制增益；

37、pid控制执行模块，用于将生成的pid控制增益应用于微电网频率控制。

38、优选的，所述lstm增益调度器训练模块中，训练损失函数定义为预测pid参数与pso标签之间的均方误差：

39、；

40、其中，为用于lstm训练和验证的监督学习数据集总样本数量，为运行场景的索引编号，为针对第个运行场景lstm预测的pid参数，为针对第个运行场景pso生成的pid参数标签。

41、优选的，所述运行场景被划分为训练集、验证集和独立测试集三个部分，划分后在所有实验中保持不变；训练集用于lstm增益调度器的训练，验证集用于基于闭环性能的模型选择，独立测试集仅在最终调度器确定后用于评估泛化性能。

42、（三）有益效果：

43、本发明与现有技术相比，具有以下有益效果：

44、1.本发明提出一种基于pso监督的lstm-pid增益调度方法，将离线优化与在线快速推理相结合。利用pso作为离线“教师”模型生成高质量pid参数标签，利用lstm作为快速在线增益调度器，实现了含可再生能源微电网的自适应频率调节。该方法在保持pid控制器作为最终执行层的同时，使控制增益能够随运行场景动态变化。

45、2.本发明在模型选择过程中，不仅依据参数预测误差，而且通过闭环仿真性能对调度器进行评价，从而确保控制效果。模型评价标准由“参数是否接近pso标签”转变为“控制性能是否接近pso教师”，避免了仅依赖参数预测误差选择模型而导致的控制性能不佳问题。

46、3.本发明在保证频率调节性能接近pso优化结果的同时，大幅降低参数生成时间。pso平均需要约102秒生成单场景增益，而lstm仅需约9.856毫秒完成一次前向推理，平均加速比超过10000倍，实现了控制性能与计算效率之间的有效平衡，具有较高的工程应用价值。

47、4.本发明最终执行层仍然是pid控制器。lstm不直接输出电池功率或柴油发电机功率，也不替代微电网控制器本身，只负责生成pid参数，保留了pid控制结构及其简单、易实现、可解释性强的优点。

48、5.本发明的监督信息来源于闭环优化。pso标签并非经验参数，而是通过微电网闭环仿真和目标函数优化得到，天然包含了频率调节性能、控制代价以及约束满足等信息，保证了监督信号的质量和有效性。

49、6.仿真结果表明，在40个独立测试场景下，所选lstm-pid控制器将平均综合代价由1.000000降低至0.897420。与固定参数pid相比，平均频率峰值偏差、频率均方根误差（rmse）以及时间加权绝对误差积分（itae）分别降低了27.187%、28.200%和29.261%。在所有测试场景中，lstm调度器的性能均优于固定参数pid，恢复了pso教师控制器92.683%的性能优势，且未出现任何约束违例。