基于证据融合的微电网控制方法和装置与流程

本发明涉及微电网等值建模领域，尤其涉及一种基于证据融合的微电网控制方法和装置。

背景技术：

1、实际生活中，越来越多电网以为微电网的形式存在。可再生能源固有的随机性和可调节性负荷使得微电网等值建模问题变得愈发困难。而精确的微电网等值模型可以简化配电网拓扑结构，提升大电网相关研究的可计算性，因此微电网等值建模对于电网的运行和研究极其重要。目前微电网等值模型主要的求解方式是将如何提高求解的准确性作为主要的思路，而缺乏考虑电压稳定性等因素，因此在微电网控制面对复杂的应用场景时适用性较低。

技术实现思路

1、本发明提供了一种基于证据融合的微电网控制方法和装置，以解决如何兼顾微电网控制在应用场景中的适用性和准确性的技术问题。

2、为了解决上述技术问题，本发明实施例提供了一种基于证据融合的微电网控制方，包括：

3、将微电网等值模型过程转换为马尔可夫决策过程；获取与所述微电网等值模型关联的若干评价指标、评价等级和候选解；

4、依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，得到对应的置信度；

5、将各评价指标分别作为证据，对各置信度进行融合，得到各候选解分别在所有评价等级整体上的置信度分布情况；

6、基于所述置信度分布情况，转换得到各候选解的效用值；选取平均效用值最大的候选解，将所述平均效用值最大的候选解代入所述马尔可夫决策过程，进而采用强化学习方法进行求解，获得所述微电网的控制参数；

7、根据所述控制参数对所述微电网进行控制。

8、作为优选方案，所述依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，得到对应的置信度，具体为：

9、根据下式计算得到置信度向量s：

10、s(fi(dm))＝{(in，βn，i(dm))，n＝1，...，n；i＝1，...，l；m＝1，...，m}；

11、其中，fi表示第i个评价指标，l为评价指标集，in为第n个评价等级，n为评价等级集，dm为第m个候选解，m为候选解集，βn，i(dm)表示候选解dm在第n个评价等级上的置信度。

12、作为优选方案，所述将各评价指标分别作为证据，对各置信度进行融合，得到各候选解分别在所有评价等级整体上的置信度分布情况，具体为：

13、为每个评价指标赋予权重，基于赋予的权重和所述置信度，得到基本可信度；

14、基于所述基本可信度，将相同评价等级的各评价指标的置信度融合，得到评价等级对应的总基本可信度；

15、根据各评价等级对应的总基本可信度，得到各候选解分别在所有评价等级整体上的置信度分布情况；其中，所述置信度分布情况包括总不确定性置信度和置信度总和。

16、作为优选方案，所述选取平均效用值最大的候选解，具体为：

17、根据下式计算最大效用值umax；

18、

19、根据下式计算最小效用值umin；

20、

21、其中，d为候选解，i1为第一个评价等级，in为第n个评价等级，n为评价等级集，βn为评价等级集n上的置信度，βn为第n个评级等级的置信度总和，u(i1)为评价等级ii的效用值，βi为总不确定性置信度，u(in)为评价等级in的效用值；

22、根据所述最大效用值和所述最小效用值，计算得到平均效用值，并选取平均效用值最大的候选解。

23、作为优选方案，所述采用强化学习方法进行求解，具体为：

24、在以下目标函数下，采用强化学习方法进行求解：

25、func＝max{allt}；

26、allt＝rewt+rewt+1+rewt+2+rewt+3+…+rewn；

27、

28、

29、其中，func为所述目标函数，allt为强化学习中的累积回报值，rewt为每次训练得到的回报，σ为固定值，pre为有功功率的实际值，qre无功功率的实际值，pcal为有功功率的计算值，qcal为无功功率的计算值，vre为电压的真实值，vcal为电压的基准值，γ1，γ2，γ3为权重参数，rwt为中间变量且用于确定rewt在当前轮次训练中是否得到例，k表示第k个待建模个体。

30、相应的，本发明实施例还提供了一种基于证据融合的微电网控制装置，包括获取模块、置信评估模块、融合模块、求解模块和控制模块；其中，

31、所述获取模块，用于将微电网等值模型过程转换为马尔可夫决策过程；获取与所述微电网等值模型关联的若干评价指标、评价等级和候选解；

32、所述置信评估模块，用于依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，得到对应的置信度；

33、所述融合模块，用于将各评价指标分别作为证据，对各置信度进行融合，得到各候选解分别在所有评价等级整体上的置信度分布情况；

34、所述求解模块，用于基于所述置信度分布情况，转换得到各候选解的效用值；选取平均效用值最大的候选解，将所述平均效用值最大的候选解代入所述马尔可夫决策过程，进而采用强化学习方法进行求解，获得所述微电网的控制参数；

35、所述控制模块，用于根据所述控制参数对所述微电网进行控制。

36、作为优选方案，所述置信评估模块依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，得到对应的置信度，具体为：

37、所述置信评估模块根据下式计算得到置信度向量s：

38、s(fi(dm))＝{(in，βn，i(dm))，n＝1，...，n；i＝1，...，l；m＝1，...，m}；

39、其中，fi表示第i个评价指标，l为评价指标集，in为第n个评价等级，n为评价等级集，dm为第m个候选解，m为候选解集，βn，i(dm)表示候选解dm在第n个评价等级上的置信度。

40、作为优选方案，所述融合模块所述将各评价指标分别作为证据，对各置信度进行融合，得到各候选解分别在所有评价等级整体上的置信度分布情况，具体为：

41、所述融合模块为每个评价指标赋予权重，基于赋予的权重和所述置信度，得到基本可信度；

42、基于所述基本可信度，将相同评价等级的各评价指标的置信度融合，得到评价等级对应的总基本可信度；

43、根据各评价等级对应的总基本可信度，得到各候选解分别在所有评价等级整体上的置信度分布情况；其中，所述置信度分布情况包括总不确定性置信度和置信度总和。

44、作为优选方案，所述求解模块选取平均效用值最大的候选解，具体为：

45、所述求解模块根据下式计算最大效用值umax；

46、

47、根据下式计算最小效用值umin；

48、

49、其中，d为候选解，i1为第一个评价等级，in为第n个评价等级，n为评价等级集，βn为评价等级集n上的置信度，βn为第n个评级等级的置信度总和，u(i1)为评价等级ii的效用值，βi为总不确定性置信度，u(in)为评价等级in的效用值；

50、根据所述最大效用值和所述最小效用值，计算得到平均效用值，并选取平均效用值最大的候选解。

51、作为优选方案，所述求解模块采用强化学习方法进行求解，具体为：

52、所述求解模块在以下目标函数下，采用强化学习方法进行求解：

53、func＝max{allt}；

54、allt＝rewt+rewt+1+rewt+2+rewt+3+…+rewn；

55、

56、

57、其中，func为所述目标函数，allt为强化学习中的累积回报值，rewt为每次训练得到的回报，σ为固定值，pre为有功功率的实际值，qre无功功率的实际值，pcal为有功功率的计算值，qcal为无功功率的计算值，vre为电压的真实值，vcal为电压的基准值，γ1，γ2，γ3为权重参数，rwt为中间变量且用于确定rewt在当前轮次训练中是否得到例，k表示第k个待建模个体。

58、相比于现有技术，本发明实施例具有如下有益效果：

59、本发明实施例提供了一种基于证据融合的微电网控制方法和装置，所述微电网控制方法包括：将微电网等值模型过程转换为马尔可夫决策过程；获取与所述微电网等值模型关联的若干评价指标、评价等级和候选解；依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，得到对应的置信度；将各评价指标分别作为证据，对各置信度进行融合，得到各候选解分别在所有评价等级整体上的置信度分布情况；基于所述置信度分布情况，转换得到各候选解的效用值；选取平均效用值最大的候选解，将所述平均效用值最大的候选解代入所述马尔可夫决策过程，进而采用强化学习方法进行求解，获得所述微电网的控制参数；根据所述控制参数对所述微电网进行控制。实施本发明，采用若干评价指标、评价等级以及候选解，依据每个评价指标，将每个候选解在每个评价等级进行置信度评估，将评价指标作为证据对置信度进行融合，从而通过效用值选择候选解用于微电网的控制，评价指标和评价等级可以选择与微电网关联的因素，相比现有技术不局限于考虑如何提高求解的准确性，还兼顾了微电网控制在应用场景中的适用性和准确性，可以考虑应用场景的需求以及微电网关联因素，实现对微电网的针对性控制。