CN120834603A - 一种基于复杂网络时空优化的构网型储能逆变器控制方法 - Google Patents
一种基于复杂网络时空优化的构网型储能逆变器控制方法Info
- Publication number
- CN120834603A CN120834603A CN202511335563.0A CN202511335563A CN120834603A CN 120834603 A CN120834603 A CN 120834603A CN 202511335563 A CN202511335563 A CN 202511335563A CN 120834603 A CN120834603 A CN 120834603A
- Authority
- CN
- China
- Prior art keywords
- node
- time
- dependent
- power grid
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/38—Arrangements for feeding a single network from two or more generators or sources in parallel; Arrangements for feeding already energised networks from additional generators or sources in parallel
- H02J3/46—Controlling the sharing of generated power between the generators, sources or networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于复杂网络时空优化的构网型储能逆变器控制方法，包括：在时间轴上定位一历史时间戳，并构建所述历史时间戳的功能依赖图，其中，功能依赖图包含K个表征电网功能单元的节点，以预设时间步长，滑动构建L个历史时间戳的功能依赖图，并基于历史时间戳的顺序排列生成依赖图序列，将所述依赖图序列切割为M个时空依赖样本，基于M个时空依赖样本，对图神经网络模型进行迭代监督训练，获得时空状态预测模型，基于时空状态预测模型，确定构网型储能逆变器的控制指令，本发明将时空依赖度确定为边权重，增强了模型对电网未来状态的预测能力，进而支持构网型储能逆变器生成基于预测的控制指令。
Description
技术领域
本发明涉及储能逆变器控制领域，具体为一种基于复杂网络时空优化的构网型储能逆变器控制方法。
背景技术
随着光伏发电、风力发电等新能源接入比例不断提高，电网电压和频率波动加剧，功率平衡的调节难度加大。现有构网型储能逆变器的控制方法可基于历史或实时运行数据生成控制指令；例如，文献号为CN119298603A的现有技术公开了一种储能逆变器及其控制方法，能够通过调节输出电压以降低负载电流，减少器件过电流损坏风险。然而，该类方法在生成控制指令时多依赖本地或局部运行状态信息，缺乏对系统整体时空演化趋势的感知，导致控制指令的前瞻性不足。
此外，现有技术在对电网功能单元进行整体建模时，通常未考虑其在地理空间上的分布关系。例如，距离较近的光伏单元与负载单元之间可能存在更强的电压影响，而远距离单元之间的功率响应往往存在明显延迟，不能体现空间位置差异，难以准确预判局部电压波动。
同时，部分方案虽采用图神经网络进行状态预测，但所构建的图结构依赖固定电气拓扑，节点间边权重多设为常量或由人工设定，无法反映电网功能单元之间随运行工况变化的动态依赖关系。导致对系统状态变化趋势的捕捉能力受限，难以支撑构网型储能逆变器在复杂时空条件下生成高可靠性的前瞻性控制指令。
发明内容
针对现有技术的不足，本发明提供了一种基于复杂网络时空优化的构网型储能逆变器控制方法，通过引入基于时间依赖度和空间依赖度构建的边权重，并以此构建功能依赖图来解决背景技术中提出的技术问题。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于复杂网络时空优化的构网型储能逆变器控制方法，包括如下步骤：
S1、在时间轴上定位一历史时间戳，并构建所述历史时间戳的功能依赖图；其中，功能依赖图包含K个表征电网功能单元的节点；
S2、以预设时间步长，滑动构建L个历史时间戳的功能依赖图，并基于历史时间戳的顺序排列生成依赖图序列；
S3、将所述依赖图序列切割为M个时空依赖样本；
S4、基于M个时空依赖样本，对图神经网络模型进行迭代监督训练，获得时空状态预测模型；
S5、基于时空状态预测模型，确定构网型储能逆变器的控制指令。
在其中一些具体的实施例中，构建所述历史时间戳的功能依赖图，包括：
S1-1、获取所述历史时间戳下包含K个节点的功能节点集；
S1-2、在功能节点集的K个节点之间建立有向边，
S1-3、基于有向边上下游的电网功能单元，确定边权重；
S1-4、遍历功能节点集，重复建立有向边及其边权重，直至构建K个电网功能单元对应的功能依赖图。
在其中一些具体的实施例中，获取所述历史时间戳下包含K个节点的功能节点集，包括：
S1-1-1、在电子地图上划定目标采集区，并锚定目标采集区内的K个电网功能单元；
S1-1-2、获取K个电网功能单元在同一历史时间戳的若干运行状态参数；
S1-1-3、将若干运行状态参数进行特征标准化，构建为电网功能单元对应的运行状态特征；
S1-1-4、定义K个电网功能单元为图结构的K个节点，对应的运行状态特征为节点向量，构成功能节点集；
其中，功能节点集的K个节点均建立有节点索引，各节点索引对应其电网功能单元。
在其中一些具体的实施例中，在功能节点集的K个节点之间建立有向边，包括：
S1-2-1、在功能节点集中，锚定一目标节点，并选定与目标节点存在候选依赖关系的J个候选依赖节点，得到J个候选节点对，其中，J=K-1；
S1-2-2、对于各候选节点对，基于预构建的知识事实图谱判定其中的候选依赖节点是否属于有效依赖节点；
S1-2-3、若属于有效依赖节点，则在知识事实图谱中提取预定义的实体关系作为目标节点与有效依赖节点之间的依赖关系；
S1-2-4、基于所述依赖关系，在目标节点与有效依赖节点之间建立有向边。
在其中一些具体的实施例中，基于预构建的知识事实图谱判定其中的候选依赖节点是否属于有效依赖节点，包括：
S1-2-2-1、锚定候选节点对所对应的两个电网功能单元；
S1-2-2-2、将两个电网功能单元进行知识事实标注，配对生成待判定实体对；
S1-2-2-3、在预构建的知识事实图谱中，遍历各知识事实三元组，提取其头实体和尾实体，配对生成若干事实实体对；
S1-2-2-4、计算待判定实体对和若干事实实体对的若干匹配度；
S1-2-2-5、在若干匹配度中选择最大匹配度，并将其与设定阈值比较；
S1-2-2-6、若最大匹配度大于设定阈值，则判定候选节点对中的所述候选依赖节点属于有效依赖节点；否则属于无效依赖节点。
在其中一些具体的实施例中，基于有向边上下游的电网功能单元，确定边权重，包括：
S1-3-1、计算有向边的空间依赖度；
S1-3-2、计算有向边的时间依赖度；
S1-3-3、将空间依赖度和时间依赖度加权融合，构建时空依赖度，并将时空依赖度确定为所述边权重。
在其中一些具体的实施例中，计算有向边的空间依赖度，包括：
S1-3-1-1、锚定有向边上下游的目标节点与有效依赖节点，
S1-3-1-2、根据目标节点与有效依赖节点的节点索引，提取其对应的两个电网功能单元；
S1-3-1-3、获取所述两个电网功能单元在电子地图的空间坐标；
S1-3-1-4、根据所述空间坐标，计算两个电网功能单元的空间距离；
S1-3-1-5、将所述空间距离反比为目标节点与有效依赖节点之间的空间依赖度；
在其中一些具体的实施例中，计算有向边的时间依赖度，包括：
S1-3-2-1、在时间轴上锚定所述历史时间戳；
S1-3-2-2、以历史时间戳为基准，在时间轴上确定一长度固定的时间窗口；
S1-3-2-3、在时间窗口内，获取目标节点与有效依赖节点在若干连续时间戳上的运行状态参数，并将运行状态参数基于若干连续时间戳的顺序分别排列为目标参数序列和依赖参数序列；
S1-3-2-4、计算目标参数序列和依赖参数序列的均值；
S1-3-2-5、根据目标参数序列和依赖参数序列的均值，计算目标参数序列和依赖参数序列的未归一协方差和未归一标准差；
S1-3-2-6、根据目标参数序列和依赖参数序列的未归一协方差和未归一标准差，计算目标节点与有效依赖节点之间的时间依赖度；
所述时间依赖度的计算式为：
；
其中，表示时间依赖度，表示第i个目标节点，表示第j个有效依赖节点，表示皮尔逊系数，表示皮尔逊系数的绝对值；表示第i个目标节点在第k个连续时间戳的运行状态参数，表示目标参数序列的均值，表示第j个有效依赖节点在第k个连续时间戳的运行状态参数，表示依赖参数序列的均值，表示未归一协方差，表示未归一标准差乘积。
S1-3-2-7、获取皮尔逊系数的绝对值，定义为所述时间依赖度。
在其中一些具体的实施例中，将所述依赖图序列切割为M个时空依赖样本，包括：
S3-1、设定预处理的样本长度；
S3-2、基于预处理的样本长度，从依赖图序列中依次截取依赖图子序列；
其中，所述依赖图子序列包含连续个历史时间戳的功能依赖图；
S3-3、对于各依赖图子序列，将其末端时间戳对应的功能依赖图中K个节点的运行状态参数，作为目标标签值；
S3-4、将各依赖图子序列及其对应的目标标签值组合，构成所述时空依赖样本。
在其中一些具体的实施例中，基于时空状态预测模型，确定构网型储能逆变器的控制指令，包括：
S5-1、获取目标采集区在当前时间戳下K个电网功能单元的运行状态参数，并基于运行状态参数构建当前时间戳的功能依赖图；
S5-2、将当前时间戳的功能依赖图输入至时空状态预测模型，输出目标时间戳在K个电网功能单元的预测状态参数；
S5-3、根据目标时间戳在K个电网功能单元的预测状态参数，生成构网型储能逆变器的控制指令。
本发明提供了一种基于复杂网络时空优化的构网型储能逆变器控制方法，具备以下有益效果：
本发明通过计算有向边上下游目标节点与有效依赖节点的空间距离，并将其反比为目标节点与有效依赖节点之间的空间依赖度，能够反映电网功能单元在地理空间上的邻近关系；使得功能依赖图在构建过程中引入了空间分布，使模型在识别功能依赖关系时具备对地理布局的感知能力，有助于区分不同空间位置的电网功能单元对运行状态参数的影响差异。
进一步地，本发明采用皮尔逊系数绝对值来计算时间依赖度，能够捕捉电网功能单元在连续时间戳上运行状态参数的动态响应一致性，可识别出在时间演化过程中存在强相关性的电网功能单元对，提升对动态行为的表征。
进一步地，本发明将空间依赖度和时间依赖度加权融合为时空依赖度，作为边权重，该边权重既考虑了电网功能单元在地理空间上的邻近性，也融合了其在时间序列上的动态响应一致性，使功能依赖图能够全面地反映电网内部的耦合。
进一步地，本发明将时空依赖度确定为边权重，使得功能依赖图中的有向边不仅表达连接方向，还量化了依赖关系的相对强度；该强度由空间邻近性和时间同步性共同决定，使图结构能够动态反映电网功能单元之间在历史时段下的综合影响程度；为图神经网络模型提供了更高质量的序列样本，增强了模型对电网未来状态的预测能力，进而支持构网型储能逆变器生成基于预测的控制指令。
附图说明
图1为本发明一种基于复杂网络时空优化的构网型储能逆变器控制方法的流程示意图；
图2为本发明所述功能依赖图的构建流程示意图；
图3为本发明所述有效依赖节点的判定流程示意图；
图4为本发明所述空间依赖度的计算流程示意图；
图5为本发明所述时间依赖度的计算流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：请参阅图1，本发明提供一种基于复杂网络时空优化的构网型储能逆变器控制方法，包括如下应用步骤：
S1、在时间轴上定位一历史时间戳，并构建所述历史时间戳的功能依赖图；其中，功能依赖图包含K个表征电网功能单元的节点；
在本实施例中，所述电网功能单元表示电网系统风光柴储所对应的单元；示例性地，K个电网功能单元包括：光伏发电单元、风力发电单元、柴油发电单元、储能单元、负载集群单元和电力并网单元。
S2、以预设时间步长，滑动构建L个历史时间戳的功能依赖图，并基于历史时间戳的顺序排列生成依赖图序列；
S3、将所述依赖图序列切割为M个时空依赖样本；
S4、基于M个时空依赖样本，对图神经网络模型进行迭代监督训练，获得时空状态预测模型；
具体而言，时空状态预测模型的迭代训练步骤包括：
将M个时空依赖样本依次输入图神经网络模型；
模型根据输入样本中的依赖图序列，输出对电网功能单元未来运行状态的初步预测结果；
将初步预测结果与实际采集的运行状态参数进行比较，计算预测误差；
基于预测误差反向调整图神经网络模型的内部参数；
重复上述过程，直至模型输出的预测结果收敛或达到预设训练精度，完成模型训练。
S5、基于时空状态预测模型，确定构网型储能逆变器的控制指令。
在本实施例中，通过构建历史时间戳下表征电网功能单元及其依赖关系的功能依赖图，生成按时间顺序排列的依赖图序列，将其切割为时空依赖样本，用于图神经网络模型的迭代监督训练以生成时空状态预测模型，并基于该模型确定构网型储能逆变器的控制指令，实现从电网功能单元历史运行状态到未来控制行为的时空建模与预测驱动，从而提升对电网电压、频率及功率变化趋势的预测准确性，支持构网型储能逆变器在复杂运行条件下提前生成具有电网支撑作用的控制指令，增强电网运行的主动调节能力。
实施例2：参阅图2至图5，本实施例2区别于实施例1的技术方案在于，公开了实施例1中各应用步骤的具体执行子步骤。
其中，所述控制方法步骤S1的具体执行子步骤为：
S1-1、获取所述历史时间戳下包含K个节点的功能节点集；
S1-2、在功能节点集的K个节点之间建立有向边，
S1-3、基于有向边上下游的电网功能单元，确定边权重；
S1-4、遍历功能节点集，重复建立有向边及其边权重，直至构建K个电网功能单元对应的功能依赖图。
在本实施例中，所构建的功能依赖图通过包含K个节点的功能节点集、节点之间的有向边以及基于上下游电网功能单元确定的边权重，实现对历史时间戳下各电网功能单元连接方向与相互作用强度的结构化表达。
进一步地，所述子步骤S1-1具体包括：
S1-1-1、在电子地图上划定目标采集区，并锚定目标采集区内的K个电网功能单元；
S1-1-2、获取K个电网功能单元在同一历史时间戳的若干运行状态参数；
在本实施例中，运行状态参数表示电网功能单元在时间戳下的核心运行状态参数，包括环境输入、运行状态及功率响应等维度。
具体而言，光伏发电单元的运行状态参数为光照强度、组件温度和输出功率；
风力发电单元的运行状态参数为风速、组件转速和输出功率；
柴油发电单元的运行状态参数为燃料储备、单位油耗和输出功率；
储能单元的运行状态参数为荷电状态、端电压和充放电功率；
负载集群单元的运行状态参数为负载类型（工业/商业/居民）、用电时段和负载功率；
电力并网单元的运行状态参数为并网点电压、并网点频率和电价时段（峰/平/谷）；
S1-1-3、将若干运行状态参数进行特征标准化，构建为电网功能单元对应的运行状态特征；
具体而言，特征标准化表示对各运行状态参数进行量纲归一化处理，以消除不同物理量之间的数值差异；所述特征标准化采用Z-score标准化或Min-Max归一化方法；
而运行状态特征则表示经标准化处理后得到的、用于表征电网功能单元运行状态的无量纲特征向量。
S1-1-4、定义K个电网功能单元为图结构的K个节点，对应的运行状态特征为节点向量，构成功能节点集；
其中，功能节点集的K个节点均建立有节点索引，各节点索引对应其电网功能单元。
在本实施例中，所构建的功能节点集通过将目标采集区内的K个电网功能单元映射为图结构中的K个节点，并以标准化后的运行状态特征作为各节点的节点向量，使得各电网功能单元在同一历史时间戳下的运行状态参数被组织为具有节点索引，为功能节点集的节点之间建立有向边及确定边权重提供统一的数据基础。
进一步地，所述子步骤S1-2具体包括：
S1-2-1、在功能节点集中，锚定一目标节点，并选定与目标节点存在候选依赖关系的J个候选依赖节点，得到J个候选节点对，其中，J=K-1；
具体而言，在功能节点集中，候选依赖节点是指除目标节点外的其余K−1个电网功能单元对应的其他节点。其与目标节点在电气拓扑、地理邻近性或历史运行数据中可能存在潜在交互可能性。
S1-2-2、对于各候选节点对，基于预构建的知识事实图谱判定其中的候选依赖节点是否属于有效依赖节点；
其中，所述有效依赖节点的判定过程如下：
S1-2-2-1、锚定候选节点对所对应的两个电网功能单元；
S1-2-2-2、将两个电网功能单元进行知识事实标注，配对生成待判定实体对；
S1-2-2-3、在预构建的知识事实图谱中，遍历各知识事实三元组，提取其头实体和尾实体，配对生成若干事实实体对；
S1-2-2-4、计算待判定实体对和若干事实实体对的若干匹配度；
示例性地，所述匹配度通过将待判定实体对和事实实体对中的电网功能单元名称映射为预训练的电力领域词向量，并计算对应词向量之间的余弦相似度确定；
其中，待判定实体对与某一事实实体对的匹配度为两者头实体词向量相似度与尾实体词向量相似度的均值。
S1-2-2-5、在若干匹配度中选择最大匹配度，并将其与设定阈值比较；
S1-2-2-6、若最大匹配度大于设定阈值，则判定候选节点对中的所述候选依赖节点属于有效依赖节点；否则属于无效依赖节点。
具体而言，所述知识事实图谱是一个预定义的规则型知识库，包含电网中各类电网功能单元之间的物理连接规则与运行耦合关系，例如：
（光伏阵列，供电于，负载集群）
（储能系统，支撑，电网频率）
（柴油发电机，备用电源，关键负荷）
（风力发电机，受控于，风速）
每个知识事实为三元组形式：（头实体，关系，尾实体），构成所述的知识事实三元组。
在本实施例中，通过锚定候选节点对对应的两个电网功能单元，进行知识事实标注生成待判定实体对，遍历知识事实图谱中的知识事实三元组生成事实实体对，计算待判定实体对与事实实体对之间的匹配度，选取最大匹配度并与设定阈值比较，根据比较结果判定候选依赖节点是否属于有效依赖节点，完成对电网功能单元之间依赖关系的有效性确认。
进一步地，所述子步骤S1-2具体还包括
S1-2-3、若属于有效依赖节点，则在知识事实图谱中提取预定义的实体关系作为目标节点与有效依赖节点之间的依赖关系；
S1-2-4、基于所述依赖关系，在目标节点与有效依赖节点之间建立有向边。
在本实施例中，通过在功能节点集的K个节点之间锚定目标节点并选定候选依赖节点，结合预构建的知识事实图谱对候选依赖节点进行有效性判定，并依据知识事实图谱中的实体关系确定依赖关系，基于该依赖关系建立有向边，实现对电网功能单元之间连接方向的建立。
进一步地，所述子步骤S1-3具体包括：
S1-3-1、计算有向边的空间依赖度；
S1-3-2、计算有向边的时间依赖度；
S1-3-3、将空间依赖度和时间依赖度加权融合，构建时空依赖度，并将时空依赖度确定为所述边权重。
在本实施例中，通过分别计算有向边的空间依赖度和时间依赖度，并将二者加权融合为边权重，使得边权重综合空间依赖度和时间依赖度的计算结果，完成对电网功能单元之间连接强度的量化建立。
示例性地，所述空间依赖度的计算步骤包括：
S1-3-1-1、锚定有向边上下游的目标节点与有效依赖节点，
S1-3-1-2、根据目标节点与有效依赖节点的节点索引，提取其对应的两个电网功能单元；
S1-3-1-3、获取所述两个电网功能单元在电子地图的空间坐标；
S1-3-1-4、根据所述空间坐标，计算两个电网功能单元的空间距离；
示例性的，所述空间距离可基于两个空间坐标之间的欧式距离计算。
S1-3-1-5、将所述空间距离反比为目标节点与有效依赖节点之间的空间依赖度；
示例性地，所述空间依赖度的反比计算式为：
；
其中，表示空间依赖度，表示第i个目标节点与第j个有效依赖节点之间的空间距离，为空间距离的衰减系数；在本实施例中，衰减系数的作用是调节空间距离对空间依赖度的非线性影响强度。具体来说：
当衰减系数增大时，空间距离对空间依赖度的影响会更加显著。即，随着空间距离的增加，权重下降得更快。
当衰减系数减小时，空间距离对空间依赖度的影响会减弱。即，随着空间距离的增加，权重下降得更慢。
在本实施例中，通过锚定有向边上下游的目标节点与有效依赖节点，根据节点索引提取对应的电网功能单元，获取其在电子地图上的空间坐标，计算空间距离，并将空间距离反比于空间依赖度，完成对电网功能单元之间空间关系的表达。
示例性地，所述时间依赖度的计算过程包括：
S1-3-2-1、在时间轴上锚定所述历史时间戳；
S1-3-2-2、以历史时间戳为基准，在时间轴上确定一长度固定的时间窗口；
示例性地，在本实施例中，所述时间窗口为，表示在历史时间戳t回溯T个长度，截取长度为T的时间子轴作为时间窗口；其中，长度T优选为1小时。
S1-3-2-3、在时间窗口内，获取目标节点与有效依赖节点在若干连续时间戳上的运行状态参数，并将运行状态参数基于若干连续时间戳的顺序分别排列为目标参数序列和依赖参数序列；
示例性地，所述运行状态参数序列表示节点的核心动态变量，如：
光伏发电单元→输出功率；
储能单元→充放电功率；
负载集群单元→负载功率；
电力并网单元→并网点评率；
当然，核心动态变量只需能够反映电网功能单元的能量交互行为即可，完全可以基于实际系统需求，选择相应的可观测的动态变量即可。
S1-3-2-4、计算目标参数序列和依赖参数序列的均值；
S1-3-2-5、根据目标参数序列和依赖参数序列的均值，计算目标参数序列和依赖参数序列的未归一协方差和未归一标准差；
S1-3-2-6、根据目标参数序列和依赖参数序列的未归一协方差和未归一标准差，计算目标节点与有效依赖节点之间的时间依赖度；
所述时间依赖度的计算式为：
；
其中，表示时间依赖度，表示第i个目标节点，表示第j个有效依赖节点，表示皮尔逊系数，表示皮尔逊系数的绝对值；表示第i个目标节点在第k个连续时间戳的运行状态参数，表示目标参数序列的均值，表示第j个有效依赖节点在第k个连续时间戳的运行状态参数，表示依赖参数序列的均值，表示未归一协方差，表示未归一标准差乘积。
S1-3-2-7、获取皮尔逊系数的绝对值，定义为所述时间依赖度。
在本实施例中，通过以历史时间戳为基准确定固定长度的时间窗口，获取目标节点与有效依赖节点在时间窗口内若干连续时间戳上的运行状态参数并构建成目标参数序列和依赖参数序列，计算两序列的均值、未归一协方差与未归一标准差，基于皮尔逊系数公式计算其相关性，并取绝对值作为时间依赖度，完成对电网功能单元之间在连续时间戳上运行状态参数变化关系的量化表示。
在本实施例中，所述控制方法步骤S3的具体执行子步骤为：
S3-1、设定预处理的样本长度；
S3-2、基于预处理的样本长度，从依赖图序列中依次截取依赖图子序列；
其中，所述依赖图子序列包含连续个历史时间戳的功能依赖图；
S3-3、对于各依赖图子序列，将其末端时间戳对应的功能依赖图中K个节点的运行状态参数，作为目标标签值；
S3-4、将各依赖图子序列及其对应的目标标签值组合，构成所述时空依赖样本。
在本实施例中，通过设定预处理的样本长度，从依赖图序列中依次截取包含连续个历史时间戳的功能依赖图的依赖图子序列，将各依赖图子序列末端时间戳对应的功能依赖图中K个节点的运行状态参数作为目标标签值，并将依赖图子序列与其对应的目标标签值组合，得到了可用于模型输入的时空依赖样本。
在本实施例中，所述控制方法步骤S5的具体执行子步骤为：
S5-1、获取目标采集区在当前时间戳下K个电网功能单元的运行状态参数，并基于运行状态参数构建当前时间戳的功能依赖图；
在本实施例中，所述当前时间戳的功能依赖图，按照与历史时间戳相同的方法构建，包括：获取当前运行状态参数、构建功能节点集、基于知识事实图谱建立有向边及边权重。
S5-2、将当前时间戳的功能依赖图输入至时空状态预测模型，输出目标时间戳在K个电网功能单元的预测状态参数；
本发明所述的预测状态参数是指表征电网功能单元在未来目标时间戳的运行状态参数，包括但不限于：输出功率、端电压、荷电状态、并网点频率、环境输入量等。因此，本实施例的运行状态参数根据其所处的时间阶段，可分为“历史运行状态参数”、“当前运行状态参数”和“预测状态参数”，其数据本体一致，仅时间属性不同。
S5-3、根据目标时间戳在K个电网功能单元的预测状态参数，生成构网型储能逆变器的控制指令；
具体而言，所述控制指令的生成包括：
若比较预测状态参数发现：并网点频率低于设定阈值，则生成用于主动支撑并网点频率的控制指令，使得储能单元进入放电状态并增强电网惯性响应；
若比较预测状态参数发现：负载功率将大幅上升且光伏/风电出力不足，则生成用于维持母线电压稳定的控制指令，使得储能单元提前释放有功功率以提供电压支撑；
若比较预测状态参数发现：电价时段即将进入“谷时段”且荷电状态低于设定阈值，则生成用于低成本储能的控制指令，使得储能单元切换至充电模式以吸收低价电能；
若比较预测状态参数发现：风光出力显著高于负载需求且储能未满，则生成用于削峰填谷的控制指令，使得储能单元吸收多余电能以平衡系统功率；
上述控制指令包括有功/无功功率设定值、虚拟惯量、下垂系数、运行模式信号，根据构网型逆变器的控制架构动态配置，并下发至构网型储能逆变器，驱动其在目标时间戳前完成运行模式切换。
综上，在本实施例中，通过构建功能依赖图以表达电网功能单元之间的连接方向与依赖强度，利用时空依赖样本反映系统状态在连续时间戳上的演化过程，基于预测模型生成目标时间戳的运行状态参数并生成相应控制指令，使控制指令的生成依据从单一时间点的运行状态扩展为涵盖电网功能单元间空间连接关系与时间演化关系的复合表征，控制行为由响应式调节转变为基于预测的提前干预，实现对电网电压、频率及功率平衡的前瞻调控，支撑构网型储能逆变器在复杂网络环境下的主动调节能力。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，包括：
在时间轴上定位一历史时间戳，并构建所述历史时间戳的功能依赖图；其中，功能依赖图包含K个表征电网功能单元的节点；
以预设时间步长，滑动构建L个历史时间戳的功能依赖图，并基于历史时间戳的顺序排列生成依赖图序列；
将所述依赖图序列切割为M个时空依赖样本；
基于M个时空依赖样本，对图神经网络模型进行迭代监督训练，获得时空状态预测模型；
基于时空状态预测模型，确定构网型储能逆变器的控制指令。
2.根据权利要求1所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，构建所述历史时间戳的功能依赖图，包括：
获取所述历史时间戳下包含K个节点的功能节点集；
在功能节点集的K个节点之间建立有向边，
基于有向边上下游的电网功能单元，确定边权重；
遍历功能节点集，重复建立有向边及其边权重，直至构建K个电网功能单元对应的功能依赖图。
3.根据权利要求2所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，获取所述历史时间戳下包含K个节点的功能节点集，包括：
在电子地图上划定目标采集区，并锚定目标采集区内的K个电网功能单元；
获取K个电网功能单元在同一历史时间戳的若干运行状态参数；
将若干运行状态参数进行特征标准化，构建为电网功能单元对应的运行状态特征；
定义K个电网功能单元为图结构的K个节点，对应的运行状态特征为节点向量，构成功能节点集；其中，功能节点集的K个节点均建立有节点索引，各节点索引对应其电网功能单元。
4.根据权利要求2所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，在功能节点集的K个节点之间建立有向边，包括：
在功能节点集中，锚定一目标节点，并选定与目标节点存在候选依赖关系的J个候选依赖节点，得到J个候选节点对，其中，J=K-1；
对于各候选节点对，基于预构建的知识事实图谱判定其中的候选依赖节点是否属于有效依赖节点；
若属于有效依赖节点，则在知识事实图谱中提取预定义的实体关系作为目标节点与有效依赖节点之间的依赖关系；
基于所述依赖关系，在目标节点与有效依赖节点之间建立有向边。
5.根据权利要求4所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，基于预构建的知识事实图谱判定其中的候选依赖节点是否属于有效依赖节点，包括：
锚定候选节点对所对应的两个电网功能单元；
将两个电网功能单元进行知识事实标注，配对生成待判定实体对；
在预构建的知识事实图谱中，遍历各知识事实三元组，提取其头实体和尾实体，配对生成若干事实实体对；
计算待判定实体对和若干事实实体对的若干匹配度；
在若干匹配度中选择最大匹配度，并将其与设定阈值比较；
若最大匹配度大于设定阈值，则判定候选节点对中的所述候选依赖节点属于有效依赖节点；否则属于无效依赖节点。
6.根据权利要求2所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，基于有向边上下游的电网功能单元，确定边权重，包括：
计算有向边的空间依赖度；
计算有向边的时间依赖度；
将空间依赖度和时间依赖度加权融合，构建时空依赖度，并将时空依赖度确定为所述边权重。
7.根据权利要求6所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，计算有向边的空间依赖度，包括：
锚定有向边上下游的目标节点与有效依赖节点，
根据目标节点与有效依赖节点的节点索引，提取其对应的两个电网功能单元；
获取所述两个电网功能单元在电子地图的空间坐标；
根据所述空间坐标，计算两个电网功能单元的空间距离；
将所述空间距离反比为目标节点与有效依赖节点之间的空间依赖度。
8.根据权利要求6所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，计算有向边的时间依赖度，包括：
在时间轴上锚定所述历史时间戳；
以历史时间戳为基准，在时间轴上确定一长度固定的时间窗口；
在时间窗口内，获取目标节点与有效依赖节点在若干连续时间戳上的运行状态参数，并将运行状态参数基于若干连续时间戳的顺序分别排列为目标参数序列和依赖参数序列；
计算目标参数序列和依赖参数序列的均值；
根据目标参数序列和依赖参数序列的均值，计算目标参数序列和依赖参数序列的未归一协方差和未归一标准差；
根据目标参数序列和依赖参数序列的未归一协方差和未归一标准差，计算目标节点与有效依赖节点之间的时间依赖度；
所述时间依赖度的计算式为：
；
其中，表示时间依赖度，表示第i个目标节点，表示第j个有效依赖节点，表示皮尔逊系数，表示皮尔逊系数的绝对值；表示第i个目标节点在第k个连续时间戳的运行状态参数，表示目标参数序列的均值，表示第j个有效依赖节点在第k个连续时间戳的运行状态参数，表示依赖参数序列的均值，表示未归一协方差，表示未归一标准差乘积；
获取皮尔逊系数的绝对值，定义为所述时间依赖度。
9.根据权利要求1所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，将所述依赖图序列切割为M个时空依赖样本，包括：
设定预处理的样本长度；
基于预处理的样本长度，从依赖图序列中依次截取依赖图子序列；
其中，所述依赖图子序列包含连续个历史时间戳的功能依赖图；
对于各依赖图子序列，将其末端时间戳对应的功能依赖图中K个节点的运行状态参数，作为目标标签值；
将各依赖图子序列及其对应的目标标签值组合，构成所述时空依赖样本。
10.根据权利要求9所述的一种基于复杂网络时空优化的构网型储能逆变器控制方法，其特征在于，基于时空状态预测模型，确定构网型储能逆变器的控制指令，包括：
获取目标采集区在当前时间戳下K个电网功能单元的运行状态参数，并基于运行状态参数构建当前时间戳的功能依赖图；
将当前时间戳的功能依赖图输入至时空状态预测模型，输出目标时间戳在K个电网功能单元的预测状态参数；
根据目标时间戳在K个电网功能单元的预测状态参数，生成构网型储能逆变器的控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202511335563.0A CN120834603B (zh) | 2025-09-18 | 2025-09-18 | 一种基于复杂网络时空优化的构网型储能逆变器控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202511335563.0A CN120834603B (zh) | 2025-09-18 | 2025-09-18 | 一种基于复杂网络时空优化的构网型储能逆变器控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN120834603A true CN120834603A (zh) | 2025-10-24 |
| CN120834603B CN120834603B (zh) | 2025-12-16 |
Family
ID=97401045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202511335563.0A Active CN120834603B (zh) | 2025-09-18 | 2025-09-18 | 一种基于复杂网络时空优化的构网型储能逆变器控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN120834603B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN121012087A (zh) * | 2025-10-28 | 2025-11-25 | 珠海市贡峰新能源开发有限公司 | 基于ai预测的双向逆变协同变流方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117675615A (zh) * | 2023-12-01 | 2024-03-08 | 北京大学深圳研究生院 | 一种基于预训练的动态网络流量调控方法及其系统 |
| CN118157202A (zh) * | 2024-02-20 | 2024-06-07 | 国网湖北省电力有限公司电力科学研究院 | 构网型变换器稳定控制方法、系统及存储介质 |
| CN119169144A (zh) * | 2024-11-20 | 2024-12-20 | 国网山东省电力公司信息通信公司 | 一种电力信息系统运行服务链路拓扑构建方法及系统 |
| CN119578648A (zh) * | 2024-11-29 | 2025-03-07 | 常州大学 | 基于时空图卷积网络模型的臭氧浓度预测方法、装置、设备及介质 |
| CN120320405A (zh) * | 2025-06-17 | 2025-07-15 | 华北电力大学（保定） | 一种逆变器跟网与构网控制模式自适应调整方法及系统 |
-
2025
- 2025-09-18 CN CN202511335563.0A patent/CN120834603B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117675615A (zh) * | 2023-12-01 | 2024-03-08 | 北京大学深圳研究生院 | 一种基于预训练的动态网络流量调控方法及其系统 |
| CN118157202A (zh) * | 2024-02-20 | 2024-06-07 | 国网湖北省电力有限公司电力科学研究院 | 构网型变换器稳定控制方法、系统及存储介质 |
| CN119169144A (zh) * | 2024-11-20 | 2024-12-20 | 国网山东省电力公司信息通信公司 | 一种电力信息系统运行服务链路拓扑构建方法及系统 |
| CN119578648A (zh) * | 2024-11-29 | 2025-03-07 | 常州大学 | 基于时空图卷积网络模型的臭氧浓度预测方法、装置、设备及介质 |
| CN120320405A (zh) * | 2025-06-17 | 2025-07-15 | 华北电力大学（保定） | 一种逆变器跟网与构网控制模式自适应调整方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN121012087A (zh) * | 2025-10-28 | 2025-11-25 | 珠海市贡峰新能源开发有限公司 | 基于ai预测的双向逆变协同变流方法及系统 |
| CN121012087B (zh) * | 2025-10-28 | 2026-03-27 | 珠海市贡峰新能源开发有限公司 | 基于ai预测的双向逆变协同变流方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN120834603B (zh) | 2025-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118411003B (zh) | 多类别电力设备的负荷控制方法、系统、设备和存储介质 | |
| CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
| CN120834603B (zh) | 一种基于复杂网络时空优化的构网型储能逆变器控制方法 | |
| CN120377317B (zh) | 面向多源新能源的并网功率波动主动平抑控制方法及系统 | |
| CN118825965A (zh) | 一种融合多工况、工序、工艺的负荷动态响应建模方法及系统 | |
| CN120728593B (zh) | 基于工业用户群体动态相关性的电力负荷预测方法 | |
| Nichiforov et al. | Efficient load forecasting model assessment for embedded building energy management systems | |
| CN120763590B (zh) | 一种配电负荷预测方法及系统 | |
| CN118983784A (zh) | 分布式光伏集群调控仿真方法、系统、设备及存储介质 | |
| Yu et al. | A Method for Multisource Heterogeneous Data Fusion and Modeling in New Power Systems | |
| CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
| Qiuxian et al. | Research on economic distribution strategy of unit combination load based on robust optimization | |
| CN119312115B (zh) | 一种建筑物短期负荷预测方法 | |
| CN120728589B (zh) | 基于多源异构特征融合的负荷孪生建模与预测方法及系统 | |
| CN121258283B (zh) | 一种促进新能源消纳的产业园区负荷平衡方法及系统 | |
| Zhang et al. | Electric Power Load Prediction based on Temporal Semantic Information and LSTM | |
| Li et al. | Research on the Improvement of Operating Efficiency of Electric Meter Calibration System by Clustering Algorithm | |
| Pan et al. | Predicting of Power Quality Steady State Index Based on Chaotic Theory Using Least Squares Support Vector Machine | |
| CN120875426A (zh) | 一种适用于多能源的建筑能源管理系统及方法 | |
| CN118644019A (zh) | 一种应用于云边协同的能源管理方法及相关设备 | |
| Pan et al. | Calculation method of line loss in low-voltage substation based on K-Means++ and Elman neural network | |
| Zhang | Application Research on Photovoltaic Electricity Plant Output Prediction Based on Random Forest Model | |
| CN120073648A (zh) | 一种短期电力负荷预测方法和系统 | |
| Jian et al. | Ultra-Short-term Power Prediction of the Wind Farm Based on Multivariate Data Combination | |
| Tao et al. | Application research of deep learning-based BIM Technology in Intelligent Construction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |