[0001] 本申请涉及智能控制技术领域，且更为具体地，涉及一种基于新能源的微电网分布式控制系统及方法。

[0002] 随着新能源技术的快速发展，微电网作为一种集成了多种分布式能源资源的电力系统，在能源供应、节能减排等方面展现出巨大的潜力。微电网可以整合多个新能源发电设备，实现能源的本地供应和互补，提高能源利用效率，减少能源损耗。然而，由于微电网涉及的设备众多、运行复杂，如何实现对微电网的分布式控制，确保系统稳定运行，提高能源利用效率，是当前面临的重要挑战。

[0003] 传统的微电网分布式控制系统通常采用分散式方法，每个分布式发电机(DG)都由自己的本地控制器进行控制，导致DG之间的协调和优化不足，从而降低微电网的整体效率和可靠性。因此，期待一种优化的基于新能源的微电网分布式控制系统及方法。

[0032] 下面，将结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0033] 图1为根据本申请实施例的基于新能源的微电网分布式控制系统的框图。图2为根据本申请实施例的基于新能源的微电网分布式控制系统的架构示意图。如图1和图2所示，根据本申请实施例的基于新能源的微电网分布式控制系统100，包括：微电网分布式监控模块110，用于获取在预定时间段内微电网的各个分布式电源的运行参数数据的时间序列，以及在所述预定时间段内所述微电网的整体负荷需求的时间序列，其中，所述运行参数数据包括电压、电流、频率和输出功率；电源运行状态模式分析模块120，用于对所述各个分布式电源的运行参数数据的时间序列分别进行电源运行状态模式分析以得到分布式电源运行参数时序关联特征向量的序列；电源间运行状态关联编码模块130，用于对所述分布式电源运行参数时序关联特征向量的序列进行电源间运行状态关联交互编码以得到上下文分布式电源运行状态关联交互编码特征向量的序列；负荷需求时序特征提取模块140，用于从所述微电网的整体负荷需求的时间序列中提取负荷需求时序特征以得到微电网负荷需求时序特征向量；分布式电源控制模块150，用于基于所述上下文分布式电源运行状态关联交互编码特征向量的序列中各个上下文分布式电源运行状态关联交互编码特征向量与所述微电网负荷需求时序特征向量之间的时序关联模式，确定各个分布式电源的控制指令。

[0034] 如上述背景技术所言，传统的微电网分布式控制系统通常采用分散式方法，每个分布式发电机(DG)都由自己的本地控制器进行控制，导致DG之间的协调和优化不足，从而降低微电网的整体效率和可靠性。针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术对微电网各个分布式电源的运行参数进行监测分析，捕捉到各个分布式电源的运行状态特征，挖掘出各个分布式电源之间的协同运行规律，并结合微电网的整体负荷需求来调整各个分布式电源的输出功率。这样，可以实现微电网各个分布式电源之间的信息交互和分布式控制，从而提高微电网的整体运行效率和稳定性。

[0035] 在上述基于新能源的微电网分布式控制系统100中，所述微电网分布式监控模块110，用于获取在预定时间段内微电网的各个分布式电源的运行参数数据的时间序列，以及在所述预定时间段内所述微电网的整体负荷需求的时间序列，其中，所述运行参数数据包括电压、电流、频率和输出功率。应可以理解，新能源分布式电源(如太阳能、风能等)的运行状态对于微电网的稳定运行至关重要。通过实时收集各个分布式电源的运行参数数据，如电压、电流、频率和输出功率，可以实现对微电网运行状态的全面监测。同时，微电网的整体负荷需求是决定分布式电源输出功率的关键因素。具体地，微电网的各个分布式电源通过配电网络实现电气连接，并行运行来向微电网供电。当微电网的负荷需求增加时，需要更多的电力来满足需求，各个分布式电源必须相应地增加其输出功率以满足额外的负荷。当负荷需求减少时，各个分布式电源则可以相应地减少其输出功率，以避免过剩发电。也就是说，平衡负荷需求和各个分布式电源的输出功率对于微电网的稳定和高效运行至关重要。
基于此，在本申请的技术方案中，通过收集各个分布式电源的运行参数数据以及微电网的整体负荷需求数据，以学习分布式电源的运行特性与负荷需求之间的关联关系，进而实现对分布式电源输出功率的智能控制，以满足微电网的运行需求，从而优化微电网的调度和控制。

[0036] 在上述基于新能源的微电网分布式控制系统100中，所述电源运行状态模式分析模块120，用于对所述各个分布式电源的运行参数数据的时间序列分别进行电源运行状态模式分析以得到分布式电源运行参数时序关联特征向量的序列。其中，图3为根据本申请实施例的基于新能源的微电网分布式控制系统中电源运行状态模式分析模块的框图。如图3所示，所述电源运行状态模式分析模块120，包括：数据规整单元121，用于将所述各个分布式电源的运行参数数据的时间序列分别按照时间维度和参数样本维度排列为矩阵以得到分布式电源运行参数时序输入矩阵的序列；运行状态时序编码单元122，用于对所述分布式电源运行参数时序输入矩阵的序列中的各个分布式电源运行参数时序输入矩阵分别进行运行参数时序关联编码以得到所述分布式电源运行参数时序关联特征向量的序列。

[0037] 具体地，所述数据规整单元121，用于将所述各个分布式电源的运行参数数据的时间序列分别按照时间维度和参数样本维度排列为矩阵以得到分布式电源运行参数时序输入矩阵的序列。应可以理解，考虑到新能源分布式电源的输出特性是随时间变化的，其受天气、环境等多种因素影响，每个分布式电源的运行状态也会呈现出不同的时序变化特性。因此，为了捕捉到各个分布式电源的运行特性，进一步将各个分布式电源的运行参数数据分别按照时间维度和参数样本维度排列为二维矩阵形式。其中，矩阵中的每一行代表了分布式电源在某一个时间点的各个运行参数，每一列代表某个参数样本在各个时间点的取值。通过这种数据规整方式，可以保留分布式电源运行参数的时序变化特性以及各个运行参数之间的相互关联影响关系，从而更全面地理解分布式电源的运行状态

[0038] 具体地，所述运行状态时序编码单元122，用于对所述分布式电源运行参数时序输入矩阵的序列中的各个分布式电源运行参数时序输入矩阵分别进行运行参数时序关联编码以得到所述分布式电源运行参数时序关联特征向量的序列。在本申请的一个具体示例中，对所述分布式电源运行参数时序输入矩阵的序列中的各个分布式电源运行参数时序输入矩阵分别进行运行参数时序关联编码的编码方式是将所述分布式电源运行参数时序输入矩阵的序列通过基于卷积神经网络模型的运行参数时序关联编码器以得到所述分布式电源运行参数时序关联特征向量的序列。应可以理解，卷积神经网络(CNN)是一种深度学习神经网络模型，其通过卷积操作能够有效提取出输入数据中的局部特征表示。在本申请的技术方案中，所述基于卷积神经网络模型的运行参数时序关联编码器通过卷积层、池化层等结构来对所述分布式电源运行参数时序输入矩阵进行逐层的特征提取和抽象，以捕获分布式电源的运行参数时序变化信息以及运行参数之间的内在联系，从而充分挖掘出各个分布式电源的运行规律，为后续实现微电网的分布式控制提供有力的数据支持。

[0039] 在上述基于新能源的微电网分布式控制系统100中，所述电源间运行状态关联编码模块130，用于对所述分布式电源运行参数时序关联特征向量的序列进行电源间运行状态关联交互编码以得到上下文分布式电源运行状态关联交互编码特征向量的序列。应可以理解，考虑到微电网中的各个分布式电源并不是孤立存在的，它们之间通过配电网络实现电气连接，并相互影响。因此，在微电网的分布式控制过程中，需要综合考虑各个分布式电源之间的运行状态关联关系，从而在微电网分布式控制时平衡各个分布式电源的输出功率，以实现微电网的稳定运行。因此，在本申请的技术方案中，进一步对所述分布式电源运行参数时序关联特征向量的序列进行电源间运行状态关联交互编码，以捕获各个分布式电源之间的相互影响和关联关系。

[0040] 在本申请的一个具体示例中，对所述分布式电源运行参数时序关联特征向量的序列进行电源间运行状态关联交互编码的编码方式是将所述分布式电源运行参数时序关联特征向量的序列通过基于Transformer模型的电源间运行状态关联交互编码器以得到所述上下文分布式电源运行状态关联交互编码特征向量的序列。具体来说，Transformer模型是一种基于自注意力机制的神经网络模型，其通过自注意力机制能够捕获输入序列中任意位置之间的依赖关系，并生成全局的上下文表示。在本申请的技术方案中，所述基于Transformer模型的电源间运行状态关联交互编码器通过自注意力机制来建模各个分布式电源之间的运行状态关联关系，计算出各个分布式电源运行参数时序关联特征向量的权重分布，从而在所述分布式电源运行参数时序关联特征向量的序列中引入全局上下文信息，以便于更好地理解各个分布式电源之间的相互影响和制约关系，为后续的微电网分布式控制提供更为精确和全面的运行状态信息。

[0041] 在上述基于新能源的微电网分布式控制系统100中，所述负荷需求时序特征提取模块140，用于从所述微电网的整体负荷需求的时间序列中提取负荷需求时序特征以得到微电网负荷需求时序特征向量。在本申请的一个具体示例中，从所述微电网的整体负荷需求的时间序列中提取负荷需求时序特征的编码方式是将所述微电网的整体负荷需求的时间序列按照时间顺序排列为负荷需求时序输入向量后通过基于一维卷积层的负荷需求时序特征提取器以得到所述微电网负荷需求时序特征向量。应可以理解，微电网的整体负荷需求取决于用户的用电行为、时间等多种因素，也是随时间变化的数据。而一维卷积层主要用于在一维数据上进行卷积操作，提取输入数据的时序特征。因此，在本申请的技术方案中，通过将所述微电网的整体负荷需求的时间序列排列为负荷需求时序输入向量，然后利用基于一维卷积层的负荷需求时序特征提取器以滑动窗口的方式对其进行卷积操作，能够有效提取出微电网负荷需求的短期波动、周期性变化等，反映出负荷需求的实时变化和潜在规律。

[0042] 在上述基于新能源的微电网分布式控制系统100中，所述分布式电源控制模块150，用于基于所述上下文分布式电源运行状态关联交互编码特征向量的序列中各个上下文分布式电源运行状态关联交互编码特征向量与所述微电网负荷需求时序特征向量之间的时序关联模式，确定各个分布式电源的控制指令。其中，图4为根据本申请实施例的基于新能源的微电网分布式控制系统中分布式电源控制模块的框图。如图4所示，所述分布式电源控制模块150，包括：关联编码单元151，用于将所述上下文分布式电源运行状态关联交互编码特征向量的序列中的各个上下文分布式电源运行状态关联交互编码特征向量分别与所述微电网负荷需求时序特征向量进行关联编码以得到分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列；特征优化单元152，用于对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列中的各个分布式电源运行状态‑负荷需求时序关联模式特征矩阵分别进行基于多层发散‑聚焦的信息整合以得到优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列；控制指令生成单元153，用于将所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列中的各个优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵分别通过基于解码器的控制策略生成器以得到所述各个分布式电源的控制指令，所述控制指令表示输出功率。

[0043] 具体地，所述关联编码单元151，用于将所述上下文分布式电源运行状态关联交互编码特征向量的序列中的各个上下文分布式电源运行状态关联交互编码特征向量分别与所述微电网负荷需求时序特征向量进行关联编码以得到分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列。也就是，为了提取出各个分布式电源对微电网负荷需求变化的响应能力，进一步将各个上下文分布式电源运行状态关联交互编码特征向量与微电网负荷需求时序特征向量分别进行关联编码，以建立起分布式电源与负荷需求之间的映射关系，有助于捕捉到各个分布式电源对负荷需求变化的响应特性和潜在规律，使得在进行微电网运行控制时，能够综合考虑分布式电源的运行状态和负荷需求的变化趋势，从而提高预测的准确性和可靠性。

[0044] 更为具体地，所述关联编码单元151，用于：计算所述上下文分布式电源运行状态关联交互编码特征向量的转置向量与所述微电网负荷需求时序特征向量的向量乘积以得到所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵。

[0045] 具体地，所述特征优化单元152，用于对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列中的各个分布式电源运行状态‑负荷需求时序关联模式特征矩阵分别进行基于多层发散‑聚焦的信息整合以得到优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列。特别地，在本申请的技术方案中，通过整合分布式电源的运行参数数据和微电网的负荷需求数据，以计算出分布式电源运行状态‑负荷需求时序关联模式特征矩阵，用于生成各个分布式电源的控制指令。因此，所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合程度对于实现准确的控制指令生成至关重要。具体地，通过提高所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合度可以综合考虑分布式电源的运行参数数据和微电网的负荷需求数据。通过整合这两种数据源，可以更全面地分析电网系统的运行状态，提高控制指令的准确性和适应性。并且，通过提高所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合度可以提高控制策略生成器的性能，有助于更准确地生成各个分布式电源的控制指令。精确的控制指令可以帮助调节分布式电源的输出功率，实现对微电网系统的有效控制和管理。也就是说，通过提高所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合度，可以提高控制指令生成的准确性和稳定性，以帮助优化电网系统的运行，提高系统的稳定性和可靠性。基于此，进一步对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列中的各个分布式电源运行状态‑负荷需求时序关联模式特征矩阵分别进行基于多层发散‑聚焦的信息整合。

[0046] 图5为根据本申请实施例的基于新能源的微电网分布式控制系统中特征优化单元的框图。如图5所示，所述特征优化单元152，包括：指数化子单元1521，用于计算所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵中各个位置的自然指数函数值以得到发散分布式电源运行状态‑负荷需求时序关联模式特征矩阵；累加求和子单元1522，用于对所述发散分布式电源运行状态‑负荷需求时序关联模式特征矩阵进行累加求和以得到所述发散分布式电源运行状态‑负荷需求时序关联模式特征矩阵的总和值；对数转换子单元1523，用于将所述发散分布式电源运行状态‑负荷需求时序关联模式特征矩阵的总和值与所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的各个位置的特征值的绝对值相乘后再计算以二为底的对数函数值以得到对数变化后分布式电源运行状态‑负荷需求时序关联模式特征矩阵；回归子单元1524，用于将所述对数变化后分布式电源运行状态‑负荷需求时序关联模式特征矩阵与所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵进行按位置相乘以得到所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵。

[0047] 也就是说，所述特征优化单元152，用于：以如下优化公式对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵进行基于多层发散‑聚焦的信息整合以得到所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵，其中，所述优化公式为：

[0048]

[0049] 其中，mi,j是所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的第(i,j)位置的特征值，且W和H是所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵M的宽度和高度，log2表示以2为底的对数，m'i,j是所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的第(i,j)位置的特征值。

[0050] 这里，为了提高所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合度，在本申请的技术方案中，对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵进行基于多层发散‑聚焦的信息整合，其首先通过计算所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵中各个位置的自然指数函数值以对该位置的特征信息进行发散，并使用类小波函数对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵中所有位置的发散信息进行结构性聚合以得到全局发散因子，在将所述全局发散因子作用于所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的各个位置后计算其以二为底的对数函数值以对该位置的发散调制信息进行回归，这样通过仿发散‑回归的机制来对所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的各个位置的特征值进行特征膨胀和浓缩，通过这样的方式，以提高所述分布式电源运行状态‑负荷需求时序关联模式特征矩阵的信息聚合度。

[0051] 具体地，所述控制指令生成单元153，用于将所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的序列中的各个优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵分别通过基于解码器的控制策略生成器以得到所述各个分布式电源的控制指令，所述控制指令表示输出功率。也就是，通过解码器将所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵转化为对应分布式电源的控制指令，以实现对分布式电源输出功率的实时调整。具体而言，所述基于解码器的控制策略生成器经过大量数据的训练和优化，能够学习到所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵的关键特征模式，并对其进行解码映射，以将所述优化分布式电源运行状态‑负荷需求时序关联模式特征矩阵映射到分布式电源输出功率的数据空间，得到所述各个分布式电源的控制指令。通过这种方式，可以实现对各个分布式电源输出功率的精确调节，以确保微电网能够快速响应负荷需求的变化，保持微电网系统的稳定运行。

[0052] 综上，根据本申请实施例的基于新能源的微电网分布式控制系统被阐明，其采用基于深度学习的人工智能技术对微电网各个分布式电源的运行参数进行监测分析，捕捉到各个分布式电源的运行状态特征，挖掘出各个分布式电源之间的协同运行规律，并结合微电网的整体负荷需求来调整各个分布式电源的输出功率。这样，可以实现微电网各个分布式电源之间的信息交互和分布式控制，从而提高微电网的整体运行效率和稳定性。

[0053] 图6为根据本申请实施例的基于新能源的微电网分布式控制方法的流程图。如图6所示，根据本申请实施例的基于新能源的微电网分布式控制方法，包括步骤：S110，获取在预定时间段内微电网的各个分布式电源的运行参数数据的时间序列，以及在所述预定时间段内所述微电网的整体负荷需求的时间序列，其中，所述运行参数数据包括电压、电流、频率和输出功率；S120，对所述各个分布式电源的运行参数数据的时间序列分别进行电源运行状态模式分析以得到分布式电源运行参数时序关联特征向量的序列；S130，对所述分布式电源运行参数时序关联特征向量的序列进行电源间运行状态关联交互编码以得到上下文分布式电源运行状态关联交互编码特征向量的序列；S140，从所述微电网的整体负荷需求的时间序列中提取负荷需求时序特征以得到微电网负荷需求时序特征向量；S150，基于所述上下文分布式电源运行状态关联交互编码特征向量的序列中各个上下文分布式电源运行状态关联交互编码特征向量与所述微电网负荷需求时序特征向量之间的时序关联模式，确定各个分布式电源的控制指令。

[0054] 这里，本领域技术人员可以理解，上述基于新能源的微电网分布式控制方法中的各个步骤的具体操作已经在上面参考图1到图5的基于新能源的微电网分布式控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

[0055] 以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

[0056] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0057] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

[0058] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

[0059] 此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。

[0060] 最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。