基于图-Koopman连续提升状态预测的动态微电网拓扑切换协调控制
《Electric Power Systems Research》:Graph-Koopman continuous lifted-state prediction-based coordinated control for topology switching in dynamic microgrids
【字体:
大
中
小
】
时间:2026年08月30日
来源:Electric Power Systems Research 4.3
编辑推荐:
•Graph-Koopman通过连续的提升状态传播实现跨拓扑预测。•事件触发更新与卡尔曼滤波校正提高了预测精度。•滚动优化协调电压、频率和联络线功率调节。•该方法在训练集外的结构变化条件下仍然有效。•C-HIL测试验证了在顺序拓扑切换下的实时可行性。引言随着分布式能源资源(D
•Graph-Koopman通过连续的提升状态传播实现跨拓扑预测。•事件触发更新与卡尔曼滤波校正提高了预测精度。•滚动优化协调电压、频率和联络线功率调节。•该方法在训练集外的结构变化条件下仍然有效。•C-HIL测试验证了在顺序拓扑切换下的实时可行性。引言随着分布式能源资源(DER)的大规模接入,配电系统正朝着更加灵活和动态的运行条件演进。动态微电网(DMG)的电气边界可通过智能开关(SSW)进行调整,能够在分阶段恢复和DMG形成[1]、微电网互联/孤岛运行[2]以及有意孤岛运行或灵活边界运行[3]、[4]中提高系统韧性和运行灵活性。在配电网络紧急恢复期间,上层决策者通常会规定拓扑切换序列[5],有时还涉及频率安全约束[6],而执行层必须协调电压、频率和联络线功率暂态。由于拓扑切换会突然改变网络耦合关系和功率传输路径,为平滑调节提供连续预测支持仍然是DMG运行中的关键挑战。现有DMG研究主要集中在恢复调度、黑启动支持和网络化微电网形成。动态边界微电网已被纳入基于学习的供电恢复[5]和频率约束恢复调度[7]中,以增强灾后恢复能力。DER支持的黑启动支持和网络化微电网形成也得到了研究,重点关注智能开关操作、同步约束和频率安全考虑[8],而随机黑启动资源分配则支持不确定性条件下的DER辅助恢复[9]。这些研究为DMG形成和资源协调提供了重要基础,但主要解决上层恢复和形成决策问题,对执行阶段的暂态预测和协调控制研究尚不充分。近期研究进一步探讨了过渡控制以缓解切换引起的暂态。现有方法通过不同运行条件下的无缝过渡控制[10]、[11]、基于扰动观测器的控制[12]、微电网保护和并网同步方案[13]、基于线性二次调节器的调节[14]以及可切换的跟网/构网策略[15],改善了并网/孤岛模式过渡性能。动态边界微电网重构也得到了研究,通过塑造切换前功率流和电压相量并在切换后恢复频率、电压和功率分配,实现近似无冲击切换[3]。尽管这些方法改善了切换事件前后的运行条件,但它们主要关注切换前准备和切换后恢复,其支持切换执行阶段全程基于预测的协调控制的能力仍然有限。从建模和预测角度来看,这一局限性与在保持预测状态连续性的同时表征跨拓扑动态演化的难度密切相关[16]、[17]。固定模型方法通常针对给定拓扑或预定配置开发[18]、[19],而相关的稳定化和即插即用控制方法提高了运行或结构变化下的鲁棒性[20]、[21]。然而,一旦SSW动作改变了网络连接、等效导纳和功率传输路径,固定模型可能发生失配并失去预测精度。分段或切换模型可以使用独立模型表示不同拓扑[22],但显式模型切换可能引入状态重置、预测失配或递归预测过程中的不连续性。因此,固定模型和分段切换模型在拓扑切换期间仍难以提供准确的、可持续更新的多步预测支持。同时,基于Koopman的提升提供了一种通过提升空间中的线性演化来表征非线性动力学的数据驱动方法,已应用于动态状态估计[23]和暂态稳定性预测[24]。图神经网络也在电力系统应用中展现了强大的拓扑表征能力[25],包括变化网络结构下的暂态风险筛查[26]。然而,传统Koopman模型通常针对固定系统动力学开发,未明确考虑结构变化,因此拓扑切换后其预测精度可能下降。相比之下,纯图模型可以捕获当前拓扑特征,但通常无法直接提供拓扑切换期间协调控制所需的连续多步预测。总之,DMG在预定拓扑切换期间的协调控制仍面临两个关键挑战。首先,拓扑切换破坏了固定模型和分段模型的预测一致性,难以在避免预测状态失配或重置的情况下获得准确的跨拓扑多步动态信息。其次,现有数据驱动方法尚未有效整合拓扑感知表征与连续预测建模,因此无法在切换过程中同时支持快速预测适应和平滑协调调节。为解决这些挑战,本文提出了一种基于Graph-Koopman连续提升状态预测的DMG拓扑切换协调控制方法。通过将图拓扑编码与Koopman非线性提升相结合,所提方法构建了具有连续提升状态传播的拓扑感知预测模型,并进一步建立了滚动优化(RO)控制框架用于协调调节。本文主要贡献总结如下。(1)针对DMG拓扑切换提出了拓扑感知的Graph-Koopman连续提升状态预测模型。该模型将节点级运行测量和拓扑邻接信息嵌入拓扑-运行联合图特征,并在统一的提升空间中构建图特征条件的Koopman预测动力学。通过在切换时刻递归传播提升状态而不重新初始化,该模型提供了跨拓扑多步预测,同时缓解了DMG重构中的拓扑引起模型失配[19],并避免了显式切换或分段预测模型中的预测状态重置或不连续性[22]。(2)通过结合事件触发图特征更新与递归卡尔曼滤波(KF)校正,设计了在线预测更新机制。通过更新图特征条件预测矩阵并递归校正提升状态而不重新初始化,该机制为在线协调控制[27]、[28]提供了持续更新的跨拓扑多步预测。(3)基于所提连续提升状态预测模型,为DMG切换执行阶段开发了RO协调控制器。该控制器将具有连续提升状态传播的跨拓扑多步预测嵌入在线优化中,以协调频率、电压和联络线功率调节,并通过预测误差有界性和闭环实际稳定性分析为闭环运行提供理论支撑。本文其余部分组织如下。第2节描述了DMG拓扑切换模型并制定了协调控制问题。第3节提出了Graph-Koopman连续提升状态预测模型及其在线更新机制。第4节开发了基于预测的RO控制器并分析了预测误差有界性和闭环实际稳定性。第5节报告了仿真和实时C-HIL验证结果。第6节总结了全文。第2节片段拓扑切换模式与图表示DMG由多个最小微电网(Min-MG)通过智能开关(SSW)互联形成,其电气边界可能随SSW操作离散变化。设采样时刻k的网络拓扑模式为????∈????,其中σk表示由所有SSW闭合/断开状态共同决定的离散拓扑模式,????表示可达拓扑模式集合。设采样周期为Ts。则在采样间隔内拓扑保持不变。第3节基于Graph-Koopman的拓扑感知预测建模本节开发了基于Graph-Koopman的拓扑感知跨拓扑预测模型,具有连续提升状态传播,为拓扑切换下的RO控制提供多步预测支持。第4节RO控制公式化基于第3节开发的Graph-Koopman拓扑感知预测模型,为DMG拓扑切换执行阶段设计了RO控制器。在采样时刻k,给定预定拓扑序列下,校正后的提升状态估计?????|??可用。基于?????|??,首先生成名义多步关键输出预测序列,然后用于构建有限时域优化问题以生成集中式二次控制输入来。测试系统与仿真设置为验证所提方法,基于修改的IEEE 34节点系统[31]构建了DMG测试系统,如图4所示。该系统由四个Min-MG和六个逆变器接口分布式发电单元(DG1–DG6)通过三组SSW(SSW1–SSW3)互联组成。通过改变SSW状态,系统可在????中收集的多种拓扑模式下运行。额定电压和频率分别为380V和50Hz。离线训练时,所有由允许的SSW组合诱导的拓扑组合。结论本文提出了一种基于Graph-Koopman连续提升状态预测的DMG拓扑切换协调控制方法。通过将拓扑-运行联合图特征嵌入统一的有限维Koopman提升空间,并集成事件触发图特征更新、基于KF的提升状态校正和RO控制,所提框架实现了具有连续提升状态传播的跨拓扑多步预测以及频率的协调调节。作者贡献声明Xiaotong Zhang:原稿撰写、可视化、验证、软件、方法论、调查研究、形式分析、数据整理、概念构思。Xiaobo Dou:审阅与编辑、监督、项目管理。Congyue Zhang:审阅与编辑、软件、资源、项目管理。Xiang Tao:资源、项目管理、资助获取。Junjie Xiong:资助获取、形式分析。利益冲突声明作者声明不存在已知的竞争性财务利益或个人关系可能影响本文所报告的工作。Xiaotong Zhang | Xiaobo Dou | Congyue Zhang | Xiang Tao | Junjie Xiong
生物通微信公众号
生物通新浪微博
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