CN109245100B - 考虑交直流配电网负荷组成时变性的负荷动态建模方法 - Google Patents

Abstract

本发明公开了一种考虑交直流配电网负荷组成时变性的负荷动态建模方法。本发明采用的技术方案为：步骤1、将直流配电网近似解耦为直流逆变型电源；步骤2、对直流配电网各负荷组成分别进行简化等效，并进一步建立PCC点的广义综合负荷等效模型；步骤3、历史数据聚类和分类器训练；步骤4、基于故障录波仪记录的故障数据进行总体测辨法辨识，将辨识的结果建立模型参数库；步骤5、指定所需仿真场景，并根据分类结果选择先验性模型参数。本发明考虑不同时变性场景下的交直流配电网各负荷组成在暂态仿真中的参数选择问题，进一步为输电网层面的暂态仿真提高较为可靠的动态负荷模型，使得高比例可再生能源下的广义负荷模型的通用性迈出一大步。

Description

考虑交直流配电网负荷组成时变性的负荷动态建模方法

技术领域

本发明属于交直流配电网负荷动态建模领域，具体地说是一种考虑交直流配电网负荷组成时变性的广义负荷动态建模方法。

背景技术

近年来，风能、太阳能等新能源以较快的增速得到广泛的普及，除了集中式供电方式之外，大量的分布式能源以就地消纳的形式并入了中低压配电网；同时，分布式发电渗透率的提高也进一步促进了直流配电网的研究和普及，从而形成了交直流混合配电网的网架结构。

但是分布式电源接入容量的不断增大，和交流混合配电网形式的出现，影响了传统交流配电网的结构，同时也使得潮流的流向发生了改变，进而使得配电网的运行特性和负荷特性也受到了影响。同时，大量分布式电源的波动性，即时变性使得传统负荷模型不再具有很好的泛化能力。而负荷模型的准确与否，将影响到电力系统仿真计算，从而影响到电网整体规划设计与运行调度。

因此，针对分布式电源的时变性和交直流混合配电网网架结构下的广义负荷动态建模研究就显得极为重要。

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种考虑交直流配电网负荷组成时变性的广义负荷动态建模方法，该方法提供电力系统动态仿真中交直流混合配电网的动态等效模型，同时解决考虑交直流混合配电网中负荷、分布式电源时变性的先验性参数选择问题；该方法能够在电网各负荷组成大波动条件下比较合理的选择动态等效模型的参数，使得负荷动态模型误差分布控制在合理范围之内。

为此，本发明通过以下技术方案实现：考虑交直流配电网负荷组成时变性的负荷动态建模方法，其包括以下步骤：

步骤1、将直流配电网近似解耦为直流逆变型电源；

步骤2、对直流配电网各负荷组成(如ZIP负荷、感应电动机、光伏、风电、储能等分布式能源)分别进行简化等效，并进一步建立PCC点的广义综合负荷等效模型；

步骤3、历史数据聚类和分类器训练；

步骤4、基于故障录波仪记录的故障数据进行总体测辨法辨识、将辨识的结果建立模型参数库；

步骤5、指定所需仿真场景，并根据分类结果选择先验性模型参数。

本发明针对大量分布式能源接入下的交直流混合配电网在电力系统动态仿真中的动态等效模型进行建模；并重点考虑了在复杂时变性场景下的动态等效模型先验性参数的解决方案。

作为上述负荷动态建模方法的补充，所述的步骤1中，将交直流配电网按设定的逆变器功率进行解耦的方法如下：

将直流配电网及其中的负荷、分布式电源等效为直流逆变型电源，将交直流混合配电网的负荷动态建模问题划归为交流电网中的负荷动态建模问题。

所述的步骤1中，解耦方法分为以下两种情况：

1)直流配电网作为交流配电网子网仅以一整流/逆变器相连

当直流配电网中分布式电源出力P_gen高于直流负荷P_load时，该直流配电网等效于出力为(P_gen-P_load)直流逆变型电源，其运行机理上与光伏等效，该直流配电网动态特性主要与换流站整流/逆变器PI控制器策略和设定的PI控制参数k_P、k_I相关；按照光伏的等效方法，在并网点处等效为PQ控制外环；

当直流配电网中直流电源P_gen出力低于直流负荷P_load时，该直流配电网等效为(P_load-P_gen)的整流型负荷，其动态特性由整流/逆变器在整流状态下的PI控制器决定，而功率方向为流向负荷方向；

2)直流配电网作为交流配电网子网以多端整流/逆变器相连

直流配电网中的有功控制方式常采用一主多从的控制方式，即对于主控制器，采用的是控制直流电压的策略；对于从控制器，采用定有功控制策略。对于定有功控制的整流/逆变器，其贡献给PCC点有功的部分在动态响应中同光伏采取定PQ控制相似；对于定直流电压的控制器，其直流电压在PCC点电压跌落后为先跌后恢复的响应过程，其响应曲线由直流电压控制器PI参数决定；

对于直流配电网与交流配电网的无功功率交互，由于逆变器的有功无功解耦控制，每一个逆变器相当于一个单独的无功产生单元，因此直流配电网对PCC点提供的无功由各逆变器供应的无功进行叠加；直流配电网在动态过程中贡献给PCC点的无功部分主要由各整流/逆变器的无功PI参数决定；在一个含多逆变器的直流配电网中，在正常工况下各逆变器无功控制器PI参数设置接近，此时在并网点用一个无功外环近似等效。

作为上述负荷动态建模方法的补充，所述的步骤2中对直流配电网各负荷组成分别进行等效，并进一步建立PCC点的广义综合负荷等效模型，其具体步骤如下：

以ZIP负荷、感应电动机、风电、光伏和储能组成配电网；

对每一种负荷组成，其模型如下：

ZIP负荷模型为：

上式中，P_ZIP、Q_ZIP分别为动态过程中ZIP负荷的有功和无功，P_ZIP0、Q_ZIP0分别为ZIP负荷初始时刻的有功和无功，U_L、U_L0分别为并网点动态过程中的线电压和初始时刻线电压。a_P,b_P,c_P分别为有功恒阻抗系数、有功恒电流系数、有功恒功率系数，a_Q,b_Q,c_Q分别为无功恒阻抗系数、无功恒电流系数和无功恒功率系数，各系数满足下式：

感应电动机采用同步坐标系下的机电暂态三阶模型：

式中：ω_r为转子角速度；E′_x,E′_y分别为同步坐标下的直轴、交轴暂态电势；X＝X_s+X_m为稳态电抗；X′＝X_s+X_mX_r/(X_m+X_r)为暂态电抗；X_m为电磁电抗；X_S为定子电抗；X_r为转子电抗；T′_d0＝(X_m+X_r)/R_r，为转子绕组时间常数，R_r为转子电阻；T_j为惯性时间常数；T_E为电磁转矩；T_M为机械功率；I_x、I_y、ω分别表示实轴、虚轴电流和转子角频率，其中表达式如下：

上式中，R_s为定子电阻，U_x、U_y分别为外电压实轴和虚轴分量，E′_x、E′_y分别为同步坐标下的感应电机直轴、交轴暂态电势，I_x、I_y分别表示感应电机实轴、虚轴电流。

电磁转矩为：

机械功率为：T_M＝T_M0(Aω²+Bω+C)，其中，

A、B、C为机械转矩系数，ω₀辨识感应电机的初始角频率；T_M0为初始机械转矩；

光伏和储能均属于直流逆变型电源，并网条件下其逆变器均采用双环控制策略，从而对设定功率进行跟踪，因此直流逆变型电源动态特性由变流器及其控制环节主导，在建模时将机械环节简化，主要考虑变流器及其控制环节的动态；内环控制时间常数较小，响应快，在建模过程中忽略其动态，从而将直流逆变型电源等效为简化PQ外环，PQ外环控制表达式如下：

式中：i_dref和i_qref为外环输出的内环电流参考值；P_ref和Q_ref分别为有功和无功功率参考值；P_sys和Q_sys分别为系统有功和无功功率测量值；k_pP和k_iP分别为有功外环PI控制器比例和积分系数；k_pQ和k_iQ分别为无功外环PI控制器的比例和积分系数；s表示拉普拉斯算子；

电流内环响应速度快：i_d＝i_dref；i_q＝i_qref，由于逆变器实现PQ解耦控制，有：

式中，ν_d,ν_q,i_d,i_q分别为电压实轴、虚轴分量以及电流实轴和虚轴分量；

选用的风机类型为直驱永磁同步发电机，其控制策略采用故障过程功率支撑策略，其动态过程近似用下式描述：

P_fault＝k_pΔuP_PMSG0，

P_fault为故障过程中风机有功出力；P_PMSG0为故障初始时刻风机有功；k_pΔu为有功比例系数，与电压跌落幅度有关。

作为上述负荷动态建模方法的补充，所述的步骤3，其具体内容为：

1)输入为区域配电网负荷历史数据、气象历史数据；2)根据历史数据计算直流配电网各负荷组成(ZIP负荷、感应电动机、光伏、风电、储能)的占比，作为聚类特征向量；3)根据特征向量采用的kmeans算法进行聚类；4)为聚类所得N类结果增加类标签；5)将带标签的聚类结果作为训练集，采用knn分类器训练得knn分类器，作为该步骤的输出。

所述聚类特征向量的选取如下：所测得的历史数据包括负荷P_load、辐照度E、温度T、风速v和储能出力数据P_bess，不直接作为特征向量；

首先，将辐照度E、温度T和风速v数据根据光伏和风电数学模型转换为光伏和风电的出力P_pv、P_wind，进一步计算ZIP比例、感应电机比例、光伏比例和风电比例作为最终的特征向量；定义如下参数：设第i个样本的PCC点的纯负荷有功为P_load0i，光伏出力为P_pv0i，风力出力为P_wind0i，储能出力为P_bess0i，则定义第i个样本的特征向量为：

u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，

式中：

同理定义u_pvi、u_windi和u_bessi，由样本特征向量进一步获得样本集特征矩阵：

u＝{u_load,u_pv,u_wind,u_bess}，

选定特征向量后，进一步选择kmeans算法进行聚类。

所述kmeans算法在实际应用时需确定合理的聚类数K和K个初始聚类中心；选择层次聚类法进行初步聚类，确定K个初始聚类中心，然后进一步利用kmeans算法进行聚类；

为选择最佳聚类数，采用“拐点法”，其核心指标为误差平方和SSE；

式中，C_i是第i个簇，p是C_i中的样本点，m_i是C_i的质心，质心是C_i中所有样本的均值，SSE是所有样本的聚类误差，代表聚类效果的好坏。

将历史数据进行聚类后，为解决交直流混合配电网中动态等效模型先验性参数的选择问题，首先将kmeans聚类结果数据集增加数据标签后，将问题进一步划归为监督学习的分类问题，对于常用的监督学习分类算法，选择knn分类算法作为先验性参数的选择方法。

作为上述负荷动态建模方法的补充，所述的步骤4，其具体内容为：

假设故障录波仪记录到k_fault个历史故障样本，采用改进的粒子群算法对故障样本进行参数辨识，根据辨识出的结果计算故障样本的特征向量，设故障样本辨识结果为k_pvi、k_windi、k_bessi，需将其转为特征向量u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，其转换方法如下：

同理获得u_pvi,u_windi,u_bessi，进一步利用所训练knn分类器，根据特征向量将故障样本进行分类，根据分类的结果建立模型参数库。

作为上述负荷动态建模方法的补充，所述的步骤5，其具体内容为：

第一步为指定仿真场景，获得该场景下的输入，即负荷、辐照、温度、风速和储能预测信息；第二步为计算特征向量，根据步骤3获得对应的功率数据集，并计算对应特征向量u_pre；进一步根据使用所得knn分类器得到预测数据集分类结果k_pre；最后为根据分类结果选择步骤4所建模型参数库的第k_pre类的参数作为先验性模型参数。

本发明具有的优点和有益效果在于：

本发明首先对交直流混合配电网中的各主要组成(ZIP+感应电动机+光伏+风电+储能)进行等效建模；随后构造了代表不同复杂场景的各负荷组成特征向量，并进行了复杂场景的聚类，进一步根据聚类结果构造了监督学习分类模型；然后，本发明通过粒子群优化算法，对故障录波仪记录的故障样本进行参数辨识，并根据辨识结果进行分类，判断各故障样本发生时间点的电网运行状态从而建立了模型参数库；最后，对于不同场景下的先验性参数选择问题，首先对指定场景进行预测，求解代表该场景的特征向量，从而根据分类器将该场景进行分类，根据分类结果从模型参数库中选择对应的先验性参数。

本发明考虑不同时变性场景下的交直流配电网各组成(ZIP、感应电动机、光伏、风电、储能)的参数选择问题，为输电网层面的暂态仿真提高较为可靠的动态负荷模型，使得高比例可再生能源下的广义负荷模型的通用性迈出一大步。

附图说明

图1为本发明考虑交直流配电网负荷组成时变性的负荷动态模型框架流程图；

图2为本发明交直流混合配电网动态模型参数库建立过程图；

图3为本发明应用例中交直流混合配电网动态模型等效示意图；

图4为本发明所选取应用例的最终预测分类结果图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例

本实施例提供一种考虑交直流配电网负荷组成时变性的广义负荷动态建模方法，如图1所示，该方法包括以下步骤：

步骤1、首先将交直流配电网按设定的逆变器功率进行解耦，将直流配电网及其中的负荷、分布式电源等效为直流逆变型电源，将问题划归为交流电网中的广义负荷动态建模问题。分为以下两种情况：

(1)直流配电网作为交流配电网子网仅以一整流/逆变器相连。当直流配电网中直流电源出力高于直流负荷的时候，该直流配电网等效于直流逆变型电源。其运行机理上和光伏，储能类似，因此，该直流配电网动态特性主要由换流站整流/逆变器PI控制器策略和设定的控制参数相关。一般来说，直流配电网并交流电网运行下，控制器一般采用控制直流电压的有功控制和恒定的无功控制策略，从而保持直流配电网的功率平衡和直流电压稳定。由于负荷和分布式有功出力不会发生突变，因此在时间断面上可近似为恒定的PQ控制(控制直流电压来控制功率)。因此，机理上，直流配电网在故障过程中的动态响应和光伏等类似；其故障曲线形状近似相同，故障曲线的震荡幅值则和控制器参数有关。当直流配电网中直流电源出力低于直流负荷的时候，该直流配电网等效为整流型负荷，在某时间断面上同样等效为PQ控制，方向为流向负荷方向。

(2)直流配电网作为交流配电网子网以多端整流/逆变器相连。一般而言，多端的直流电网一般采用一主多从的方式进行控制，即一端控制直流电压，平衡功率消耗，其余端采用PQ控制。从PCC点分析，由多端直流的功率平衡关系可知，其在PCC点贡献的有功功率分量是由直流配电网中的光伏等电源和负荷所决定的，最终反映在PCC点的动态有功功率变化即为直流配电网中源，荷的动态功率变化。一般而言，直流配电网较多的恒电流负荷(动态下依然恒定)，如光伏，储能等，因此对于PCC点贡献的功率与直流配电网的直流电压变化成正比，即最终由控制直流电压的主控制器决定了直流配电网贡献给PCC点功率的动态特性。由于直流电压在PCC点电压跌落后也是先跌后恢复的响应过程，则对应的有功功率也是先跌后恢复的响应过程，其响应特性和PQ控制比较接近，但其响应曲线主要由直流电压控制器PI参数决定。对于无功功率，由于逆变器的解耦控制，因此总的直流配电网对PCC点供应的无功由各逆变器供应的无功进行叠加。为了降低模型复杂度，近似认为恒压控制参数和恒P控制参数接近，两者响应比较接近；各逆变器无功控制器PI参数比较接近，实际的工程中需要根据各控制器设定的参数综合确定动态响应时间，动态过程的幅度，忽略动态过程短，幅度小的成分(如PI参数很小，则动态响应很短可忽略)。最终将直流配电网用PQ外环参数近似等效。

步骤2、对配电网各负荷组成分别进行等效并建立PCC点的广义综合负荷模型。

一般地，交直流混合配电网中的负荷成分主要有：静态负荷和动态负荷以及分布式电源。其中静态负荷为ZIP负荷，动态负荷为感应电动机负荷，分布式电源一般为风电、光伏、储能。实际应用中，应结合具体的电网负荷成分进行等效，增加相应的负荷成分或者删去不存在的负荷成分。本发明以ZIP负荷，感应电动机负荷，风电，光伏，储能组成的配电网为例。

对每一种负荷成分，其模型如下：

ZIP负荷模型为：

各系数满足下式：

感应电动机采用同步坐标系下的机电暂态三阶模型：

式中：ω_r为转子角速度；E′_x,E′_y分别为同步坐标下的直轴、交轴暂态电势；X＝X_s+X_m为稳态电抗；X′＝X_s+X_mX_r/(X_m+X_r)为暂态电抗；X_m为电磁电抗；X_S为定子电抗；X_r为转子电抗；T′_d0＝(X_m+X_r)/R_r，为转子绕组时间常数，R_r为转子电阻；T_j为惯性时间常数；T_E为电磁转矩；T_M为机械功率；I_x、I_y、ω分别表示实轴、虚轴电流和转子角频率，其中表达式如下：

上式中，R_s为定子电阻，U_x、U_y分别为外电压实轴和虚轴分量，E′_x、E′_y分别为同步坐标下的感应电机直轴、交轴暂态电势，I_x、I_y分别表示感应电机实轴、虚轴电流。

电磁转矩为：

机械功率为：T_M＝T_M0(Aω²+Bω+C)，其中，

A、B、C为机械转矩系数，ω₀辨识感应电机的初始角频率；T_M0为初始机械转矩；光伏和储能均属于直流逆变型电源，并网条件下其逆变器一般均采用双环控制策略，从而对设定功率进行跟踪。因此直流逆变型电源动态特性由变流器及其控制环节主导，在建模时可将机械环节简化，主要考虑变流器及其控制环节的动态。内环控制时间常数较小，响应快，在建模过程中可忽略其动态；从而将直流逆变型电源等效为简化PQ外环。PQ外环控制表达式如下：

式中：i_dref和i_qref为外环输出的内环电流参考值；P_ref和Q_ref分别为有功和无功功率参考值；P_sys和Q_sys分别为系统有功和无功功率测量值；k_pP和k_iP分别为有功外环PI控制器比例和积分系数；k_pQ和k_iQ分别为无功外环PI控制器的比例和积分系数。

电流内环响应速度快：i_d＝i_dref；i_q＝i_qref。由于逆变器实现PQ解耦控制，有：

本发明选用的风机类型为直驱永磁同步发电机，其控制策略采用故障过程功率支撑策略：风机在故障期间按初始功率的一定比例尽可能发出功率。其动态过程近似用下式描述：

P_fault＝k_pΔuP_PMSG0，

P_fault为故障过程中风机有功出力；P_PMSG0为故障初始时刻风机有功；k_pΔu为有功比例系数，与电压跌落幅度有关。

步骤3、历史数据聚类和分类器训练。

该步骤可细分为以下5个子步骤：1)输入为区域配电网负荷历史数据，辐照度、温度、风速等气象历史数据；2)将历史数据转换为ZIP、负荷、光伏、风电、储能占比作为聚类特征向量；3)根据特征向量采用的kmeans算法进行聚类；4)为聚类所得N类结果增加类标签；5)将带标签的聚类结果作为训练集，采用knn分类算法训练得knn分类器，作为步骤3的输出。

其中聚类特征向量选取如下：原始数据P_load、辐照度E、温度T、风速v、储能出力数据P_bess，不直接作为特征向量。而首先将E、T、v数据转换为光伏和风电的出力P_pv、P_wind，从而进一步计算各成分比例，作为最终的特征向量。定义如下参数，设第i个样本的PCC点的纯负荷有功为P_load0i，光伏出力为P_pv0i，风力出力为P_wind0i，储能出力为P_bess0i。则定义第i个样本的特征向量为：

u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，

式中：

同理可定义u_pvi、u_windi和u_bessi。由样本特征向量可进一步或得样本集特征矩阵：

u＝{u_load,u_pv,u_wind,u_bess}。

选定特征向量后，进一步选择经典的kmeans算法进行聚类。kmeans算法在实际应用时需确定合理的聚类数K和K个初始类簇中心点。本发明选择层次聚类法进行初步聚类，确定K个初始聚类中心，然后进一步利用kmeans算法进行聚类。为选择最佳聚类数，本发明采用“拐点法”，其核心指标为误差平方和(Sum of the Squared Errors，SSE)：

式中，C_i是第i个簇，p是C_i中的样本点，m_i是C_i的质心(C_i中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏。“拐点法”选择聚类数的判据为：当k小于真实聚类数k_real时，SSE(k)的下降幅度会很大。而当k到达真实聚类数时，SSE(k)下降幅度会骤减，形成一个“拐点”，此时选择该拐点作为聚类数。

将历史数据进行聚类后，为解决交直流混合配电网中动态等效模型先验性参数的选择问题，本发明首先将kmeans聚类结果数据集增加数据标签后，将问题进一步划归为监督学习的分类问题。对于常用的监督学习分类算法，经过多次试验，发现knn算法能取得最好的分类效果。因此，本发明选择knn分类算法作为先验性参数的选择方法。

步骤4、基于故障录波仪记录所故障数据集建立模型参数库。

假设故障录波仪记录到k_fault个历史故障样本。按照一般的广义负荷动态建模的总体测辨法对其进行参数辨识，本发明选用采用改进的粒子群算法对故障样本进行参数辨识。进一步根据辨识出的结果计算故障样本的特征向量，设故障样本辨识结果为k_pvi、k_windi、k_bessi，需将其转为特征向量u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，其转换方法如下：

同理可获得u_pvi,u_windi,u_bessi。进一步利用所训练knn分类器，根据特征向量将故障样本进行分类，根据分类的结果逐渐建立起模型参数库，如图2所示。

步骤5、指定仿真场景选择先验性模型参数。

一：指定仿真场景，获得该场景下的输入，即负荷、辐照、温度、风速和储能预测信息。

二：计算特征向量，根据步骤3获得对应的功率数据集，并计算对应特征向量u_pre。

三：根据使用所得knn分类器得到预测数据集分类结果k_pre。

四：为根据分类结果选择步骤4所建模型参数库的第k_pre类的参数作为先验性模型参数。

应用例

基于某地一年的负荷数据(采样间隔15min)，某光伏电站监测的一年辐照度、温度、风速数据(采样间隔15min)，以及某储能电站两冲两放运行数据(8:00-12:00、15:00-21:00放电，21:00-24：00休息，其余时间充电)，构成本发明应用例数据。

首先：结合“拐点法”，本发明在聚类数和聚合程度上折衷后，所选聚类数为20。如果需要将聚类结果可视化，可将聚类结果的4维特征向量矩阵u＝[u_load,u_pv,u_wind,u_bess]投影到6个2维空间，或者考虑PCA等降维可视化方法。

其次：定义每一类的聚类中心DG与负荷比例为：

式中，

指第k类聚类中心对应的特征向量光伏分量，其余参数类似定义。将各类按

从小到大排序，然后为各类增加类标签。进一步选择选择近邻超参数k＝5，对knn分类器进行训练，最后得到分类器的训练误差97.1％，测试误差95.8％，可见，分类的结果是相对比较理想的。如果需要对比每一类的类中的聚类效果，需满足PCC点初始功率相等，即P_PCC0i＝P_PCC0j，即满足下式：

P_load0i(1-k_pvi-k_windi-k_bessi)＝

P_load0j(1-k_pvj-k_windj-k_bessj)

然后：本发明选择了近50个不同负荷成分组成，并在DIgSILENT中进行暂态仿真以获得故障数据，这些故障工况覆盖了全部的20类，因此每一类均有可供选择的仿真参数。接下来选用改进的粒子群算法对这近50个故障样本进行参数辨识，并将辨识结果转换为特征向量，再经过分类器后放入对应的模型参数库类中。

最后：本发明一共指定了108个仿真场景进行先验性参数选择，最终依据模型参数库得到如图4的分类结果。因此，由于每一类代表了交直流混合配电网中不同的负荷组成状态，最终对于每一类场景本发明均能够选择较为近似的参数参与仿真，从而可以较好地考虑到含分布式能源的交直流混合配电网的负荷时变性对负荷动态模型参数带来的影响。

Claims (7)

1.考虑交直流配电网负荷组成时变性的负荷动态建模方法，其特征在于，包括以下步骤：

步骤1、将直流配电网近似解耦为直流逆变型电源；

步骤2、对直流配电网各负荷组成分别进行简化等效，并进一步建立PCC点的广义综合负荷等效模型；

步骤3、历史数据聚类和分类器训练；

步骤4、基于故障录波仪记录的故障数据进行总体测辨法辨识，将辨识的结果建立模型参数库；

步骤5、指定所需仿真场景，并根据分类结果选择先验性模型参数；

所述的步骤3，其具体内容为：

1)输入为区域配电网负荷历史数据、气象历史数据；2)根据历史数据计算各负荷组成的占比，作为聚类特征向量；3)根据特征向量采用的kmeans算法进行聚类；4)为聚类所得N类结果增加类标签；5)将带标签的聚类结果作为训练集，采用knn分类器训练得knn分类器，作为该步骤的输出；

所述聚类特征向量的选取如下：所测得的历史数据包括负荷P_load、辐照度E、温度T、风速v和储能出力数据P_bess，不直接作为特征向量；

首先，将辐照度E、温度T和风速v数据根据光伏和风电数学模型转换为光伏和风电的出力P_pv、P_wind，进一步计算ZIP负荷比例、感应电机比例、光伏比例和风电比例作为最终的特征向量；定义如下参数：设第i个样本的PCC点的纯负荷有功为P_load0i，光伏出力为P_pv0i，风力出力为P_wind0i，储能出力为P_bess0i，则定义第i个样本的特征向量为：

u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，

式中：

同理定义u_pvi、u_windi和u_bessi，由样本特征向量进一步获得样本集特征矩阵：

u＝{u_load,u_pv,u_wind,u_bess}，

选定特征向量后，进一步选择kmeans算法进行聚类；

所述的步骤4，其具体内容如下：

假设故障录波仪记录到k_fault个历史故障样本，采用线性递减权重粒子群算法对故障样本进行参数辨识，根据辨识出的结果计算故障样本的特征向量，设故障样本辨识结果为k_pvi、k_windi、k_bessi，需将其转为特征向量u_i＝[u_loadi,u_pvi,u_windi,u_bessi]，其转换方法如下：

同理获得u_pvi,u_windi,u_bessi，进一步利用所训练knn分类器，根据特征向量将故障样本进行分类，根据分类的结果建立模型参数库。

2.根据权利要求1所述的负荷动态建模方法，其特征在于，所述的步骤1中，将交直流配电网按设定的逆变器功率进行解耦的方法如下：

将直流配电网及其中的负荷、分布式电源等效为直流逆变型电源，将交直流混合配电网的负荷动态建模问题划归为交流电网中的负荷动态建模问题。

3.根据权利要求2所述的负荷动态建模方法，其特征在于，所述的步骤1中，解耦方法分为以下两种情况：

1)直流配电网作为交流配电网子网仅以一整流/逆变器相连

当直流配电网中分布式电源出力P_gen高于直流负荷P_load时，该直流配电网等效于出力为(P_gen-P_load)直流逆变型电源，其运行机理上与光伏等效，该直流配电网动态特性主要与换流站整流/逆变器PI控制器策略和设定的PI控制参数k_P、k_I相关，按照光伏的等效方法，在并网点处等效为PQ控制外环；

当直流配电网中直流电源P_gen出力低于直流负荷P_load时，该直流配电网等效为(P_load-P_gen)的整流型负荷，其动态特性由整流/逆变器在整流状态下的PI控制器决定，而功率方向为流向负荷方向；

2)直流配电网以多个整流/逆变器与交流电网相连

直流配电网中的有功控制方式常采用一主多从的控制方式，即对于主控制器，采用的是控制直流电压的策略；对于从控制器，采用定有功控制策略；对于定有功控制的整流/逆变器，其贡献给PCC点有功的部分在动态响应中同光伏采取定PQ控制相似；对于定直流电压的控制器，其直流电压在PCC点电压跌落后为先跌后恢复的响应过程，其响应曲线由直流电压控制器PI参数决定；

对于直流配电网与交流配电网的无功功率交互，由于逆变器的有功无功解耦控制，每一个逆变器相当于一个单独的无功产生单元，因此直流配电网对PCC点提供的无功由各逆变器供应的无功进行叠加；直流配电网在动态过程中贡献给PCC点的无功部分主要由各整流/逆变器的无功PI参数决定；在一个含多逆变器的直流配电网中，在正常工况下各逆变器无功控制器PI参数设置接近，此时在并网点用一个无功外环近似等效。

4.根据权利要求1所述的负荷动态建模方法，其特征在于，所述的步骤2对直流配电网中各负荷组成分别进行等效，并进一步建立PCC点的广义综合负荷等效模型，其具体步骤如下：

以ZIP负荷、感应电动机、风电、光伏和储能组成配电网；

对每一种负荷组成，其模型如下：

ZIP负荷模型为：

上式中，P_ZIP、Q_ZIP分别为动态过程中ZIP负荷的有功和无功，P_ZIP0、Q_ZIP0分别为ZIP负荷初始时刻的有功和无功，U_L、U_L0分别为并网点动态过程中的线电压和初始时刻线电压；a_P,b_P,c_P分别为有功恒阻抗系数、有功恒电流系数、有功恒功率系数，a_Q,b_Q,c_Q分别为无功恒阻抗系数、无功恒电流系数和无功恒功率系数，各系数满足下式：

感应电动机采用同步坐标系下的机电暂态三阶模型：

式中：ω_r为转子角速度；E′_x,E′_y分别为同步坐标下的直轴、交轴暂态电势；X＝X_s+X_m为稳态电抗；X′＝X_s+X_mX_r/(X_m+X_r)为暂态电抗；X_m为电磁电抗；X_S为定子电抗；X_r为转子电抗；T_d′₀＝(X_m+X_r)/R_r，为转子绕组时间常数，R_r为转子电阻；T_j为惯性时间常数；T_E为电磁转矩；T_M为机械功率；I_x、I_y、ω分别表示实轴、虚轴电流和转子角频率，其中表达式如下：

上式中，R_s为定子电阻，U_x、U_y分别为外电压实轴和虚轴分量，E′_x、E′_y分别为同步坐标下的感应电机直轴、交轴暂态电势，I_x、I_y分别表示感应电机实轴、虚轴电流；

电磁转矩为：

机械功率为：T_M＝T_M0(Aω²+Bω+C)，其中，

A、B、C为机械转矩系数，ω₀表示感应电机初始角频率；T_M0为初始机械转矩；

光伏和储能均属于直流逆变型电源，并网条件下其逆变器均采用双环控制策略，从而对设定功率进行跟踪，因此直流逆变型电源动态特性由变流器及其控制环节主导，在建模时将机械环节简化，主要考虑变流器及其控制环节的动态；将直流逆变型电源等效为简化PQ外环，PQ外环控制表达式如下：

式中：i_dref和i_qref为外环输出的内环电流参考值；P_ref和Q_ref分别为有功和无功功率参考值；P_sys和Q_sys分别为系统有功和无功功率测量值；k_pP和k_iP为有功外环PI控制器比例和积分系数；k_pQ和k_iQ分别为无功外环PI控制器的比例和积分系数；s为拉普拉斯变换算子；

电流内环响应速度快：i_d＝i_dref；i_q＝i_qref，由于逆变器实现PQ解耦控制，有：

式中，ν_d,ν_q,i_d,i_q分别为电压实轴、虚轴分量以及电流实轴和虚轴分量；

选用的风机类型为直驱永磁同步发电机，其控制策略采用故障过程功率支撑策略，其动态过程近似用下式描述：

P_fault＝k_pΔuP_PMSG0，

P_fault为故障过程中风机有功出力；P_PMSG0为故障初始时刻风机有功；k_pΔu为有功比例系数，与电压跌落幅度有关。

5.根据权利要求1所述的负荷动态建模方法，其特征在于，所述kmeans算法在实际应用时需确定合理的聚类数K和K个初始聚类中心；选择层次聚类法进行初步聚类，确定K个初始聚类中心，然后进一步利用kmeans算法进行聚类；

为选择最佳聚类数，采用“拐点法”，其核心指标为误差平方和SSE；

式中，C_i是第i个簇，p是C_i中的样本点，m_i是C_i的质心，质心是C_i中所有样本的均值，SSE是所有样本的聚类误差，代表聚类效果的好坏。

6.根据权利要求5所述的负荷动态建模方法，其特征在于，将历史数据进行聚类后，为解决交直流混合配电网中动态等效模型先验性参数的选择问题，首先将kmeans聚类结果数据集增加数据标签后，将问题进一步划归为监督学习的分类问题，对于常用的监督学习分类算法，选择knn分类算法作为先验性参数的选择方法。

7.根据权利要求1所述的负荷动态建模方法，其特征在于，所述的步骤5，其具体内容为：

第一步为指定仿真场景，获得该场景下的输入，即负荷、辐照、温度、风速和储能预测信息；第二步为计算特征向量，根据步骤3获得对应的功率数据集，并计算对应特征向量u_pre；进一步根据使用所得knn分类器得到预测数据集分类结果k_pre；最后为根据分类结果选择步骤4所建模型参数库的第k_pre类的参数作为先验性模型参数。

Images