CN114928099B 面向网络攻击下的虚拟同步发电机自适应控制装置及方法 （东北大学）

面向网络攻击下的虚拟同步发电机自适应本发明提供一种面向网络攻击下的虚拟同制技术领域。将虚拟同步发电机(VSG)的自适应计了一种基于DDPG控制算法的最优控制策略并将其嵌入到虚拟同步发电机(VSG)控制器中，通收到攻击的计算单元或收到共谋攻击的多个计2信号采集单元包括三相电压传感器、三相电流传感器和电压块和网络攻击检测模块；所述actor网络模块为分布式强化学习算法中的actor神经网络，络神经元的评分修改选行为的概率；所述目标网络模块相较于Actor和Critic神经网络模所得到的每个迭代周期的状态信号，在动作空间中依照参数化的控制函数选取对应动作，显示单元用于显示当前时刻系统运行模式、逆变器的有功输出功通信单元采用串行接口与邻居节点实现通信，进而产生信息交互，程的能量失配和IC数据进行加密后通过发送串行接口将加密数据发送到分布式微型处理32.根据权利要求1所述的面向网络攻击下的虚拟同步发电机自适应控制装置，其特征所述降噪处理模块包括MAX4104及其相应附加电路，平滑处理模块包括LTC1~D3；所述分布式微型处理器采用STC89C52RC微型处理器；经过数据预处微型处理器STC89C52RC基于此信号执行分布式的强化学习算法；分布式微型处理器AT89C52在计算完成后会输出信号P0～P7送至显示单元进通信单元采用串行接口COMPIM和SP232EEN与邻居3.一种面向网络攻击下的虚拟同步发电机自适应控S2、每一个逆变器单元均配备一个虚拟同步发电S3、自适应参数的调整是调整控制函数u(·)中的参数;和f:首先，基于观察到的系动作空间中选取t时刻合适的动作at：u,-ul,19r):o;为actott所得到的奖励值将进一步计算定义为累计奖励Rt：表示为04以及Q"(s,a,10F)=EIR,IS,a,u()]为累计奖励值的期望；其中，og为critic神经网络函数标网络中，且目标网络中的参数的更新跟随critic神经网络和actor神经网络中的参数更S8、对于每一个计算单元进行防御网络攻击中的协同攻击与非协同攻击的检测过程，S9、对于具有良好行为的critic和actor神经网络，进行cτ为更新系数；tt4.根据权利要求3所述的面向网络攻击下的虚拟同步发电机自适应控制方法，其特征nωωdω为一个小惩罚系数，具体惩罚系数的设定需结合每个发电厂对于角频率5ωdω5.根据权利要求4所述的面向网络攻击下的虚拟同步发电机自适应控制方法，其特征式的期望采样空间为记忆池D中的数据，表示目标空间中对应的期望；并计算相关梯度其中vn表示针对critic网络中控制函数参数进行梯度计和表示通过链式法则对于actor网络中控制函数参数进6.根据权利要求5所述的面向网络攻击下的虚拟同步发电机自适应控制方法，其特征6v7元数据输出所连接的计算单元集合，N,为第v个计算单元数据输入所连接的计算单元集7.根据权利要求6所述的面向网络攻击下的虚拟同步发电机自适应控制方法，其特征8[0002]环境保护日益增长的压力使得开展有关于研发具有自适应性和高渗透率的可再人们对于使用基于优化的方法来研究虚拟同步发电机(VSG)的参数设定越来越有兴趣，其中参数的调整是由最优解来驱动，目前主要存在基于规则的方法和基于优化的方法两种。虚拟同步发电机(VSG)与其工作环境之间的交互作用，而在复杂电力系统的互联结构中建立相应的精准模型是一件十分困难的事情。虽然这种模型可以建立在某种特殊情况之下，但它一般具有高价、非线性和强耦合的性质。因此，工程师也很难分析虚拟同步发电机(VSG)对电力系统稳定性的影响关系，并且在各种不确定的系统干扰下设计相应的最优控的虚拟同步发电机自适应控制装置及方法，将虚拟同步发电机(VSG)的自适应及最优化控9一种基于DDPG控制算法的最优控制策略并将其嵌入到虚拟同步发电机(VSG)控制器中，通三相电流Iin和电压电流相角theta(in)信号。信号采集单元将采集到的信号进行简单处要为根据每一次迭代时的状态在连续的动作空间中选取动作，又因为Actor是基于回合更新的所以学习效率比较慢，这时候我们发现可以使用一个value-based的算法作为Critic就可以实现单步更新，即所述的Critic网络模块。Actor网络神经元基于概率选行为,Critic网络神经元基于Actor网络神经元的行为评判行为的得分,Actor网络神经元根据算法，解决Actor-Critic模式收敛困难的问题；所述目标网络模块用于相较于Actor和[0012]另一方面，本发明还提供一种面向网络攻击下的虚拟同步发电机自适应控制方[0015]S2、每一个逆变器(IBDG)单元均配备一个虚拟同步发电机(VSG)控制器去观测逆率和角频率并计算角频率导数，有功输出功率、角频率以及角频率的导数分别表示为：单元对于观测集合内部的三个数据进行处理并进行数模转换传入分布式微型的系统状态st，同时结合每一个acto"(s,a,1j)=EIRIS,a,,u()l以及Q"(s,a,10F)=EIR,IS,a,u()l为累计奖励值的期望。其入目标网络中，且目标网络中的参数的更新跟随critic神经网络和actor神经网络中的参τ为更新系数。[0028]图1为本发明实施例提供的面向网络攻击下的虚拟同步发电机自适应控制装置结[0030]图3为本发明实施例提供的对于逆变器输出电路相关状态的信号采集电路原理[0035]图8为本发明实施例提供的面向网络攻击下的虚拟同步发电机自适应控制方法的[0036]图9为本发明实施例提供的应对公共网络攻击时检测异常单元并对异常单元进行到的信号传递给数据预处理与转换单元作为其输入要为根据每一次迭代时的状态在连续的动作空间中选取动作，又因为Actor是基于回合更新的所以学习效率比较慢，可以使用一个value-based的算法作为Critic就可以实现单步分修改选行为的概率。结合已有的深度策略梯度和Q-learning学习算法，解决Actor-数据预处理与转换单元进行预处理与转换后的输出信号D0～D3传递至分布式微型处理器IC信息通过发送模块传输至分布式微型处理器中的计算单元网络中进行计算能量失配和数据正常进行控制行为。同时分布式微型处理器AT89C52在计算完成后会输出信号P0～P7将计算得到的输出信号P0～P7送至显示单元，显示单元HDG12864L-6将显示当前时刻系统据预处理和转换单元对于观测集合内部的三个数据进行处理并进行数模转换传入分布式的系统状态st，同时结合每一个acto[0058]C(pn.)=e[0063]S5、有功功率和角频率调节的动态性能是通过一个相对较长的时间奖励来衡量新会缓慢的跟随critic神经网络和actor神经网络中的参数更新，定义为09和并重复算单元数据输出所连接的计算单元集合，Nv-为第v个计算单元数据输入所连接的计算单元的第c个计算单元很容易被判断为计算单元v的共谋单元，被认为是行为不端的计算单元，对共k个计算单元的参数进行求平均值：其中ζQ是critic神经网络的学习速[0114]本发明将虚拟同步发电机的控制算法转化为强化学习问机自适应最优化控制策略嵌入到虚拟同步发电机(VSG)控制器当中，