CN106054665A - 一种大规模光伏逆变器系统的分群等值建模方法 - Google Patents

Abstract

本发明公开了一种大规模光伏逆变器系统的分群等值建模方法，包括：获取各光伏逆变器的预设控制参数的相对灵敏度；将各所述光伏逆变器的所述预设控制参数进行取值标准化；获取所述光伏逆变器的分群指标；根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群；根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模。由于大规模光伏逆变器系统中的各光伏逆变器的控制参数存在差异，利用K均值聚类算法将光伏逆变器进行分群，使得同群的光伏逆变器具有类似的动态特性，采用一个等值光伏逆变器来等值替换同群中的光伏逆变器来进行建模，减小了光伏逆变器的建模中的误差，减少了建模的规模。

Description

一种大规模光伏逆变器系统的分群等值建模方法

技术领域

本发明涉及光伏电网技术领域，特别是涉及一种大规模光伏逆变器系统的分群等值建模方法。

背景技术

随着科学技术的进步，大型并网光伏电站在我国得到迅速发展。但是，光伏发电因其自身不同于传统热电厂的发电特性，使得光伏电站接入电网的安全稳定性运行面对着严峻的挑战。

光伏电站具有绿色环保等优点，对于大规模光伏电站接入电网后的电网运行特性开展研究已经非常必要。对于光伏系统而言，光伏阵列为静态元件，光伏系统的动态特性主要由光伏逆变器决定，因此，首要解决的问题是光伏逆变器的建模，然而，在建模过程中，若对光伏电站中的每一个光伏逆变器进行建模，无疑会增大电力系统建模的规模，而且会引起模型的有效性和数据修正等诸多问题，同时会增加仿真时间。因而，目前多采用等值的方法来描述大规模光伏逆变器。

目前对于光伏逆变器的等值主要有两种方法：第一种为单机等值法，即用一个光伏逆变器来替代原先的光伏逆变器；第二种为多机等值法，即用若干个光伏逆变器代替原先的光伏逆变器。其中，单机等值法主要用于各个光伏逆变器的控制参数差异不大，动态特性基本相同的情况，但在实际的光伏电站中，各个光伏逆变器的动态特性存在差异，当光伏逆变器的动态特性差距较大时，采用单机等值法与实际情况会产生较大的误差；多机等值法在一定程度上可以克服单机等值法的精度不足的缺陷，但是缺少科学有效的分群指标，因而影响了其精度。

因而，如何提高大规模光伏逆变器等值模型的精度，是本领域技术人员目前需要解决的技术问题。

发明内容

本发明的目的是提供一种大规模光伏逆变器系统的分群等值建模方法，可以提高大规模光伏逆变器等值模型的精度。

为解决上述技术问题，本发明提供了如下技术方案：

一种大规模光伏逆变器系统的分群等值建模方法，包括：

获取各光伏逆变器的预设控制参数的相对灵敏度；

将各所述光伏逆变器的所述预设控制参数进行取值标准化；

获取所述光伏逆变器的分群指标；

根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群；

根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模。

优选地，所述获取各光伏逆变器的预设控制参数的相对灵敏度，包括：

调节各所述光伏逆变器的所述预设控制参数，至所述光伏逆变器的公共连接点PCC处的电流波形失真度G达到预设阈值；

获取各所述光伏逆变器的各控制参数的绝对灵敏度；

获取由所述光伏逆变器的各控制参数的波动而导致的电流波形失真度G的总波动参数；

获取各所述光伏逆变器各控制参数的相对灵敏度。

优选地，所述将各所述光伏逆变器的所述预设控制参数进行取值标准化，包括：

获取各所述光伏逆变器的各控制参数的取值标准参数：

$S\left({p^i}_t\right)=\frac{{p^i}_t-\frac{1}{n}\underset{m=1}{\overset{n}{\Σ}}{p^m}_t}{\mathrm{\σ}\left(p_t\right)},$

其中，i为不小于1的整数，t为不小于1的整数，pⁱ _t为第i个光伏逆变器的第t个控制参数，n为光伏逆变器的总个数，1≤m≤n，σ(p_t)为n个光伏逆变器第t个控制参数的标准差。

优选地，所述获取所述光伏逆变器的分群指标，包括：

获取第i个所述光伏逆变器的分群指标x_i；

获取n个所述光伏逆变器的分群指标：X＝{x₁,x₂,...,x_n}，n为光伏逆变器的总个数。

优选地，所述根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群，包括：

将所述n个所述光伏逆变器的分群指标X分成c个群，1<c<n，c为整数；

求取所述c个群的初始群中心：V⁰＝{v⁰ ₁,v⁰ ₂,...,v⁰ _j,...,v⁰ _c}，其中，v^o _j表示第j个初始群中心，1≤j≤c；

根据K均值聚类算法确定分群结果。

优选地，所述求取所述c个群的初始群中心包括：

步骤S11：定义分群指标集合U，并初始化U为空集，j＝1；

步骤S12：计算任意两个所述光伏逆变器分群指标间的距离d，生成对应的距离矩阵D_n×n，其中，d_ab＝(x_a-x_b)^T(x_a-x_b)，1≤a≤n，1≤b≤n，d_ab表示第a个光伏逆变器分群指标与第b个光伏逆变器分群指标间的距离；

步骤S13：根据所述距离矩阵D_n×n，计算第i个所述光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和L_i，其中，

步骤S14：求取n个所述光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和，将距离之和最大的光伏逆变器的分群指标作为第j个初始群中心v⁰ _j，并将该光伏逆变器的分群指标加入已经使用的分群指标集合U中；

步骤S15：根据所述距离矩阵D_n×n，筛选出与所述已经使用的分群指标集合U中的任意一个光伏逆变器的分群指标间的距离均大于预设阀值α的所有光伏逆变器的分群指标，并将其中最短距离最大的光伏逆变器的分群指标作为第j+1个初始群中心v⁰ _j+1，将该光伏逆变器的分群指标加入已经使用的分群指标集合U中，更新所述集合U；

步骤S16：判断j+1＝c是否成立，若是，则判定已获得c个初始群中心，若否，则将j+1赋值给j，并返回步骤S15。

优选地，所述根据K均值聚类算法确定分群结果，包括：

步骤S21：定义迭代变量k，初始化k＝1，将所述c个群的初始群中心V⁰作为第k-1次迭代的c个群中心V^k-1；

步骤S22：求取第i个光伏逆变器的分群指标与第k-1次迭代的第j个群中心间的距离d(x_i,v^k-1 _j)，其中，d(x_i，v^k-1 _j)＝(x_i-v^k-1 _j)^T(x_i-v^k-1 _j)，求取第i个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，进而获得n个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，并将每个光伏逆变器的分群指标归入距该光伏逆变器距离最小的群中心对应的群中；

步骤S23：统计第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标数量为S^k-1 _j，进而获得第k-1次迭代的c个群中心对应的群中包含的光伏逆变器的分群指标的数量；

步骤S24：更新第k次迭代的第j个群中心，其中，第k次迭代的第j个群中心的更新计算方法为：{S^k-1 _j}表示第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标对应的光伏逆变器的标号构成的集合；

步骤S25：根据所述第k次迭代的第j个群中心的更新参数，获得第k次迭代的c个群中心V^k＝{v^k ₁,v^k ₂,...,v^k _j,...,v^k _c}；

步骤S26：求取第k次迭代的目标函数：

$E^k=\underset{j=1}{\overset{c}{\&Sigma;}}\underset{j=1,i\&Element;\left\{{S^{k-1}}_j\right\}}{\overset{n}{\&Sigma;}}d(x_i,{v^k}_j);$

步骤S27：将k+1赋值给k，返回步骤S22执行，直到E^k与E^k-1间的变化值小于允许误差ξ，记录此时的k为k_end，并将此时的c个群中心记为

优选地，根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模包括：

将第j个群中心中的x个参数除以个光伏逆变器的第x个控制参数的相对灵敏度的平均值，获得第j个等值光伏逆变器的第x个控制参数标准化后的值并计算第j个等值光伏逆变器的第x个控制参数其中，

获取第j个等值光伏逆变器的N_p个控制参数，进而获得c个等值光伏逆变器各自N_p个控制参数，并通过c个等值光伏逆变分别器对c个群中的光伏逆变器进行等值替换，1≤x≤N_p，N_p为预设控制参数中的控制参数的总个数。

优选地，还包括：

判断所述等值建模的精度是否达到预设精度阈值；

若否，则重新进行等值建模。

优选地，所述判断所述等值建模的精度是否达到预设精度阈值包括：

获取所述等值建模的满意度指标ε，其中，

$\mathrm{\&epsiv;}=1-\&lsqb;{\left(\frac{t_s-t_{sc}}{t_{sc}}\right)}^2+{\left(\frac{A_s-A_{sc}}{A_{sc}}\right)}^2\&rsqb;$

t_s和t_sc分别为详细模型和等值模型从动态过程开始到第一摆峰值的时间，A_s和A_sc分别为详细模型和等值模型动态过程的第一摆峰值。

与现有技术相比，上述技术方案具有以下优点：

本发明实施例所提供的一种大规模光伏逆变器系统的分群等值建模方法，包括：获取各光伏逆变器的预设控制参数的相对灵敏度；将各所述光伏逆变器的所述预设控制参数进行取值标准化；获取所述光伏逆变器的分群指标；根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群；根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模。由于大规模光伏逆变器系统中的各光伏逆变器的控制参数存在差异，利用K均值聚类算法将光伏逆变器进行分群，使得同群的光伏逆变器具有类似的动态特性，然后采用一个等值光伏逆变器来等值替换同群中的光伏逆变器来进行建模，减小了光伏逆变器的建模中的误差，同时减少了建模的规模。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种具体实施方式所提供的大规模光伏逆变器系统的分群等值建模方法流程图。

具体实施方式

本发明的核心是提供一种大规模光伏逆变器系统的分群等值建模方法，可以提高大规模光伏逆变器等值模型的精度。

为了使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

请参考图1，图1为本发明一种具体实施方式所提供的大规模光伏逆变器系统的分群等值建模方法流程图。

本发明的一种具体实施方式提供了一种大规模光伏逆变器系统的分群等值建模方法，包括：

S1：获取各光伏逆变器的预设控制参数的相对灵敏度。

在本实施方式中，该大规模光伏逆变器系统中的各光伏逆变器设置为相同的控制策略，但是各光伏逆变器的控制参数及动态特性不同，且各光伏逆变器在公共连接点PCC处汇流并接入电网，将光伏逆变器进行标号，标号依次为1～n，即本系统中包括n个光伏逆变器，以构成大规模光伏逆变器的详细模型。

需要说明的是，在本文中所谓的大规模指的是光伏逆变器系统容量达到兆瓦级。

在本发明的一种实施方式中，获取各光伏逆变器的预设控制参数的相对灵敏度，包括：

S101：调节各光伏逆变器的预设控制参数，至光伏逆变器的公共连接点PCC处的电流波形失真度G达到预设阈值，即调节n个光伏逆变器的预设控制参数，使得G达到最小。

S102：获取各光伏逆变器的各控制参数的绝对灵敏度。

定义每个光伏逆变器均有Np个控制参数，即各光伏逆变器的预设控制参数包括Np个控制参数。将第i个光伏逆变器的第t个控制参数pⁱ _t增大Δpⁱ _t，以求取第i个光伏逆变器的第t个控制参数pⁱ _t的绝对灵敏度，其中，第i个光伏逆变器的第t个控制参数的绝对灵敏度为：

$IM\left({p^i}_t\right)=\underset{{{\mathrm{\&Delta;p}}^i}_t\&RightArrow;0}{\lim }\frac{\mathrm{\&Delta;}G}{{{\mathrm{\&Delta;p}}^i}_t},$

其中，i为不小于1的整数，t为不小于1的整数，pⁱ _t为第i个光伏逆变器的第t个控制参数；

进而进行不同的赋值，求取第i个光伏逆变器所有N_p个控制参数的绝对灵敏度，再进而根据不同的赋值，求取n个光伏逆变器各自N_p个控制参数的绝对灵敏度，1≤i≤n，1≤t≤N_p。

在本实施方式中，采用取极限的方式获得光伏逆变器的控制参数的绝对灵敏度，通过使每个控制参数增大相同的且尽可能小的比例求取，当然这个比例可由用户自行控制。

S103：获取由光伏逆变器的各控制参数的波动而导致的电流波形失真度G的总波动参数dG：

$dG=\underset{i=1}{\overset{n}{\&Sigma;}}\underset{t=1}{\overset{N_p}{\&Sigma;}}IM\left({p^i}_t\right)\&CenterDot;{{\mathrm{\&Delta;p}}^i}_t,$

其中，n为光伏逆变器的总个数，Np为各光伏逆变器的预设控制参数中的控制参数的个数。

S104：获取各光伏逆变器各控制参数的相对灵敏度。

首先求取第i个光伏逆变器的第t个控制参数pⁱ _t的相对灵敏度，进而进行赋值，求取第i个光伏逆变器所有N_p个控制参数的相对灵敏度，然后进行赋值求取n个光伏逆变器各自N_p个控制参数的相对灵敏度。

其中，第i个光伏逆变器的第t个控制参数pⁱ _t的相对灵敏度为：

$RIM\left({p^i}_t\right)=\frac{IM\left({p^i}_t\right)}{dG}.$

由于光伏逆变器为光伏系统的动态元件，同一控制模式下的光伏逆变器参数对不同扰动下的动态响应特性有重要影响，而且不同参数的影响程度不同，本发明实施方式通过上述的参数灵敏度的“微分摄动法”求取了各个光伏逆变器各个控制参数的相对灵敏度，使得接下来的光伏逆变器的分群指标更加全面。

S2：将各光伏逆变器的预设控制参数进行取值标准化。

在本发明的一种实施方式中，将各光伏逆变器的预设控制参数进行取值标准化，包括：获取各光伏逆变器的各控制参数的取值标准参数。首先，将第i个光伏逆变器的第t个控制参数pⁱ _t取值标准化，进而将第i个光伏逆变器所有N_p个控制参数取值标准化，最后将n个光伏逆变器的各自N_p个控制参数取值标准化。其中，第i个光伏逆变器的第t个控制参数pⁱ _t取值标准化的计算方法为：

$S\left({p^i}_t\right)=\frac{{p^i}_t-\frac{1}{n}\underset{m=1}{\overset{n}{\&Sigma;}}{p^m}_t}{\mathrm{\&sigma;}\left(p_t\right)},$

其中，i为不小于1的整数，t为不小于1的整数，pⁱ _t为第i个光伏逆变器的第t个控制参数，n为光伏逆变器的总个数，1≤m≤n，σ(p_t)为n个光伏逆变器第t个控制参数的标准差。

取值标准化可以消除不同控制参数量纲的影响，同时可以避免不同控制参数间的“大数吃小数”的现象。

S3：获取光伏逆变器的分群指标。

在本发明的一种实施方式中，获取光伏逆变器的分群指标，包括：

获取第i个光伏逆变器的分群指标x_i，每个光伏逆变器与它的分群指标是一一对应的，其中，第i个光伏逆变器的分群指标x_i的计算方法为：

$x_i=[\mathrm{RIM}\left({p^i}_1\right)S\left({p^i}_1\right),\mathrm{RIM}\left({p^i}_2\right)S\left({p^1}_2\right),...,\mathrm{RIM}\left({{p^i}_N}_p\right)S\left({{p^i}_N}_p\right)]$

即，根据第i个光伏逆变器的各控制参数的相对灵敏度以及该控制参数取值标准化依据上式得出该光伏逆变器的分群指标。

获取n个光伏逆变器的分群指标：X＝{x₁,x₂,...,x_n}，n为光伏逆变器的总个数。对i进行赋值，依次使i取1～n，从而得出X。

S4：根据K均值聚类算法对光伏逆变器的分群指标进行聚类分群。

在本发明的一种实施方式中，根据K均值聚类算法对光伏逆变器的分群指标进行聚类分群，包括：

将n个光伏逆变器的分群指标X分成c个群，1<c<n，c为整数；求取c个群的初始群中心：V⁰＝{v⁰ ₁,v⁰ ₂,...,v⁰ _j,...,v⁰ _c}，其中，v^o _j表示第j个初始群中心，1≤j≤c。

其中，求取c个群的初始群中心包括：

步骤S11：定义已经使用的分群指标集合U，并初始化U为空集，并初始化j＝1，然后根据需要依次对j进行赋值，直至j+1＝c时，表示这c个初始群中心已经选择完毕；

步骤S12：计算任意两个光伏逆变器分群指标间的距离d，从而生成对应的距离矩阵D_n×n，其中，d的计算方法为：d_ab＝(x_a-x_b)^T(x_a-x_b)，1≤a≤n，1≤b≤n，d_ab表示第a个光伏逆变器分群指标与第b个光伏逆变器分群指标间的距离；

步骤S13：根据距离矩阵D_n×n，计算第i个光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和L_i，其中，

步骤S14：通过对i进行赋值，求取n个光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和，筛选出距离之和最大的光伏逆变器的分群指标作为第j个初始群中心v⁰ _j，并将该光伏逆变器的分群指标加入已经使用的分群指标集合U中；

步骤S15：根据距离矩阵D_n×n，筛选出与已经使用的分群指标集合U中的任意一个光伏逆变器的分群指标间的距离均大于预设阀值α的所有光伏逆变器的分群指标，并将其中最短距离最大的光伏逆变器的分群指标作为第j+1个初始群中心v⁰ _j+1，将该光伏逆变器的分群指标加入已经使用的分群指标集合U中，从而更新集合U。

步骤S16：判断j+1＝c是否成立，若是，则判定已获得c个初始群中心，若否，则将j+1赋值给j，并返回步骤S15。

本实施方式所提供的上述初始群中心选取原则可避免初始群中心选取的过近使接下来的聚类算法的迭代次数增大，甚至陷入局部最优解的问题；若无法选取满足条件的c个初始群中心，则可通过减少阈值α来进行解决。

根据K均值聚类算法确定分群结果。

在本发明的一种实施方式中，根据K均值聚类算法确定分群结果，包括：

步骤S21：定义迭代变量k，初始化k＝1，将c个群的初始群中心V⁰作为第k-1次迭代的c个群中心V^k-1；

步骤S22：求取第i个光伏逆变器的分群指标与第k-1次迭代的第j个群中心间的距离d(x_i,v^k-1 _j)，其中，d(x_i，v^k-1 _j)＝(x_i-v^k-1 _j)^T(x_i-v^k-1 _j)，进行不同的赋值，求取第i个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，进而获得n个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，并将每个光伏逆变器的分群指标归入距该光伏逆变器距离最小的群中心对应的群中；

步骤S23：统计第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标数量为S^k-1 _j，进而获得第k-1次迭代的c个群中心对应的群中包含的光伏逆变器的分群指标的数量；

步骤S24：更新第k次迭代的第j个群中心，其中，第k次迭代的第j个群中心的更新计算方法为：{S^k-1 _j}表示第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标对应的光伏逆变器的标号构成的集合；

步骤S25：根据第k次迭代的第j个群中心的更新参数，获得第k次迭代的c个群中心V^k＝{v^k ₁,v^k ₂,...,v^k _j,...,v^k _c}；

步骤S26：求取第k次迭代的目标函数：

$E^k=\underset{j=1}{\overset{c}{\&Sigma;}}\underset{i=1,i\&Element;\left\{{S^{k-1}}_j\right\}}{\overset{n}{\&Sigma;}}d(x_i,{v^k}_j);$

步骤S27：将k+1赋值给k，返回步骤S22执行，直到E^k与E^k-1间的变化值小于允许误差ξ，记录此时的k为k_end，并将此时的c个群中心记为

其中，聚类算法是一个迭代寻优的过程，就是使得分到同一群的指标间的相似度较大，不同群的指标间的相似度较小，相似度的大小可用分群指标间的距离来衡量，采用K均值聚类算法K-means作为本发明实施方式中的聚类算法，过程简单，几何意义明确，本发明采用K均值聚类算法K-means来对光伏逆变器的分群指标进行聚类分群，提高了得到的结果的可靠性。

在本实施方式中，利用K均值聚类算法将n个逆变器分成c个群，每个群都有一个中心，因此共c个群中心。在执行完K均值聚类算法后得到的c个群中心是最终要用的群中心，也就是最终群中心。但是K均值聚类算法在聚类前需要提供c个群的初始群中心，即V⁰。有了这c个初始群中心V⁰，K均值聚类算法才能开始聚类分群，利用提供的这c个初始群中心V⁰，得到最终的c个群的中心

S5：根据聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模。

在本发明的一种实施方式中，根据聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模包括：

将第j个群中心中的x个参数除以个光伏逆变器的第x个控制参数的相对灵敏度的平均值，获得第j个等值光伏逆变器的第x个控制参数标准化后的值并计算第j个等值光伏逆变器的第x个控制参数其中，

获取第j个等值光伏逆变器的N_p个控制参数，进而获得c个等值光伏逆变器各自N_p个控制参数，并通过c个等值光伏逆变分别器对c个群中的光伏逆变器进行等值替换，1≤x≤N_p，N_p为预设控制参数中的控制参数的总个数。

通过K均值聚类算法K-means得到的各个群中心，可认为是该群中光伏逆变器的分群指标的典型值，光伏逆变器控制参数取值标准化的逆变换即为等值逆变器的参数。

在上述任一实施方式的基础上，本发明一种实施方式所提供的方法，还包括：

判断等值建模的精度是否达到预设精度阈值；

其中，判断等值建模的精度是否达到预设精度阈值包括：

获取等值建模的满意度指标ε，其中，

$\mathrm{\&epsiv;}=1-\&lsqb;{\left(\frac{t_s-t_{sc}}{t_{sc}}\right)}^2+{\left(\frac{A_s-A_{sc}}{A_{sc}}\right)}^2\&rsqb;$

t_s和t_sc分别为详细模型和等值模型从动态过程开始到第一摆峰值的时间，A_s和A_sc分别为详细模型和等值模型动态过程的第一摆峰值。

若否，则重新进行等值建模。

在本实施方式中，按照上式可以得出等值模型的满意度指标，以对大规模光伏逆变器的等值模型进行评价，其中，得出的满意度指标越大则表示等值模型的精度越高，其中，t_sc反应了控制环节的时间参数的影响，A_sc反应了其他参数的影响，满意度达到所要求的标准，即达到预设精度阈值，则认为等值方案是合理的，通常可取等值方案中等值光伏逆变器个数最少的方案作为选用的方案。

综上所述，本发明实施方式所提供的一种大规模光伏逆变器系统的分群等值建模方法，根据不同光伏逆变器的控制参数存在差异的问题，利用K均值聚类算法将光伏逆变器进行分群，使得同群的光伏逆变器具有类似的动态特征，实现了大规模光伏逆变器的等值化简，从而提高了等值建模的精度。

其次，通过聚类算法得到的群中心来方向求取等值逆变器的控制参数，无需繁琐的公式推导，计算过程更加简单方便，具有较高的通用性。

以上对本发明所提供一种大规模光伏逆变器系统的分群等值建模方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种大规模光伏逆变器系统的分群等值建模方法，其特征在于，包括：

获取各光伏逆变器的预设控制参数的相对灵敏度；

将各所述光伏逆变器的所述预设控制参数进行取值标准化；

获取所述光伏逆变器的分群指标；

根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群；

根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模。

2.根据权利要求1所述的方法，其特征在于，所述获取各光伏逆变器的预设控制参数的相对灵敏度，包括：

调节各所述光伏逆变器的所述预设控制参数，至所述光伏逆变器的公共连接点PCC处的电流波形失真度G达到预设阈值；

获取各所述光伏逆变器的各控制参数的绝对灵敏度；

获取由所述光伏逆变器的各控制参数的波动而导致的电流波形失真度G的总波动参数；

获取各所述光伏逆变器各控制参数的相对灵敏度。

3.根据权利要求2所述的方法，其特征在于，所述将各所述光伏逆变器的所述预设控制参数进行取值标准化，包括：

获取各所述光伏逆变器的各控制参数的取值标准参数：

$S\left({p^i}_t\right)=\frac{{p^i}_t-\frac{1}{n}\underset{m=1}{\overset{n}{\&Sigma;}}{p^m}_t}{\mathrm{\&sigma;}\left(p_t\right)},$

其中，i为不小于1的整数，t为不小于1的整数，pⁱ _t为第i个光伏逆变器的第t个控制参数，n为光伏逆变器的总个数，1≤m≤n，σ(p_t)为n个光伏逆变器第t个控制参数的标准差。

4.根据权利要求3所述的方法，其特征在于，所述获取所述光伏逆变器的分群指标，包括：

获取第i个所述光伏逆变器的分群指标x_i；

获取n个所述光伏逆变器的分群指标：X＝{x₁,x₂,...,x_n}，n为光伏逆变器的总个数。

5.根据权利要求4所述的方法，其特征在于，所述根据K均值聚类算法对所述光伏逆变器的分群指标进行聚类分群，包括：

将所述n个所述光伏逆变器的分群指标X分成c个群，1<c<n，c为整数；

求取所述c个群的初始群中心：V⁰＝{v⁰ ₁,v⁰ ₂,...,v⁰ _j,...,v⁰ _c}，其中，v^o _j表示第j个初始群中心，1≤j≤c；

根据K均值聚类算法确定分群结果。

6.根据权利要求5所述的方法，其特征在于，所述求取所述c个群的初始群中心包括：

步骤S11：定义分群指标集合U，并初始化U为空集，j＝1；

步骤S12：计算任意两个所述光伏逆变器分群指标间的距离d，生成对应的距离矩阵D_n×n，其中，d_ab＝(x_a-x_b)^T(x_a-x_b)，1≤a≤n，1≤b≤n，d_ab表示第a个光伏逆变器分群指标与第b个光伏逆变器分群指标间的距离；

步骤S13：根据所述距离矩阵D_n×n，计算第i个所述光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和L_i，其中，

步骤S14：求取n个所述光伏逆变器的分群指标与其它光伏逆变器的分群指标间的距离之和，将距离之和最大的光伏逆变器的分群指标作为第j个初始群中心v⁰ _j，并将该光伏逆变器的分群指标加入已经使用的分群指标集合U中；

步骤S15：根据所述距离矩阵D_n×n，筛选出与所述已经使用的分群指标集合U中的任意一个光伏逆变器的分群指标间的距离均大于预设阀值α的所有光伏逆变器的分群指标，并将其中最短距离最大的光伏逆变器的分群指标作为第j+1个初始群中心v⁰ _j+1，将该光伏逆变器的分群指标加入已经使用的分群指标集合U中，更新所述集合U；

步骤S16：判断j+1＝c是否成立，若是，则判定已获得c个初始群中心，若否，则将j+1赋值给j，并返回步骤S15。

7.根据权利要求6所述的方法，其特征在于，所述根据K均值聚类算法确定分群结果，包括：

步骤S21：定义迭代变量k，初始化k＝1，将所述c个群的初始群中心V⁰作为第k-1次迭代的c个群中心V^k-1；

步骤S22：求取第i个光伏逆变器的分群指标与第k-1次迭代的第j个群中心间的距离d(x_i,v^k-1 _j)，其中，d(x_i，v^k-1 _j)＝(x_i-v^k-1 _j)^T(x_i-v^k-1 _j)，求取第i个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，进而获得n个光伏逆变器的分群指标与第k-1次迭代的c个群中心间的距离，并将每个光伏逆变器的分群指标归入距该光伏逆变器距离最小的群中心对应的群中；

步骤S23：统计第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标数量为S^k-1 _j，进而获得第k-1次迭代的c个群中心对应的群中包含的光伏逆变器的分群指标的数量；

步骤S24：更新第k次迭代的第j个群中心，其中，第k次迭代的第j个群中心的更新计算方法为：{S^k-1 _j}表示第k-1次迭代的第j个群中心对应的群中包含的光伏逆变器的分群指标对应的光伏逆变器的标号构成的集合；

步骤S25：根据所述第k次迭代的第j个群中心的更新参数，获得第k次迭代的c个群中心V^k＝{v^k ₁,v^k ₂,...,v^k _j,...,v^k _c}；

步骤S26：求取第k次迭代的目标函数：

$E^k=\underset{j=1}{\overset{c}{\&Sigma;}}\underset{i=1,i\&Element;\left\{{S^{k-1}}_j\right\}}{\overset{n}{\&Sigma;}}d(x_i,{v^k}_j);$

步骤S27：将k+1赋值给k，返回步骤S22执行，直到E^k与E^k-1间的变化值小于允许误差ξ，记录此时的k为k_end，并将此时的c个群中心记为

8.根据权利要求7所述的方法，其特征在于，根据所述聚类分群的结果，分别将同群的光伏逆变器通过一个等值光伏逆变器来进行等值替换，进行等值建模包括：

将第j个群中心中的x个参数除以个光伏逆变器的第x个控制参数的相对灵敏度的平均值，获得第j个等值光伏逆变器的第x个控制参数标准化后的值并计算第j个等值光伏逆变器的第x个控制参数其中，

获取第j个等值光伏逆变器的N_p个控制参数，进而获得c个等值光伏逆变器各自N_p个控制参数，并通过c个等值光伏逆变分别器对c个群中的光伏逆变器进行等值替换，1≤x≤N_p，N_p为预设控制参数中的控制参数的总个数。

9.根据权利要求1至8任一项所述的方法，其特征在于，还包括：

判断所述等值建模的精度是否达到预设精度阈值；

若否，则重新进行等值建模。

10.根据权利要求9所述的方法，其特征在于，所述判断所述等值建模的精度是否达到预设精度阈值包括：

获取所述等值建模的满意度指标ε，其中，

$\mathrm{\&epsiv;}=1-\&lsqb;{\left(\frac{t_s-t_{sc}}{t_{sc}}\right)}^2+{\left(\frac{A_s-A_{sc}}{A_{sc}}\right)}^2\&rsqb;$

t_s和t_sc分别为详细模型和等值模型从动态过程开始到第一摆峰值的时间，A_s和A_sc分别为详细模型和等值模型动态过程的第一摆峰值。