本發明涉及港口多供能系統，具體涉及一種基于自動慣量響應的港口多供能系統控制方法。
背景技術：
1、港口作為海洋經濟的重要樞紐，其用能需求呈現出高功率、大波動的特點。隨著港口電氣化、智能化進程的加快，以及綠色能源占比的不斷提升，港口多供能系統在電力系統中的地位日益突出。這類系統通過參與電網調頻調峰，不僅能夠提供重要的輔助服務，還可以實現自身經濟效益的提升。特別是在當前電力系統慣量持續降低的背景下，利用港口多供能系統的快速響應能力參與系統慣量響應，對于維持電網頻率穩定性具有重要意義。
2、目前，港口多供能系統參與電網調節的研究主要集中在傳統的一次調頻和二次調頻領域。常見的控制方法包括基于pid（proportional-integral-derivative，比例-積分-微分）的經典控制、模型預測控制和自適應控制等。這些方法通常采用單一的數據處理模型，通過簡單的特征提取和狀態估計來實現控制目標。在數據分析方面，主要依賴于基礎的統計方法和傳統的機器學習算法，如回歸分析、支持向量機等。
3、然而，這些方案在處理港口多供能系統的慣量響應問題時存在多個方面的不足：首先，網荷互動特征的提取則多采用靜態圖結構或簡單的動態圖模型，難以準確捕捉系統的時變特性；其次，現有的網荷交互建模方法未能充分考慮時間衰減的影響，導致長序列建模中存在長期依賴問題；再次，在特征融合過程中，缺乏對不同層次特征的有效整合機制，影響了系統狀態的準確表達；最后，優化算法在處理大規模約束優化問題時計算效率較低，難以滿足實時控制的需求。這些技術問題嚴重制約了港口多供能系統參與電網慣量響應的效果。
技術實現思路
1、本發明為解決上述技術問題，提供了一種基于自動慣量響應的港口多供能系統控制方法。
2、本發明采用的技術方案如下：一種基于自動慣量響應的港口多供能系統控制方法，包括以下步驟：s1、采集港口多供能系統的時間序列數據，基于時間序列數據構建同步時間序列張量，根據同步時間序列張量進行動態特性提取，得到標準化系統特性矩陣和動態響應能力指標，所述時間序列數據包括系統實時功率數據、港口設備運行狀態數據、歷史運行數據和反饋數據；s2、基于標準化系統特性矩陣、動態響應能力指標、預存儲的電網運行參數和負荷波動數據構建時變網荷交互圖，對時變網荷交互圖進行特征提取生成時空特征矩陣，利用時空特征矩陣進行模式識別得到網荷互動特征向量和關鍵模式矩陣，通過多層次融合得到融合特征向量和特征映射矩陣；s3、基于動態響應能力指標、網荷互動特征向量和融合特征向量構建響應特性張量，基于響應特性張量、預存儲的系統運行約束和歷史響應數據構建時序預測模型并進行預測，得到慣量響應能力矩陣；s4、基于慣量響應能力矩陣和關鍵模式矩陣，通過小波變換得到多尺度特征矩陣并進行優化，得到優化控制序列和響應策略矩陣；s5、基于優化控制序列和響應策略矩陣生成系統的控制指令矩陣，并對所述控制指令矩陣進行穩定性分析和實時修正，得到修正控制指令序列和執行反饋數據。
3、根據本技術的一方面，步驟s1包括：采集港口多供能系統的時間序列數據，基于時間序列數據構建成同步時間序列張量；基于同步時間序列張量計算數據質量評估矩陣；利用數據質量評估矩陣對同步時間序列張量進行異常檢測和修正，得到清洗后數據張量；采用滑動窗口方法對清洗后數據張量進行動態特性提取，得到標準化系統特性矩陣和動態響應能力指標。
4、根據本技術的一方面，異常檢測和修正的步驟具體包括：獲取同步時間序列張量和數據質量評估矩陣，計算時間序列的一階差分和二階差分值，生成時序特征向量；利用時序特征向量執行滑動窗口統計運算，生成時域異常評分；對同步時間序列張量執行多尺度小波分解，計算分解系數的能量分布特征，生成頻域異常評分；基于同步時間序列張量計算樣本點的局部密度分布和距離分布，生成空域異常評分；將時域異常評分、頻域異常評分和空域異常評分輸入到證據理論融合框架中，計算綜合置信度，生成異常綜合評分；利用異常綜合評分對同步時間序列張量中的異常數據進行修正，生成清洗后數據張量。
5、根據本技術的一方面，步驟s2具體包括：基于標準化系統特性矩陣、動態響應能力指標、電網運行參數和負荷波動數據，構建時變權重函數，基于時變權重函數計算網絡節點之間的邊權重，利用邊權重構建時變網荷交互圖，并基于時變網荷交互圖計算交互強度矩陣；基于時變網荷交互圖和交互強度矩陣構建時空注意力模型；利用時空注意力模型對時變網荷交互圖進行特征提取，生成時空特征矩陣和注意力權重矩陣；獲取時空特征矩陣和注意力權重矩陣，構建動態密度聚類模型；利用動態密度聚類模型對時空特征矩陣進行聚類分析，跟蹤聚類結果的時間演化特征，得到網荷互動特征向量、關鍵模式矩陣和模式演化矩陣；基于網荷互動特征向量、關鍵模式矩陣和模式演化矩陣，構建三層特征融合網絡，進行多層次融合，得到融合特征向量和特征映射矩陣。
6、根據本技術的一方面，生成時空特征矩陣和注意力權重矩陣的步驟具體包括：基于時變網荷交互圖和交互強度矩陣構建包含時間衰減因子的多頭注意力計算單元，生成衰減注意力矩陣；利用衰減注意力矩陣執行圖卷積運算，提取節點的局部特征，生成圖特征矩陣；將圖特征矩陣輸入到雙向門控循環單元中，提取時序依賴特征，生成時序特征向量；對圖特征矩陣和時序特征向量執行特征融合運算，生成時空特征矩陣和注意力權重矩陣。
7、根據本技術的一方面，多層次融合的步驟具體包括：獲取網荷互動特征向量，構建自編碼器網絡，執行特征降維得到壓縮特征，重建特征得到重構特征，計算重構誤差，輸出底層融合特征；獲取關鍵模式矩陣和底層融合特征，構建動態卷積核，執行多尺度卷積運算，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，構建演化特征提取器，計算時間序列的狀態轉移概率，提取演化模式特征，融合靜態和動態特征，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，構建多層優化目標函數，計算各層特征的損失函數值，執行梯度下降優化，更新融合權重，輸出融合特征向量和特征映射矩陣。
8、根據本技術的一方面，步驟s3包括：獲取動態響應能力指標、網荷互動特征向量和融合特征向量，構建非線性響應模型，利用非線性響應模型計算響應特性參數，基于響應特性參數構建響應特性張量；基于響應特性張量和預存儲的系統運行約束構建多維度評估函數，利用多維度評估函數計算分項指標，對分項指標進行加權計算，輸出綜合評估指標矩陣；利用綜合評估指標矩陣和預存儲的歷史響應數據構建時序預測模型，基于根據時序預測模型進行時序預測，輸出慣量響應能力矩陣。
9、根據本技術的一方面，構建響應特性張量的步驟具體包括：獲取動態響應能力指標和網荷互動特征向量，基于遞歸神經網絡結構計算隱藏層狀態轉移矩陣和初始神經元權重，生成基礎模型參數集；利用基礎模型參數集和預存儲的系統運行歷史數據構建分段函數模型，計算正向死區閾值和反向死區閾值，生成死區特性矩陣；基于基礎模型參數集和死區特性矩陣根據非線性響應函數，計算響應幅值衰減系數和相位偏移參數，生成初始特性參數集；基于初始特性參數集構建三維特性映射框架，計算時間維度特征映射值、頻率維度變換系數和功率維度映射參數，生成響應特性張量。
10、根據本技術的一方面，步驟s4具體為：構建小波變換模型，利用小波變換模型對慣量響應能力矩陣和關鍵模式矩陣進行不同時間尺度的分解，對分解結果進行特征提取，得到多尺度特征矩陣；構建多層次目標函數，基于多尺度特征矩陣和預存儲的系統約束條件對多層次目標函數進行權重分配；根據多層次目標函數得到優化目標函數集合；利用分布式優化算法求解優化目標函數集合和預存儲的系統運行邊界之間的多目標優化問題，得到優化控制序列和響應策略矩陣。
11、根據本技術的一方面，步驟s5具體為：獲取優化控制序列和響應策略矩陣，構建自適應控制律，基于優化控制序列和響應策略矩陣根據自適應控制律得到控制指令，生成系統的控制指令矩陣；獲取控制指令矩陣和預存儲的系統狀態向量，構建李雅普諾夫函數，利用李雅普諾夫函數根據控制指令矩陣和系統狀態向量分析系統穩定性，得到穩定性評估指標；獲取控制指令矩陣、穩定性評估指標和預存儲的實時系統狀態，構建控制指令修正函數，將控制指令矩陣、穩定性評估指標和實時系統狀態輸入控制指令修正函數對控制指令進行實時修正，得到修正控制指令序列和執行反饋數據。
12、本發明的有益效果：
13、本發明通過構建完整的數據處理、分析和控制閉環，實現了港口多供能系統參與網荷互動的智能控制。首先，通過多維度數據預處理，得到標準化系統特性矩陣和動態響應能力指標；其次，通過時變網荷交互圖的構建和分析，準確刻畫了系統的動態特性；再次，通過構建時序預測模型，準確預測系統的未來響應狀態；最后，通過多層次的優化算法和實時修正機制，確保了控制指令的可靠執行。整個方案考慮了港口多供能系統的特點，如負荷波動大、響應要求高等特性，通過創新的算法設計和優化策略，顯著提升了系統的網荷互動能力，實現了慣量響應控制的高效可靠。