1.一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：包括物理层和信息层，物理层包括功率计算、下垂控制、二次控制、电压电流双闭环以及PWM信号产生器；信息层包括考虑通信时变时延的电压预测补偿器、频率预测补偿器以及通信网络；微电网的分层控制流程具体如下：

S1、将分布式发电单元输出的电压与电流经过Park变换后输入至功率计算进行计算得到有功功率Pi和无功功率Qi；

S2、将功率计算环节输出的有功功率Pi和无功功率Qi输入至下垂控制得到生成的频率ωi和电压Ui；

S3、将下垂控制生成的频率ωi和电压Ui作为通信数据，并与邻居智能体通过通信网络进行交互；

S4、通过通信网络的数据进入考虑通信时变时延的电压预测补偿器、频率预测补偿器，对微电网的电压和频率进行预测补偿；

S5、利用电压预测补偿器和频率预测补偿器的输出，使用PI控制器完成系统的二次控制环节；

S6、二次控制经过电压合成得到合成电压Ui∠θi并输入至电压电流双闭环中，其中θi为频率对应的角度，θi具体计算公式如下：θi＝∫ωidt,    (1)

S7、电压电流双闭环将输出的控制信号通过PWM信号生成器输出至分布式发电单元。

2.根据权利要求1所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述步骤S1中功率计算进行计算有功功率Pi和无功功率Qi的具体公式如下：式(2)中，Uod、Uoq、Iod和Ioq分别为分布式发电单元中逆变器输出的电压与电流经过Park变换后，得到的在d轴和q轴的分量。

3.根据权利要求2所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述步骤S2中下垂控制得到生成的频率ωi和电压Ui的具体公式如下：式(3)中，ωref和Uref分别为分布式发电单元中频率和电压的额定值，mi和ni为下垂控制参数。

4.根据权利要求3所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述步骤S4中电压预测补偿器、频率预测补偿器包括上层控制架构、中层控制架构和下层控制架构，所述上层控制架构包括LSTM通信时延神经网络和考虑通信时延的事件触发机制，所述中层控制架构包括改进的GAN时延生成器，所述下层控制架构包括电压、频率预测BP神经网络和两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器,所述LSTM通信时延神经网络将历史实际通信时延进行数据预处理后，送至LSTM通信时延神经网络不断训练，输出时延预测序列；求出t时刻系统临界稳定时所允许的最大通信时延，判断预测的时延值与允许的最大通信时延的大小，当预测的时延值小于最大允许通信时延时为稳定时延，此时将智能体i输出的电压和频率分别直接输入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器；当预测的时延值大于等于允许的最大通信时延时为不稳定时延，此时考虑通信时延的事件触发机制被触发，包含不稳定时延的时延预测序列被输送至改进的GAN时延生成器，所述改进的GAN时延生成器将上层控制架构输出的包含不稳定时延的时延预测序列和历史实际稳定时延序列进行博弈，学习历史实际稳定时延的分布，最终将上层控制构架输出的包含不稳定时延的时延预测序列生成为符合历史分布的稳定时延序列；改进的GAN时延生成器生成的稳定时延序列和采集的智能体i的电压、频率序列分别传送至电压预测BP神经网络、频率预测BP神经网络进行二维数据预测，输出稳定时延输送下的智能体i的电压预测值与频率预测值，将电压预测值与频率预测值输入至两模态下的电压虚拟领导者一致性控制器、频率虚拟领导者一致性控制器，实现通信时延下微电网的电压、频率的预测补偿控制。

5.根据权利要求4所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述LSTM通信时延神经网络包括若干个细胞状态，每个细胞状态由三个门构成，分别为输入门、遗忘门和输出门，输入数据为历史实际通信时延序列，输出数据为时延预测序列，LSTM通信时延神经网络输出时延预测具体步骤如下：步骤一：对采集到的历史实际通信时延进行数据预处理，所述预处理方式可根据式(4)进行：

式(4)中，τ'为归一化后的通信时延，τmin和τmax为通信时延序列的最小时延与最大时延；

步骤二：将归一化预处理后的通信时延分别输入遗忘门、输入门和输出门进行时延预测；

遗忘门对输入的归一化通信时延序列中无用的状态信息进行丢弃，将t‑1时刻隐藏层细胞输出的时延状态ht‑1、t‑1时刻下的细胞状态ct‑1以及t时刻输入的时延xt输入至遗忘门，经过权重赋值后，通过式(5)得到遗忘后的通信时延状态：ft＝σ(wfhht‑1+wfxxt+wfcct‑1+bf)，      (5)式(5)中的σ为Sigmoid激活函数，wfh为在遗忘门中t‑1时刻隐藏层细胞输出的时延状态ht‑1的权重值，wfx为在遗忘门中t时刻输入的时延xt的权重值，wfc为在遗忘门中t‑1时刻细胞状态ct‑1的权重值，bf为遗忘门的阈值；

输入门起控制信息输入的作用，将t‑1时刻隐藏层细胞输出的时延状态ht‑1、细胞状态ct‑1与t时刻输入的时延xt共同输入至输入门，通过输入门权重，利用激活函数经过式(6)得到通过输入门后的信息：

it＝σ(wihht‑1+wixxt+wicct‑1+bi)，   (6)式(6)中的σ为Sigmoid激活函数，wih为在输入门中t‑1时刻隐藏层细胞输出的时延状态ht‑1的权重值，wix为在输入门中t时刻输入的时延xt的权重值，wic为在输入门中t‑1时刻细胞状态ct‑1的权重值，bi为输入门的阈值；

对细胞状态进行更新，可由式(7)得出t时刻输出的细胞状态：ct＝ft×ct‑1+it×σ(wchht‑1+wcxxt+bc)，  (7)式(7)中的σ为激活函数，ft为t时刻遗忘门输出的通信时延，ct‑1为t‑1时刻的细胞状态，wch和wcx分别为t‑1时刻隐藏层细胞输出的时延状态ht‑1和t时刻输入的时延xt的权重值，bc为计算细胞状态时的阈值；

输出门决定了要输出的通信时延，将t‑1时刻隐藏层细胞输出的时延状态ht‑1、t时刻的细胞状态ct与t时刻的时延xt输入至输出门，经过权重赋值计算后，得出t时刻输出的通信时延，t时刻输出的通信时延可由式(8)计算所得：ot＝σ(wohht‑1+woxxt+wocct+bo)，   (8)式(8)中的σ为激活函数，woh为在输出门中t‑1时刻隐藏层细胞输出的时延状态ht‑1的权重值，wox为在输出门中t时刻输入的时延xt的权重值，woc为在输出门中t时刻的细胞状态ct的权重值，bo为输出门的阈值；

t时刻隐藏层细胞的输出状态，如式(9)：ht＝ot×tanh(ct)，       (9)式(9)中：tanh(ct)为激活函数‑tanh对式(7)中得出的t时刻输出的细胞状态进行规范化；

步骤三：通过多次迭代对预测模型进行训练，对步骤二中得到的各权值和阈值进行更新，选用均方根误差作为损失函数，当损失函数满足式(10)所示条件时，停止通信时延预测模型中各权值和阈值的更新，并输出未来一段时间的预测时延序列：*

式(10)中， 为第i次迭代的输出时延预测序列，τ(k)为实际通信时延序列，θ为设定的误差阈值。

6.根据权利要求5所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：求t时刻系统临界稳定时所允许的最大通信时延具体如下：当智能体i与邻居智能体j均存在时变时延时，令智能体i和邻居智能体j的通信时延相同，且t时刻下通信时延为τ(t)，xi(t‑τ(t))和xj(t‑τ(t))代表考虑时延后智能体i和邻居智能体j的状态信息，xL(t)为虚拟领导者L在t时刻输出的状态信息，则智能体i和邻居智能体j的考虑通信时变时延的虚拟领导者一致性协议如式(11)所示：在t时刻，各智能体通信时延为固定值τ，上式可变为式(12)所示：式(11)和式(12)中n为智能体数量，k1和k2为考虑通信时延的虚拟领导者一致性协议的控制参数，aij表示智能体i和邻居智能体j间的通信连接，相连时aij＞0，否则为0，bi表示智能体i和虚拟领导者L之间的通信连接，相连时bi＞0，否则为0；

将系统的稳定性问题转化到频域进行分析，使式(12)能够全局收敛实现稳定性，如式(13)所示：

‑τs

[SI+(k1L+k2B)e ]X(S)＝k2bXL(S)+X(0)，     (13)其中，式(13)中L为微电网多智能体网络通信连接的拉普拉斯矩阵，其中元素可表示为且

‑τs

令G(S)＝[SI+(k1L+k2B)e ]为系统的特征方程，取k1L+k2B的第k个特征向量为vk，所对应的特征值记为λk，为了系统实现稳定，则式(14):‑τs

s+λke ＝0，              (14)令s＝jω带入式(14)后得到式(15)至(18)：2

(ω‑λk) +2ωλk[1‑sin(ωτ)]＝0，    (16)*

式(18)中λn为最大特征值，τ为t时刻所允许最大通信时延。

7.根据权利要求6所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述改进的GAN时延生成器包括生成器G和判别器D，所述生成器G采用参数为θG的全连接层神经网络，生成器G用于生成虚假稳定时延序列，所述判别器D采用参数为θD的全连接层神经网络，判别器D用于判断数据的真假性，所述生成器G的输入数据用预测所得的含不稳定时延的时延序列 代替原始的噪声序列，其中 为预测的不稳定时延数据，为预测的稳定时延数据，输出数据为生成的虚假时延序列τG'＝(τ1G',τ2G',…,τnG')；判别器D的输入数据包括生成器G生成的虚假时延序列τG'＝(τ1G',τ2G',…,τnG')以及历史实际稳定时延序列τ＝(τ1,τ2,…,τn)，输出生成的虚假时延序列是否属于真实时延序列的概率；通过生成器G与判别器D的博弈训练，生成器G最终可将预测所得的含不稳定时延的时延序列 生成为符合历史稳定时延分布的虚假稳定时延序列τG＝(τ1G,τ2G,…,τnG)；原有生成器G的损失函数如式(19)所示：改进的生成器G的目标函数如式(20)所示：其中

式(21)为Huber损失函数，其中的δ为设定的真实时延与生成时延间的误差阈值，式(20)中的 表示时延序列 期望分布， 表示用时延预测序列 生成的虚假稳定时延τG序列是否真实的概率，λ1和λ2分别为原有生成器G的损失函数和Huber损失的权重，权重数值大小根据式(22)计算所得：判别器G的目标函数如式(23)所示：式(23)中，Eτ～P(τ)表示历史实际稳定时延序列τ的数学期望，D(τ)表示时延序列τ的真实性概率；

根据式(20)和式(23)，利用随机梯度下降法对生成器G和判别器D进行训练，首先，依照式(24)计算判别器梯度，并利用Adam算法计算判别器参数更新值，通过式(25)更新判别器网络参数：

θD(k+1)＝θD(k)+ΔθD(k)，        (25)式(25)中ΔθD(k)为第k次迭代后经Adam算法得到的判别器参数更新值；

其次，当判别器G循环训练k次后，固定训练后的判别器G网络参数不变，单独对生成器D进行一次训练，依照式(26)计算生成器梯度，并利用Adam算法计算生成器参数更新值，通过式(27)更新生成器网络参数：

θG(k+1)＝θG(k)‑ΔθG(k)，          (27)式(27)中ΔθG(k)为经过Adam算法得到的生成器参数更新值；

经过训练后的生成对抗神经网络能够生成虚假稳定时延序列τG，并将τG传送至下层控制的电压预测BP神经网络和频率预测BP神经网络中。

8.根据权利要求7所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述的两模态下的电压虚拟领导者一致性控制器如式(28)所示，式(28)中，k1u和k2u为电压控制参数，xuj(t‑τ(t))为接收的邻居智能体j的电压，xLu(t)为虚拟领导者L输出的电压，x'ui(t‑τ′(t))为经过两模态切换后智能体i的电压，该值可以通过式(29)获得，式(29)中，σ可进行两模态切换，当时延为稳定时延时，将电压xui(t‑τ(t))带入式(28)所示控制器进行电压控制；当时延为不稳定时延时，通过电压预测BP神经网络，利用生成的虚假稳定时延τG(t)来预测t时刻下经过稳定时延传输后的电压预测值并将其带如式(28)所示控制器进行电压控制，具体σ的判别方法如式(30)所示：

所述的两模态下的频率虚拟领导者一致性控制器如式(31)所示，式(31)中，k1ω和k2ω为频率控制参数，xωj(t‑τ(t))为接收的邻居智能体j的频率，xLω(t)为虚拟领导者L输出的频率，x'ωi(t‑τ′(t))为经过两模态切换后智能体i的频率，该值可以通过式(32)获得，式(32)中，σ可进行两模态切换，当时延为稳定时延时，将频率xωi(t‑τ(t))带入式(31)所示控制器进行频率控制；当时延为不稳定时延时，通过频率预测BP神经网络，利用生成时延τG(t)来预测t时刻下经过稳定时延传输后的频率预测值 并将其带入式(31)所示控制器进行频率控制，具体σ的判别方法如式(30)所示。

9.根据权利要求8所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述电压预测BP神经网络包括输入层、隐藏层和输出层，所述电压预测BP神经网络输入层的输入数据为包括稳定时延序列和系统电压的二维数据，输出层的输出数据为经过稳定时延传输后的电压预测值，经过稳定时延传输后的电压预测值具体获取步骤如下：步骤一：将稳定时延序列以及电压进行归一化预处理，预处理方式按照式(33)、(34)所示：

式(33)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值以及通信时延样本最大值；式(34)中Un、Umin和Umax分别为电压的归一值，样本最小值以及样本最大值；

步骤二：在稳定时延序列以及电压进行预处理后，将稳定时延序列以及电压作为电压预测BP神经网络的输入，输入至初始化的BP神经网络中进行训练，并依据式(35)对参数进行更新：

式(35)中，αu为电压预测BP神经网络的学习率，eu(k)、wu(k)、Δwu(k)分别为电压预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更新值，bu(k)、Δbu(k)分别为电压预测BP神经网络进行第k次训练后的阈值以及阈值更新值，wu(k+1)和bu(k+1)为电压预测BP神经网络更新后的权重以及阈值，其中训练后输出的误差值eu(k)可由式(36)计算获得：式(36)中 为经过电压预测BP神经网络训练k次后的输出值，yu(k)为实际电压值；

步骤三：当式(36)计算所得的预测误差值满足式(37)所示的条件时，停止对权值wu(k)和阈值bu(k)的更新，并将预测所得的经过稳定时延传输后的电压值带入至式(28)进行电压控制；

eu(k)＜ξu，     (37)式(37)中，ξu为预先设定的电压误差阈值；

所述频率预测BP神经网络包括输入层、隐藏层和输出层，所述频率预测BP神经网络输入层的输入数据为包括稳定时延序列和系统频率的二维数据，输出层的输出为经过稳定时延传输后的频率预测值，经过稳定时延传输后的频率预测值具体获取步骤如下：步骤一：将稳定时延序列以及频率进行归一化预处理，预处理方式按照式(38)、(39)所示：

式(38)中τn、τmin和τmax分别为通信时延的归一值、通信时延样本最小值以及通信时延样本最大值；式(39)中ωn、ωmin和ωmax分别为频率的归一值，样本最小值以及样本最大值；

步骤二：稳定时延序列以及频率进行预处理后，将稳定时延以及频率作为频率预测BP神经网络的输入，输入至初始化的BP神经网络中进行训练，并依据式(40)对参数进行更新：式(40)中，αω为频率预测BP神经网络的学习率，eω(k)、wω(k)、Δwω(k)分别为频率预测BP神经网络进行第k次训练后输出的误差值、权重以及权重更新值，bω(k)、Δbω(k)分别为频率预测BP神经网络进行第k次训练后的阈值以及阈值更新值，wω(k+1)和bω(k+1)为频率预测BP神经网络更新后的权重以及阈值，其中训练后输出的误差值eω(k)可由式(41)计算获得：

式(41)中 为经过频率预测BP神经网络训练k次后的输出值，yω(k)为实际频率值；

步骤三：当式(41)计算所得的预测误差值满足式(42)所示的条件时，停止对权值wω(k)和阈值bω(k)的更新，并将预测所得的经稳定时延传输后的频率值带入至式(31)进行频率控制；

eω(k)＜ξω，     (42)式(42)中，ξω为预先设定的频率误差阈值。

10.根据权利要求9所述的一种基于生成对抗神经网络的微电网分层控制策略，其特征在于：所述步骤S5中，电压、频率二次控制环节均采用PI控制器分别实现电压补偿以及频率补偿，电压的反馈量以及频率反馈量分别如式(43)、式(44)所示：δUi(t)＝kPUieui(t)+kIUi∫eui(t)dt，     (43)δωi(t)＝kPωieωi(t)+kIωi∫eωi(t)dt，    (44)式(43)中，kPUi和kIUi为电压二次控制环节参数，eUi(t)为t时刻的电压误差，其表达方式如式(45)；式(44)中，kPωi和kIωi为频率二次控制环节参数，eωi(t)为t时刻的频率误差，其表达方式如式(46)：

eUi(t)＝∫uui(t)dt‑Uref，          (45)eωi(t)＝∫uωi(t)dt‑ωref，     (46)根据式(3)与式(43)、式(44)，得到经过二次控制后，智能体i所输出的电压和频率为：将经过二次控制后输出的电压和频率输入至电压合成环节。