基于t分布随机邻域嵌入的电力信息物理系统多参数神经网络比例-积分-微分协作控制器设计

《Engineering Applications of Artificial Intelligence》：Design of a multi-parameter neural proportional–integral–derivative cooperative controller for power cyber–physical systems using t-distributed stochastic neighbor embedding

　　

摘要

随着电力系统信息物理系统的发展，实时数据采集和协同控制为提升多区域输电系统的稳定性提供了新的机遇。本文提出了一种基于信息物理系统的发电机协同控制策略，旨在改善故障条件下多区域输电系统的稳定性。研究采用了一个7机29节点电力信息物理系统模型，通过信息物理系统实时采集多个参数，包括发电机定子电压、有功功率和无功功率。采用t分布随机邻域嵌入降维技术处理定子电压误差矩阵，将本地发电机数据与耦合发电机数据集成形成神经网络输入向量，从而预测最优的比例积分微分控制参数。通过结合多参数采集、t分布随机邻域嵌入降维和神经网络比例积分微分优化控制，开发出了一种多参数t分布随机邻域嵌入神经网络比例积分微分控制器，实现了高效的系统协同控制。仿真结果表明，在无损和不同丢包率通信环境下，所提出的多参数t分布随机邻域嵌入神经网络比例积分微分控制器始终优于传统比例积分微分控制器、反向传播神经网络比例积分微分控制器和模糊神经网络比例积分微分控制器。丢包敏感性分析进一步证实了其鲁棒性。特别是，所提控制器在有功功率和无功功率调节中的积分时间加权绝对误差显著低于其他控制器，展现了优越的跟踪精度和暂态控制性能。

引言

电网信息物理系统的快速发展推动了现代电网向更高互联性、智能化和协调性方向发展（El-Saadany等人，2026年）。电力信息物理系统通过实时数据采集和通信将物理层发电设备与信息层控制系统集成，从而支持多区域输电系统的稳定运行（Su等人，2022年；Wu和Li，2021年；Yohanandhan等人，2022年）。然而，在复杂的互联多机系统中，短路故障等扰动往往会在发电机之间引发同步振荡。仅依赖本地发电机参数的传统控制策略无法充分考虑系统全局耦合效应，从而限制了其维持系统稳定性的能力（Kumar和Dahiya，2024年；Zhou等人，2022年）。为克服这些局限性，近年来的研究探讨了各种先进技术。主成分分析和t分布随机邻域嵌入等降维方法通过提取显著特征和降低计算复杂度来处理高维数据（Anowar等人，2021年；Marx，2024年）。例如，t分布随机邻域嵌入已用于基于时频特征分离局部放电信号（Fu等人，2024年）。同时，基于神经网络并使用在线学习的自适应比例积分微分控制器也被提出，以在抑制多机系统非线性振荡时提高鲁棒性和响应速度（Shuprajhaa等人，2022年；Xie等人，2023年；Yang等人，2024年）。

尽管取得了上述进展，但仍存在一个重要研究空白：降维方法与多机协同控制在通信约束（特别是网络丢包）下的集成，受到的关注有限。此外，神经网络比例积分微分控制器在管理全局耦合多区域系统复杂非线性动力学方面仍面临巨大挑战（Huang和Wang，2023年；Zahraoui等人，2024年）。

基于在短路故障和通信丢包条件下维持电网稳定性的需求，本文针对7机29节点电力信息物理系统模型提出了一种基于t分布随机邻域嵌入的多神经网络比例积分微分协同控制器。所提控制器采用高度解耦的框图架构，其中一个分支调节反馈回路，另一个独立处理负载回路以生成优化的比例积分微分参数（Rizki等人，2026年；Yin和He，2023年）。该架构降低了计算复杂度，同时实现了快速准确的振荡抑制。与主要考虑理想化随机扰动的现有方法不同，所提控制器专门针对现实的网络丢包条件进行设计。

本研究的主要贡献总结如下：

• 1. 提出了一种基于信息物理系统的协同控制策略，用于实时采集7机29节点系统的定子电压和有功功率等参数，并整合本地和耦合发电机数据。与传统的本地控制不同，所提策略利用信息物理系统通信来考虑多机耦合效应，抑制短路故障引起的振荡，并增强多区域输电系统的稳定性。
• 2. 将t分布随机邻域嵌入技术应用于定子电压误差矩阵，以提取显著特征并优化神经网络输入。通过保留高维数据中的非线性邻域关系，t分布随机邻域嵌入降低了计算复杂度，提高了非线性特征提取能力，并与功率误差输入结合提高了比例积分微分参数预测的准确性。
• 3. 通过整合包括定子电压和有功功率在内的多个输入，开发了一种多t-SNE神经网络比例积分微分控制器。该控制器使用神经网络实时预测比例积分微分参数，从而缓解多机系统中的非线性振荡，快速抑制暂态响应，并改善不同通信条件下的系统稳定性。

7机29节点电力信息物理系统模型

物理电力系统由一个7机29节点输电系统模型表示（Kumar Mohanty等人，2023年；Wang，2019年）。

如图1所示，该模型代表一个735千伏输电网络，包含四个主要组成部分：西北网络、东北网络、MTL负载和QUE负载。系统包含七台发电机（G1至G7）和29个节点。MTL负载附近的短路故障会在多个区域的发电机之间引发同步振荡。传统的

基于主成分分析和t分布随机邻域嵌入的误差矩阵数据降维

表1列出了本文全文使用的数学符号。

图2展示了控制器的结构，其中信息物理系统管理从神经网络输入处理到比例积分微分控制输出的整个过程。

在稳态运行期间，每台发电机的参考定子电压r设定为1标幺值。当发生短路故障时，传感器测量七台发电机的实时定子电压信号Vm。

误差计算公式如下：

e(t) = r - y(t)

参数设置

发电机G1、G5和G6的参数设置如表2所列（Li等人，2025年），完整参数集见附录A。

在电力信息物理系统中，传感器从七台发电机采集实时运行参数。控制器处理这些数据以计算误差并确定发电机G5的机械功率输入，从而实现精确的功率调节。交换以太网为广域系统提供低延迟、可靠的通信。图4

结论

本文针对互联多机电力信息物理系统提出了一种基于t分布随机邻域嵌入处理误差矩阵的多t-SNE神经网络比例积分微分协同控制方案。与现有的控制方法不同，所提方案结合了广域耦合特征与本地多参数反馈，从而改善了振荡抑制能力和对通信丢包的容忍度。通过计算本地误差信息与误差数据矩阵的加权组合，由神经网络生成的比例积分微分

作者贡献声明

周俊杰：写作—审阅与编辑、写作—原稿、验证、软件、方法论、概念构思。高宏亮：写作—审阅与编辑、软件、资源、资金获取、概念构思。杨蒙：指导、软件。曹心怡：指导、软件。文志伟：软件、资源。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金[62271195]、湖北省自然科学基金[2021CFB578、2024AFB837和2024AFB812]以及湖北省教育厅科学研究计划项目[B2023134]的支持。

高宏亮是湖北师范大学电气与自动化工程学院教授，中国黄石435002，IEEE会员。2013年获华中科技大学控制科学与工程博士学位。研究方向包括智能控制、电力人工智能和无线传感器网络。邮箱：[e-mail]

周俊杰 | 高宏亮 | 杨蒙 | 曹心怡 | 文志伟