CN109193649A - 基于深度信念网络的分布式光伏集群动态等值建模方法 - Google Patents
基于深度信念网络的分布式光伏集群动态等值建模方法 Download PDFInfo
- Publication number
- CN109193649A CN109193649A CN201811236765.XA CN201811236765A CN109193649A CN 109193649 A CN109193649 A CN 109193649A CN 201811236765 A CN201811236765 A CN 201811236765A CN 109193649 A CN109193649 A CN 109193649A
- Authority
- CN
- China
- Prior art keywords
- cluster
- photovoltaic
- network
- output
- deepness belief
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000002776 aggregation Effects 0.000 abstract description 6
- 238000004220 aggregation Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度信念网络的分布式光伏集群动态等值建模方法，首先建立光伏发电单元的三阶简化模型，采用改进K‑means聚类方法将光伏集群划分为具有相似性特征的小规模集群，再采用深度信念网络的算法对小规模集群进行动态等值，确定网络的输入输出变量，得到DBN等值模型，最后通过设置新的外部扰动进行仿真验证，克服了参数聚合以及换算过程的繁琐性、复杂性等问题，将聚类之后获得的光伏集群的动态特性看作是一个“黑箱”，不需要得到其内部具体的参数，只需要外部输入实验数据或者实际数据去训练神经网络，从而得到光伏集群的动态等值模型，建立一种通用性更强、灵活性更高的光伏集群建模方法。
Description
所属领域
本发明属于分布式能源并网建模与仿真的技术领域，具体涉及一种基于深度信念网络的分布式光伏集群动态等值建模方法。
背景技术
2018年7月30日，国家能源局发布了上半年的能源发展形势，中电联最新数据显示，2018年上半年光伏新增装机25.81GW，1-6月，新增发电生产能力同比增加，在全国基建新增发电生产能力51211KW中，太阳能发电2581万KW，占比近一半。值得注意的是，新增分布式光伏装机1224万KW，同比增长72％，分布式新增规模首次超过集中式光伏。截止到6月底，全国光伏发电装机达到15451万KW，其中光伏电站11260KW，分布式光伏发电4190万KW。据统计，2018年1-5月我国新增光伏并网装机量同比增长20％，其中分布式光伏更是达到了150％的增长率。又由于国家光伏扶贫政策的大力推进，村级光伏电站，户用光伏大量的出现使得我国光伏新能源已经转型发展成集群。
大量的分布式光伏接入电网会对电网的电能质量、运行稳定性产生很大的影响，光伏出力的随机性也给电网运行带来了很大的不确定性。因此，为了分析分布式光伏接入电网造成的影响，确保电网的安全稳定运行，需要对分布式光伏发电单元建模。然而，由于光伏电站数量巨大，对每个光伏发电单元都进行建模不仅增加了仿真模型的复杂度，而且会在数据准备阶段和模型仿真计算阶段耗费大量的时间和精力，这种详细的建模方法无疑限制了其在实际工程中的应用，所以，对分布式光伏集群进行动态等值建模显得十分有必要。目前，对光伏集群建模的相关研究寥寥无几，已有的建模研究也都是先进行聚类然后进行光伏动态参数的聚合以及其他网络参数的等值换算，参数聚合以及换算过程都需要大量的运算公式，费时费力，而且不同的建模方法采用的运算公式也不尽相同，效果往往不佳，难以准确而快速的完成对分布式光伏发电单元的建模。
发明内容
本发明正是针对现有技术中的问题，提供了一种基于深度信念网络的分布式光伏集群动态等值建模方法，克服了参数聚合以及换算过程的繁琐性、复杂性等问题，提出采用人工智能的手段，建立一种通用性更强、灵活性更高的光伏集群建模方法，该建模方法主要在聚类之后的动态等值阶段进行改进，简化了聚类之后的动态等值阶段复杂繁琐的参数聚合和换算过程，无需得到具体的集群内部动态参数，只需外部输入数据训练神经网络即可得到光伏集群的动态等值模型。
为了实现上述目的，本发明采用的技术方案是：基于深度信念网络的分布式光伏集群动态等值建模方法，包括如下步骤：
S1，建立光伏发电单元的三阶简化模型，所述简化模型包括光伏阵列模型、光伏电池与斩波电路联合简化模型、逆变器平均控制模型和逆变器控制器模型；
S2，采用改进K-means聚类方法将光伏集群划分为具有相似性特征的小规模集群；
S3，采用深度信念网络的算法对步骤S2得到的小规模集群进行动态等值，确定网络的输入输出变量。
S4，仿真验证，设置新的外部扰动，将实际光伏模型与基于深度信念网络的动态等值模型的有功和无功功率输出进行对比，验证所提出模型的正确性。
作为本发明的一种改进，所述步骤S1中光伏阵列模型为：
光伏电池与斩波电路联合简化模型为：
逆变器平均控制模型：
UAC＝[Kdsin(ωt+θ)+Kqsin(ωt+θ-π/2)]Udc
逆变器控制器模型：
其中，S为光照强度；T为环境温度；Upv,Ipv分别为光伏阵列输出直流电压和电流；Ppvmax为光伏组件最大功率；Cdc为斩波器出口电容；Udc为斩波器输出直流电压；Id为斩波电路输出直流电流平均值；E为光伏并网点电压有效值；UAC为逆变器输出电压基波分量；Kd,Kq分别为正弦载波的有功和无功分量；Kdp,Kdi分别为逆变器外环电压控制器的比例和积分系数；Kqp,Kqi分别为逆变器内环q轴电流控制器的比例和积分系数；Udcref,Iqref分别为直流电压控制器电压参考值和q轴电流控制器电流参考值；I为逆变器输出电流；Req,Xeq分别为并网线路的等效电阻和电抗。
作为本发明的一种改进，所述步骤S2中K-means聚类方法为：输入当前光伏电源参数并计算光伏电源的相似性参数，根据相似性参数将当前光伏发电单元划分到相应的集群当中，直到所有的光伏发电单元均已被聚类。
作为本发明的另一种改进，所述步骤S2进一步包括：
S21，计算光伏集群中每一个光伏发电单元的相似性指标λd,λq，
其中，C为常数，取20000；
S22，设定小集群中划分系数的上下限λlow,λup及判断公式：
其中，λi d,λi d,λi q,λj q分别为光伏电源i和j的d轴和q轴相似性指标；
S23，判断聚类：当新光伏电源和光伏集群聚类中心的相似性指标满足步骤S22中公式时，则确定为同一类，将该光伏电源划分到该集群中；若不满足，则将该光伏电源作为新的集群的聚类中心；
S24，更新集群的聚类中心；
S25，重复步骤S21-23，聚类光伏集群，直至所有的光伏发电单元均已被聚类。
作为本发明的另一种改进，所述步骤S3中，选取光伏集群的有功和无功功率输出作为衡量集群动态特性的电气量，选取光照扰动、并网点电压波动、逆变器控制器无功参考值变化、光伏集群的有功和无功功率输出为网络的输入变量，同时光伏集群的有功和无功输出又作为网络的输出变量。
作为本发明的又一种改进，所述步骤S3中，对集群内部的每一个光伏发电单元设置不同的外部扰动，记录扰动数据和每个光伏发电单元相应的有功和无功功率输出数据，所述集群的有功功率输出为：
所述集群的无功功率输出为：
其中，pi,qi分别为集群内部每个光伏发电单元的有功和无功功率输出；n为集群内部的光伏发电单元数。
作为本发明的又一种改进，所述步骤S3中还包括选取最优网络参数：通过利用步骤S3中获取的数据集训练并测试网络，用均方误差来衡量网络输出与实际输出之间的误差程度，选取均方误差最小的一组网络参数来构建基于深度信念网络的动态等值模型。
作为本发明的更进一步改进，所述均方误差如下公式：
其中，y’j为深度信念网络的输出值；yj为相对应的期望输出值；n为样本数。
与现有技术相比，本发明首次将人工智能的手段应用到光伏集群动态等值建模当中，在聚类完成之后的等值建模阶段，无需通过复杂的参数聚合和换算得到每个光伏集群的具体动态参数，只关注集群外部的输入和输出特性，选取光伏集群的有功和无功功率输出作为衡量集群动态特性的电气量，选取光照扰动、并网点电压波动、逆变器控制器无功参考值变化、光伏集群的有功和无功功率输出为网络的输入变量，同时光伏集群的有功和无功输出又作为网络的输出变量；记录外部扰动数据以及这些扰动产生的集群的有功和无功输出数据，将这些数据输入给神经网络，经过若干次的训练后得到光伏集群的最优等值模型；该建模方法，省去了动态等值阶段复杂的参数聚合和换算过程，减少了建模过程中的计算量和理论推导，同时也避免了参数归算过程中理想假设和简化处理带来的误差，使得建模结果更加接近于光伏集群实际的动态输出特性，建模方法更加通用、智能、灵活。
附图说明
图1是本发明分布式光伏集群动态等值建模方法流程图；
图2是本发明深度信念网络结构图；
图3是本发明实施例2模型分布式光伏配电网系统图；
图4是本发明实施例2仿真结果对比图。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明。
实施例1
基于深度信念网络的分布式光伏集群动态等值建模方法，如图1所示，包括如下步骤：
S1，建立光伏发电单元的三阶简化模型，所述简化模型包括光伏阵列模型、光伏电池与斩波电路联合简化模型、逆变器平均控制模型和逆变器控制器模型；
所述光伏阵列模型为：
光伏电池与斩波电路联合简化模型为：
逆变器平均控制模型：
UAC＝[Kdsin(ωt+θ)+Kqsin(ωt+θ-π/2)]Udc
逆变器控制器模型：
其中，S为光照强度(W·m-2)，T(K)为环境温度，Upv,Ipv分别为光伏阵列输出直流电压和电流，Ppvmax为光伏组件最大功率，Cdc为斩波器出口电容，Udc为斩波器输出直流电压，Id为斩波电路输出直流电流平均值，E为光伏并网点电压有效值，UAC为逆变器输出电压基波分量，Kd,Kq分别为正弦载波的有功和无功分量，Kdp,Kdi分别为逆变器外环电压控制器的比例和积分系数，Kqp,Kqi分别为逆变器内环q轴电流控制器的比例和积分系数，Udcref,Iqref分别为直流电压控制器电压参考值和q轴电流控制器电流参考值，I为逆变器输出电流，Req,Xeq分别为并网线路的等效电阻和电抗，θ为锁相角。
S2，建立对光伏电源整体电气输出特性评估的统一指标,采用改进K-means聚类法对光伏集群进行聚类划分成若干小集群，光伏集群内部光伏发电单元均采用三阶简化模型，输入当前光伏电源参数并计算光伏电源的相似性参数λd,λq，根据这两个参数将当前光伏发电单元划分到相应的集群当中，直到所有的光伏发电单元都已被聚类，所述步骤S2进一步包括：
S21，计算光伏集群中每一个光伏发电单元的相似性指标λd,λq，
其中，C为常数，取20000；
S22，设定小集群中划分系数的上下限λlow,λup及判断公式：
其中，λi d,λi d,λi q,λj q分别为光伏电源i和j的d轴和q轴相似性指标；本实施例中设定λlow＝-0.19,λup＝0.19；
S23，判断聚类：确定每个小光伏集群的聚类中心，当新的光伏电源和某个光伏集群的聚类中心的相似性指标满足步骤S22中公式时，则确定为同一类，将该光伏电源划分到该集群中；若不满足，则将该光伏电源作为新的集群的聚类中心；
S24，更新集群的聚类中心；
S25，重复步骤S21-23，聚类光伏集群，直至所有的光伏发电单元均已被聚类。
S3，采用深度信念网络的算法对步骤S2得到的小规模集群进行动态等值，确定网络的输入输出变量，所述深度信念网络结构如图2所示；
选取光伏集群的有功和无功功率输出作为衡量集群动态特性的电气量，选取光照扰动、并网点电压波动、逆变器控制器无功参考值变化、光伏集群的有功和无功功率输出为网络的输入变量，同时光伏集群的有功和无功输出又作为网络的输出变量。
获取网络输入训练数据，获取每个集群所对应的网络的训练数据，对于聚类划分得到的小规模光伏集群，对集群内部的每一个光伏发电单元设置不同的外部扰动，记录扰动数据和每个光伏发电单元相应的有功和无功功率输出数据，得到集群的有功功率输出；
及
集群的无功功率输出：
其中，Ppv,Qpv分别为集群的有功和无功功率输出，pi,qi分别为集群内部每个光伏发电单元的有功和无功功率输出，n为集群内部的光伏发电单元数。
利用获取的数据集训练并测试网络，将实验数据集分为训练数据集和测试数据集，其中训练数据集占70％，测试数据集占30％。将训练数据输入到网络中对网络进行训练，用均方误差(MSE)来衡量网络输出与实际输出之间的误差程度，均方误差如下公式：
其中，y’j为深度信念网络的输出值，yj为相对应的期望输出值，n为样本数。
设置不同的网络参数，选取30次训练中均方误差最小的一组网络参数作为最终的基于深度信念网络(DBN)等值模型网络参数，如果30次训练无法得到理想的输出结果可以增加训练次数，直到得到理想的光伏集群DBN动态等值模型。
S4，仿真验证，利用测试集数据测试以训练模型的准确性，并设置新的外部扰动，将实际光伏模型与DBN动态等值模型的有功和无功功率输出进行对比，验证所提出模型的正确性。
实施例2
下面列举一实例以辅助说明本发明公开的动态等值建模方法的可行性和技术优势。
以安徽省一实际的含分布式光伏电站的配电网系统为例，该系统共有83个节点，32个光伏发电站，光伏接入点如图3所示：光伏发电单元均采用三阶简化模型，经过集群聚类划分最终得到6个小规模光伏集群，集群中每个光伏发电单元具有相似的动态特性。集群划分结果如表1所示：
表1集群划分结果
| 光伏集群 | 集群中光伏电源所接入的节点位置 |
| 集群1 | 7,13,17,19,20,22,23,24 |
| 集群2 | 25,27,28,29,30,31 |
| 集群3 | 37,38,40,60,62 |
| 集群4 | 42,44,45,47,65 |
| 集群5 | 50,51,75 |
| 集群6 | 58,78,79,82,83 |
动态等值阶段，网络的输入数据由6560组实验产生，实验设置下如表2所示：光照强度从40k1到40k2变化，其中k1,k2∈{0,1,2,3,4…50}且k1≠k2；并网点电压从2％t1到2％t2变化，其中t1,t2∈{0,1,2,3…55}且t1≠t2；无功参考值从1000l1到1000l2变化，其中l1,l2∈{-10，-9，-8，…，18,19,20}且l1≠l2。
表2扰动实验设置情况
| 扰动 | 样本量 | |
| 光照变化 | 40k<sub>1</sub>～40k<sub>2</sub> | 2550 |
| 电压波动 | 2％t<sub>1</sub>～2％t<sub>2</sub> | 3080 |
| 无功参考值改变 | 100l<sub>1</sub>～100l<sub>2</sub> | 930 |
将所有实验数据划分为训练数据集和测试数据集，数据划分如表3所示：
表3数据集划分情况
最终网络训练参数如表4所示：
表4集群神经网络训练参数
| 光伏集群 | 集群1 | 集群2 | 集群3 |
| 网络层数 | 5 | 4 | 4 |
| 隐藏层神经元数 | 250 | 200 | 200 |
| 训练数据遍历数 | [1,1,1,1] | [2,2,2] | [1,2,3] |
| 学习率 | [1,1,1,1] | [1,1,1] | [1,1,1] |
| 动力 | [0,0,0,0] | [0,0,0] | [0,0,0] |
| 激活函数 | sigmoid | sigmoid | sigmoid |
| 训练均方误差 | 5.089 | 3.211 | 4.356 |
| 测试均方误差 | 7.367 | 5.301 | 6.643 |
| 光伏集群 | 集群4 | 集群5 | 集群6 |
| 网络层数 | 4 | 3 | 4 |
| 隐藏层神经元数 | 100 | 200 | 200 |
| 训练数据遍历数 | [1,1,1] | [2,3] | [1,2,3] |
| 学习率 | [1,1,1] | [1,1] | [1,1,1] |
| 动力 | [0,0,0] | [0,0] | [0,0,0] |
| 激活函数 | sigmoid | sigmoid | sigmoid |
| 训练均方误差 | 4.856 | 2.864 | 4.464 |
| 测试均方误差 | 6.745 | 4.974 | 7.632 |
将含有32个光伏电站的系统和集群等值后含有6个小光伏集群的系统进行仿真对比，设置电压波动为新的扰动，并网点电压在t＝0.1s从1(标幺值)跌落到0.94(标幺值)，仿真时长为10s，仿真步长0.01s。仿真在基于Linux操作系统和Tensorflow的环境下运行，硬件环境为Inter(R)i7-5500U CPU@2.40GHz,双核,8G on Windows7X64操作系统。仿真结果对比如表5所示：
表5仿真结果对比
由表5可知，本发明所提出的光伏集群动态等值建模方法不仅能够省去已有建模方法中繁琐复杂的参数聚合及换算和理论推导过程，减少理论假设和模型简化引起的误差，通用性更高，智能性更强，同时建立的集群等值模型，缩小了仿真规模，提升了仿真效率。
因而本发明选择光伏集群的有功和无功功率输出作为衡量集群动态特性的电气量，选取光照扰动、并网点电压波动、逆变器控制器无功参考值变化、光伏集群的有功和无功功率输出为网络的输入变量，同时光伏集群的有功和无功输出又作为网络的输出变量，记录外部扰动数据以及这些扰动产生的集群的有功和无功输出数据，将这些数据输入给神经网络，经过若干次的训练后得到光伏集群的最优动态等值模型，避免了参数归算过程中理想假设和简化处理带来的误差，使得建模结果更加接近于光伏集群实际的动态输出特性，建模方法更加通用、智能、灵活。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于，包括如下步骤：
S1，建立光伏发电单元的三阶简化模型，所述简化模型包括光伏阵列模型、光伏电池与斩波电路联合简化模型、逆变器平均控制模型和逆变器控制器模型；
S2，采用改进K-means聚类方法将光伏集群划分为具有相似性特征的小规模集群；
S3，采用深度信念网络的算法对步骤S2得到的小规模集群进行动态等值，确定网络的输入输出变量。
S4，仿真验证，设置新的外部扰动，将实际光伏模型与基于深度信念网络的动态等值模型的有功和无功功率输出进行对比，验证所提出模型的正确性。
2.如权利要求1所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S1中光伏阵列模型为：
光伏电池与斩波电路联合简化模型为：
逆变器平均控制模型：
UAC＝[Kdsin(ωt+θ)+Kqsin(ωt+θ-π/2)]Udc
逆变器控制器模型：
其中，S为光照强度；T为环境温度；Upv,Ipv分别为光伏阵列输出直流电压和电流；Ppvmax为光伏组件最大功率；Cdc为斩波器出口电容；Udc为斩波器输出直流电压；Id为斩波电路输出直流电流平均值；E为光伏并网点电压有效值；UAC为逆变器输出电压基波分量；Kd,Kq分别为正弦载波的有功和无功分量；Kdp,Kdi分别为逆变器外环电压控制器的比例和积分系数；Kqp,Kqi分别为逆变器内环q轴电流控制器的比例和积分系数；Udcref,Iqref分别为直流电压控制器电压参考值和q轴电流控制器电流参考值；I为逆变器输出电流相；Req,Xeq分别为并网线路的等效电阻和电抗。
3.如权利要求1所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S2中K-means聚类方法为：输入当前光伏电源参数并计算光伏电源的相似性参数，根据相似性参数将当前光伏发电单元划分到相应的集群当中，直到所有的光伏发电单元均已被聚类。
4.如权利要求3所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S2进一步包括：
S21，计算光伏集群中每一个光伏发电单元的相似性指标λd,λq，
其中，C为常数，取20000；
S22，设定小集群中划分系数的上下限λlow,λup及判断公式：
其中，λi d,λi d,λi q,分别为光伏电源i和j的d轴和q轴相似性指标；
S23，判断聚类：当新光伏电源和光伏集群聚类中心的相似性指标满足步骤S22中公式时，则确定为同一类，将该光伏电源划分到该集群中；若不满足，则将该光伏电源作为新的集群的聚类中心；
S24，更新集群的聚类中心；
S25，重复步骤S21-23，聚类光伏集群，直至所有的光伏发电单元均已被聚类。
5.如权利要求1所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S3中，选取光伏集群的有功和无功功率输出作为衡量集群动态特性的电气量，选取光照扰动、并网点电压波动、逆变器控制器无功参考值变化、光伏集群的有功和无功功率输出为网络的输入变量，同时光伏集群的有功和无功输出又作为网络的输出变量。
6.如权利要求5所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S3中，对集群内部的每一个光伏发电单元设置不同的外部扰动，记录扰动数据和每个光伏发电单元相应的有功和无功功率输出数据，所述集群的有功功率输出为：
所述集群的无功功率输出为：
其中，pi,qi分别为集群内部每个光伏发电单元的有功和无功功率输出；n为集群内部的光伏发电单元数。
7.如权利要求5所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述步骤S3中还包括选取最优网络参数：通过利用步骤S3中获取的数据集训练并测试网络，用均方误差来衡量网络输出与实际输出之间的误差程度，选取均方误差最小的一组网络参数来构建基于深度信念网络的动态等值模型。
8.如权利要求7所述的基于深度信念网络的分布式光伏集群动态等值建模方法，其特征在于所述均方误差如下公式：
其中，y’j为深度信念网络的输出值；yj为相对应的期望输出值；n为样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811236765.XA CN109193649A (zh) | 2018-10-23 | 2018-10-23 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811236765.XA CN109193649A (zh) | 2018-10-23 | 2018-10-23 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109193649A true CN109193649A (zh) | 2019-01-11 |
Family
ID=64942882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811236765.XA Pending CN109193649A (zh) | 2018-10-23 | 2018-10-23 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109193649A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059972A (zh) * | 2019-04-24 | 2019-07-26 | 河海大学 | 基于泛函深度信念网络的日太阳辐射资源评估方法 |
| CN110212570A (zh) * | 2019-05-14 | 2019-09-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
| CN111366889A (zh) * | 2020-04-29 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 一种智能电表异常用电检测方法 |
| CN111368647A (zh) * | 2020-02-14 | 2020-07-03 | 中北大学 | 一种基于dbn分布集成与冲突证据合成的遥感地物识别方法 |
| CN112787334A (zh) * | 2019-11-08 | 2021-05-11 | 国网辽宁省电力有限公司 | 一种电池储能电站无功功率快速控制方法及系统 |
| CN113258607A (zh) * | 2021-06-17 | 2021-08-13 | 昆明理工大学 | 基于不同渗透下的光伏发电系统动态离散等值模型建立方法 |
| CN113657020A (zh) * | 2021-07-13 | 2021-11-16 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
| CN114336785A (zh) * | 2022-03-15 | 2022-04-12 | 国能日新科技股份有限公司 | 一种基于网格聚类的分布式电源群控群调控制方法及装置 |
| CN114725982A (zh) * | 2022-01-18 | 2022-07-08 | 中国农业大学 | 一种分布式光伏集群精细化划分及建模方法 |
| CN115292938A (zh) * | 2022-08-09 | 2022-11-04 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进bi-kmeans的大型光伏电站快速多机等值建模方法及装置 |
| CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107565601A (zh) * | 2017-09-20 | 2018-01-09 | 东南大学 | 一种分布式光伏电站集群的动态等值建模方法 |
| CN108183488A (zh) * | 2017-12-22 | 2018-06-19 | 安徽大学 | 基于集群划分的高渗透率分布式能源系统智能调压方法 |
-
2018
- 2018-10-23 CN CN201811236765.XA patent/CN109193649A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107565601A (zh) * | 2017-09-20 | 2018-01-09 | 东南大学 | 一种分布式光伏电站集群的动态等值建模方法 |
| CN108183488A (zh) * | 2017-12-22 | 2018-06-19 | 安徽大学 | 基于集群划分的高渗透率分布式能源系统智能调压方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐新宇: "分布式光伏电源集群建模仿真与分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059972B (zh) * | 2019-04-24 | 2020-02-18 | 河海大学 | 基于泛函深度信念网络的日太阳辐射资源评估方法 |
| CN110059972A (zh) * | 2019-04-24 | 2019-07-26 | 河海大学 | 基于泛函深度信念网络的日太阳辐射资源评估方法 |
| CN110212570A (zh) * | 2019-05-14 | 2019-09-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
| CN110212570B (zh) * | 2019-05-14 | 2023-03-28 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
| CN112787334A (zh) * | 2019-11-08 | 2021-05-11 | 国网辽宁省电力有限公司 | 一种电池储能电站无功功率快速控制方法及系统 |
| CN111368647A (zh) * | 2020-02-14 | 2020-07-03 | 中北大学 | 一种基于dbn分布集成与冲突证据合成的遥感地物识别方法 |
| CN111368647B (zh) * | 2020-02-14 | 2023-02-17 | 中北大学 | 一种基于dbn分布集成与冲突证据合成的遥感地物识别方法 |
| CN111366889A (zh) * | 2020-04-29 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 一种智能电表异常用电检测方法 |
| CN111366889B (zh) * | 2020-04-29 | 2022-01-25 | 云南电网有限责任公司电力科学研究院 | 一种智能电表异常用电检测方法 |
| CN113258607B (zh) * | 2021-06-17 | 2022-09-20 | 昆明理工大学 | 基于不同渗透下的光伏发电系统动态离散等值模型建立方法 |
| CN113258607A (zh) * | 2021-06-17 | 2021-08-13 | 昆明理工大学 | 基于不同渗透下的光伏发电系统动态离散等值模型建立方法 |
| CN113657020B (zh) * | 2021-07-13 | 2023-05-05 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
| CN113657020A (zh) * | 2021-07-13 | 2021-11-16 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
| CN114725982A (zh) * | 2022-01-18 | 2022-07-08 | 中国农业大学 | 一种分布式光伏集群精细化划分及建模方法 |
| CN114725982B (zh) * | 2022-01-18 | 2024-08-02 | 中国农业大学 | 一种分布式光伏集群精细化划分及建模方法 |
| CN114336785A (zh) * | 2022-03-15 | 2022-04-12 | 国能日新科技股份有限公司 | 一种基于网格聚类的分布式电源群控群调控制方法及装置 |
| CN115292938A (zh) * | 2022-08-09 | 2022-11-04 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进bi-kmeans的大型光伏电站快速多机等值建模方法及装置 |
| CN115292938B (zh) * | 2022-08-09 | 2023-09-08 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进bi-kmeans的大型光伏电站快速多机等值建模方法及装置 |
| CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
| CN116937696B (zh) * | 2023-09-18 | 2023-12-05 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109193649A (zh) | 基于深度信念网络的分布式光伏集群动态等值建模方法 | |
| Puri et al. | A hybrid artificial intelligence and internet of things model for generation of renewable resource of energy | |
| CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
| WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
| CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
| CN108876039A (zh) | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 | |
| CN105656031B (zh) | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 | |
| Li et al. | High-precision dynamic modeling of two-staged photovoltaic power station clusters | |
| CN109546659A (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
| CN107681685A (zh) | 一种考虑光伏非线性相关性的电力系统概率潮流计算方法 | |
| CN106651660B (zh) | 基于g1-熵权法寻找电网静态薄弱点的综合评价方法 | |
| CN114725982B (zh) | 一种分布式光伏集群精细化划分及建模方法 | |
| CN109698521A (zh) | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 | |
| CN109409575A (zh) | 基于Gap Statistic的风电场机群划分方法 | |
| CN106503861A (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
| CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
| Zhang et al. | Evolutionary based Pareto optimization algorithms for bi-objective PV array reconfiguration under partial shading conditions | |
| CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
| CN115392133A (zh) | 采用高斯混合模型的风电场最优聚类等值方法 | |
| CN110829491A (zh) | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 | |
| Weidong et al. | Short-term forecasting of wind turbine power generation based on genetic neural network | |
| CN109638892A (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
| CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
| RJ01 | Rejection of invention patent application after publication |