(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211271500.X (22)申请日 2022.10.18 (71)申请人 广西大学 地址 530005 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 殷林飞　郑达　胡立坤　梁贤哲　 梁理茂　胡之晨　廖得富　 (74)专利代理 机构 南宁东智知识产权代理事务 所(特殊普通 合伙) 45117 专利代理师 裴康明 (51)Int.Cl. H02J 3/38(2006.01) H02J 3/06(2006.01) (54)发明名称 一种综合能源系统的多尺度多组认知智能 调度与控制方法 (57)摘要 本发明提出一种综合能源系统的多尺度多 组认知智能调度与控制方法， 该方法包括一个多 时间尺度融合的控制框架和两个模块， 第一个模 块是以自适应噪声完备集合经验模态分解和时 间序列预测为基础的控制模块， 第二个模块是以 自适应噪声完备集合经验模态分解和双向长短 期记忆网络预测为基础并且融合人工行为认知 知识矩阵的调度模块。 该方法以综合系统的频率 偏差序列、 区域控制偏差序列、 用户行为和气候 因素作为输入， 经过控制模块和调度模块分别输 出每4秒钟更新的自动发电控制机组控制指令和 每5分钟以及60分钟更新的非自动发电控制机组 的调度指令。 所提方法能解决综合能源系统中发 电控制和经济调度不协调的问题， 提高控制精 度， 减小频率偏差 。 权利要求书4页 说明书6页 附图1页 CN 115459351 A 2022.12.09 CN 115459351 A 1.一种综合能源系统的多尺度多组认知智能调度与控制方法， 其特征在于， 能用一种 多响应时间尺度融合的控制框架对综合能源系统发出有规律的发电与调 度控制指 令， 将自 适应噪声完备集合经验模态分解、 时间序列预测、 双向长短期记忆网络预测和多种强化学 习方法进 行结合， 提高控制精度和电能质量， 减小频率偏 差和发电成本， 动态的保持发电控 制与经济调度之间的平衡， 在使用过程中的步骤为： 步骤(1)： 在区域A中， 获取一段 时间内的综合能源系统的频率偏差序列Δf(T)和与区域 i之间的综合能源系统区域控制误差序列eACEi(T)， 其中T＝t ‑128,t‑127,…,t； 获取t时刻用 户的行为信息ua(t)、 温度vt(t)、 湿度vh(t)、 风向vd(t)、 风速vs(t)、 降水vr(t)和气压vp(t)； 步骤(2)： 运用自适应噪声完备集合经验模态分解对频率偏差序列Δf(T)进行处理， 设 定迭代次数为K， 将N组成对的正负高斯白噪声分别加入到原始信号Δf(T)中， 一共为N个新 信号， 第j次添加白噪声后的新信号序列 为： 式中， ε0为噪声的标准差； 为第j个满足标准 正态分布的高斯白噪声； 对每一个 进行经验模态分解， 在第j次经验模态分解后得到第j个模态分量 分解出来的N个模态分量进行加总平均， 得到IMF1(T): 式中， IMF1(T)为第1个本征模态分量； 计算第1个残余分量r1(T)： r1(T)＝Δf(T)‑IMF1(T)      (3) 在r1(T)中加入N组成对的正负高斯白噪声经 过经验模态分解后的辅助噪声信号： 式中， 为第j次添加辅助噪声后的新信号； E()为进行 经验模态分解的函数； 对每一个 进行经验模态分解， 在第j次经验模态分解后得到第j个模态分量 分解出来的N个模态分量进行加总平均， 得到IMF2(T): 式中， IMF2(T)为第2个本征模态分量； 计算第2个残余分量r2(T)： r2(T)＝r1(T)‑IMF2(T)       (6) 步骤(3)： 重 复步骤(2)的计算直到残余分量不能够 再进行经验模态分解， 在进行K 次迭 代后得到的本征模态分量的数量 为k， 则原始信号Δf(T)被分解为： 式中， IMFk(T)为第k个本征模态分量； rk(T)为第k个残余分量； 步骤(4)： 将所有IMFk(T)和rk(T)作为输入， 采用时间序列预测方法对输入信号进行K次预 测； 时间序列预测神经网络的循环体单元中有重置门和更新门两个门控机构， 在第k次预测权　利　要　求　书 1/4 页 2 CN 115459351 A 2中， 以IMFk(T)中t时刻的值 IMFk(t)为输入， 重 置门t时刻的输出为： rg(t)＝σ(Whrhg(t‑Δt)+WxrIMFk(t)+br)       (8) 式中， rg(t)为重置门t时刻的输出； σ()为sigmoid函数； Whr为重置门的状态权重； Wxr为 重置门的输入权重； br为重置门的偏置； Δt为步长； hg(t‑Δt)为循环体单元上一时刻的隐 含层状态； 更新门t时刻的输出为： zg(t)＝σ(Whzhg(t‑Δt)+WxzIMFk(t)+bz)      (9) 式中， zg(t)为更新门t时刻的输出； Whz为更新门的状态权重； 和Wxz为更新门的输入权 重； bz为更新门的偏置； 循环体单 元t时刻隐含层的激活状态为： 式中， 为循环体单元t时刻隐含层的激活状态； tanh()为激活函数； ⊙为Hadamard 积； Wxh为隐含层的输入权 重； Uh为隐含层的权 重； bh为隐含层的偏置； 计算一个循环体单 元t时刻的输出： 式中， hg(t)为循环体单 元t时刻的输出， 也作为下一时刻的隐含层状态； 步骤(5)： 重复步骤(4)的过程， 一共得到P个预测信号， 记第p个预测信号为ypt， 将ypt按 照波动大小进行分类， 在相同的时间Δt内， 如果函数图像的极值点个数ε大于或等于设定 值Sn， 则分类为大波动信号； 如果函 数图像的极值点个数 ε小于设定值Sn， 则分类为小波动信 号； 对于P1个大波动信号， 采用 “状态‑动作‑奖励‑状态‑动作”学习方法进行强化学习； 对于 (P‑P1)个小波动信号， 因为函数变化较为缓慢， 所以采用分数阶 “比例‑积分‑微分”方法进 行学习跟随； 在 “状态‑动作‑奖励‑状态‑动作”强化学习方法中， 状态s下执行动作a的奖励 期望： 式中， qπ(s,a)为状态s下执行动作a的奖励期望； Eπ()为期望运算函数； γt为t时刻的折 扣因子； Rt为t时刻的奖励； st为t时刻的状态； at为t时刻的动作； s为 强化学习状态即系统频 率偏差Δf(T)； a为系统动作即机组功率输出指令； 大波动信号经过 “状态‑动作‑奖励‑状态‑动作”强化学习后输出大波动信号的处理信 号aSarsa； 在分数阶“比例‑积分‑微分”方法中， 传递 函数Gc(s)为： Gc(s)＝Kp+Kis‑λ+Kdsμ     (13) 式中， Kp为比例调节系数； Ki为积分调节系数； Kd为微分调节系数； λ为积分阶次； μ为微 分阶次并且 μ>0； 小波动信号的处 理信号为： 式中， aFopid为小波动信号的处理信号； 为拉普拉斯反变换函数； X(s)为小 波动信号 的拉普拉斯变换； 步骤(6)： 将 aSarsa和aFopid相加后作为机组功率输出指令， 每4秒钟对自动权　利　要　求　书 2/4 页 3 CN 115459351 A 3