本發(fā)明涉及港口多供能系統(tǒng)，具體涉及一種基于自動(dòng)慣量響應(yīng)的港口多供能系統(tǒng)控制方法。

背景技術(shù)：

1、港口作為海洋經(jīng)濟(jì)的重要樞紐，其用能需求呈現(xiàn)出高功率、大波動(dòng)的特點(diǎn)。隨著港口電氣化、智能化進(jìn)程的加快，以及綠色能源占比的不斷提升，港口多供能系統(tǒng)在電力系統(tǒng)中的地位日益突出。這類(lèi)系統(tǒng)通過(guò)參與電網(wǎng)調(diào)頻調(diào)峰，不僅能夠提供重要的輔助服務(wù)，還可以實(shí)現(xiàn)自身經(jīng)濟(jì)效益的提升。特別是在當(dāng)前電力系統(tǒng)慣量持續(xù)降低的背景下，利用港口多供能系統(tǒng)的快速響應(yīng)能力參與系統(tǒng)慣量響應(yīng)，對(duì)于維持電網(wǎng)頻率穩(wěn)定性具有重要意義。

2、目前，港口多供能系統(tǒng)參與電網(wǎng)調(diào)節(jié)的研究主要集中在傳統(tǒng)的一次調(diào)頻和二次調(diào)頻領(lǐng)域。常見(jiàn)的控制方法包括基于pid（proportional-integral-derivative，比例-積分-微分）的經(jīng)典控制、模型預(yù)測(cè)控制和自適應(yīng)控制等。這些方法通常采用單一的數(shù)據(jù)處理模型，通過(guò)簡(jiǎn)單的特征提取和狀態(tài)估計(jì)來(lái)實(shí)現(xiàn)控制目標(biāo)。在數(shù)據(jù)分析方面，主要依賴(lài)于基礎(chǔ)的統(tǒng)計(jì)方法和傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如回歸分析、支持向量機(jī)等。

3、然而，這些方案在處理港口多供能系統(tǒng)的慣量響應(yīng)問(wèn)題時(shí)存在多個(gè)方面的不足：首先，網(wǎng)荷互動(dòng)特征的提取則多采用靜態(tài)圖結(jié)構(gòu)或簡(jiǎn)單的動(dòng)態(tài)圖模型，難以準(zhǔn)確捕捉系統(tǒng)的時(shí)變特性；其次，現(xiàn)有的網(wǎng)荷交互建模方法未能充分考慮時(shí)間衰減的影響，導(dǎo)致長(zhǎng)序列建模中存在長(zhǎng)期依賴(lài)問(wèn)題；再次，在特征融合過(guò)程中，缺乏對(duì)不同層次特征的有效整合機(jī)制，影響了系統(tǒng)狀態(tài)的準(zhǔn)確表達(dá)；最后，優(yōu)化算法在處理大規(guī)模約束優(yōu)化問(wèn)題時(shí)計(jì)算效率較低，難以滿(mǎn)足實(shí)時(shí)控制的需求。這些技術(shù)問(wèn)題嚴(yán)重制約了港口多供能系統(tǒng)參與電網(wǎng)慣量響應(yīng)的效果。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為解決上述技術(shù)問(wèn)題，提供了一種基于自動(dòng)慣量響應(yīng)的港口多供能系統(tǒng)控制方法。

2、本發(fā)明采用的技術(shù)方案如下：一種基于自動(dòng)慣量響應(yīng)的港口多供能系統(tǒng)控制方法，包括以下步驟：s1、采集港口多供能系統(tǒng)的時(shí)間序列數(shù)據(jù)，基于時(shí)間序列數(shù)據(jù)構(gòu)建同步時(shí)間序列張量，根據(jù)同步時(shí)間序列張量進(jìn)行動(dòng)態(tài)特性提取，得到標(biāo)準(zhǔn)化系統(tǒng)特性矩陣和動(dòng)態(tài)響應(yīng)能力指標(biāo)，所述時(shí)間序列數(shù)據(jù)包括系統(tǒng)實(shí)時(shí)功率數(shù)據(jù)、港口設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)、歷史運(yùn)行數(shù)據(jù)和反饋數(shù)據(jù)；s2、基于標(biāo)準(zhǔn)化系統(tǒng)特性矩陣、動(dòng)態(tài)響應(yīng)能力指標(biāo)、預(yù)存儲(chǔ)的電網(wǎng)運(yùn)行參數(shù)和負(fù)荷波動(dòng)數(shù)據(jù)構(gòu)建時(shí)變網(wǎng)荷交互圖，對(duì)時(shí)變網(wǎng)荷交互圖進(jìn)行特征提取生成時(shí)空特征矩陣，利用時(shí)空特征矩陣進(jìn)行模式識(shí)別得到網(wǎng)荷互動(dòng)特征向量和關(guān)鍵模式矩陣，通過(guò)多層次融合得到融合特征向量和特征映射矩陣；s3、基于動(dòng)態(tài)響應(yīng)能力指標(biāo)、網(wǎng)荷互動(dòng)特征向量和融合特征向量構(gòu)建響應(yīng)特性張量，基于響應(yīng)特性張量、預(yù)存儲(chǔ)的系統(tǒng)運(yùn)行約束和歷史響應(yīng)數(shù)據(jù)構(gòu)建時(shí)序預(yù)測(cè)模型并進(jìn)行預(yù)測(cè)，得到慣量響應(yīng)能力矩陣；s4、基于慣量響應(yīng)能力矩陣和關(guān)鍵模式矩陣，通過(guò)小波變換得到多尺度特征矩陣并進(jìn)行優(yōu)化，得到優(yōu)化控制序列和響應(yīng)策略矩陣；s5、基于優(yōu)化控制序列和響應(yīng)策略矩陣生成系統(tǒng)的控制指令矩陣，并對(duì)所述控制指令矩陣進(jìn)行穩(wěn)定性分析和實(shí)時(shí)修正，得到修正控制指令序列和執(zhí)行反饋數(shù)據(jù)。

3、根據(jù)本技術(shù)的一方面，步驟s1包括：采集港口多供能系統(tǒng)的時(shí)間序列數(shù)據(jù)，基于時(shí)間序列數(shù)據(jù)構(gòu)建成同步時(shí)間序列張量；基于同步時(shí)間序列張量計(jì)算數(shù)據(jù)質(zhì)量評(píng)估矩陣；利用數(shù)據(jù)質(zhì)量評(píng)估矩陣對(duì)同步時(shí)間序列張量進(jìn)行異常檢測(cè)和修正，得到清洗后數(shù)據(jù)張量；采用滑動(dòng)窗口方法對(duì)清洗后數(shù)據(jù)張量進(jìn)行動(dòng)態(tài)特性提取，得到標(biāo)準(zhǔn)化系統(tǒng)特性矩陣和動(dòng)態(tài)響應(yīng)能力指標(biāo)。

4、根據(jù)本技術(shù)的一方面，異常檢測(cè)和修正的步驟具體包括：獲取同步時(shí)間序列張量和數(shù)據(jù)質(zhì)量評(píng)估矩陣，計(jì)算時(shí)間序列的一階差分和二階差分值，生成時(shí)序特征向量；利用時(shí)序特征向量執(zhí)行滑動(dòng)窗口統(tǒng)計(jì)運(yùn)算，生成時(shí)域異常評(píng)分；對(duì)同步時(shí)間序列張量執(zhí)行多尺度小波分解，計(jì)算分解系數(shù)的能量分布特征，生成頻域異常評(píng)分；基于同步時(shí)間序列張量計(jì)算樣本點(diǎn)的局部密度分布和距離分布，生成空域異常評(píng)分；將時(shí)域異常評(píng)分、頻域異常評(píng)分和空域異常評(píng)分輸入到證據(jù)理論融合框架中，計(jì)算綜合置信度，生成異常綜合評(píng)分；利用異常綜合評(píng)分對(duì)同步時(shí)間序列張量中的異常數(shù)據(jù)進(jìn)行修正，生成清洗后數(shù)據(jù)張量。

5、根據(jù)本技術(shù)的一方面，步驟s2具體包括：基于標(biāo)準(zhǔn)化系統(tǒng)特性矩陣、動(dòng)態(tài)響應(yīng)能力指標(biāo)、電網(wǎng)運(yùn)行參數(shù)和負(fù)荷波動(dòng)數(shù)據(jù)，構(gòu)建時(shí)變權(quán)重函數(shù)，基于時(shí)變權(quán)重函數(shù)計(jì)算網(wǎng)絡(luò)節(jié)點(diǎn)之間的邊權(quán)重，利用邊權(quán)重構(gòu)建時(shí)變網(wǎng)荷交互圖，并基于時(shí)變網(wǎng)荷交互圖計(jì)算交互強(qiáng)度矩陣；基于時(shí)變網(wǎng)荷交互圖和交互強(qiáng)度矩陣構(gòu)建時(shí)空注意力模型；利用時(shí)空注意力模型對(duì)時(shí)變網(wǎng)荷交互圖進(jìn)行特征提取，生成時(shí)空特征矩陣和注意力權(quán)重矩陣；獲取時(shí)空特征矩陣和注意力權(quán)重矩陣，構(gòu)建動(dòng)態(tài)密度聚類(lèi)模型；利用動(dòng)態(tài)密度聚類(lèi)模型對(duì)時(shí)空特征矩陣進(jìn)行聚類(lèi)分析，跟蹤聚類(lèi)結(jié)果的時(shí)間演化特征，得到網(wǎng)荷互動(dòng)特征向量、關(guān)鍵模式矩陣和模式演化矩陣；基于網(wǎng)荷互動(dòng)特征向量、關(guān)鍵模式矩陣和模式演化矩陣，構(gòu)建三層特征融合網(wǎng)絡(luò)，進(jìn)行多層次融合，得到融合特征向量和特征映射矩陣。

6、根據(jù)本技術(shù)的一方面，生成時(shí)空特征矩陣和注意力權(quán)重矩陣的步驟具體包括：基于時(shí)變網(wǎng)荷交互圖和交互強(qiáng)度矩陣構(gòu)建包含時(shí)間衰減因子的多頭注意力計(jì)算單元，生成衰減注意力矩陣；利用衰減注意力矩陣執(zhí)行圖卷積運(yùn)算，提取節(jié)點(diǎn)的局部特征，生成圖特征矩陣；將圖特征矩陣輸入到雙向門(mén)控循環(huán)單元中，提取時(shí)序依賴(lài)特征，生成時(shí)序特征向量；對(duì)圖特征矩陣和時(shí)序特征向量執(zhí)行特征融合運(yùn)算，生成時(shí)空特征矩陣和注意力權(quán)重矩陣。

7、根據(jù)本技術(shù)的一方面，多層次融合的步驟具體包括：獲取網(wǎng)荷互動(dòng)特征向量，構(gòu)建自編碼器網(wǎng)絡(luò)，執(zhí)行特征降維得到壓縮特征，重建特征得到重構(gòu)特征，計(jì)算重構(gòu)誤差，輸出底層融合特征；獲取關(guān)鍵模式矩陣和底層融合特征，構(gòu)建動(dòng)態(tài)卷積核，執(zhí)行多尺度卷積運(yùn)算，池化處理得到中間特征圖，提取顯著性特征，輸出中層融合特征；獲取模式演化矩陣和中層融合特征，構(gòu)建演化特征提取器，計(jì)算時(shí)間序列的狀態(tài)轉(zhuǎn)移概率，提取演化模式特征，融合靜態(tài)和動(dòng)態(tài)特征，輸出高層融合特征；獲取底層融合特征、中層融合特征和高層融合特征，構(gòu)建多層優(yōu)化目標(biāo)函數(shù)，計(jì)算各層特征的損失函數(shù)值，執(zhí)行梯度下降優(yōu)化，更新融合權(quán)重，輸出融合特征向量和特征映射矩陣。

8、根據(jù)本技術(shù)的一方面，步驟s3包括：獲取動(dòng)態(tài)響應(yīng)能力指標(biāo)、網(wǎng)荷互動(dòng)特征向量和融合特征向量，構(gòu)建非線(xiàn)性響應(yīng)模型，利用非線(xiàn)性響應(yīng)模型計(jì)算響應(yīng)特性參數(shù)，基于響應(yīng)特性參數(shù)構(gòu)建響應(yīng)特性張量；基于響應(yīng)特性張量和預(yù)存儲(chǔ)的系統(tǒng)運(yùn)行約束構(gòu)建多維度評(píng)估函數(shù)，利用多維度評(píng)估函數(shù)計(jì)算分項(xiàng)指標(biāo)，對(duì)分項(xiàng)指標(biāo)進(jìn)行加權(quán)計(jì)算，輸出綜合評(píng)估指標(biāo)矩陣；利用綜合評(píng)估指標(biāo)矩陣和預(yù)存儲(chǔ)的歷史響應(yīng)數(shù)據(jù)構(gòu)建時(shí)序預(yù)測(cè)模型，基于根據(jù)時(shí)序預(yù)測(cè)模型進(jìn)行時(shí)序預(yù)測(cè)，輸出慣量響應(yīng)能力矩陣。

9、根據(jù)本技術(shù)的一方面，構(gòu)建響應(yīng)特性張量的步驟具體包括：獲取動(dòng)態(tài)響應(yīng)能力指標(biāo)和網(wǎng)荷互動(dòng)特征向量，基于遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算隱藏層狀態(tài)轉(zhuǎn)移矩陣和初始神經(jīng)元權(quán)重，生成基礎(chǔ)模型參數(shù)集；利用基礎(chǔ)模型參數(shù)集和預(yù)存儲(chǔ)的系統(tǒng)運(yùn)行歷史數(shù)據(jù)構(gòu)建分段函數(shù)模型，計(jì)算正向死區(qū)閾值和反向死區(qū)閾值，生成死區(qū)特性矩陣；基于基礎(chǔ)模型參數(shù)集和死區(qū)特性矩陣根據(jù)非線(xiàn)性響應(yīng)函數(shù)，計(jì)算響應(yīng)幅值衰減系數(shù)和相位偏移參數(shù)，生成初始特性參數(shù)集；基于初始特性參數(shù)集構(gòu)建三維特性映射框架，計(jì)算時(shí)間維度特征映射值、頻率維度變換系數(shù)和功率維度映射參數(shù)，生成響應(yīng)特性張量。

10、根據(jù)本技術(shù)的一方面，步驟s4具體為：構(gòu)建小波變換模型，利用小波變換模型對(duì)慣量響應(yīng)能力矩陣和關(guān)鍵模式矩陣進(jìn)行不同時(shí)間尺度的分解，對(duì)分解結(jié)果進(jìn)行特征提取，得到多尺度特征矩陣；構(gòu)建多層次目標(biāo)函數(shù)，基于多尺度特征矩陣和預(yù)存儲(chǔ)的系統(tǒng)約束條件對(duì)多層次目標(biāo)函數(shù)進(jìn)行權(quán)重分配；根據(jù)多層次目標(biāo)函數(shù)得到優(yōu)化目標(biāo)函數(shù)集合；利用分布式優(yōu)化算法求解優(yōu)化目標(biāo)函數(shù)集合和預(yù)存儲(chǔ)的系統(tǒng)運(yùn)行邊界之間的多目標(biāo)優(yōu)化問(wèn)題，得到優(yōu)化控制序列和響應(yīng)策略矩陣。

11、根據(jù)本技術(shù)的一方面，步驟s5具體為：獲取優(yōu)化控制序列和響應(yīng)策略矩陣，構(gòu)建自適應(yīng)控制律，基于優(yōu)化控制序列和響應(yīng)策略矩陣根據(jù)自適應(yīng)控制律得到控制指令，生成系統(tǒng)的控制指令矩陣；獲取控制指令矩陣和預(yù)存儲(chǔ)的系統(tǒng)狀態(tài)向量，構(gòu)建李雅普諾夫函數(shù)，利用李雅普諾夫函數(shù)根據(jù)控制指令矩陣和系統(tǒng)狀態(tài)向量分析系統(tǒng)穩(wěn)定性，得到穩(wěn)定性評(píng)估指標(biāo)；獲取控制指令矩陣、穩(wěn)定性評(píng)估指標(biāo)和預(yù)存儲(chǔ)的實(shí)時(shí)系統(tǒng)狀態(tài)，構(gòu)建控制指令修正函數(shù)，將控制指令矩陣、穩(wěn)定性評(píng)估指標(biāo)和實(shí)時(shí)系統(tǒng)狀態(tài)輸入控制指令修正函數(shù)對(duì)控制指令進(jìn)行實(shí)時(shí)修正，得到修正控制指令序列和執(zhí)行反饋數(shù)據(jù)。

12、本發(fā)明的有益效果：

13、本發(fā)明通過(guò)構(gòu)建完整的數(shù)據(jù)處理、分析和控制閉環(huán)，實(shí)現(xiàn)了港口多供能系統(tǒng)參與網(wǎng)荷互動(dòng)的智能控制。首先，通過(guò)多維度數(shù)據(jù)預(yù)處理，得到標(biāo)準(zhǔn)化系統(tǒng)特性矩陣和動(dòng)態(tài)響應(yīng)能力指標(biāo)；其次，通過(guò)時(shí)變網(wǎng)荷交互圖的構(gòu)建和分析，準(zhǔn)確刻畫(huà)了系統(tǒng)的動(dòng)態(tài)特性；再次，通過(guò)構(gòu)建時(shí)序預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)系統(tǒng)的未來(lái)響應(yīng)狀態(tài)；最后，通過(guò)多層次的優(yōu)化算法和實(shí)時(shí)修正機(jī)制，確保了控制指令的可靠執(zhí)行。整個(gè)方案考慮了港口多供能系統(tǒng)的特點(diǎn)，如負(fù)荷波動(dòng)大、響應(yīng)要求高等特性，通過(guò)創(chuàng)新的算法設(shè)計(jì)和優(yōu)化策略，顯著提升了系統(tǒng)的網(wǎng)荷互動(dòng)能力，實(shí)現(xiàn)了慣量響應(yīng)控制的高效可靠。