基于电力物联网的一种自适应能量流控制策略

方凯飞 祝凤侠

(1、2.安顺学院电子与信息工程学院，贵州 安顺561000)

随着间歇可再生能源的不断渗透，电力物联网系统正面临着越来越多的未知环境和不确定性。在此背景下，如何高效可靠地运行电力物联网系统是一个挑战性的课题。由于可再生发电和存储的不确定性，高效能量流控制策略研究成为热点。传统电力系统的运行可认为是一个基于确定性安全约束的调度过程。基于安全约束的最优能量流控制方法是一种稳态最优，它没有考虑局部控制器和负载动态性，并且最优能量流的获得是在假设系统能够精确预测的条件下进行的。虽然最优能量流给下一阶段的预测提供了最优调度，但是在两次调度瞬间，任何不可预知的实时负载变化仅仅用一个线性控制器来处理将无法得到全局最优。对于实时有功功率平衡问题来说，一个典型的例子是基于PI的自动发电控制系统。对有功电能进行局部控制的一个典型问题是电压调节，例如具有自动电压调节功能的大型发电装备[1]。

早期的电力系统采用PI控制器调节电力物联网系统的频率和能量流，以保持所控制区域内的实时发电需求平衡。单台发电机是通过预先定义的经济调度比进行调节[2]。文献[3]报道了有关改善传统电力系统中自动增益控制(Automatic Gain Control)AGC方法鲁棒性和动态性的最新技术。虽然AGC方法能对电力物联网系统的全局能量流进行控制，然而它将电力物联网系统视为单条母线，与电力系统有功功率控制之间没有协调，没有考虑电力系统的稳定性和安全性。

电力物联网系统的能量流控制在一些发达国家正处于积极开发阶段。例如在意大利，电力物联网系统被划分为几个不同的电压调节区域，其中每个区域拥有单独的母线[4]。每个区域内的主发电机使用PI调节器对母线电压进行调节[5]，指令实时更新，更新的时间间隔不超过2s[6]。Wang等人提出了一种有限状态机调节模糊控制器，从而控制多分流的电力设备，维护电力物联网系统电压[13]。文献[7]报道了一种非线性模型预测控制策略，通过从控制行为指令池中选取最优的控制指令，控制电力物联网系统能量流。目前对能量流控制环的频率和电压的开发都是基于假设条件：电力物联网系统在短时间内只有微小的变化和微弱的不确定性；对于长期存在较大变化的电力物联网系统将由顺序稳态优化方法进行处理。由于在传输层电力负荷的变化相对缓慢，因而电力物联网系统中的不确定因素是负荷；由于它的周期特性，因而它能够较好地被预测。然而在高度变化和不确定性环境下，在短期内可能会发生较大能量流的重新分配。迫切需要一种更高效的能量流控制方法来确保电力物联网系统能量流的最优化。由于AGC的控制能力有限和局部无功功率资源有限，将导致电力线路过载和母线超负荷。

由于电力物联网系统的复杂性、不确定性、非线性、时变性，设计一种高效能量流控制策略并非一件容易的事情[8]。Kamwa等人将多输入多输出的电力物联网系统解耦成多个单输入单输出的全局稳态环，基于在不同的输入输出对之间存在耦合的基础上，对单输入单输出全局稳态环依次进行最优化，而不是同时对多个单输入单输出稳态环最优化[9]。对于状态反馈控制和控制设计问题，可以通过概率模型参考方法和模糊决策系统[10-11]，将不同的控制环设计于不同的运行点。文献[12][13]直接将该问题视为电力物联网系统的一个非线性分析模型问题，最终的控制参数将决定电力物联网系统的运行状况，并且需要连续不断地进行预测。传统的电力物联网系统能量流控制技术的共同缺点：需要系统模型和参数的详细信息，而这些信息对于复杂的电力物联网系统来说，通常很难获得。在此背景下，我们设计了一种自适应高效能量流控制策略。

1 电力物联网系统结构分析

1.1 电力物联网系统结构

电力物联网系统应用的目的是提高电力物联网系统的信息化与自动化程度。它主要依托于电力物联网系统末端的无线传感器网络，应用场景包括高压输电线路、变电站一次设备、二次设备的在线监测等应用，通过对线路与设备运行状态的连续感知和趋势预测，提高电网的安全性，降低电网的运行成本；由于以上这些应用的通信节点数量庞大，适合采用低成本、低功耗的无线传感器网络技术。由大量的传感器节点自主形成一个多跳网络，实现物与物之间的直接通信。每个传感器节点采集的数据经无线传感器网络传至网关节点，由于网关节点包含数据采集模块、数据处理模块、通信模块、控制模块等，因此可自动对数据进行预处理；对电力线路的运行状态信息、电力设备的状态信息进行集中分类和数据融合，可以大大减少数据通信量，减轻网关节点的转发负担，减少节点能量消耗。但由于网关节点的处理能力有限，它所采集的数据在传感器网络内只能进行粗粒度的处理，因此信息数据必须传至电力物联网系统分析处理平台进行细粒度的处理。

1.2 电力物联网系统能量流控制环

电力物联网系统的主要功能：发电、传输、配电。我们提出一种电力物联网系统能量流控制环结构：能够识别电力通信信号、协议、电力装备、控制行为。

菲式八宝冰则是一种把甜豆、果冻等一同掺在有炼乳的碎冰里食用的菲律宾甜点。在加禄语里Halo-Halo有“把东西混在一起”的意思。还有蒜香牛肉饭、肉蔬面、椰奶芋头叶、菲式酸汤等，也是区别于许多东南亚菜的菲式风味，值得一试。

式中r(0

图1 电力物联网系统结构示意图

图2 电力物联网系统能量流控制环

2 自适应高效最优能量流控制

2.1 架构

为了达到高效最优能量流自适应控制的目的，除了考虑最优化和非线性，还必须对电力物联网系统的时变性和动态性具有自适应性，并相应地调整最优控制律。

隐爆角砾岩是热液运移的良好通道和容矿场所，是金属矿床的一种重要类型[9]，常与浅成—超浅成中酸性斑岩体相伴产出。许多斑岩型金、银、钨锡矿及斑岩型铜金钼矿床都与隐爆角砾岩存在密切的时空及成因联系[10-11]。

图3 自适应高效能量流控制架构

2.2 自适应增强学习型动态评价高效能量流设计

采用近似贝尔曼动态方程的成本函数J，如下列表达式(1)；以循序渐进的方式动态编程，动态编程系统结构如图4所示。

对原始放电声库进行预处理,使得数据库由3种状态(电晕状态、击穿状态和正常状态)声音组成,每组150个样本,共450个样本。所有样本均进行了标注和裁剪,以适合算法使用。其中,每组抽出30个用于测试,余下120个用于训练。故训练样本共360个,测试样本共90个。每个样本长度为3 s等长。为充分利用实验数据,这里采用K交叉验证方法对实验数据进行验证,K值取5,即数据库被分成5份,每一份的数据容量为90个。

图4 动态编程系统结构

(1)

控制中心接收来自传感器的测量信号；传感器可以与电力传输线、变压器等进行交互。控制中心处理这些测量信号，并做出决策；决策指令传递给执行器，执行器驱动电力设备完成相应的动作。如图2所示，是一个控制回路，表示控制中心和物理系统之间的能量流交互。在电力物联网系统中，物理参数yi(t)，比如电压、功率值被传递到控制中心；控制中心将运行一组算法对这些测量值进行处理。决策变量ui(t)传递到执行器，驱动电力现场设备。

对于自适应高效最优能量流控制，U(k)是总能量消耗、母线电压方差、频率方差、线流量方差、线负荷、线损、发电机稳定裕度的函数。

相对于y(k+1)，评测网络的在线训练近似为λ(k+1)，评测网络的训练是由环状行为网络在线完成的。训练开始时的折扣系数r=0.5。本文中评测网络的权重收敛，线性增大至0.9。增大折扣系数，前向步骤数将增大，导致训练时间延长。行为网络的训练同时取决于评测网络，这两种网络将同时训练和同时收敛。

y(k)表示在k时刻电力物联网系统的输出；u(k)表示为控制行为；偏导数信号被用来训练评测网络。

评测网络将最小化表达式(2)。

(2)

ec(k)=γJ(k)-J(k-1)+U(k)

行为网络是3层前向反馈神经网络。输入量是电力物联网系统的输出向量y(k)；输出量是控制行为向量u(k)。

(3)

评测网络包括3层：输入层、隐层、输出层。权值的训练是通过前向网络来实现，如图5所示。

图5 评测网络

评测网络的输入向量X，结合了电力物联网系统的输出向量y(k)，控制行为向量u(k)；输出向量为J(k)。评测网络的权值更新规则是基于自适应梯度规则，如下式(4)和(5)。

假设电力物联网系统是完全可观测的。当系统反馈时，自适应高效最优能量流控制器将动态调整由最优能量流控制算法产生的稳态控制指令。如图3所示。处于短时期高度变化环境下，仅仅只有连续可调节资源由最优能量流控制器连续跟踪控制于最佳运行点。

Wc(k+1)=Wc(k)-ΔWc(k)

总而言之，练习题设计是小学数学教学过程中重要的部分，针对不同的学生可以用不同的习题进行训练，帮助学生巩固知识；对于习题难度要安排合理，让学生在实践中加深对知识的理解。小学数学教师在习题教学中应注意习题内容的设计和习题讲解的策略。在习题内容的设计上，要把握好习题难度、重心、趣味性以及层次性；在习题的讲解上要灵活运用习题并注重沟通知识脉络。

(4)

(5)

到19世纪末20世纪初，艺术思潮的发展开始着重新颖的形式和创意的视角，在这一时期里，现实主义的艺术创作少之又少。并伴随着各种传统艺术门类的形式被打破，艺术的范围扩展到了人们身边的任何东西，艺术和生活的界限开始模糊不清了。这一时期出现的概念艺术、简单艺术、波普艺术等都不约而同地有了一个共同的特点——无从解释。“内容将要如此彻底地消融于形式，以至艺术作品在整体或局部都不可能被简化为任何不是自身的东西[3]”。为此，苏珊·桑塔格批评道：“某些文学知识分子和艺术家则走的更远，以至预言人的艺术创造行为终将消亡。[1][P341]”

图6 行为网络

(6)

(7)

wA(k+1)=wA(k)-Δwc(k)

(8)

(9)

U(k)=ece(k)+udeviation(k)+lline(k)+cfuel(k)+lloss(k)+etcontrol(k)

古希腊的医学有三大法宝：语言、药物和手术刀。今天人类最初的语言和叙事能力被医疗器械和现代生物医学技术大大削弱了。如何培养临床医生对患者的理解、共情和亲和能力？卡蓉基于系统研究和长期医学实践建立起“平行模式”，即在医生书写医疗病历之同时增加一份人文病历，记录患者主观的病痛体验，就像人类学的田野笔记一样书写病患故事及人文观察所得。平行病历要解决的问题是医患之间因不同叙事而产生的紧张关系，它强调医疗应回归理解、共情和亲和。

控制对象包括6个参量：控制误差ece；系统电压偏差udeviation；系统线负载lline；燃料成本cfuel；系统线损lloss；控制效果etcontrol。效用函数U(k)定义如下：

5.并非所有版本ODIS软件都能进行复位出厂设置操作，很多拷贝软件数据不够完整，不能执行本文介绍的“复位出厂设置”操作，并非本文介绍的方法有误，而是您诊断检测软件ODIS的自诊断数据库不够完整所致，建议使用ODIS2.26、ODIS2.27、ODIS4.33等版本软件进行操作。

(10)

基于社会体育的多种功效，吴邦伟非常推崇举办社会体育，但是因为现实原因，又遇到众多困难，所以提出举办社会体育要依靠全社会的共同努力，利用有限的资源做好体育的普及工作等观点；而正是对于社会体育工作的超越时代性的见解，他引领了当时江苏社会体育走在全国前列。当下全民健身上升为国家战略，国家出台各种政策法规来促进全民健身与全民健康的深度融合，在此时代背景下，吴邦伟的社会体育思想可以给予我们许多启示。

会后，为迎接改革开放四十周年，台儿庄古城旅游集团副总经理黄晓莉为济南大学师生做了《文旅融合 助推台儿庄全域旅游新发展》的演讲，介绍了台儿庄近些年发展中取得的优秀经验及今后的发展计划。

自适应高效最优能量流控制器，提供协调辅助有功和无功能量流控制。本文的权值系数按照启发式选择。更大的权值系数具有更高级的优先权，这些权值系数可以根据系统条件和特定的设计而调整[14]。

2.3 自适应高效最优能量流控制律的近似

自适应高效最优能量流控制器的最优控制目标是通过训练行为网络，使得第k步的最小。我们采取最小化神经网络行为训练来近似最优控制率。

(12)

(13)

在训练期间，当时Eα(k)=0时，J(k)最小，因而U(k)为局部最优控制率。全局最优控制率可以通过将自适应高效最优能量流控制器置于不同系统条件下运行获得[15]。为了使得初始条件对电力系统的影响最小化，评测网络和行为网络的初始权值取值局限于非常小的值，使得两种网络的初始输出都接近于0。折扣系数r=0.5，行为网络和评测网络都连接到12条母线的电力系统，进行在线训练。由于错误信号，两种网络的权值在每步都要更新。当两种网络都收敛时，训练过程将切换到其它运行点继续训练，折扣系数r慢慢增大。

3 实验结果与分析

为了验证本文提出的控制策略的正确性与有效性，对12条母线的电力物联网系统进行了仿真。如图7所示，母线3和4是两条远距离负载母线；4台发电机均采用全瞬态动力学方法建模；本电力系统不存在无限大容量母线。主要仿真参数如下：AEOEFCS控制器的采样频率为1秒；训练期间，行为网络和评测网络的权值更新率为1次/秒；母线的参考电压设定为0.97单位。电力物联网系统分别由AGC和AEOEFCS 驱动运行。

图7 电力物联网系统能量流测试

3.1 燃料成本

如图8所示，相对于传统的AGC法，AEOEFCS具有更低的燃料成本，大约低3.3%。原因是AEOEFCS驱动的4台发电机相互之间的协调达到最优，因而燃料成本较低。

图8 燃料成本

3.2 系统线损

如图9，相对于传统的AGC法，AEOEFCS具有更低的系统线损。大约低15.6%。原因是AEOEFCS驱动的发电机相互之间的协调达到最优控制效果，电压损失最小，因而系统线损较低。

图9 系统线损

3.3 结线能量流

如图10所示，相对于传统的AGC法，AEOEFCS具有更低的结线能量流，大约低15.6%；采用AEOEFCS，结线的能量流偏差范围在2MW。原因是AEOEFCS的母线电压能够基本保持在常规值，因此电力系统的波动更小，结线能量流调整得更加均匀，更加接近标称值。

图10 结线能量流

结 语

本文首先分析了电力物联网系统的特点；提出了电力物联网系统架构和能量流控制环；然后提出了一种基于动态随机最优化的自适应高效能量流控制策略(AEOEFCS)。

通过实验验证了AEOEFCS控制策略的性能，结果表明：AEOEFCS有效地降低了燃料成本和系统线损；电力物联网结线能量流调整更加均匀，系统的能量流波动较小；具有较好的控制效果和自适应能力。AEOEFCS控制策略适合应用于负载变化不可预测的电力物联网系统中。