一种微网控制方法、微网控制系统及电子设备与流程

本技术涉及能源，尤其涉及一种微网控制方法、微网控制系统及电子设备。

背景技术：

1、随着太阳能和风能等可再生能源的技术进步，对于可再生能源等分布式能源的智能化管理和优化利用的需求日益增长。微网作为能源系统的重要组成部分，可以通过智能控制和优化算法来实现对能源的高效管理。随着微网中分布式能源数量的增加，微网系统的不确定、非线性、复杂性也相应大大增加，导致微网系统难以对未来的情况进行精准预测和控制。

2、为了更好地实现对微网系统的控制，通常采用基于“黑箱”的数据驱动的微网控制方法。该方法利用大量数据直接构建模型进行控制决策，在一定程度上可以处理像微网系统这样复杂的非线性系统。但该方法没有考虑微网系统内部的物理机制和结构，因此，该方法所构建的模型难以充分体现微网系统的动态特性，导致模型的准确性和泛化能力不足。

技术实现思路

1、本技术提供了一种微网控制方法、微网控制系统及电子设备，引入了库普曼算子，第一控制设备可以利用离线数据来确定库普曼算子和控制模型(即基于该库普曼算子的状态方程)，还可以通过在线数据对状态方程进行参数辨识以实现模型参数的更新，从而得到可用的控制模型实现准确、高效地建模调控，且该控制方法能够适用微网层级之间的协调控制。

2、第一方面，本技术提供了一种微网控制方法，应用于微网控制系统中的第一控制设备，微网控制系统还包括中央控制器以及一个或多个微网，其中，微网包括一个端控制器和一个或多个分布式能源的本地控制器；中央控制器与端控制器连接，微网中的端控制器与同一微网中的分布式能源的本地控制器连接；中央控制器用于控制一个或多个微网的端控制器，微网中的端控制器用于控制同一微网中的分布式能源的本地控制器；方法包括:基于离线数据得到库普曼算子，离线数据为来自微网控制系统中的第一节点在最近获取的第一数量的数据之前获取的数据；离线数据包括多组离线样本，一组离线样本包括第一节点在t时刻的状态数据和第一节点在t-1时刻收到的控制信号，状态数据包括以下一项或多项：第一节点的输出功率、电压、频率、电流；第一节点包括以下任一项：端控制器、分布式能源的本地控制器；利用库普曼算子对离线数据运算得到第一观测变量，并利用第一观测变量确定线性预测关系，线性预测关系用于描述k+1时刻的观测变量zk+1与k时刻的观测变量zk、k时刻的控制信号uk之间的线性关系；部署线性预测关系和库普曼算子至第一控制器，第一控制器是控制第一节点的控制器；其中，库普曼算子用于第一控制器基于第一节点在n时刻的状态数据xn得到n时刻的观测变量zn，线性预测关系用于第一控制器确定n时刻的控制信号un，un用于第一控制器对第一节点进行控制，第一节点在n+1时刻的实际状态数据xn+1与第一节点在n+1时刻的预测状态数据xn+1’之间的偏差小于第一阈值，预测状态数据是利用线性预测关系对zn和un计算得到的。

3、实施第一方面提供的方法，第一控制设备(例如中央电脑/云)可以基于离线数据训练得到库普曼算子(即基于库普曼基函数实现的状态数据和库普曼空间中的观测变量的映射关系)，再利用上述库普曼算子进一步得到用于实现系统控制的线性预测关系(即描述微网系统的状态方程)，然后第一控制设备可以将得到的控制模型和对应的库普曼算子部署到对应的控制器中，从而对应的控制器可以根据部署到控制器的控制模型找到控制信号从而实现对微网系统的控制。

4、相比于现有的基于开发人员经验选取库普曼基函数的微网控制方法，这种利用离线数据训练得到库普曼基函数的算法可以根据离线数据选择合适的库普曼基函数来对微网系统中的状态数据进行库普曼映射，从而可以更准确地描述微网系统的动态特性，进而提高后续建模得到的控制模型的准确性和泛化能力。

5、结合第一方面，在一些实施例中，第一控制设备基于离线数据得到库普曼算子，具体包括：利用离线数据对库普曼生成器进行训练，直至多项偏差的总和小于第二阈值，多项偏差包括第一偏差、第二偏差、第三偏差；其中，第一偏差为第一数据与离线数据之间的偏差，第一数据是由离线数据输入库普曼生成器输出得到的观测变量再经过逆运算得到的，第二偏差为第一数据与预测状态数据之间的偏差，第三偏差为第一性能数据与第二性能数据之间的偏差，第一性能数据为离线数据中的k时刻的控制信号uk应用到微网中测得的k+1时刻的实际状态数据xk+1与预测得到k时刻的预测状态数据xk+1’之间的偏差，第二性能数据为第一数据中k时刻的控制信号应用到微网中测得的k+1时刻的实际状态数据与预测得到的k+1时刻的状态数据之间的偏差；基于训练后的库普曼生成器得到库普曼算子。

6、实施上述实施例提供的方法，在基于离线数据训练生成库普曼算子的时候，第一控制设备可以设定有损失函数，该损失函数可以综合考虑多项偏差，包括第一偏差、第二偏差、第三偏差，上述第一偏差体现的是库普曼基函数对静态的状态数据从原始空间映射到库普曼空间所造成的偏差，上述第二偏差体现的是库普曼基函数对状态数据的映射和通过状态方程预测得到的结果之间的偏差，上述第三偏差体现的是原始状态数据经过库普曼基函数的映射再逆运算得到的数据用于微网控制时，相比于原始的状态数据用于控制时控制效果之间的偏差。在模型训练中，第一控制设备利用上述损失函数来不断调整库普曼生成器的结构，使得最终得到的库普曼算子所能造成的上述多小偏差小于第二阈值，从而可以使得获得的库普曼算子能够更加适用于描述微网系统，进而使得后续基于该库普曼算子得到的线性预测关系(即状态方程)能够更好地描述微网的动态特性。

7、结合第一方面，在一些实施例中，基于离线数据得到库普曼算子，具体包括：利用离线数据对库普曼生成器进行训练，直至第一偏差小于第三阈值，第一偏差为库普曼生成器输出的观测变量经过逆运算得到的第一数据与离线数据之间的偏差，第一数据是由离线数据输入库普曼生成器输出得到的观测变量再经过逆运算得到的；基于训练后的库普曼生成器得到库普曼算子。

8、实施上述实施例提供的方法，在基于离线数据训练生成库普曼算子的时候，第一控制设备可以设定有损失函数，上述损失函数考虑了库普曼基函数对静态的状态数据从原始空间映射到库普曼空间所造成的偏差。第一控制设备可以不断调整库普曼生成器的结构(即调整库普曼算子)来降低损失函数的值，从而可以使得获得的库普曼算子能够更加适用于描述微网系统，进而使得后续基于该库普曼算子得到的线性预测关系(即状态方程)能够更好地描述微网的动态特性。

9、结合第一方面，在一些实施例中，基于离线数据得到库普曼算子，具体包括：利用离线数据对库普曼生成器进行训练，直至第二偏差小于第四阈值，第二偏差为第一数据与预测状态数据之间的偏差，第一数据是由离线数据输入库普曼生成器输出得到的观测变量再经过逆运算得到的；基于训练后的库普曼生成器得到库普曼算子。

10、实施上述实施例提供的方法，在基于离线数据训练生成库普曼算子的时候，第一控制设备可以设定有损失函数，上述损失函数考虑了库普曼基函数对静态的状态数据的映射和通过状态方程预测得到的动态的结果之间的偏差，充分考虑数据的静态特征以及相邻数据之间的动态关系。第一控制设备可以不断调整库普曼生成器的结构(即调整库普曼算子)来降低损失函数的值，从而可以使得获得的库普曼算子能够更加适用于描述微网系统，进而使得后续基于该库普曼算子得到的线性预测关系(即状态方程)能够更好地描述微网的动态特性。

11、结合第一方面，在一些实施例中，基于离线数据得到库普曼算子，具体包括：利用离线数据对库普曼生成器进行训练，直至第三偏差小于第五阈值，第三偏差为第一性能数据与第二性能数据之间的偏差，第一性能数据为离线数据中的k时刻的控制信号uk应用到微网中测得的k+1时刻的实际状态数据xk+1与预测得到k时刻的预测状态数据xk+1’之间的偏差，第二性能数据为第一数据中k时刻的控制信号应用到微网中测得的k+1时刻的实际状态数据与预测得到的k+1时刻的状态数据之间的偏差，第一数据是由离线数据输入库普曼生成器输出得到的观测变量再经过逆运算得到的；基于训练后的库普曼生成器得到库普曼算子。

12、实施上述实施例提供的方法，在基于离线数据训练生成库普曼算子的时候，第一控制设备可以设定有损失函数，上述损失函数考虑了原始状态数据经过库普曼基函数对映射再逆运算得到的数据用于微网控制时，相比于原始的状态数据用于控制时控制效果之间的偏差。上述偏差可以通过成本函数来进行计算，该成本函数是在控制器中已经设置好的。第一控制设备可以不断调整库普曼生成器的结构(即调整库普曼算子)来降低损失函数的值，从而可以使得获得的库普曼算子能够更加适用于描述微网系统，进而使得后续基于该库普曼算子得到的线性预测关系(即状态方程)能够更好地描述微网的动态特性。

13、结合第一方面，在一些实施例中，部署线性预测关系和库普曼算子至第一控制器之后，方法还包括：利用第二观测变量更新线性预测关系，第二观测变量为第一控制设备利用库普曼算子对在线数据运算得到，在线数据为来自第一节点的最近获取的第一数量的数据；将利用第二观测变量更新后的线性预测关系重新部署至第一控制器；与第一控制器利用第二观测变量更新前的线性预测关系确定的n时刻的控制信号un对第一节点进行控制相比，第一控制器利用第二观测变量更新后的线性预测关系确定的n时刻的控制信号un’对第一节点进行控制时，第一节点在n+1时刻的实际状态数据xn+1与第一节点在n+1时刻的预测状态数据xn+1’之间的偏差更小。

14、实施上述实施例提供的方法，在部署了利用离线数据训练得到的线性预测关系(即状态方程)和库普曼算子之后，第一控制设备还可以利用在线数据对线性预测关系进行更新。具体的，第一控制器可以通过库普曼基函数对在线数据进行映射得到对应的观测变量，利用得到的观测变量进一步去更新状态方程，随后将更新后的状态方程重新部署到控制器来替换原来的状态方程(即更新控制器中的控制模型)，使得相比于利用更新前的状态方程找到的控制信号，利用基于更新后的状态方程的找到的控制信号对节点进行控制的时候，预测的下一时刻的系统状态更接近于实际下一时刻的系统状态，即更新后的状态方程更能描述系统的动态特性，控制效果更好，提高了控制模型的准确性和泛化能力。由于不必利用大量数据重新训练模型，不需要调整库普曼基函数，因此，上述方法在一定程度上也起到了高效建模的效果。

15、结合第一方面，在一些实施例中，部署线性预测关系和库普曼算子至第一控制器之后，方法还包括：基于离线数据更新库普曼算子；利用第三观测变量更新线性预测关系，第三观测变量为第一控制设备利用更新后的库普曼算子对离线数据运算得到；将更新后的库普曼算子以及利用第三观测变量更新后的线性预测关系重新部署至第一控制器；与第一控制器利用第三观测变量更新前的线性预测关系确定的n时刻的控制信号un对第一节点进行控制相比，第一控制器利用第三观测变量更新后的线性预测关系确定的n时刻的控制信号un”对第一节点进行控制时，第一节点在n+1时刻的实际状态数据xn+1与第一节点在n+1时刻的预测状态数据xn+1’之间的偏差更小。

16、实施上述实施例提供的方法，在部署了利用离线数据训练得到的线性预测关系(即状态方程)和库普曼算子(即库普曼基函数)之后，第一控制设备还可以利用离线数据重新训练库普曼基函数，基于重新训练的库普曼基函数得到对应的状态方程，并将该重新训练的状态方程和库普曼基函数部署到对应的控制器去，相比于利用重新训练前的状态方程找到的控制信号，利用基于重新训练后的状态方程的找到的控制信号对节点进行控制的时候，预测的下一时刻的系统状态更接近于实际下一时刻的系统状态，即更新后的状态方程更能描述系统的动态特性，控制效果更好，从而可以提高了控制模型的准确性和泛化能力。

17、结合第一方面，在一些实施例中，利用第二观测变量更新线性预测关系的条件包括：第一控制器在n+1时刻实际采集到的第一节点的xn+1与基于利用第二观测变量更新前的线性预测关系预测得到的n+1时刻的第一节点的xn+1’之间的偏差大于等于第六阈值且小于第七阈值。

18、实施上述实施例提供的方法，当控制器当前使用的控制模型产生的控制信号用于微网控制时，若第一控制器通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差大于等于第六阈值(即模型参数更新阈值)但是小于第七阈值(即模型可行限度阈值)，第一控制设备可以认为模型的准确性不足，但其准确性不足的问题又可以通过调整模型参数的方式来解决，则第一控制设备可以利用在线数据去更新状态方程并将新的状态方程部署到控制器上，从而可以只在当前使用的控制模型准确性不足时对模型进行更新，减少了算法运行时的计算量和资源消耗。

19、结合第一方面，在一些实施例中，第一控制设备利用第二观测变量更新线性预测关系的条件包括：第一控制器记录的第一时间间隔达到第一时间阈值，第一时间间隔为当前时刻与第一控制器上一次收到第一控制设备利用第二观测变量更新后重新部署线性预测关系的时刻之间的时间间隔。

20、实施上述实施例提供的方法，第一控制设备可以按照一定的时间间隔(即第一时间阈值)周期性地利用在线数据更新状态方程，并将新的状态方程部署到控制器上，不必实时更新控制模型，从而减少了算法运行时的计算量和资源消耗。

21、结合第一方面，在一些实施例中，基于离线数据更新库普曼算子的条件包括：第一控制器在n+1时刻实际采集到的第一节点的xn+1与基于利用离线数据更新库普曼算子前的线性预测关系预测得到的n+1时刻的第一节点的xn+1’之间的偏差大于等于第七阈值。

22、实施上述实施例提供的方法，当控制器当前使用的控制模型产生的控制信号用于微网控制时，若第一控制器通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差大于等于第七阈值(即模型可行限度阈值)，第一控制设备可以认为模型的准确性不足且该准确性不足的问题无法通过调整模型参数来解决，则第一控制设备可以利用离线数据对模型结构进行重新训练(即训练得到新的库普曼基函数)，再基于该新的库普曼基函数得到新的状态方程，并将新的库普曼基函数和新的状态方程重新部署到控制器以提高模型控制的准确性。

23、结合第一方面，在一些实施例中，部署线性预测关系和库普曼算子至第一控制器之后，方法还包括：若第一控制设备没有基于离线数据更新库普曼算子，则第一控制设备利用第四观测变量更新线性预测关系，第四观测变量为第一控制设备利用更新前的库普曼算子对离线数据运算得到；若第一控制设备基于离线数据更新了库普曼算子，则第一控制设备利用第四观测变量更新线性预测关系，第四观测变量为第一控制设备利用更新后的库普曼算子对离线数据运算得到；与第一控制器利用第四观测变量更新前的线性预测关系确定的n时刻的un对第一节点进行控制相比，第一控制器利用第四观测变量更新后的线性预测关系确定的n时刻的控制信号un”’对第一节点进行控制时，第一节点在n+1时刻的xn+1与第一节点在n+1时刻的xn+1’之间的偏差更小；将利用第四观测变量更新后的线性预测关系重新部署至第一控制器。

24、实施上述实施例提供的方法，在部署了利用离线数据训练得到的线性预测关系(即状态方程)和库普曼算子(即库普曼基函数)之后，第一控制设备还可以利用离线数据对线性预测关系进行更新。具体的，第一控制器可以通过库普曼基函数对离线数据进行映射得到对应的观测变量(即第四观测变量)。利用得到的观测变量进一步去更新状态方程，随后将更新后的状态方程重新部署到控制器来替换原来的状态方程(即更新控制器中的控制模型)。上述更新后的状态方程相比于一开始利用离线数据训练得到的状态方程的控制效果更好，即利用更新后的状态方程确定的控制信号来对微网进行控制可以使得通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差更小，从而可以提高了控制模型的准确性和泛化能力。

25、结合第一方面，在一些实施例中，第一控制设备利用第四观测变量更新线性预测关系的条件包括：第一控制器在n+1时刻实际采集到的第一节点的xn+1与基于利用第四观测变量更新的线性预测关系预测得到的n+1时刻的第一节点的xn+1’之间的偏差大于第八阈值。

26、实施上述实施例提供的方法，当控制器当前使用的控制模型产生的控制信号用于微网控制，第一控制器通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差超过第八阈值(即模型最优参数更新阈值)时，第一控制设备可以认为需要将第一控制器上的模型更新至更优甚至最优的控制模型，因此，第一控制设备可以利用离线数据去更新状态方程并将新的状态方程部署到控制器上，从而提高了控制模型的准确性和泛化能力。

27、结合第一方面，在一些实施例中，第一控制设备利用第四观测变量更新线性预测关系的条件包括：第一控制器记录的第二时间间隔达到第二时间阈值，第二时间间隔为当前时刻与第一控制器上一次收到第一控制设备利用第四观测变量更新后重新部署线性预测关系的时刻之间的时间间隔。

28、实施上述实施例提供的方法，第一控制设备可以按照一定的时间间隔(即第二时间阈值)周期性地利用离线数据更新状态方程，并将新的状态方程部署到控制器上，不必实时更新控制模型，从而减少了算法运行时的计算量和资源消耗。

29、结合第一方面，在一些实施例中，部署线性预测关系和库普曼算子至第一控制器之前，方法还包括：综合多个模型，得到集成线性预测关系，集成线性预测关系用于描述k+1时刻的多个观测变量与k时刻的多个观测变量、k时刻的控制信号uk之间的线性关系，多个观测变量是经过多个模型对离线数据分别运算得到的，多个模型包括用户定义的模型和一个或多个库普曼模型，一个或多个库普曼模型包括用于生成库普曼算子的库普曼模型；部署线性预测关系和库普曼算子至第一控制器，具体包括：将集成线性预测关系和更新前的库普曼算子部署至第一控制器；集成线性预测关系用于第一控制器确定n时刻的控制信号un_ensemble，un_ensemble用于第一控制器对第一节点进行控制；相比于利用用于生成库普曼算子的库普曼模型中的线性预测关系确定的n时刻的un，第一控制器利用un_ensemble对第一节点进行控制时，第一节点在n+1时刻的实际状态数据xn+1_ensemble与第一节点在n+1时刻的预测状态数据xn+1’_ensemble之间的偏差更小。

30、实施上述实施例提供的方法，第一控制设备还可以接收来自用户定义的模型或者产生多个库普曼模型。当第一控制设备中存在多个对于该微网系统的控制模型时，第一控制设备可以综合多个模型，得到一个更优的控制模型，并将该更优的控制模型部署到对应的控制器中用于后续的微网控制，从而提高微网控制的准确性和控制模型的泛化能力。其中，用于综合的多个模型可以是用户定义的小信号模型、用户定义的库普曼模型或者训练产生的库普曼模型，但是其中至少包括一个经过上述方法训练得到的库普曼模型。

31、结合第一方面，在一些实施例中，部署线性预测关系和库普曼算子至第一控制器，具体包括：若第一节点为端控制器，则将更新前的线性预测关系或集成线性预测关系，和更新前库普曼算子部署至中央控制器；若第一节点为分布式能源的本地控制器，则将更新前的线性预测关系或集成线性预测关系，和更新前的库普曼算子部署至端控制器。

32、实施上述实施例提供的方法，第一控制设备在对线性预测关系(即状态方程)和库普曼算子(即库普曼基函数)进行部署时，会针对用于训练数据来源不同，而将训练得到的状态方程和库普曼基函数部署到不同的控制器上，实现了将中央模型部署到中央控制器，将端模型部署到端控制器的分层部署的效果，从而减少数据传输和处理的延迟，提高了微网控制系统灵活性和可拓展性。

33、结合第一方面，在一些实施例中，第一节点在n+1时刻的实际状态数据xn+1与第一节点在n+1时刻的预测状态数据xn+1’之间的偏差小于第一阈值，预测状态数据是利用线性预测关系对zn和un计算得到的，具体包括：利用库普曼算子对第一节点在n+1时刻的xn+1进行计算得到的n+1时刻的实际的观测变量zn+1与第一节点在n+1时刻的预测的观测变量zn+1’之间的偏差小于第一阈值，第一节点在n+1时刻的预测的观测变量zn+1’是利用更新前的线性预测关系或集成线性预测关系对zn和un计算得到的。

34、实施上述实施例提供的方法，第一控制设备可以通过比较利用控制信号对微网进行控制后预期的到的观测变量和实际的观测变量之间的偏差来判断微网系统预期的系统状态和实际的系统状态之间偏差。

35、第二方面，本技术提供了一种微网控制方法，方法应用于微网控制系统中的上级控制设备，上级控制设备中集成了第一控制器，微网控制系统包括第一控制设备、中央控制器以及一个或多个微网，其中，微网包括一个端控制器和一个或多个分布式能源的本地控制器；中央控制器与端控制器连接，微网中的端控制器与同一微网中的分布式能源的本地控制器连接；中央控制器用于控制一个或多个微网的端控制器，微网中的端控制器用于控制同一微网中的分布式能源的本地控制器；方法还包括：收到第一控制设备部署的线性预测关系和库普曼算子；利用库普曼算子对第一节点在n时刻的状态数据xn进行计算得到n时刻的观测变量zn，第一节点为第一控制器的下一级控制器，第一节点包括以下任一项：端控制器、分布式能源的本地控制器；利用线性预测关系确定n时刻的控制信号un，并利用un对第一节点进行控制，第一节点在n+1时刻的实际状态数据xn+1与第一节点在n+1时刻的预测状态数据xn+1’之间的偏差小于第一阈值，预测状态数据是利用线性预测关系对zn和un计算得到的。

36、实施第二方面提供的方法，上级控制设备可以根据部署到第一控制器的模型和当前时刻的状态数据来确定当前时刻的控制信号，进而可以根据当前时刻的控制信号对端控制器进行控制。相比于在第一控制器直接设置控制模型的方案，本方法用于控制的模型来自第一控制设备的训练，后续在利用模型时也需要对状态数据进行映射的到观测变量，利用观测变量和线性预测关系所确定的控制信号实现微网控制的控制效果更好，即利用上述线形预测关系找到的控制信号来对微网进行控制可以使得预测的下一时刻的系统状态和实际下一时刻的系统状态更为接近。

37、结合第二方面，在一些实施例中，收到第一控制设备部署的线性预测关系和库普曼算子之后，方法还包括：当上级控制设备在n+1时刻实际采集到的第一节点的xn+1与基于利用第二观测变量更新之前的线性预测关系预测得到的n+1时刻的第一节点的xn+1’之间的偏差大于等于第六阈值且小于第七阈值时，通知第一控制设备利用第二观测变量更新线性预测关系。

38、实施上述实施例提供的方法，上级控制设备可以通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差大于等于第六阈值(即模型参数更新阈值)但是小于第七阈值(即模型可行限度阈值)时来判断当前使用的模型需要进行在线参数辨识，进而通知第一控制设备可以利用在线数据去更新状态方程并将新的状态方程部署到中央控制器上，从而上级控制设备中的第一控制器可以不必实时更新控制模型，从而减少了算法运行时的计算量和资源消耗。

39、结合第二方面，在一些实施例中，收到第一控制设备部署的线性预测关系和库普曼算子之后，方法还包括：当记录的第一时间间隔达到第一时间阈值时，通知第一控制设备利用第二观测变量更新线性预测关系，第一时间间隔为当前时刻与上一次收到第一控制设备利用第二观测变量更新后重新部署线性预测关系的时刻之间的时间间隔。

40、实施上述实施例提供的方法，上级控制设备可以对距离上次利用第二观测变量更新线性预测关系的时间间隔进行计算，当该时间间隔达到第一时间阈值时，上级控制设备可以通知第一控制设备执行更新操作，包括利用在线数据更新状态方程，并将新的状态方程部署到第一控制器上。上级控制设备中的第一控制器可以不必实时更新控制模型，从而减少了算法运行时的计算量和资源消耗。

41、结合第二方面，在一些实施例中，收到第一控制设备部署的线性预测关系和库普曼算子之后，方法还包括：当上级控制设备在n+1时刻实际采集到的端控制器的xn+1与基于利用离线数据更新库普曼算子前的线性预测关系预测得到的n+1时刻的端控制器的xn+1’之间的偏差大于等于第七阈值时，通知第一控制设备基于离线数据更新库普曼算子，离线数据为来自微网系统中的端控制器在最近获取的第一数量的数据之前获取的数据。

42、实施上述实施例提供的方法，上级控制设备可以通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差大于等于第七阈值(即模型可行限度阈值)来判断模型需要重新利用离线数据和在线数据进行库普曼算子的更新，进而更新状态方程。上级控制设备中的第一控制器可以不必实时重新训练并更新控制模型，从而减少了算法运行时的计算量和资源消耗。

43、结合第二方面，在一些实施例中，收到第一控制设备部署的线性预测关系和库普曼算子之后，方法还包括：当上级控制设备在n+1时刻实际采集到的端控制器的xn+1与基于利用第四观测变量更新前的线性预测关系预测得到的n+1时刻的端控制器的xn+1’之间的偏差大于第八阈值时，通知第一控制设备利用第四观测变量更新线性预测关系。

44、实施上述实施例提供的方法，上级控制设备可以通过状态方程预测的下一时刻的状态和微网系统实际上下一时刻的状态的偏差大于第八阈值(即模型最优参数更新阈值)来判断模型需要重新利用离线数据进行线性预测关系(即状态方程)的更新。上级控制设备中的第一控制器可以不必实时更新控制模型至更优的或最优的模型，从而减少了算法运行时的计算量和资源消耗。

45、结合第二方面，在一些实施例中，收到第一控制设备部署的线性预测关系和库普曼算子之后，方法还包括：当记录的第二时间间隔达到第二时间阈值，通知第一控制设备利用第四观测变量更新线性预测关系，第二时间间隔为当前时刻与上一次收到第一控制设备利用第四观测变量更新后重新部署线性预测关系的时刻之间的时间间隔。

46、实施上述实施例提供的方法，上级控制设备可以对距离上次利用第四观测变量更新线性预测关系的时间间隔进行计算，当该时间间隔达到第二时间阈值时，上级控制设备可以通知第一控制设备执行更新操作，包括利用在线数据更新状态方程，并将新的状态方程部署到第一控制器上。上级控制设备中的第一控制器可以不必实时更新控制模型，从而减少了算法运行时的计算量和资源消耗。

47、结合第二方面，在一些实施例中，上级控制设备中的第一控制器为中央控制器，第一节点为端控制器。

48、实施上述实施例提供的方法，承载中央控制器的设备(即此处的上级控制设备)可以基于上述方法利用第一控制设备部署下来的库普曼算子和状态方程(此处为中央模型)来实现对端控制器的控制(即三次控制)。

49、结合第二方面，在一些实施例中，上级控制设备中的第一控制器为端控制器，第一节点为分布式能源的本地控制器。

50、实施上述实施例提供的方法，承载端控制器的设备(即此处的上级控制设备)可以基于上述方法利用第一控制设备部署下来的库普曼算子和状态方程(此处为端模型)来实现对分布式能源的本地控制器的控制(即二次控制)。

51、第三方面，本技术提供了一种电子设备，包括一个或多个处理器和一个或多个存储器；其中，一个或多个存储器与一个或多个处理器耦合，一个或多个存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当一个或多个处理器执行计算机指令时，使得执行如第一方面以及第一方面中任一可能的实现方式描述的方法，或第二方面以及第二方面中任一可能的实现方式描述的方法。

52、第四方面，本技术提供了一种微网控制系统，包括第一控制设备、中央控制器以及一个或多个微网，其中，微网包括一个端控制器和一个或多个分布式能源的本地控制器；中央控制器与端控制器连接，微网中的端控制器与同一微网中的分布式能源的本地控制器连接；中央控制器用于控制一个或多个微网的端控制器，微网中的端控制器用于控制同一微网中的分布式能源的本地控制器；第一控制设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法；中央控制器和端控制器执行如第二方面以及第二方面中任一可能的实现方式描述的方法。

53、第五方面，本技术提供了一种微网控制方法，应用于第四方面中的微网控制系统，包括第一控制设备、中央控制器以及一个或多个微网，其中，微网包括一个端控制器和一个或多个分布式能源的本地控制器；中央控制器与端控制器连接，微网中的端控制器与同一微网中的分布式能源的本地控制器连接；中央控制器用于控制一个或多个微网的端控制器，微网中的端控制器用于控制同一微网中的分布式能源的本地控制器；方法包括：第一控制设备基于离线数据得到库普曼算子，离线数据为来自微网系统中的第一节点在最近获取的第一数量的数据之前获取的数据；离线数据包括多组离线样本，一组离线样本包括第一节点在t时刻的状态数据和第一节点在t-1时刻收到的控制信号，状态数据包括以下一项或多项：第一节点的输出功率、电压、频率、电流；第一节点包括以下任一项：端控制器、分布式能源的本地控制器；第一控制设备利用库普曼算子对离线数据运算得到第一观测变量，并利用第一观测变量确定线性预测关系，线性预测关系用于描述k+1时刻的观测变量zk+1与k时刻的观测变量zk、k时刻的控制信号uk之间的线性关系；第一控制设备将线性预测关系和库普曼算子部署至第一控制器，第一控制器是控制第一节点的控制器；第一控制器基于第一节点在n时刻的状态数据xn得到n时刻的观测变量zn；第一控制器利用线性预测关系确定n时刻的控制信号un，并利用un对第一节点进行控制，第一节点在n+1时刻的实际状态数据xn+1’与第一节点在n+1时刻的预测状态数据xn+1之间的偏差小于第一阈值，预测状态数据是利用线性预测关系对zn和un计算得到的。

54、实施第五方面提供的方法，第一控制设备可以基于离线数据训练得到库普曼算子(即基于库普曼基函数实现的状态数据和库普曼空间中的观测变量的映射关系)，再利用上述库普曼基函数进一步得到用于实现系统控制的线性预测关系(即控制模型)，然后第一控制设备可以将得到的控制模型和对应的库普曼算子部署到对应的控制器中，从而对应的控制器可以根据部署到控制器的控制模型找到控制信号从而实现对微网系统的控制。相比于现有的基于开发人员经验选取库普曼基函数的微网控制方法，这种利用离线数据训练得到库普曼基函数的算法可以根据离线数据选择合适的库普曼基函数来对微网系统中的状态数据进行库普曼映射，从而可以更准确地描述微网系统的动态特性，进而提高后续建模得到的控制模型的准确性和泛化能力。

55、第六方面，本技术提供一种计算机可读存储介质，包括计算机可执行程序，当上述可执行程序在电子设备上运行时，使得电子设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法，或第二方面以及第二方面中任一可能的实现方式描述的方法。

56、可以理解地，上述第三方面提供的电子设备、第四方面提供的微网控制系统、第六方面提供的计算机存储介质均用于执行本技术所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。