CN106597848A - 一种光伏逆变器电势参数辨识误差波动系数预测方法 - Google Patents

一种光伏逆变器电势参数辨识误差波动系数预测方法 Download PDF

Info

Publication number
CN106597848A
CN106597848A CN201611124002.7A CN201611124002A CN106597848A CN 106597848 A CN106597848 A CN 106597848A CN 201611124002 A CN201611124002 A CN 201611124002A CN 106597848 A CN106597848 A CN 106597848A
Authority
CN
China
Prior art keywords
photovoltaic
electrical potential
potential parameters
converter electrical
identification errors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611124002.7A
Other languages
English (en)
Other versions
CN106597848B (zh
Inventor
李春来
苟晓侃
杨立滨
宋锐
孟可风
张节潭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yang Jieru
Original Assignee
Shenyang University of Technology
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology, State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd filed Critical Shenyang University of Technology
Priority to CN201611124002.7A priority Critical patent/CN106597848B/zh
Publication of CN106597848A publication Critical patent/CN106597848A/zh
Application granted granted Critical
Publication of CN106597848B publication Critical patent/CN106597848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明公开了一种光伏逆变器电势参数辨识误差波动系数预测方法，所述方法包括(1)建立光伏逆变器电势参数辨识误差波动系数演化时间序列；(2)建立光伏逆变器电势参数辨识参数离散空间状态方程；(3)求解光伏逆变器电势参数辨识误差波动系数预测模型。本发明解决了传统方法忽略分布式光伏，光伏与配电网间的相互作用关系以及检测时刻状态与上一时刻状态之间的相互作用关系，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高的问题；具有提高评估准确度和光伏利用率，有效避免配电网系统因光伏接入带来的电压问题，显著提高配电网电力系统在分布式光伏接入后的可靠性与经济性等技术效果。

Description

一种光伏逆变器电势参数辨识误差波动系数预测方法
技术领域
本发明属于光伏并网发电技术领域，特别涉及一种光伏逆变器电势参数辨识误差波动系数预测方法。
背景技术
配电网电力系统中分布式光伏发电设备组成了一个复杂的系统，如何根据分布式光伏及配电网运行特点进行分布式光伏逆变器电势参数辨识误差波动系数评估，使每个分布式光伏发电系统及其所接入的配电网能够安全、稳定、高效运行。
现有的光伏逆变器电势参数辨识方法存在一个问题，忽略分布式光伏及光伏与配电网间的相互作用关系以及检测时刻状态与上一时刻状态之间的相互影响，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高。因此，本发明提供一种光伏逆变器电势参数识别误差波动系数预测方法，所述方法对配电网及其内光伏系统运行参数及气象环境参数进行实时监测，并根据监测参数对分布式光伏逆变器电势参数辨识误差进行预测计算，根据计算结果实时地对光伏发电系统及配电网进行控制。
发明内容
本发明提供一种光伏逆变器电势参数辨识误差波动系数预测方法，解决了现有的光伏逆变器电势参数辨识方法存在的忽略分布式光伏及光伏与配电网间的相互作用关系以及检测时刻状态与上一时刻状态之间的相互影响，不能有效利用电网和分布式光伏发电运行数据资源以及评估准确度和光伏利用效率不高的技术问题。
本发明通过下述技术方案实现：所述方法包括(1)根据实时监测获得的参数，建立光伏逆变器电势参数辨识误差波动系数演化时间序列；(2)根据所述演化时间序列建立光伏逆变器电势参数辨识参数离散空间状态方程；(3)根据状态预测值和状态测量值求解光伏逆变器电势参数辨识误差波动系数预测模型。
进一步的，为更好的实现本发明,所述步骤(1)中演化时间序列通过采集配电网及所述配电网内光伏系统运行参数及气象环境参数建立。
进一步的，所述运行参数及气象环境参数包括分布式光伏并网点接入点基波电压的测量值u1、谐波电压测量值uh，外界光照测量值Sd，外界温度测量值Td。
进一步的，所述实时监测获得的参数为配电网及其内光伏系统运行参数及气象环境参数。
进一步的，所述步骤(1)中演化时间序列是在固定时间间隔下建立的演化时间序列。
进一步的，所述演化时间序列包括为接入点基波电压时间序列，接入点谐波电压时间序列，接入点电压变化率，外界温度、光照强度。
进一步的，所述演化时间序列在在一系列时刻td1,td2,...,tdn下为
其中，n为自然数，n＝1,2,…；基波电压的测量值u1；接入点谐波电压测量值uh；光照测量值Sd；温度测量值Td。
进一步的，所述步骤(2)包括以下步骤：
A、建立光伏逆变器电势评估方程；
B、计算卡尔曼迭代中观测噪声协方差和系统噪声协方差；
C、建立光伏逆变器电势参数误差模型。
进一步的，所述步骤A中光伏逆变器电势评估方程为
xk+1＝Akxk+Bωk
其中k为不小于1的整数，xk为k时刻电势的状态向量，Bk为干扰输入矩阵，ωk为系统过程噪声，ηk为量测噪声；Ak为系统的状态转移矩阵，Ck为量测矩阵。
进一步的，所述Ak为对角元素为1的单位矩阵，Ak＝I。
进一步的，所述步骤B中观测噪声协方差和系统噪声协方差为正定对角阵，利用灵敏度分析的方法确定最佳的观测噪声协方差及最佳的系统噪声协方差。
进一步的，所述灵敏度分析方法中观测噪声协方差和系统噪声协方差在10％的范围内的数据内选取。
进一步的，所述灵敏度分析方法中观测噪声协方差和系统噪声协方差在1％的范围内的数据内选取。
进一步的，所述灵敏度分析方法中观测噪声协方差和系统噪声协方差在0.1％的范围内的数据内选取。
进一步的，所述步骤C中光伏逆变器电势参数误差模型为
其中k为不小于1的整数，为k时刻电势最优评估值，xk为实测电势值。
进一步的，所述步骤(3)预测得到光伏逆变器电势参数辨识误差波动系k+1时刻最优评估值：
其中k为不小于1的整数，为k时刻电势最优评估值，xk为k时刻实测的电势值，H(k)为滤波增益矩阵，yd为光伏逆变器电势参数辨识误差波动系数预测值。
进一步的，所述方法用于控制光伏发电系统及配电网。
附图说明
图1目标函数迭代运算流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本实发明的实施方式不限于此。
实施例1：
采用上述一种光伏逆变器电势参数辨识误差波动系数预测方法，流程如图1，包括如下步骤：
定义如下光伏逆变器电势参数辨识误差波动系数：
光伏逆变器电势参数辨识误差波动系数
步骤1：建立光伏逆变器电势参数辨识误差波动系数演化时间序列：
其中基波电压的测量值us，接入点谐波电压测量值uh，光照测量值Sd，温度测量值Td。
步骤2：构建光伏逆变器电势参数辨识参数离散空间状态方程：
步骤A：建立光伏逆变器电势评估方程：
xk+1＝Akxk+Bωk
其中xk为k时刻电势的状态向量，Bk是干扰输入矩阵；ωk是系统过程噪声，ηk量测噪声，Ak为系统的状态转移矩阵，Ck是量测矩阵，Ak＝Ck＝I。
步骤B：计算卡尔曼迭代中观测噪声协方差Q(k)和系统噪声协方差R(k)
在凭经验将Q(k)和R(k)取为正定对角阵的基础上，通过灵敏度分析的方法，进一步采取试探法来寻找已知系统的Q(k)和R(k)的较优值，通过将Q(k)和R(k)在0.1％范围内的数据的选取，分析不同取值对滤精度的影响，从而确定最佳的Q(k)和R(k)取值。
步骤C：构建光伏逆变器电势参数误差模型：
步骤3：求解光伏逆变器电势参数辨识误差波动系数预测模型
其中为根据(k-1)时刻计算的k时刻电势最优评估值，xk为k时刻实测的电势值，H(k)为滤波增益矩阵，所求得的yd即为光伏逆变器电势参数辨识误差波动系数预测值。
实施例2
本实施例在实施例1的基础上对步骤2中的步骤B进行进一步优化。
步骤B：计算卡尔曼迭代中观测噪声协方差Q(k)和系统噪声协方差R(k)
在凭经验将Q(k)和R(k)取为正定对角阵的基础上，通过灵敏度分析的方法，进一步采取试探法来寻找已知系统的Q(k)和R(k)的较优值，通过将Q(k)和R(k)在1％范围内的数据的选取，分析不同取值对滤精度的影响，从而确定最佳的Q(k)和R(k)取值。
实施例3
本实施例在实施例1的基础上对步骤2中的步骤B进行进一步优化。
步骤B：计算卡尔曼迭代中观测噪声协方差Q(k)和系统噪声协方差R(k)
在凭经验将Q(k)和R(k)取为正定对角阵的基础上，通过灵敏度分析的方法，进一步采取试探法来寻找已知系统的Q(k)和R(k)的较优值，通过将Q(k)和R(k)在10％范围内的数据的选取，分析不同取值对滤精度的影响，从而确定最佳的Q(k)和R(k)取值。
以上实施例所述的方法可用于控制光伏发电系统及配电网。
本发明相对于现有技术能够取得以下有益技术效果：(1)提高评估准确度和光伏利用率；(2)有效避免配电网系统因光伏接入带来的电压等问题，(3)显著提高配电网电力系统在分布式光伏接入后的可靠性与经济性。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围。

Claims (10)

1.一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征在于：所述方法包括：
(1)根据实时监测获得的参数，建立光伏逆变器电势参数辨识误差波动系数演化时间序列；
(2)根据所述演化时间序列建立光伏逆变器电势参数辨识参数离散空间状态方程；
(3)根据所述光伏逆变器电势参数辨识参数离散空间状态方程求解光伏逆变器电势参数辨识误差波动系数预测模型。
2.根据权利要求1所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述实时监测获得的参数为配电网及所述配电网内光伏系统运行参数及气象环境参数。
3.根据权利要求1所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤(1)中演化时间序列是在固定时间间隔下建立的演化时间序列。
4.根据权利要求3所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述演化时间序列包括为接入点基波电压时间序列，接入点谐波电压时间序列，接入点电压变化率，外界温度以及光照强度。
5.根据权利要求4所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述演化时间序列在一系列时刻td1,td2,...,tdn下为
us 1 , us 2 , ... , us n uh 1 , uh 2 , ... , uh n Sd 1 , Sd 2 , ... , Sd n Td 1 , Td 2 , ... , Td n
其中，n为自然数，n＝1,2,…；基波电压的测量值us；接入点谐波电压测量值uh；光照测量值Sd；温度测量值Td。
6.根据权利要求1所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤(2)包括以下步骤：
A、依据步骤(1)中演化时间序列建立光伏逆变器电势评估方程；
B、依据所述电势评估方程计算卡尔曼迭代中观测噪声协方差和系统噪声协方差；
C、建立光伏逆变器电势参数误差模型。
7.根据权利要求6所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤A中光伏逆变器电势评估方程为
xk+1＝Akxk+Bωk
x ^ ( k ) = C k x k + η k
其中k为不小于1的整数，xk为k时刻电势的状态向量，Bk为干扰输入矩阵，ωk为系统过程噪声，ηk为量测噪声；Ak为对角元素为1的单位矩阵，Ak＝I，Ck为量测矩阵。
8.根据权利要求6所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤B中观测噪声协方差和系统噪声协方差为正定对角阵，利用灵敏度分析的方法确定最佳的观测噪声协方差及最佳的系统噪声协方差，所述灵敏度分析方法在10％的范围内的数据内选取数。
9.根据权利要求6所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤C中光伏逆变器电势参数误差模型为
e d r = x ^ k - x k
其中k为不小于1的整数，为k时刻电势最优评估值，xk为实测电势值。
10.根据权利要求1所述的一种光伏逆变器电势参数辨识误差波动系数预测方法，其特征是：所述步骤(3)预测得到光伏逆变器电势参数辨识误差波动系k+1时刻最优评估值：
y d = x ^ ( k ) + H ( k ) e d r
其中k为不小于1的整数，为k时刻电势最优评估值，xk为k时刻实测的电势值，H(k)为滤波增益矩阵，yd为光伏逆变器电势参数辨识误差波动系数预测值。
CN201611124002.7A 2016-12-08 2016-12-08 一种光伏逆变器电势参数辨识误差波动系数预测方法 Active CN106597848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611124002.7A CN106597848B (zh) 2016-12-08 2016-12-08 一种光伏逆变器电势参数辨识误差波动系数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611124002.7A CN106597848B (zh) 2016-12-08 2016-12-08 一种光伏逆变器电势参数辨识误差波动系数预测方法

Publications (2)

Publication Number Publication Date
CN106597848A true CN106597848A (zh) 2017-04-26
CN106597848B CN106597848B (zh) 2020-02-04

Family

ID=58597619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611124002.7A Active CN106597848B (zh) 2016-12-08 2016-12-08 一种光伏逆变器电势参数辨识误差波动系数预测方法

Country Status (1)

Country Link
CN (1) CN106597848B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723529A (zh) * 2020-07-27 2020-09-29 国网山东省电力公司经济技术研究院 基于全局灵敏度分析的负荷模型简化辨识方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102913426A (zh) * 2012-10-09 2013-02-06 江苏大学 一种高效全自动光伏水泵系统及其控制方法
CN104037816A (zh) * 2014-06-19 2014-09-10 清华大学 多源发电联合运行方式下风光发电出力最大化的计算方法
CN104836256A (zh) * 2015-05-29 2015-08-12 国家电网公司 一种配电网光伏消纳能力计算的方法及系统
CN104882897A (zh) * 2015-06-18 2015-09-02 中国电力科学研究院 一种平抑光伏功率波动的有功功率优化调度方法
CN105186585A (zh) * 2015-11-10 2015-12-23 国家电网公司 一种多源智能微网在多模式下的能量协调系统
CN105203883A (zh) * 2015-09-23 2015-12-30 国网青海省电力公司 基于双密度小波网络的无偏估计光伏逆变器参数辨识方法
CN105354635A (zh) * 2015-10-30 2016-02-24 国家电网公司 一种配电网不平衡谐波负荷指数预测方法
CN105356500A (zh) * 2015-10-30 2016-02-24 国家电网公司 一种多光伏区域电网电压稳定性裕度预测方法
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102913426A (zh) * 2012-10-09 2013-02-06 江苏大学 一种高效全自动光伏水泵系统及其控制方法
CN104037816A (zh) * 2014-06-19 2014-09-10 清华大学 多源发电联合运行方式下风光发电出力最大化的计算方法
CN104836256A (zh) * 2015-05-29 2015-08-12 国家电网公司 一种配电网光伏消纳能力计算的方法及系统
CN104882897A (zh) * 2015-06-18 2015-09-02 中国电力科学研究院 一种平抑光伏功率波动的有功功率优化调度方法
CN105203883A (zh) * 2015-09-23 2015-12-30 国网青海省电力公司 基于双密度小波网络的无偏估计光伏逆变器参数辨识方法
CN105354635A (zh) * 2015-10-30 2016-02-24 国家电网公司 一种配电网不平衡谐波负荷指数预测方法
CN105356500A (zh) * 2015-10-30 2016-02-24 国家电网公司 一种多光伏区域电网电压稳定性裕度预测方法
CN105186585A (zh) * 2015-11-10 2015-12-23 国家电网公司 一种多源智能微网在多模式下的能量协调系统
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KIRK D. STETZEL, LUKAS L. ALDRICH, M. SCOTT TRIMBOLI: "Electrochemical state and internal variables estimation using a reduced-order physics-based model of a lithium-ion cell and an extended Kalman filter", <JOURNAL OF POWER SOURCES> *
张熙等: "基于风电功率预测的复合储能超前优化控制策略", 《电力系统自动化》 *
李元诚等: "基于粒子群-稀疏贝叶斯混合算法的光伏功率预测方法", 《太阳能学报》 *
李春来等: "光伏发电站预测模型技术研究", 《电气应用》 *
韩晓娟等: "基于成本和效益分析的并网光储微网系统电源规划", 《电工技术学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723529A (zh) * 2020-07-27 2020-09-29 国网山东省电力公司经济技术研究院 基于全局灵敏度分析的负荷模型简化辨识方法

Also Published As

Publication number Publication date
CN106597848B (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
De Benedetti et al. Anomaly detection and predictive maintenance for photovoltaic systems
Puri et al. A hybrid artificial intelligence and internet of things model for generation of renewable resource of energy
Davò et al. Post-processing techniques and principal component analysis for regional wind power and solar irradiance forecasting
US11333793B2 (en) System and method for variance-based photovoltaic fleet power statistics building with the aid of a digital computer
CN108700851B (zh) 用于预测能量消耗的系统、方法和基于云的平台
Li et al. Applications of Bayesian methods in wind energy conversion systems
CN112285807B (zh) 一种气象信息预测方法及装置
Paoli et al. Solar radiation forecasting using ad-hoc time series preprocessing and neural networks
CN110705771B (zh) 区域电网新能源发电功率预测优化方法和装置
CA2996731A1 (en) Methods and systems for energy use normalization and forecasting
van der Meer et al. Clear-sky index space-time trajectories from probabilistic solar forecasts: Comparing promising copulas
Almadhor Performance prediction of distributed PV generation systems using Artificial Neural Networks (ANN) and Mesh Networks
Karabiber et al. Short term PV power estimation by means of extreme learning machine and support vector machine
Kaplan et al. Fault diagnosis of smart grids based on deep learning approach
CN103927597A (zh) 基于自回归滑动平均模型的风电功率超短期预测方法
CN117114718B (zh) 碳排放管理方法、装置、电子设备和存储介质
CN111476411B (zh) 一种光伏电站发电量计算方法及服务器
Al-Jaafreh et al. The solar energy forecasting using lstm deep learning technique
CN106597848A (zh) 一种光伏逆变器电势参数辨识误差波动系数预测方法
Bozorg et al. A derivative-persistence method for real time photovoltaic power forecasting
Huang et al. Modelling correlated forecast error for wind power in probabilistic load flow
Kim et al. Model predictive control in dynamic economic dispatch using Weibull distribution
Almonacid-Olleros et al. Opera. dl: deep learning modelling for photovoltaic system monitoring
TW201740296A (zh) 再生能源發電量預測方法與系統
Javadi New implication of short circuit analysis in assessing impact of renewable energy resources on system strength of a power grid

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200107

Address after: 518000 room 605, building 2, oceanwide city square, Qianhai Road, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN BOSHI INTELLECTUAL PROPERTY OPERATION CO., LTD.

Applicant after: Lin Xia

Address before: The victory road 810000 in Qinghai province Xining City West District No. 89

Applicant before: State Grid Qinghai Electric Power Company

Applicant before: Electric Power Research Institute of State Grid Qinghai Electric Power Company

Applicant before: Shenyang University of Technology

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201230

Address after: 225700 Chen Bao town industrial concentration area, Xinghua City, Taizhou, Jiangsu

Patentee after: Taizhou Durun composite new material Co., Ltd

Address before: 518000 room 605, building 2, Oceanwide City Plaza, Qianhai Road, Nanshan street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN BOSHI INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

Patentee before: Lin Xia

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210120

Address after: 321000 No.39, Shangcun, Qianwu village, Huaqiao Township, Pujiang County, Jinhua City, Zhejiang Province

Patentee after: Huang Jiacheng

Address before: 225700 Chen Bao town industrial concentration area, Xinghua City, Taizhou, Jiangsu

Patentee before: Taizhou Durun composite new material Co., Ltd

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220208

Address after: 518000 2 4C, Zhongli yuan, Nanshan District, Shenzhen, Guangdong.

Patentee after: Yang Jieru

Address before: 321000 No.39, Shangcun, Qianwu village, Huaqiao Township, Pujiang County, Jinhua City, Zhejiang Province

Patentee before: Huang Jiacheng