本发明涉及风电场优化控制，具体涉及一种基于dlmpc的风电场多目标优化控制方法及系统。
背景技术：
1、随着风电场容量和数量的增加，大规模海上风电场并入陆地电网仍然面临着诸多挑战和技术难题。vsc-hvdc（voltage source converter based high voltage directcurrent transmission，基于电压源换流器的高压直流输电）凭借其先进的变流器控制技术、精确可控的特性以及对谐波和电压等级的较低要求，为海上风电场的并网提供了一种更为灵活、高效的解决方案，将成为未来大规模海上风电场并网的主流方式。
2、近年来，已有大量学者针对vsc-hvdc并网风电场的集中式电压协调控制问题做出了研究。然而，现有集中式研究方法都是基于风电场系统物理模型提出的，风电场模型是复杂、高阶耦合的非线性模型，因此在大规模风电场集中式优化控制中，其优化问题成为带大规模约束的大规模的多输入多输出问题，中央处理器的计算负担大大加重。此外，由于风电场的详细网络参数在实践中通常是不可用、不完整或过时的，因此在不同的运行模式下频繁维护精确的wf（风电场）模型是一项挑战。这些都限制了基于模型的风电场集中式控制方法的实时应用。因此开发大规模复杂风电场系统的建模方法以及相应的优化控制方案是现代风电场控制的发展趋势。深度学习能够对高度复杂的非线性函数进行建模，并通过多个抽象级别和非线性处理层仅从原始数据中揭示复杂的映射关系，在大数据时代，为大规模风电场的建模与控制提供了新的思路。
3、随着人工智能技术的不断发展，深度学习模型在时间序列预测任务中展现出了强大的潜力。其中，transformer模型作为一种新兴的神经网络结构，由于其出色的并行计算能力、位置编码、自注意力机制、能够在整个时间序列范围内建模全局依赖关系，这有助于捕捉时间序列数据中的长距离依赖关系和全局特征，在很多情况下能够取得较好的预测性能，在多元时间序列预测中备受关注。而风电场的各个输入输出变量之间，不仅在时间上有相关性，在空间上也有联系，风电场中各个节点之间的电压和线路潮流相互作用，不同位置的风机之间的影响互不相同，因此，需要同时考虑变量序列在时间和空间上的影响。cnn网络（卷积神经网络）能够有效地从时间序列数据中的不同位置提取局部特征，从而获取整个输入矩阵的空间信息。此外，cnn和transformer模型都具有良好的并行计算性能，可以加速模型训练和推理过程，这对于处理大规模多元时间序列数据非常重要，能够提高模型的效率和扩展性，适用于大规模风电场建模。
4、传统的mpc（model predictive control，模型预测控制）控制方法具有显示的优化函数表达式，可以利用优化函数的梯度信息求解出最优变量，然而与传统的基于物理模型的mpc控制方式的不同，基于dlmpc（deep learning-based model predictive control，深度学习模型预测控制）的优化函数由于是利用深度学习网络拟合的，输入输出均为时间序列数据，拟合函数属于非线性函数，所以无法直接转化为二次规划的形式来求解，因此需要设计基于dlmpc的多目标优化函数计算框架，实现数据驱动下的风电场最优化运行。启发式算法结合dl预测模型寻优可以能够处理多变量等式与不等式约束问题，并且无需依赖函数的梯度信息，在优化范围内能搜索到全局最优解，适用于没有显示函数表达式的深度学习拟合函数的优化问题求解，已在dlmpc优化控制中的得到了应用，并达到了较好的优化控制效果。因此，设计dlmpc与启发式算法结合的优化控制是实现风电场数据驱动运行的关键。
技术实现思路
1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于dlmpc的风电场多目标优化控制方法及系统，本发明旨在以基于深度学习的数据模型的预测结果为优化目标实现基于数据驱动的风电场的集中式多目标电压协调优化控制。
2、为了解决上述技术问题，本发明采用的技术方案为：
3、一种基于dlmpc的风电场多目标优化控制方法，包括下述步骤：
4、s101，获取为vsc-hvdc并网风电场建立的基于模型控制mpc的风电场优化模型，所述风电场优化模型包括预测模型、优化目标函数及其约束条件，所述约束条件包括风机的有功约束，风机的无功约束，风电场测变流器wfvsc的端电压约束，以及风电场内所有风电机组发出的有功功率之和等于整个风电场发出的有功功率要遵循系统的调度指令；
5、s102，将所述预测模型转换为基于深度学习拟合的风电场预测模型，并根据基于深度学习拟合的风电场预测模型，建立并训练一个基于深度学习的多元时间序列预测模型来拟合所述基于深度学习拟合的风电场预测模型的映射函数；
6、s103，根据基于深度学习的多元时间序列预测模型，建立基于dlmpc的风电场集中式电压优化控制优化目标；
7、s104，求解基于dlmpc的风电场集中式电压优化控制优化目标获得风电场的最优控制变量以用于实现风电场多目标优化控制。
8、可选地，步骤s101中建立风电场的优化模型时，包括假设控制周期与预测周期均等于预设的周期t，定义风电场预测优化变量增量为：
9、，
10、上式中，表示风电场内节点电压幅值向量，表示风电场网络损耗，表示风电场内风机输出有功功率向量；从而建立在 k时刻任意预测步中的以下预测模型：
11、，
12、上式中，为 k时刻第j预测步的风电场预测优化变量增量，为预测模型的映射函数，为 k时刻的输出变量，～为 k时刻第1～j预测步的控制变量，且输出变量的函数表达式为：
13、，
14、控制变量的函数表达式为：
15、，
16、上式中，为松弛母线电压增量，～为第1～nw台风机的有功功率增量，～为第1～nw台风机的无功功率增量，表示风电场控制母线电压增量，～为第1～nw台风机的有功功率增量参考值，～为第1～nw台风机的无功功率增量参考值；令k+j-1时刻的控制变量，其中表示根据k时刻的控制变量得到的k+j-1时刻的控制变量，从而得到整个预测周期t内风电场的预测模型的函数表达式为：
17、，
18、上式中，为k+1到k+t时刻的优化变量增量向量，～为k+1～k+t时刻的优选变量增量，表示风电场输入输出变量与优化变量的t步映射函数，为k时刻输出变量，表示k到k+t-1时刻的控制变量增量向量。
19、可选地，步骤s102中将预测模型转换得到的基于深度学习拟合的风电场预测模型的函数表达式为：
20、，
21、上式中，为根据dl拟合函数的优化变量预测值，为基于深度学习拟合的风电场预测模型的映射函数；
22、步骤s102中建立并训练一个基于深度学习的多元时间序列预测模型来拟合所述基于深度学习拟合的风电场预测模型的映射函数时，建立的基于深度学习的多元时间序列预测模型的函数表达式为：
23、，
24、上式中，为基于深度学习的多元时间序列预测模型的输入向量，且有，其中表示“定义为”，为第 l个1- l+1到1- l+t时刻的输出变量增量与控制变量增量采样值组成的时间序列向量，为第 l个2- l+1到2- l+t时刻的输出变量增量与控制变量增量采样值组成的时间序列向量，为第 l个t- l+1到t- l+t时刻的输出变量增量与控制变量增量采样值组成的时间序列向量，且有：
25、，
26、上式中，为第 l个t- l+1到t- l+t时刻的输出变量增量，为第t个t- l+1到t- l+t时刻的控制变量增量采样值。
27、可选地，步骤s102中建立的基于深度学习的多元时间序列预测模型为基于cnn-transformer的风电场预测模型，所述基于cnn-transformer的风电场预测模型针对输入数据的处理包括：
28、s201，针对输入数据构成的多变量时间序列先进行掩码操作，再进行位置编码操作；
29、s202，将位置编码操作后的数据输入到卷积模块中以提取数据中的空间特征；
30、s203，将空间特征输入transformer编码器以提取序列中短期和长期的时间特征；
31、s204，将提取得到的序列中短期和长期的时间特征首先通过全局平均池化处理，然后再输出连接到全连接层以获得基于cnn-transformer的风电场预测模型的输出。
32、可选地，步骤s101中优化目标函数的函数表达式为：
33、，
34、上式中，为风电场的优化目标函数，、和为三个优化目标，、和为三个优化目标的权重系数，和分别为所有风机有功功率向量及无功功率增量参考向量，为受控母线电压增量参考值；
35、，
36、，
37、，
38、上式中，np为预测周期内的总采样步数，w为风电场内节点数量，表示风电场中第 i个节点电压的第 k步预测值，表示风电场中第 i个节点电压的额定值，为k时刻的系统功率损耗；表示第 i台风机当前时刻的有功功率输出值的增量，表示第 i台风机比例控制下的有功输出参考值；
39、所述风电场中第 i个节点电压的第 k步预测值为基于下述线性预测模型预测得到：
40、，
41、上式中，第i个节点电压的初始测量值，和分别为第i个节点电压关于所有风机有功功率向量及无功功率向量的电压-功率灵敏度系数，和分别为k时刻所有风机有功功率向量及无功功率增量向量，为第i个节点电压关于vsc-hvdc并网风电场松弛母线电压的灵敏度系数，为松弛母线电压增量，其中，为风电场内pq节点集合，表示风电场中风电机组的数量，，np为预测周期内的总采样步数；k时刻的系统功率损耗为基于下述线性预测模型预测得到：
42、，
43、上式中，为风电场的有功损耗，为初始时刻的风电场功率损耗测量值。
44、可选地，步骤s103中建立的基于dlmpc的风电场集中式电压优化控制优化目标的函数表达式为：
45、，
46、s.t.:
47、，
48、，
49、，
50、，
51、上式中，为基于dlmpc的风电场集中式电压优化控制优化目标，为 k时刻的风电场预测优化变量增量，定义为 k时刻的控制变量，为 k+j时刻的风电场预测优化变量增量的预测值，为优化变量参考值， q和 r为权重，为 k时刻的第j预测步的控制变量增量，j=0,1,…,t-1；为第j预测步的基于深度学习拟合的风电场预测模型的映射函数，j=1,2,…,t，为 k时刻的输出变量，为 k时刻第j-1预测步的控制变量，j=1,2,…,t，为 k时刻的第j预测步的控制变量，j=0,1,…,t-1，与分别为优化变量最小值和最大值，与分别为控制变量增量的最小值和最大值，与分别为控制变量的最小值和最大值；且所述基于dlmpc的风电场集中式电压优化控制优化目标的t步紧凑向量的函数表达式为：
52、，
53、s.t.:
54、，
55、，
56、，
57、，
58、，
59、上式中，为基于dlmpc的风电场集中式电压优化控制优化目标的t步紧凑向量，为k+1到k+t时刻优化变量预测向量，为k+1到k+t时刻优化变量增量预测向量，为t步优化变量参考向量，表示k到k+t-1时刻的控制变量增量向量， r为权重，为k时刻初始优化变量向量，和为k+1到k+t时刻优化变量向量的最小值和最大值，和分别为控制变量增量向量的最小值和最大值，和分别为控制变量向量的最小值和最大值。
60、可选地，步骤s104中求解基于dlmpc的风电场集中式电压优化控制优化目标获得风电场的最优控制变量以用于实现风电场多目标优化控制包括：
61、s301，将基于dlmpc的风电场集中式电压优化控制优化目标的t步紧凑向量为灰狼优化器中的适应度函数，作为灰狼优化器中的灰狼个体的位置作为k到k+t-1时刻的控制变量增量向量，将实测数据代入k时刻输出变量，根据风电场测量的历史数据集初始化灰狼种群，取上一时刻的风电场测量数据作为灰狼个体、和的位置，即取保存的上一时刻的控制变量增量测量值作为灰狼个体、和的初始位置，并初始化系数向量，和；
62、s302，采用基于cnn-transformer的风电场预测模型计算灰狼个体的适应度，保存适应度最好的前三个灰狼个体、和；
63、s304，更新代理灰狼的位置:
64、，
65、，
66、，
67、上式中，、和分别为代理灰狼的位置向量，、和分别为三个灰狼个体、和的位置向量，、和分别为代理灰狼个体与、和狼的距离，且有：
68、，
69、，
70、
71、上式中，、和分别为系数向量，分别用于调整代理灰狼个体与、和狼的距离，为灰狼在搜索空间中的位置向量；且有下一次迭代时可代理灰狼的位置向量为：
72、，
73、上式中， t代表当前迭代时刻，为下一迭代时可代理灰狼的位置向量；
74、s305，将系数向量在迭代过程中在[0,2]中线性地减小，并根据下式更新系数向量和：
75、，
76、，
77、上式中，和是[0,1]中的随机向量；
78、s305，采用基于cnn-transformer的风电场预测模型计算灰狼个体的适应度，更新灰狼个体、和的位置；
79、s306，判断达到最大迭代次数或者基于dlmpc的风电场集中式电压优化控制优化目标的t步紧凑向量的值不能更小是否成立，若不成立，则跳转步骤s304继续迭代；否则，灰狼个体的位置作为最优的k到k+t-1时刻的控制变量增量向量的最优解输出以用于实现风电场多目标优化控制。
80、此外，本发明还提供一种基于dlmpc的风电场多目标优化控制系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于dlmpc的风电场多目标优化控制方法。
81、此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序/指令，该计算机程序/指令被编程或配置以通过处理器执行所述基于dlmpc的风电场多目标优化控制方法。
82、此外，本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被编程或配置以通过处理器执行所述基于dlmpc的风电场多目标优化控制方法。
83、和现有技术相比，本发明主要具有下述优点：本发明以纯数据驱动的方式协调vsc-hvdc并网风电场的所有风机以及风电场测变流器，优化风电场内部电压分布，使各个风力发电机的有功输出尽量接近按比例分配的效果，同时降低风电场系统损耗。利用深度学习强大的提取时间序列相关性能力，从风电场历史时间序列数据中学习复杂的动态关系，建立了基于深度学习的多元时间序列预测模型，能够根据历史数据准确地预测风电场优化变量向量，无需复杂的系统物理建模，实现了基于深度学习拟合的风电场预测模型、基于深度学习的多元时间序列预测模型两者的融合转化，将多元时间序列数据直接转化为二次规划的形式来求解，实现数据驱动下的风电场最优化运行，能够基于深度学习的数据模型的预测结果为优化目标实现基于数据驱动的风电场的集中式多目标电压协调优化控制。
1.一种基于dlmpc的风电场多目标优化控制方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s101中建立风电场的优化模型时，包括假设控制周期与预测周期均等于预设的周期t，定义风电场预测优化变量增量为：
3.根据权利要求2所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s102中将预测模型转换得到的基于深度学习拟合的风电场预测模型的函数表达式为：
4.根据权利要求3所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s102中建立的基于深度学习的多元时间序列预测模型为基于cnn-transformer的风电场预测模型，所述基于cnn-transformer的风电场预测模型针对输入数据的处理包括：
5.根据权利要求1所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s101中优化目标函数的函数表达式为：
6.根据权利要求1所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s103中建立的基于dlmpc的风电场集中式电压优化控制优化目标的函数表达式为：
7.根据权利要求6所述的基于dlmpc的风电场多目标优化控制方法，其特征在于，步骤s104中求解基于dlmpc的风电场集中式电压优化控制优化目标获得风电场的最优控制变量以用于实现风电场多目标优化控制包括：
8.一种基于dlmpc的风电场多目标优化控制系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～7中任意一项所述基于dlmpc的风电场多目标优化控制方法。
9.一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序/指令，其特征在于，该计算机程序/指令被编程或配置以通过处理器执行权利要求1～7中任意一项所述基于dlmpc的风电场多目标优化控制方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被编程或配置以通过处理器执行权利要求1～7中任意一项所述基于dlmpc的风电场多目标优化控制方法。
