在数据有限且存在噪声的情况下,基于域引导的智能分布式控制用于提升多微电网的频率韧性

《Energy Conversion and Management-X》:Domain-guided intelligent distributed control for enhancing frequency resilience in multi-microgrids under limited and noisy data

【字体: 大 中 小 】 时间:2026年05月01日 来源:Energy Conversion and Management-X 7.6

编辑推荐:

  马蒙·奥尔·拉希德(Mamun Or Rashid)| 穆罕默德·奥希杜尔·伊斯兰(Md Ohidul Islam)| 西亚姆·比拉(Siam Billah)| 苏玛雅·塔斯尼姆(Sumaya Tasnim)| 苏布拉塔·K·萨克尔(Subrata K. Sarker) 孟加

  马蒙·奥尔·拉希德(Mamun Or Rashid)| 穆罕默德·奥希杜尔·伊斯兰(Md Ohidul Islam)| 西亚姆·比拉(Siam Billah)| 苏玛雅·塔斯尼姆(Sumaya Tasnim)| 苏布拉塔·K·萨克尔(Subrata K. Sarker)
孟加拉国拉杰沙希工程技术大学(Rajshahi University of Engineering & Technology)机电一体化工程系

**摘要**
本文提出了一种基于领域适应的智能分布式控制框架,旨在提高多微电网(MMGs)在噪声环境下的频率韧性,尤其是在数据可用性有限的情况下。尽管现有的一些方法通过利用高精度数据实现了准确的频率调节,但由于测量噪声、数据稀缺以及运行条件的变化,这些方法在实际应用中的性能往往会下降。此外,高质量数据的有限可用性也限制了现有数据驱动方法在MMGs频率调节方面的效果。为了解决这些问题,本文将领域适应性与智能分布式控制策略相结合,实现了不同运行领域之间的知识转移,并增强了在噪声和数据受限条件下的鲁棒性。所提出的框架采用了两阶段适应策略:首先,使用清洁数据训练得到的源网络输入到隐藏权重被冻结,然后利用有限数量的噪声目标样本对整个网络进行微调。这种方法在保持泛化能力的同时,避免了灾难性遗忘,并减少了数据需求。通过在多种场景下对MMGs的双区域互联负载频率控制进行验证,证明了该框架的有效性。结果表明,与现有方法相比,所提出的方法在需要较少训练数据的情况下实现了高效的频率调节,并表现出更高的鲁棒性。此外,还使用OPAL-RT(OP5700)平台进行了实时仿真研究,以验证其在实际运行条件下的有效性。

**1. 引言**
1.1 **背景**
可再生能源资源(RESs)的加速渗透以及对弹性且可持续的电力系统的日益增长的需求,推动了多微电网(MMGs)的发展[1]。MMG是一种局部化的电力架构,它整合了分布式能源资源、储能单元(ESUs)和可控负载,可以在并网或孤岛模式下运行。通过实现分散式能源管理并促进风能和太阳能等RES的整合,微电网在提高系统可靠性、增强能源效率以及支持向现代智能电网的转型方面发挥着关键作用[2]。然而,基于逆变器的可再生能源的高渗透率引入了重大的运营挑战。

1.2 **MMG频率调节中的挑战**
在这些挑战中,维持频率稳定性是可靠运行的最关键要求之一[3]。在传统的电力系统中,频率调节(FR)主要依赖于同步发电机的固有惯性。然而,以逆变器接口的分布式发电为主的MMG具有较低的惯性,这使得它们更容易受到负载扰动和可再生能源发电随机性的影响而产生频率偏差[4]。尽管可以通过柴油发电机或同步机等可调度单元部分提供惯性支持,但其频繁使用会增加运营成本并降低基于可再生能源的MMG运行的经济效益[5]。为了保持系统稳定性,已经开发了一系列频率调节策略[6]。然而,在互联的MMGs中,由于固有的非线性动态、参数不确定性、测量噪声以及分布式单元之间的通信限制,准确且鲁棒的频率调节仍然很困难。

1.3 **文献综述**
为了实现可靠的频率调节,文献中提出了多种控制框架。例如[7]提出了一种用于瞬态期间的频率调节方法,[8]开发了一种结合储能单元的频率调节方案,[9]提出了一种集成可再生能源的频率调节方法。最近,文献中还提出了自适应方法,包括基于自适应非线性控制器的频率调节方法[10]以及针对电动汽车(EV)负载的策略[11]。尽管这些控制器因其简单性和易于实现而得到广泛应用,但它们的性能在很大程度上取决于对MMG动态的精确数学模型的可用性。由于可再生能源的间歇性、负载变化和网络不确定性,MMG表现出非线性和时变特性,这使得精确的系统建模变得困难,并导致使用名义参数设计的控制器在变化的操作条件下性能显著下降。它们还需要大量的调整,并且缺乏适应复杂和动态MMG环境所需的灵活性。

受到这些限制的启发,基于学习的控制方法作为MMG频率调节的有希望的替代方案应运而生。强化学习(RL)技术被用来开发能够通过与系统交互学习最优控制策略的自适应控制方法[12]。在[13]中,为孤立的MMGs开发了一种基于RL的频率调节方法,而[14]提出了一种不需要显式数学模型的分散式RL频率调节方法。基于RL原理,[15]提出了一种将分布式发电机视为通过Q学习学习下垂策略的代理的频率调节框架,[16]提出了一种用于数据驱动二次控制的离线策略RL方法。尽管这些方法具有优势,但基于RL的控制方法在现实世界MMG中的部署仍面临若干实际挑战。具体来说,RL算法通常需要大量的探索和交互数据才能收敛到最优策略,这可能导致较长的训练时间。

1.4 **数据驱动控制方法**
为了应对这些挑战,数据驱动控制方法因能够消除对显式系统建模的需求并在处理非线性和不确定性动态时提供更大的灵活性而受到关注。例如[17]提出了一种基于分布式双重启发式动态规划的框架,该框架从数据中迭代学习最优频率控制动作[18],[18]开发了一种基于神经网络的分布式在线学习方法来替代传统的下垂控制器[19],[19]提出了一种利用Koopman算子集合进行二次频率控制的在线数据驱动方法[20]。还提出了结合数据驱动元素与基于模型或自适应机制的混合方法来增强鲁棒性。例如[20]将数据驱动的系数更新与分数阶梯度下降和惯性控制相结合[21],[21]采用双环结构结合自适应模型预测控制进行频率调节[22]。各种专门的方法进一步扩展了数据驱动的能力,例如[22]使用基于逆变器的资源进行快速频率控制[23],[24]用于氢能存储的最优频率调节[24],[25]使用模糊递归神经网络进行鲁棒频率调节的分数阶分布式控制[25]。然而,数据驱动方法的有效性在很大程度上依赖于能够充分捕捉系统行为的大型高质量数据集的可用性。在实际情况下,由于运营限制、测量时间有限和运行条件变化,收集此类数据集往往很困难。数据驱动模型也对测量噪声非常敏感,而这在现实世界的传感器和通信网络中是不可避免的。

一些最近的研究尝试通过将鲁棒性机制纳入数据驱动控制框架来应对这些挑战。例如[26]开发了一种数据驱动的分布式方案,该方案对通信延迟、拓扑变化、负载/发电波动和不确定的线路参数表现出很强的鲁棒性。然而,该框架严重依赖于足够的数据丰富性和可靠的MMG间链接以实现有效收敛。另一种关注鲁棒性的方法在[27]中被提出。尽管[27]中提出的方法提高了鲁棒性,但其集中式架构使其容易受到单点故障的影响[28]。在[28]中,引入了一种用于改进基于Koopman的线性和模型预测控制的自适应方法。虽然它提高了对可再生能源变化和激励不足的鲁棒性,但可能对噪声或不完整的数据集敏感[29]。基于类型3模糊逻辑和神经模糊学习的补充方法也被探索用于处理不确定性和测量噪声,例如T3-ANFIS与非迭代学习算法[29]以及具有不确定性约束和优化α切割的类型3模糊逻辑系统[30]。尽管这些框架为不确定性建模提供了有价值的工具,但它们在具有动态运行条件和数据可用性有限的大规模分布式MMGs中的应用仍然是一个有待进一步发展的领域。总体而言,这些范式中的现有控制器严重依赖于特定场景的数据集或离线调整,这限制了它们在运行条件变化时的泛化能力。因此,当MG配置或环境发生变化时,通常需要重新训练或调整,从而增加了计算开销并延迟了实际部署。

1.5 **动机和贡献**
尽管基于学习的控制取得了进展,但仍存在一些根本性挑战:
- 现有的数据驱动控制方法严重依赖于大量高质量训练数据,而在实际MMG环境中由于运营限制以及可再生能源集成MMG的固有动态和不确定性,这些数据难以获得。
- 在测量噪声和通信干扰存在的情况下,学习到的控制器的性能会显著下降,而这些在现实世界的分布式能源系统中是固有的,现有的框架缺乏在这些条件下保持控制精度的系统机制。
- 当MMG配置或环境条件发生变化时,当前方法缺乏在不同运行条件之间传递知识的有效机制,导致泛化能力差、计算重新训练成本高以及部署延迟。

这些限制突显了需要一种数据高效的学习框架,该框架能够在利用先验知识的同时保持对噪声和数据受限条件的鲁棒性。为了解决这些挑战,本文提出了一种基于领域引导的数据驱动分布式控制框架,用于MMGs的频率调节,旨在减少对高精度数据集的依赖,同时实现更低的训练成本和更高的鲁棒性。本文的关键贡献包括:
- 提出了一种基于动态神经网络(DNNs)的MMGs分布式无模型频率调节框架,该框架消除了对显式系统建模的依赖,同时在复杂的、时变的MMG动态下确保可扩展性和自适应操作,并提高了频率调节性能。
- 开发了一种领域适应框架,将知识从无噪声的源域条件传递到现实的噪声目标域环境,从而在测量噪声和目标训练样本有限的情况下实现控制器的鲁棒适应。
- 提出了一种两阶段微调策略,首先冻结源域权重以防止灾难性遗忘,然后使用贝叶斯正则化对整个网络进行优化,从而快速且数据高效地适应噪声目标域的运行条件。

1.6 **研究范围**
本研究对于高质量测量数据稀缺且通信通道受噪声影响的可再生能源集成互联多微电网(IMMG)系统具有重要意义。在实际操作中,基于学习的控制器在没有高质量测量的情况下难以有效泛化,并且在噪声通信条件下性能会显著下降,导致频率调节不可靠。所提出的框架能够通过实现从无噪声源域到噪声和数据稀缺目标环境的知识转移,从而在实际运行约束下提高鲁棒性和控制精度。此外,本工作的扩展范围在于利用领域适应策略来促进知识转移,使框架能够在仅有有限或损坏数据的情况下利用先验学习的信息并保持可靠和稳定的性能。这些特性显著提高了所提方法在各种运行条件下的适应性和泛化能力。这些特性使得所提出的框架成为现实世界IMMG应用的实用和可部署解决方案,因为在这些应用中数据限制、测量不确定性和通信不完善是不可避免的。

1.7 **论文组织**
本文的其余部分组织如下。第2节介绍了IMMG系统模型,包括通信通道噪声的特征描述。第3节详细介绍了基于领域适应的分布式控制框架,涵盖了动态神经网络架构、源域预训练以及在数据稀缺和噪声条件下的两阶段迁移学习策略。第4节通过在OPAL-RT平台上进行数值仿真和实时测试来评估该框架,包括域内和域间迁移、复合噪声下的鲁棒性以及六区域系统上的可扩展性。第5节总结了主要发现并指出了未来工作的方向。

**2. 系统动态和孤立微电网中的传统频率控制**
IMMG由两个或多个相互连接的MG组成,每个MG都可以独立于主电网运行。它包括一个能源网络和一个通信网络。能源网络负责电力流动,而通信网络则促进协调控制动作的信息交换。能源网络整合了多种RES,如太阳能光伏(PV)面板和海洋波浪(OW)能量转换系统,以及储能单元(如电池和飞轮(FW)、燃料电池(FC)和柴油发电机(DG)。可再生能源利用可再生资源产生清洁电力,而储能系统在面临突然的频率不稳定或可再生能源间歇性时增强系统稳定性。燃料电池通过电解器将多余的可再生能源转化为氢气,可以储存并在以后重新转化为电力,从而提供额外的发电灵活性。柴油发电机作为备用电源,在可再生能源输出低或需求高的时期提供可靠的发电能力,确保连续的电力供应和系统稳定性。

由于基于逆变器的可再生能源发电引入的低惯性特性,维持频率稳定性是可靠IMMG运行的基本要求。因此,协调的LFC调节频率偏差并保持互联MG区域之间的功率平衡。如图1所示,每个MMG都通过通信网络连接,该网络实现了信息交换,从而能够进行协调控制操作。通信网络收集系统测量数据,如频率偏差和联络线功率流,并将这些数据传输到每个MMG内的本地二级控制器,以生成控制信号Ec,用于将频率偏差恢复到名义值。该模型表示一个线性化的小信号动态模型,采用拉普拉斯域表示,围绕名义运行点推导得出,以捕捉IMMG控制分析中的主导频率动态,并已在先前的研究[22]、[31]中得到广泛采用和验证。IMMG的动态受到多个发电和储能源的影响。聚合的可再生能源偏差包括光伏和海洋波浪能量转换动态,可以表示为:(1)ΔPres,i=Kres,iΔPpv,i(Tpv,is+1)+ΔPow,i(Tow,is+1),其中Tpv,i、Tow,i和Kres,i分别代表可再生能源的相关时间常数和增益。ESU子系统由电池和飞轮储能单元组成,为频率稳定提供快速功率支持。相应的功率偏差模型为:(2)ΔPfw,i=Ec,iTfw,is+1,(3)ΔPbat,i=Ec,iTbat,is+1,其中Ec,i是二级控制信号,Tbat,i和Tfw,i表示电池和飞轮的时间常数。燃料电池子系统通过氢气转换提供额外的功率支持。其动态表示为:(4)ΔPfc,i=(1?Kres,i)Kel,iTel,is+1Kfc,iTfc,is+1ΔPre,i。在(4)中,Kel,i和Tel,i代表电解槽的增益和时间常数,而Kfc,i和Tfc,i对应于燃料电池的参数。柴油发电机作为可调度源,在干扰期间提供频率调节(FR)支持。其产生的功率表示为:(5)ΔPdg,i=1Tdg,is+1ΔWdg,i,其中Tdg,i表示柴油发电机的时间常数,ΔWdg,i模型为:(6)ΔWdg,i=1Tgov,is+1ΔFiRp,i?Ec,i,其中Rp,i表示一级频率控制的下降系数,Tgov,i是调速器的时间常数。

下载:下载高分辨率图像(422KB)
下载:下载全尺寸图像

图1. 用于频率控制分析的IMMG系统模型。

对于互连的IMMG区域,第i个MMG与相邻的第j个MMG之间的联络线功率交换表示为:(7)ΔPtie,ij=2πTsyn,ijsΔFi?ΔFj,其中Tsyn,ij是第i个和第j个MMG之间的同步系数。

基于上述来源的功率贡献,第i个MMG的总体频率偏差可以表示为:(8)ΔFi=1Hin,is+Dload,i(ΔPres,i+ΔPbat,i+ΔPfw,i+ΔPfc,i+ΔPdg,i?ΔPload,i+ΔPtie,ij),其中Hin,i表示惯性常数,Dload,i表示相应MMG的负载阻尼系数,ΔPload,i表示第i个MMG的负载。

为了将系统频率恢复到其名义值,二级负载频率控制器根据MMG区域控制误差(ACE)生成MMG区域控制动作(ACA)信号。应用于发电单元的控制输入定义为:(9)Ec,i=Ksc,iΔFi+∑j=1,i≠jkΔPtie,ij,其中Ksc,i是二级控制器的增益,k表示互连的IMMG数量。所提出的控制框架采用分布式架构,每个MMG控制器独立运行,仅依赖于本地可用的测量数据和与直接连接的邻居之间的点对点协调。本地信息仅限于MMG自身的频率偏差ΔFi和内部状态估计,而唯一交换的信息是与物理上互连的邻居共享的联络线功率流测量数据ΔPtie,ij。因此,该框架在其运行的任何阶段都不需要全局信息,如系统范围的负载剖面、所有区域的频率或中央监督协调器。然后使用ΔFi和聚合的联络线交互在本地计算控制输入Ec,i,使每个MMG控制器能够在完全分布式的方式下工作,而无需依赖广域通信或全局状态估计。

在实际实现中,负责传输测量信号和控制命令的通信网络可能会受到干扰和不确定性的影响。测量噪声可能会影响从分布式发电机到二级控制器的频率信号的传输以及从控制器到MMG单元的控制命令的传递。假设加性噪声模型,噪声频率测量可以表示为:(10)ΔFi?=ΔFi+ηi,其中ΔFi?表示测量到的频率偏差,ΔFi是真实的频率偏差,ηi表示测量噪声(见表1)。

假设1:通信基础设施假设以可忽略的通信延迟和同步的采样间隔运行,与专用的公用事业级通信网络一致。明确建模的主要通信损伤是测量数据损坏,如(10)中所定义的。高斯噪声被用作基线表示,而所提出框架对更复杂和非平稳通信干扰的鲁棒性通过手稿第4.7节中呈现的现实噪声分析进一步得到验证。

表1. 用于实时模拟的两区域IMMG的系统参数。

符号 描述
MMG 1 调速器时间常数 22
Kfc,i 燃料电池增益 44
Tpv,i 光伏时间常数 0.5
Hin,i 惯性常数 0.3
Tfw,i 飞轮时间常数 0.6
Kres,i 可再生能源增益 0.6
Tfc,i 燃料电池时间常数 0.1
Dload,i 负载阻尼系数 0.012
Tdg,i 柴油发电机时间常数 11
Kel,i 电解槽增益 0.002
Tbat,i 电池时间常数 0.5
Tsyn,ij 联络线同步系数 0.25
Rp,i 调速器下降系数 33
Tow,i 海洋波浪时间常数 0.5
Tel,i 电解槽时间常数 0.5

3. 所提出的控制框架
所提出的方法解决了在通信噪声存在的情况下IMMG系统的频率调节(FR)问题。对于第i个MMG,使用数据驱动的方法结合动态神经网络(DNN)和迁移学习来解决FR问题,如图2所示。这种方法使系统能够从干净的训练数据中学习,并在训练样本有限的情况下适应噪声操作条件。

3.1. 神经网络架构
DNN模型在系统的输入和输出之间建立了非线性映射关系。与传统的线性模型不同,所提出的DNN捕捉了MMG系统中固有的复杂、时间依赖的动态。它是一种前馈神经网络,包括一个输入层、一个具有Q个神经元的隐藏层和一个输出层,该输出层结合了来自先前输出的反馈,从而能够有效地建模时间依赖性。对于第i个MMG,DNN配置基于过去的观测值预测未来输出:(11)Y?i(t)=σ(Yi(t?1),…,Yi(t?ny),Ui(t),Ui(t?1),…,Ui(t?nu);Θ),其中Y?i(t)表示系统在时间t的预测输出,Yi(t)和Ui(t)分别表示实际输出和输入向量。当前输入Ui(t)被包括在内,因为假设在预测时它是可用的。系统记忆长度由ny和nu表示,分别对应输出和输入样本。非线性函数σ(?)表示神经网络学习的映射,Θ表示所有权重矩阵和偏置向量的集合。

3.2. 领域准备
源域表示通信通道可靠且无噪声干扰的理想运行条件。对于第i个MMG,源域的系统测量数据在通信信号中没有测量噪声。源模型使用标记的数据集进行全面训练:Ds={(Uis(k),Yis(k))}k=1Ns,其中Ns表示源域训练样本的数量。在这个域中,Uis=[ΔFiΔPtie,ij]T和Yis=[Ec,i]分别是输入向量和输出向量,其中Ec,i是由FR系统生成的ACA。源网络的参数由Θs表示。

在实际操作中,通信通道容易受到噪声和干扰的影响。因此,目标域表示一个更现实的场景,其中信号受到加性高斯噪声的损坏。目标数据集表示为:Dt={(Uit(k),Yit(k))}k=1Nt,其中Nt表示目标域样本的数量。因此,目标输入和输出向量分别是Uit=[ΔFi?ΔPtie,ij]T和Yit=[Ec,i?]。目标网络的参数表示为Θt。

下载:下载高分辨率图像(525KB)
下载:下载全尺寸图像

图2. 在通信噪声下使用动态神经网络和迁移学习的第i个MMG的提出架构。

注1:根据迁移学习文献[32]中建立的形式定义,域被定义为D={X,P(X)},其中X表示特征空间,P(X)是该空间上的边际概率分布。当Ps(X)≠Pt(X)时,即源数据和目标数据的统计属性不同时,发生域偏移。在这项工作中,Ds和Dt之间的域偏移通过测量噪声和数据稀缺引起的边际输入分布P(Us)≠P(Ut)的变化以及由于区域特定的运行点分布、可再生能源生成剖面、负载特性和MG间传输场景中的工厂参数变化而引起的联合分布P(U,Y)的变化来体现。网络拓扑在所有评估的情景中保持一致。在这两种情况下,互连MMG系统的共享动态结构确保源域和目标域保持足够的关联,以满足正迁移的条件[32]。

3.3. 源模型预训练
在正向传播过程中,输入层接收由延迟输出和输入组成的连接特征向量。隐藏层的激活计算为:(12)his=?Wihsxis+bhs,其中?(?)表示双曲正切激活函数。输入特征向量xis定义为:(13)xis=Yi(t?1),…,Yi(t?ny),Ui(t),Ui(t?1),…,Ui(t?nu)T,维度xis∈R(ny+2(nu+1))。相应的输入到隐藏层的权重矩阵和偏置向量分别为Wihs∈RQ×(ny+2(nu+1))和bhs∈RQ。

输出层生成预测的控制信号为:(14)Y?is=Whoshis+bos,其中Whos∈R1×Q,bos∈R。训练目标采用贝叶斯正则化来平衡预测准确性和模型复杂性。通过最小化损失函数(15)Θs?=argminΘsβ∑k=1NsYis(k)?Y?is(k)2+α∑w∈Wsw2来获得最优参数,其中β是权衡预测准确性的性能参数,α是控制权重惩罚对模型复杂性影响的正则化参数。第一项最小化所有源域样本上的预测误差,第二项惩罚大的网络权重以防止过拟合。

下载:下载高分辨率图像(625KB)
下载:下载全尺寸图像

图3. 与所提出的分布式控制框架集成的IMMG系统的方法论。

3.4. 知识转移
迁移学习解决了在目标域数据稀缺或收集成本高昂时训练鲁棒模型的挑战。通过利用在丰富干净数据上训练的源模型的知识,目标模型可以在有限的噪声样本下实现有效的性能。适应过程采用两阶段微调策略,旨在平衡知识保留和领域特定适应。在第一阶段,目标模型从优化的源模型继承输入到隐藏层的参数。在这些参数在此阶段保持冻结,保留了从干净数据中学到的一般特征表示。只有输出层参数使用有限的目标数据集进行优化,如(16)所示。(16)Θhot,frozen=argmin{Whot,bot}LtWiht=Wihs?,bht=bhs?,其中Lt(?)表示目标域损失函数。这种冻结层方法有两个优点:通过减少参数优化提高计算效率,并防止新训练覆盖先前学习的表示。

下载:下载高分辨率图像(281KB)
下载:下载全尺寸图像

在第二阶段,所有网络参数都被解冻并使用目标域损失函数进行微调:(17)Lt(Θt)=β∑k=1NtYit(k)?Y?it(k)2+α∑w∈Wtw2。最终优化的目标参数获得为:(18)Θt?=argminΘtLt(Θt)。方程(18)表示全面的微调过程,其中所有模型参数都基于目标损失函数进行优化。这使得整个网络能够在从第一阶段建立的良好初始化状态的基础上适应目标域特性。两阶段策略确保模型保留了可泛化的动态知识,同时适应噪声特定的变化。所提出的领域适应辅助智能分布式控制框架将DNN与权重传递集成到MMG负载FR循环中,以增强在通信噪声和数据稀缺下的韧性,如图3所示。所提出框架的实现伪代码在算法1中说明。

4. 所提出框架的性能评估
所提出的DNN采用具有单个隐藏层的动态循环架构,该隐藏层包含Q=15个神经元。输入和反馈记忆长度设置为nu=ny=4,使网络能够捕捉时间依赖性和非线性动态。隐藏层使用双曲正切激活函数,以实现平滑的非线性映射和稳定的梯度传播。高保真度训练数据对于鲁棒的领域适应至关重要,特别是在从理想环境到测量损坏环境转移控制策略时。为了构建源域,通过在50秒的时间范围内模拟MMG系统,在不同的运行条件下生成了全面的数据集,包括随机可再生能源波动和可变负载剖面。采样间隔为Ts=50 μs,这提供了Ns=1,000,000个样本的源数据集。目标适应采用贝叶斯正则化,它本质上惩罚过大的权重幅度,以减轻过拟合并增强在数据受限条件下的抗通信噪声能力。所有数据集被划分为70%的训练集、15%的验证集和15%的测试集,以确保在所有适应阶段都能进行可靠的性能评估。表2总结了所提出DNN的超参数配置和数据集规格。

表2. 所提出DNN的超参数配置和数据集规格。

参数 符号 值
隐藏神经元 Q 15
输入延迟 nu 4
反馈延迟 ny 4
数据划分 –70%训练/15%验证/15%测试
采样间隔 Ts 50 μs
模拟持续时间 Tsim 50 s

4.1. 源域的训练
开发一个鲁棒的源域是有效知识转移的先决条件。源模型作为系统动态的基础,在没有通信噪声或样本稀缺的高保真数据上进行训练。为了确保学习到的表示能够准确捕捉频率响应(FR)行为,训练数据集Ds是在标准运行条件下使用传统的次级控制器生成的。这种方法保证了维持互联的IMMGs稳定所需的协调功率流。图4展示了在此源训练阶段IMMGs的动态性能。图4(a)展示了频率偏差轨迹,图4(b)描述了联络线功率交换,图4(c)详细说明了随机可再生能源(RESs)的分布和驱动系统动态的负载变化。下载:下载高分辨率图像(176KB)下载:下载全尺寸图像

图4. 在无通信噪声的标准条件下IMMG系统的响应:(a) 频率偏差,(b) 联络线功率偏差,以及(c) 可再生能源和负载分布。

4.2. 情况1:在数据有限和通信噪声条件下的MG内部传输
为了评估所提出框架的性能,使用加性高斯噪声对测量数据进行了建模,定义为ηi~N(0,σ2),其中噪声方差由σ2=(αn?max|ΔFi|)2给出,αn表示相对噪声水平。在这种设置下,IMMG的两个区域都受到σ=3×10?3的噪声影响,同时考虑了原始训练数据丢失10%的情况。训练过程从预训练的源域开始,从而将其学习到的表示有效地转移到噪声较大且数据有限的目标数据集。图5展示了在这些约束条件下所提出框架的训练收敛情况。可以观察到,尽管存在噪声和数据减少,训练过程仍然稳定并且高效地收敛。图6展示了源模型预测与所提出的迁移学习模型预测之间的比较。两种响应之间的紧密对齐表明,即使在数据质量下降的情况下,迁移模型也成功捕捉到了系统的动态特性。

为了进行公平比较,使用相同有限且噪声较大的目标数据集从头开始训练了一个基线模型。表3总结了源训练和所提出框架的定量性能指标。显然,与基线相比,迁移学习模型在两个MMG上都一致地实现了更低的MAE和MSE。MSE从3.3012×10?6降低到2.6055×10?6,而在MMG 2中,MSE从1.4081×10?7降低到1.0087×10?7。迁移学习阶段的训练时间也低于或与基线相当,表明学习效率得到了提高。

为了进一步验证训练模型在在线操作中的有效性,通过迁移学习获得的控制器被部署在IMMG系统中。图7(a)展示了频率偏差响应,尽管存在干扰,系统仍表现出稳定且阻尼良好的动态特性。图7(b)说明了注入的通信噪声对测量信号的影响。图7(c)显示了联络线功率偏差,其中MMGs之间的功率交换保持平稳,没有显著的振荡;图7(d)展示了应用于系统的RESs发电和负载变化。

下载:下载高分辨率图像(181KB)下载:下载全尺寸图像

图5. 情况1:在10%数据丢失和通信噪声条件下所提出的MG内部传输框架的训练收敛情况。

下载:下载高分辨率图像(199KB)下载:下载全尺寸图像

图6. 情况1:在10%数据丢失和通信噪声条件下,源域预测与适应后的MG目标域输出之间的比较。

下载:下载高分辨率图像(278KB)下载:下载全尺寸图像

图7. 情况1:在10%数据丢失和通信噪声条件下的动态FR响应:(a) 频率偏差,(b) 通信噪声,(c) 联络线功率偏差,以及(d) 可再生能源和负载分布。

表3. 情况1:在10%数据丢失和通信噪声条件下,所提出的MG内部传输框架与直接训练基线之间的性能比较。

MMGs
阶段 时间(秒) 子代数 MAE MSE
MMG 1 基线 66.20 730 1.81 69×10?3 3.30 12×10?6
迁移学习 51.75 130 1.61 42×10?3 2.60 55×10?6

MMG 2 基线 49.68 30 3.75 25×10?4 1.40 81×10?7
迁移学习 46.78 30 3.17 59×10?4 1.00 87×10?7

4.3. 情况2:在数据有限和通信噪声条件下的MG间传输
为了进一步评估所提出框架的泛化能力,考虑了一个跨MG区域的传输学习场景,其中知识在具有不同系统特性的MG区域之间进行传输。在MMG 1上训练的源模型用于初始化MMG 2的目标模型,反之亦然。与之前的情况类似,两个区域都受到σ=3×10?3的加性高斯通信噪声的影响,并且原始训练数据丢失了20%。图8展示了在这种跨区域传输设置下所提出框架的训练收敛情况。尽管数据丢失和域不匹配,训练过程仍然稳定并且有效收敛。图9进一步验证了其有效性,将源模型预测与所提出的迁移学习模型响应进行了比较。

为了进行公平比较,使用相同有限且噪声较大的目标数据集从头开始训练了一个基线模型。表4总结了源训练和所提出的迁移学习框架的定量性能指标。迁移学习模型与基线相比,无论在哪个MMG中都实现了更具竞争力的性能。具体来说,在MMG 1中,MSE从3.3012×10?6降低到2.1632×10?6;在MMG 2中,MSE从1.4081×10?7降低到2.4832×10?7,显示出即使在域不匹配的情况下也能有效传递知识。

下载:下载高分辨率图像(178KB)下载:下载全尺寸图像

图8. 在20%数据丢失和通信噪声条件下,所提出的MG间传输框架的训练收敛情况。

下载:下载高分辨率图像(196KB)下载:下载全尺寸图像

图10. 在20%数据丢失和通信噪声条件下,源域预测与适应后的目标域输出之间的比较。

下载:下载高分辨率图像(195KB)下载:下载全尺寸图像

图10. 情况2:在20%数据丢失和通信噪声条件下的动态FR响应:(a) 频率偏差,(b) 联络线功率偏差,以及(c) 可再生能源和负载分布。

表4. 在20%数据丢失和通信噪声条件下,所提出的MG间传输框架与直接训练基线之间的性能比较。

MMGs
阶段 时间(秒) 子代数 MAE MSE
MMG 1 基线 71.44 530 1.81 69×10?3 3.30 12×10?6
迁移学习 46.33 30 1.47 08×10?3 2.16 32×10?6
MMG 2 基线 55.94 33 4.17 74×10?4 1.74 51×10?7
迁移学习 47.38 30 4.98 32×10?4 2.48 32×10?7

4.4. 在数据包丢失条件下的域传输性能
除了加性测量噪声外,数据包丢失也是分布式MMG控制架构中的一个关键通信障碍。为了评估所提出框架在数据不连续性下的性能,在目标域数据采集阶段引入了数据包丢失场景。具体来说,10%的测量和控制信号样本被随机替换为零,以模拟MG到次级控制器通信通道中的数据包丢失。训练过程从预训练的源域模型开始,从而将其学习到的表示有效地转移到受数据包丢失影响的目标数据集。图11展示了在这些约束条件下所提出框架的训练收敛情况。尽管数据丢失增加且域不匹配,损失曲线仍然显示出稳定的收敛性,表明迁移的表示有效地规范了适应过程。图12进一步证明了源模型预测与所提出的迁移学习模型输出之间的对齐,确认了该框架即使在数据包丢失的情况下也能成功重构控制动态。

下载:下载高分辨率图像(167KB)下载:下载全尺寸图像

图11. 在数据包丢失条件下,所提出框架的训练收敛情况。

下载:下载高分辨率图像(177KB)下载:下载全尺寸图像

图12. 在数据包丢失条件下,源域预测与适应后的目标域输出之间的比较。

下载:下载高分辨率图像(193KB)下载:下载全尺寸图像

图13. 在数据包丢失条件下的动态FR响应:(a) 频率偏差,(b) 联络线功率偏差。

表5. 在10%数据包丢失和通信噪声条件下,所提出的域传输框架与直接训练基线之间的性能比较。

表6总结了所有评估数据退化场景下的时域和积分性能指标。所有案例都在t=30秒时受到相同的20%阶跃负载干扰,以确保比较的一致性。报告的指标包括频率最低点、超调、稳定时间(Ts)、积分绝对误差(IAE)和积分时间加权绝对误差(ITAE),这些指标针对MMG两个区域和互联的联络线进行了评估。

在所有案例中,所提出的框架保持了高度一致的瞬态性能,与标准源域基线的偏差很小。对于MMG 1,稳定时间从10.2633秒增加到最大10.4394秒,变化约为1.71%;同样,对于MMG 2,稳定时间从9.5821秒变化到9.6890秒,变化约为1.11%。在积分性能方面,MMG 1的IAE从6.9611×10?2略微增加到6.9761×10?2,而ITAE从5.1854×10?1增加到5.2327×10?1;对于MMG 2,IAE从7.7641×10?2变化到7.7901×10?2,ITAE从5.0037×10?1略微增加到5.0708×10?1。频率最低点和超调在所有场景中变化很小。例如,MMG 1的频率最低点保持在?3.3172×10?2到?3.3320×10?2的范围内,而超调仅从5.0751×10?3略微变化到5.2343×10?3。这些结果表明,即使在数据丢失、通信噪声和数据包丢失的情况下,所提出的框架也保留了源域控制器的动态响应特性,仅有轻微的性能下降。

表6. 在不同数据退化场景下的比较时域性能指标。

空单元 阶段 频率最低点 超调 Ts(秒) IAE ITAE
MMG 1 基线 ?3.3172×10?2 5.07 1×10?3 10.26 3.69 6.96 11×10?2 5.18 5.18 5.22
情况1 ?3.33 14×10?2 5.22 5.22 10.44 6.97 6.97 5.23 6.97 5.23
情况2 ?3.33 11×10?2 5.20 84×10?3 10.44 6.97 6.97 5.22 86×10?1
情况3 ?3.33 20×10?2 5.23 43×10?3 10.43 6.97 6.97 5.23 20×10?1

表6. 在不同数据退化场景下的比较时域性能指标。

4.7. 在不同噪声条件下的鲁棒性评估
为了评估所提出框架对测量不确定性的鲁棒性,在不同水平的通信噪声下进行了全面分析。具体来说,分别向系统测量中注入了标准差为σ=3×10?3、6×10?3和9×10?3 p.u.的加性高斯噪声,代表轻微、中等和严重的噪声条件。图15展示了在这些噪声强度下IMMG系统的动态响应。在轻微噪声场景(图15(a)–(c))中,系统表现出良好的阻尼频率偏差和最小的振荡;相应的联络线功率保持平稳,反映了尽管存在测量噪声,区域间的功率交换仍然稳定。随着噪声强度增加到σ=6×10?3 p.u.(图15(d)–(f)),频率和联络线响应开始出现轻微波动。在严重噪声条件(σ=9×10?3 p.u.,图15(g)–(i))下,测量损坏的影响变得更加明显。尽管可以观察到振荡行为的增加,但系统仍然保持稳定,偏差也得到了有效限制。在鲁棒性分析过程中应用的负载变化曲线如图15(j)所示,确保系统同时受到动态干扰和测量噪声的影响。因此,所提出的框架在广泛的噪声强度范围内保持了稳定和可靠的性能。虽然随着噪声水平的增加性能会下降,但控制器表现出强大的干扰抑制能力,并且在严重的测量误差下仍能保持系统稳定性。

下载:下载高分辨率图像(625KB)
下载:下载全尺寸图像

图15. 在不同通信噪声水平下的鲁棒性评估:(a)–(c) 轻微噪声(σ=3×10?3 p.u.)下的频率偏差、噪声信号和联络线功率;(d)–(f) 中等噪声(σ=6×10?3 p.u.)下的相应响应;(g)–(i) 严重噪声(σ=9×10?3 p.u.)下的响应;以及(j) 负载曲线。

4.8. 在非高斯噪声条件下的鲁棒性评估
虽然高斯白噪声为初步评估提供了一个可行的基准,但实际的MMG通信信道受到结构化、非平稳的损害,这与理想化模型有显著差异。在传感器层面,老化组件和温度梯度引入了缓慢累积的偏置漂移,随着时间的推移持续偏移测量信号。在传输层面,电力电子开关瞬变和间歇性数据包突发产生了本质上是非高斯的强幅度脉冲干扰事件。除此之外,接收端模拟-数字转换器的有限分辨率进一步对采集的信号施加了离散量化误差,为数字化测量增加了固定的、与分辨率相关的误差。为了评估所提出框架在实际信道条件下的实用性,构建了一个现实的多源噪声模型:(19)ηreal(t)=ηbias(t)+ηquant(t)+ηimpulse(t),每个组件都基于实际MMG通信基础设施中观察到的不同物理机制。偏置噪声ηbias(t)被建模为标准化随机游走,反映了传感器漂移的逐渐、非平稳特性,这种漂移在测量范围内持续累积而不是表现为瞬时偏移。量化噪声ηquant(t)源于实际ADC硬件无法以无限精度表示连续信号,导致每个采样时刻都存在小的舍入误差。突发项ηimpulse(t)被建模为低概率、高幅度的脉冲过程,这与电力系统通信链路中观察到的开关引起的电磁干扰和短持续时间数据包碰撞事件的统计行为一致。这三种噪声同时独立作用,产生了一种非高斯、非平稳、多谱特性的综合损害。每个组件的完整参数化在表7中提供。

然后在这个真实的噪声曲线下评估所提出的框架,结果如图16(a)–(c)所示。尽管同时存在低频偏置漂移、离散量化步骤和高幅度脉冲突发,所提出的框架在两个区域都保持了良好的频率调节,并在负载干扰后保持了稳定的联络线功率交换。

表7. 综合真实通信噪声模型的参数。
噪声成分 物理来源 参数/值
偏置 热漂移/传感器老化 标准化随机游走,尺度1.0×10?4
ADC量化 有限数字分辨率 步长q=1.0×10?3
脉冲噪声 开关瞬变 发生概率0.1%,幅度5.0×10?3

下载:下载高分辨率图像(210KB)
下载:下载全尺寸图像

图16. 在非高斯噪声下的鲁棒性评估:(a) 频率偏差,(b) 噪声信号,(c) 综合噪声下的联络线功率。

4.9. 可扩展性分析
为了验证所提出框架的可扩展性和泛化能力,研究扩展到了如图17所示的六区域互联IMMG系统。在这种情况下,MMG 1作为源域,在没有通信噪声或数据丢失的高保真数据上进行了广泛训练。然后从MMG 1获得的知识被转移到在不同不利条件下运行的多个目标域。MMG 2代表一个数据稀缺的环境,只有50%的训练样本可用,模拟了传感器故障。MMG 4代表一个受到加性高斯噪声(标准差σ=6×10?3 p.u.)污染的环境,反映了严重的测量不确定性。图18展示了六区域系统在阶跃负载干扰下的动态性能,包括详细瞬态分析的放大视图。图18(a)显示了所有MMG的频率偏差轨迹,而图18(b)和(c)分别提供了t=30s和t=40s时的放大视图。尽管MMG 2的数据稀缺且MMG 4的噪声水平较高,所提出的域适应框架成功地将频率恢复到名义值,并且瞬态得到了良好的抑制。联络线功率交换动态在图18(d)中展示,相应的t=30s和t=40s时的放大视图分别在图18(e)和(f)中显示,突出了区域间振荡的有效抑制。表8中的定量分析强调了该方法的计算效率。MMG 1的源模型需要67.11秒和30个周期才能在完整数据集上收敛。MMG 2和MMG 4的适应模型与源模型相比取得了有竞争力的性能。数据稀缺的MMG 2模型仅在49.80秒内收敛,训练时间比源模型减少了25%。

下载:下载高分辨率图像(71KB)
下载:下载全尺寸图像

图17. 用于可扩展性分析的六区域IMMG系统的拓扑布局。MMG 1作为具有完整高保真数据的源域,MMG 2和MMG 4作为在通信噪声和数据稀缺条件下运行的异构目标域。

下载:下载高分辨率图像(513KB)
下载:下载全尺寸图像

图18. 在负载瞬变下所提出控制框架的可扩展性分析:(a) 频率偏差,(b) (a)在30秒时的放大视图,(c) (a)在40秒时的放大视图,(d) 联络线功率交换动态,(e) (d)在30秒时的放大视图,(f) (d)在40秒时的放大视图。

表8. 可扩展性分析的训练性能指标。
区域 阶段 时间(秒) 周期 MAE MSE
MMG 1 67.11 30 1.54 4×10?4 6.21 1×10?6
MMG 2 49.80 30 3.73 1×10?4 9.55 4×10?6
MMG 4 50.32 30 3.40 5×10?4 8.85 4×10?6

下载:下载高分辨率图像(253KB)
下载:下载全尺寸图像

图19. 实时仿真测试平台:OPAL-RT OP5700实时模拟器执行两区域IMMG模型,主机计算机实现训练好的控制器,以及基于以太网的通信网络。

4.10. 实时验证
使用OPAL-RT OP5700实时模拟器进行了实时仿真研究,以验证所提出框架的实际可行性。实验设置如图19所示,包括通过基于以太网的通信网络与OP5700平台连接的主机计算机,分配了共享IP地址以在主机PC和OPAL-RT OP5700系统之间建立无缝通信。两区域IMMG系统在实时模拟器上实现和执行。选择MMG 1的输入和输出变量以便于数据采集,其中控制器的输入信号包括区域1的频率偏差、区域2的频率偏差和联络线功率偏差,而控制器的相应输出包括应用于DGs和ESUs的次级控制信号,用于频率调节。仿真配置了50μs的固定时间步长。在无噪声条件下进行了50秒的初始实时仿真运行,以收集IMMG系统区域1的源数据集用于模型训练。随后,在主机PC仿真模型中模拟了通信噪声,并将其应用于区域1的测量,然后在相同的采样条件下进行了第二次50秒的仿真运行,以捕获受噪声污染的测量数据。基于DNN的源模型在收集的数据上进行了训练,并部署在IMMG系统的区域1中。在两种不同的负载变化场景下评估了训练好的模型,以评估其泛化能力和鲁棒性。实验结果如图20所示。图20(a)显示了无噪声条件下的频率偏差响应,展示了稳定的动态;图20(b)展示了存在σ=4×10?5 p.u.通信噪声时的频率响应,其中由于测量误差观察到轻微波动。然而,整个系统的稳定性得到了保持。图20(c)展示了两个区域之间的相应联络线功率偏差,显示了平滑和协调的功率交换。

下载:下载高分辨率图像(314KB)
下载:下载全尺寸图像

图20. 实验验证结果:(a) 无通信噪声时MMG 1的频率偏差响应,(b) 有通信噪声(σ=4×10?5 p.u.)时MMG 1的频率偏差响应,以及(c) MMG之间的联络线功率偏差。

表9. 所提出方法与现有数据驱动工作的比较。
[18][19][13][15][16]
提出的方法 域传递能力 ??????
无需高保真数据即可工作 ??????
快速收敛 ??????
低计算成本 ??????
减少数据需求 ??????

4.11. 基于特征的现有研究比较
现有研究采用了不同的系统模型和控制配置。因此,仅基于性能指标的直接定量比较并不具有决定性。因此,对最先进的框架和所提出的方法进行了基于特征的定性比较。所提出的框架解决了三个关键标准:它实现了有效的域传递,利用有限的计算资源促进了快速训练,并在噪声环境中保持了鲁棒性。表9总结了所提出的方法与文献中报告的最新数据驱动和自适应控制策略之间的比较分析。尽管当代框架提出了先进的数据驱动方法,但它们缺乏跨域传递知识的能力,当操作条件变化时需要完全重新训练。相比之下,所提出的域适应辅助框架结合了两阶段传递学习策略,显著减少了数据需求,同时保留了可泛化的特征。通过在初始适应阶段冻结输入到隐藏层的权重,模型比从头开始训练实现了更快的收敛。分布式架构还确保了可扩展性,而在目标域训练中对测量噪声的显式处理增强了在实际通信约束下的韧性。

5. 结论
本文提出了一种用于在有限和噪声数据条件下操作的IMMGs中频率恢复的域引导数据驱动分布式控制框架。通过将传递学习与动态神经网络结构相结合,所提出的方法实现了从干净源域到噪声目标域的有效知识传递,同时减少了对大规模高质量数据集的依赖。两阶段适应策略在保持系统动态可泛化的同时,允许针对目标操作条件进行高效微调。所提出的框架在三种不同的退化场景下进行了评估:MG域内传递(数据丢失10%)、MG域间传递(数据丢失20%)以及通信通道中的数据包丢失。在所有三种退化场景中,与直接在有限和噪声污染的目标数据上训练的基线模型相比,所提出的框架一致实现了高达64%的MSE降低和最多35%的训练时间节省。时域性能指标确认,所提出的框架在所有测试场景中保留了源域控制器的动态响应特性,且稳定时间变化相对于名义基线保持在1.71%以下。在真实通信噪声条件下的鲁棒性评估和六区域IMMG系统上的可扩展性分析进一步证明了所提出框架在多样化和异构操作环境中的韧性和泛化能力。在OPAL-RT OP5700平台上的实时验证确认了所提出控制器的实际可行性和部署准备就绪。尽管这些结果很有希望,但当前研究仍存在某些局限性。本研究中假设通信延迟可以忽略不计。未来将系统地研究通信延迟对所提出框架性能的影响,旨在为实际的MMG部署开发考虑延迟的适应机制。

CRediT作者贡献声明
Mamun Or Rashid:撰写——原始草稿、可视化、方法论、调查、概念化。
Md Ohidul Islam:撰写——原始草稿、可视化、方法论、数据整理、概念化。
Siam Billah:撰写——原始草稿、方法论、调查、概念化。
Sumaya Tasnim:撰写——审阅与编辑、可视化、软件。
Subrata K. Sarker:撰写——审阅与编辑、验证、监督。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号