基于离散模型的协同合作智能控制装置的设计与研究

王德志 李 瑜

包头职业技术学院 内蒙古包头 014030

1 项目整体方案

本项目设计了一种基于离散模型的协同合作的能源控制装置，给出了系统硬件和软件方案设计，完成了离散模型的协同合作的控制算法的设计和实现。通过该算法可以自适应地实现对各种控制参数的调节，实现精准的功率输出控制，对能源转换进行协同控制。

项目设计的基于离散模型的协同合作智能控制装置主要是负责对输出能源和输入能源的协调和转换控制，其结构如图1所示。该架构图给出了电气系统中常见的典型的能源控制系统结构，其包括能源控制系统、供电单元、储能单元和多个用电单元。基于离散模型的协同合作智能控制系统是整个系统的核心，其负责协调供电单元、储能单元和用电单元之间的能源交互，根据用电单元负载需求，控制和协调供电单元和储能单元为系统供电，保证各个用电单元能够正常工作的情况下使整个供电效率最优。

基于上述装置，在整个装置中包括了采集回路、主控电路、开关电路三大核心电路。其中，采集回路主要是负责对供电电源、储能单元和用电单元的电能信息采集，包括电压信号、电流信号，开关组主要是能量分流和控制作用，其负责控制切断和连接各个单元与储能单元的电能通路。在传统的控制策略中，通常是采用简单的多路PID控制模式，根据采集回路确定采集参数，然后根据输出到用电单元和储能单元的电能对开关组进行控制，这种方式不会从整体上考虑到系统的能源转换效率，通常只是保证对所有的供电系统的供电稳定性，确保每个用电单元能够随时获得其所需要的供电即可。

基于上述装置，本项目构建了如图2所示的基于离散模型的协同合作智能控制算法的能源控制系统，该系统以一个供电单元供电控制为例，其供电方式有储能单元向用电单元供电和电力输入向用电单元供电，这两种方式分别构成了两个采集回路直接将信号采集输送到离散模型的协同合作智能控制算法，在控制器中，通过离散模型的神经网络算法对采集到的电流、电压等信息和供电段的输出信息直接决定输出的PWM波，控制开关电路，实现对输入供电的控制，确保用电单元接受的输入能够满足其需要，并且保持稳定。考虑到本文只是通过软件算法来实现对整个电力系统的能源供给控制，因此，采集单元、开关电路等设备都是采用目前典型的电力能源控制系统中已有的开关电路和电流电压传感器模块来进行输出的控制和输入输出信号的采集，目标输入主要是通过电位器来调节电流和电压电位器，把该信号作为离散模型的协同合作智能控制算法的输入信号，其控制算法将根据目标输入的电流和电压实现对输出到用电单元的电能控制。

在上述控制系统算法模型中，其核心部分包括离散模型的设计和协同控制单元的设计，这两个是实现整个协同合作智能控制的关键。在离散模型中，需要具备自适应的处理能力；在协同合作智能控制中，需要具备多代理的协同自助的处理能力。

2 基于神经网络的离散模型

本文在离散模型设计时，采用的是一种典型的神经网络离散模型结构[10]，该模型负责对数据的离散处理，在神经网络系统采用三层模式进行设计，具有一个输入和三个输出，其模型处理的都是离散数据。通过前文对能源控制系统的控制原理和基于BP神经网络的离散控制模型的原理分析和设计，以储能单元的电能采集信息、输出单元的电能采集信息和电力供电输入的电能采集信息三组参数作为神经网络的输入，这三组参数分别为对应采集单元采集到的电流和电压值，同时储能输出PID算法和电力其具体基于BP神经网络的离散处理算法流程为图3所示。

首先，输入一些现有的离散系统的控制参数，让模型进行自我学习，我们将所有参数通过输入层进入我们建立好的模型后，会在隐含层将各个神经元的阈值和连接权值恢复到初始状态，然后建立的模型会开始学习，模型进行运行。与此同时，在模型中的隐含层的各个神经元会对刚才进行初始化状态的数据和建立的离散模型进行处理，这时候神经网络的隐含层的输出就是输出层的输入，输出层有了输入值后，去计算神经元的输入和输出。然后进行两次数据的对比和计算误差，隐含层根据误差去调整整个神经网络各个单元的阈值，输出层会根据这个误差去调整隐含层各个单元的阈值，更新学习模型，然后判断学习模式是否结束。如若没有结束的话，再次将学习模式提供给整个神经网络；如果已经结束学习，就要判断学习的次数和误差是否符合要求，如果没有达到要求，再次进入学习模式，如果达到要求，这个过程就完成。

在实际工作过程中，需要将实时采集到的输出单元、储能单元和电力供电输入单元的电流和电压信号输入参数输入至网络中，即可从输出层得到储能单元PID控制器的调节参数P1、I1、D1，这三个参数作为储能输出PWM控制的PID控制参数，对储能输出进行控制，同时输出层得到储能单元PID控制器的调节参数P2、I2、D2，这三个参数作为电力供电输入PWM控制的PID控制参数，对电力供电输入进行控制，进而实现对电力系统的储能输出和外部电力供电输入进行协调控制。这种方式可以综合储能供电和外部供电的优点形成互补，在外部供电不稳定时，可以确保用电端能够得到更加稳定和精准的电能供电支持，同时优化了内部能源供给结构，使得供电最优。

3 协同合作智能控制算法

根据传统的协同处理算法模型的处理步骤，我们要规定一个关键符号集，在这个过程中，需要将用电模块的输出引入关键符号集中，用来协助过滤算法在计算中能得到各个用电单元的信息，并把这个因素考虑进去，负荷特征计算方法原理如下：

假设用电单元的供电线路的负荷电压和电流分别为{u(k)，k=1，N}，{i(k)，k=1，N}，采样频率Fs=10kHz。则采样离散化的电压、电流的关系为：

(1)

在每个采样点上，已知量为u(k)、i(k-1)、i(k)和i(k+1)，求解r(k)和l(k)两个未知量，在计算中认为r(k)和l(k)在2个连续的采样点{k，k+1}上是不变的。

(2)

假设在m个采样点{1，…，k，…，m}上，r(k)和l(k)保持不变，则得到m个方程式，可求解r(k)和l(k)。

(3)

上述方程可以用最小二乘法求出最优解，构造代价函数

负荷特征信息的计算方法和匹配方法以及协同过滤算法的原理。根据上述信息，在协同过滤算法中，将使用离散控制器的索引偏好和用电单元的负荷特征信息矩阵进行合并，以学习基于邻近的协同策略筛选模型如下：

(4)

在式(4)中，符号sim′(un,us)表示的含义是根据用电模块的负载特征信息和用电模块的偏好矩阵，通过计算后获得了第s个用电单元和第n个用电单元之间的相似度。得到式(5)，如下所示：

sim′(un,us)=αsim(un,us)R+(1-α)sim(un,us)p

(5)

将式(5)和式(4)比较可知，它不仅融入了通过负荷特征信息计算得到的第n个用电单元和第s个用电单元的相似度，同时也获得了n个用电单元和第s个用电单元的相似度。

通过上面的设计，我们在搭建协同策略去筛选模型时，实现了通过负载的特征信息去通过离散控制策略的协同过滤分析模型，最后得到的矩阵分解模型中融入了负载的特征信息，得到了最优的计算模型。

该计算控制测略模型式以常见的协同过滤方法中的矩阵分解模型和权正则矩阵分解模型为标准，通过上面的分析过程，我们可以得出，在模型中，对于这种缺少关键信息的值，将其看作是负例进行处理，然后都是把负载的特征信息设置成一个权值，把它作为关键信息，如果模型在计算中没有考虑到负载的特征信息会成为负例来处理。

本文在整个设计过程中整体的思想就是利用负载的特征信息作为离散控制器的偏好数值，其模型如下所示：

在模型中常常选用1和0，其中0表示不喜欢，1表示喜欢，同时也可以设置多个级别，用来预测喜好程度，因此，在整个过程中还需要构建一个最优求解模型，其模型如下：

能源控制作为电力系统中的核心和节能的关键，如何设计低成本高效的能源控制系统是未来电力系统节能和新能源技术应用的关键，本文根据用电单元的负荷特点来进行用电输出控制，均衡整个电力输出控制，能够有效地提高电力系统能源控制精度和能源利用效率，对促进电力系统节能技术和新能源技术的发展具有非常重要的意义。