CN109698521A - 一种基于实测数据的光伏逆变器的低穿特性辨识方法 - Google Patents
一种基于实测数据的光伏逆变器的低穿特性辨识方法 Download PDFInfo
- Publication number
- CN109698521A CN109698521A CN201910139163.0A CN201910139163A CN109698521A CN 109698521 A CN109698521 A CN 109698521A CN 201910139163 A CN201910139163 A CN 201910139163A CN 109698521 A CN109698521 A CN 109698521A
- Authority
- CN
- China
- Prior art keywords
- group
- measured data
- parameter
- photovoltaic
- grid
- 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
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于实测数据的光伏逆变器的低穿特性辨识方法,其步骤包括:1、设定测试方案,2、收集n组用于辨识待辨识参数的实测数据,3、得到参数辨识初步结果,4、选取最优参数,5、将最优参数辨识结果代入单机光伏并网模型中,从而建立最优单机光伏并网模型,6、将n组测试工况中的功功率指令和无功功率指令分别输入所述最优单机光伏并网模型中,得到n组电气量,7、计算每一组电气量与相应的实测数据的加权平均偏差,从而判定所最优参数辨识结果的准确性。本发明能运用多组实测数据辨识低电压穿越控制参数,从而对低电压穿越控制精确建模。
Description
技术领域
本发明属于电力系统分析技术领域,具体的说是一种基于实测数据的光伏逆变器的低穿特性辨识方法。
背景技术
光伏发电系统的精确建模是分析电网稳定运行的基础,其中逆变器作为光伏发电系统的核心部件,其模型的准确性依赖于所获控制参数的准确性。低电压穿越控制参数作为逆变器控制参数的一部分,是保证光伏系统连续运行的重要环节。然而,出于厂家保密或运行环境变化等原因,无法确保控制参数的准确性,从而影响对单个逆变器及光伏电站并网特性的准确分析。对并网光伏逆变器开展模型参数辨识研究,提高辨识精度和准确性,构建符合真实情况的并网光伏逆变器模型,用于电网的运行规划、事故分析,对确保电网接入大规模光伏电源后的安全稳定运行能力具有重要意义。
当前能较精确获取新能源系统仿真参数的手段主要是采用合适的算法,应用实测数据对模型的参数予以辨识。常用的方法有理论解析法和系统辨识法。理论解析法能最大限度再现光伏发电系统内部过程,但随着控制系统越来越复杂,非线性微积分方程给计算带来很大困难,且部分不可测变量会影响计算结果,导致求得的参数往往需要多次人工调整才能运用于光伏控制中。系统辨识法是利用模型实测的输入和输出来求解未知参数,包含频域辨识法、时域辨识法和智能优化算法,其在电力系统参数辨识领域已得到广泛应用。但是现有文献仅对光伏阵列参数和光伏逆变器的PI控制环节参数及限幅环节参数进行了辨识研究,对光伏发电系统低电压穿越控制参数的辨识研究未见报道,并且目前文献中的辨识方法多聚焦于单次参数辨识方法的有效性验证,并未考虑如何从多次辨识结果中提取最优结果,难以运用于实际工程。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于实测数据的光伏逆变器的低穿特性辨识方法,以期能运用多组实测数据辨识低电压穿越控制参数,从而能实现低电压穿越控制的精确建模。
本发明为解决技术问题采用如下技术方案:
本发明一种基于实测数据的光伏逆变器的低穿特性辨识方法的特点是,将有功电流恢复斜率和无功电流支撑系数作为待辨识参数,并按如下步骤进行:
步骤1、设定测试方案:
步骤1.1、选取光伏逆变器的有功响应特性的暂态数据作为有功电流恢复斜率的观测量,选取光伏逆变器的无功响应特性的暂态数据作为无功电流支撑系数的观测量,并根据两个观测量分别计算待辨识参数的轨迹灵敏度,得到两个灵敏度计算结果;
步骤1.2、根据两个灵敏度计算结果,设置n组测试工况,并确定测试点为交流侧并网点;由n组测试工况和所述测试点组成n组测试方案;任意一组测试工况包括:电压扰动幅值、持续时间、有功功率指令和无功功率指令;
步骤2、收集n组用于辨识待辨识参数的实测数据:
步骤2.1、设置测试平台中光伏逆变器的初始有功功率和无功功率,依据任意一组测试工况中的电压扰动幅值和持续时间设置测试平台中交流侧电网模拟器的电压扰动参数给所述测试平台光伏逆变器,使得所述测试平台能进行暂态仿真;
步骤2.2、待所述测试平台仿真结束并达到稳定运行状态后,记录交流侧电气数据并作为一组实测数据,从而得到n组实测数据;所述实测数据包括:有功功率、无功功率、无功电流、总电流、电网电压的基波电压;
步骤3、得到参数辨识初步结果:
步骤3.1、对所述实测数据中的基波电压进行分析,提取扰动实验的电压跌落深度和电压跌落起始时间;
步骤3.2、根据所提取的参数修改单机光伏并网模型对应的参数;同时设置单机光伏并网模型中光伏逆变器的控制参数,从而搭建辨识所需的单机光伏并网模型;
步骤3.3、将所述单机光伏并网模型中光伏逆变器的出厂值作为自适应惯性权重粒子群智能算法的迭代初始值;
步骤3.4、利用自适应惯性权重粒子群智能算法与单机光伏并网模型对实测数据进行初步辨识,得到参数辨识初步结果;
步骤4、选取最优参数:
步骤4.1、将每一组实测数据对应的参数辨识初步结果代入单机光伏并网模型,从而在不同实测数据对应的运行工况中进行测试,得到每一组实测数据对应的有功功率与无功功率;
步骤4.2计算每一组实测数据对应的有功功率与无功功率的加权平均偏差及所述加权平均偏差的相对误差,并选择相对误差最小的一组实测数据所对应的参数辨识初步结果作为最优参数辨识结果;
步骤5、将最优参数辨识结果代入单机光伏并网模型中,从而建立最优单机光伏并网模型;
步骤6、将n组测试工况中的功功率指令和无功功率指令分别输入所述最优单机光伏并网模型中,得到n组电气量;
步骤7、计算每一组电气量与相应的实测数据的加权平均偏差,从而判定所最优参数辨识结果的准确性。
与现有技术相比,本发明的有益效果在于:
1、本发明根据灵敏度分析结果设定测试方案,对多组实测数据进行辨识,并从多组辨识结果中提取最优值,构建了最优单机光伏低穿控制模型,提高了参数辨识的实用性。
2、本发明通过对待辨识参数的轨迹灵敏度分析制定扰动测试方案,为参数辨识提供了典型工况下的实测数据,考虑了实验条件不同、光伏逆变器功率等级不同对辨识结果带来的影响,使得参数辨识结果具有较高实用价值。
3、本发明从多组参数辨识初步结果中提取最优参数,根据国家标准规定的加权平均偏差验证参数辨识结果的准确性,提高了参数辨识结果的可信度。
附图说明
图1为本发明计算灵敏度时的功率扰动值;
图2为本发明待辨识参数关于有功功率的轨迹灵敏度图。
图3为本发明待辨识参数关于无功功率的轨迹灵敏度图。
图4为本发明获取实测数据的测试平台结构图。
图5为本发明单机光伏并网拓扑图。
具体实施方式
本实施例中,一种基于实测数据的光伏逆变器的低穿特性辨识方法,是将有功电流恢复斜率和无功电流支撑系数作为待辨识参数,并按如下步骤进行:
步骤1、设定测试方案:
步骤1.1、选取光伏逆变器的有功响应特性的暂态数据作为有功电流恢复斜率的观测量,选取光伏逆变器的无功响应特性的暂态数据作为无功电流支撑系数的观测量,并根据两个观测量分别计算待辨识参数的轨迹灵敏度,得到两个灵敏度计算结果;
有功响应特性指的是逆变器输出交流测的有功功率P,无功响应特性指的是逆变器输出交流测的无功功率P,暂态数据是指有功功率参考值和无功功率参考值包含扰动时逆变器交流侧的输出。
步骤1.2、根据两个灵敏度计算结果,设置n组测试工况,并确定测试点为交流侧并网点;由n组测试工况和测试点组成n组测试方案;任意一组测试工况包括:电压扰动幅值、持续时间、有功功率指令和无功功率指令;
步骤2、收集n组用于辨识待辨识参数的实测数据:
步骤2.1、设置测试平台中光伏逆变器的初始有功功率和无功功率,依据任意一组测试工况中的电压扰动幅值和持续时间设置测试平台中交流侧电网模拟器的电压扰动参数给测试平台光伏逆变器,使得测试平台能进行暂态仿真;
步骤2.2、待测试平台完成仿真并达到稳定运行状态后,记录交流侧电气数据并作为一组实测数据,从而得到n组实测数据;实测数据包括:有功功率、无功功率、无功电流、总电流、电网电压的基波电压;
步骤3、得到参数辨识初步结果:
步骤3.1、对实测数据中的基波电压进行分析,提取扰动实验的电压跌落深度和电压跌落起始时间;
步骤3.2、根据所提取的参数修改单机光伏并网模型对应的参数;同时设置单机光伏并网模型中光伏逆变器的控制参数,从而搭建辨识所需的单机光伏并网模型;
步骤3.3、将单机光伏并网模型中光伏逆变器的出厂值作为自适应惯性权重粒子群智能算法的迭代初始值;
步骤3.4、利用自适应惯性权重粒子群智能算法与单机光伏并网模型对实测数据进行初步辨识,得到参数辨识初步结果。
步骤4、选取最优参数:
步骤4.1、将每一组实测数据对应的参数辨识初步结果代入单机光伏并网模型,从而在不同实测数据对应的运行工况中进行测试,得到每一组实测数据对应的有功功率与无功功率;
步骤4.2计算每一组实测数据对应的有功功率与无功功率的加权平均偏差及加权平均偏差的相对误差,并选择相对误差最小的一组实测数据所对应的参数辨识初步结果作为最优参数辨识结果;
加权平均偏差概念及计算方式见《GB/T 32892-2016光伏发电系统模型及参数测试规程》,相对误差计算公式如式1:
式中,x1为有功功率与无功功率的加权平均偏差,为n*2n维矩阵,前n列为有功功率误差,后n列为无功功率误差;xmin为n组参数辨识初步结果分别代入同一组运行工况下得有功功率或无功功率加权平均偏差的最小值,为n*1阶矩阵,error为加权平均偏差的相对误差。
步骤5、将最优参数辨识结果代入单机光伏并网模型中,从而建立最优单机光伏并网模型;
步骤6、将n组测试工况中的功功率指令和无功功率指令分别输入最优单机光伏并网模型中,得到n组电气量;
步骤7、计算每一组电气量与相应的实测数据的加权平均偏差,从而判定所最优参数辨识结果的准确性。
实施例:
1、根据光伏逆变器的有功响应特性的暂态数据和无功响应特性的暂态数据分别计算待辨识参数的轨迹灵敏度,功率扰动值设置如图1所示,灵敏度计算结果如图2、图3所示。
2、按照步骤1.2制定测试方案,6组实测数据工况如表1所示。
表1测试工况
P/pu | U/pu | 测试数据 | |
工况1 | 0.2 | 0.1 | P,Q,U,I,Iq |
工况2 | 0.2 | 0.4 | P,Q,U,I,Iq |
工况3 | 0.6 | 0.4 | P,Q,U,I,Iq |
工况4 | 0.6 | 0.7 | P,Q,U,I,Iq |
工况5 | 0.8 | 0.7 | P,Q,U,I,Iq |
工况6 | 0.8 | 0.8 | P,Q,U,I,Iq |
3、按照步骤2在图4所示测试平台完成表1中的测试方案并收集6组实测数据。
图4所示测试平台由光伏模拟器、光伏逆变器、电压扰动发生装置、电网模拟器和数据采集装置构成。电压扰动发生装置用于设置6个工况下的电压扰动值,数据采集装置用于采集实测数据。
4、搭建未设置参数的单机光伏并网模型,按照步骤3对其内部参数赋值,并结合算法对6组实测数据进行辨识,得到6组参数辨识初步结果。模型拓扑见图5,模型参数见表2.,参数辨识初步结果见表3.
图5所示单机光伏并网模型在Matlab仿真平台搭建,由光伏阵列、直流稳压电容、光伏逆变器、控制模块、滤波器及由理想电压源替代的电网构成。
表2模型参数
表3初步辨识结果
结果\参数 | 有功电流恢复斜率(dIp) | 无功电流恢复系数(Kq) |
结果1 | 19.56254 | 1.441337 |
结果2 | 19.97261 | 1.769143 |
结果3 | 2.694626 | 1.672297 |
结果4 | 20.05121 | 2.13746 |
结果5 | 1.074038 | 2.077852 |
结果6 | 20 | 2.377938 |
5、按照步骤4将每一组实测数据对应的参数辨识初步结果代入单机光伏并网模型,并在不同实测数据对应的运行工况中进行测试,得到每一组实测数据对应的有功功率与无功功率;计算每一组实测数据对应的有功功率与无功功率的加权平均偏差及加权平均偏差的相对误差,计算每一组参数辨识初步结果在每一组运行工况下的加权平均偏差的相对误差的总和,并选择相对误差总合最小的一组实测数据所对应的参数辨识初步结果作为最优参数辨识结果;最优参数辨识结果为:有功电流恢复斜率(dIp)=20,无功电流恢复系数(Kq)=1.769143。有功功率的加权平均偏差见表4,无功功率的加权平均偏差表5,有功功率的加权平均偏差的相对误差见表6,无功功率的加权平均偏差的相对误差见表7。
表4每一组参数辨识结果在每一组工况下的有功功率加权平均偏差
表5每一组参数辨识结果在每一组工况下的无功功率加权平均偏差
数据\结果 | 工况1 | 工况2 | 工况3 | 工况4 | 工况5 | 工况6 |
工况1 | 0.439999 | 0.445176 | 0.443917 | 0.448694 | 0.448222 | 0.450281 |
工况2 | 0.397739 | 0.486088 | 0.459987 | 0.501036 | 0.500893 | 0.501578 |
工况3 | 0.416205 | 0.507685 | 0.480654 | 0.59395 | 0.593748 | 0.594773 |
工况4 | 0.172486 | 0.209851 | 0.198851 | 0.251835 | 0.245084 | 0.27931 |
工况5 | 0.186179 | 0.225793 | 0.21409 | 0.270305 | 0.263101 | 0.299367 |
工况6 | 0.098467 | 0.118233 | 0.112424 | 0.140439 | 0.136892 | 0.154942 |
表6有功功率的加权平均偏差的相对误差
数据\结果 | 工况1 | 工况2 | 工况3 | 工况4 | 工况5 | 工况6 |
工况1 | 4.08e-07 | 6.72e-08 | 1.52e-05 | 0 | 1.85e-05 | 4.37e-08 |
工况2 | 0.515 | 0.182 | 0.423 | 3.08e-06 | 6.56e-05 | 0 |
工况3 | 0.82 | 0.549 | 0.644 | 0.028 | 0 | 0.026 |
工况4 | 0.016 | 0.016 | 0.016 | 0.016 | 0.016 | 0 |
工况5 | 0.0415 | 0.029 | 0.033 | 0.012 | 0.015 | 0 |
工况6 | 2.017e-05 | 2.033e-05 | 1.78e-06 | 2.35e-05 | 0 | 2.35e-05 |
表7无功功率的加权平均偏差的相对误差
数据\结果 | 工况1 | 工况2 | 工况3 | 工况4 | 工况5 | 工况6 |
工况1 | 0 | 0.011 | 0.008 | 0.019 | 0.018 | 0.023 |
工况2 | 0 | 0.222 | 0.156 | 0.259 | 0.259 | 0.261 |
工况3 | 0 | 0.219 | 0.154 | 0.427 | 0.4265 | 0.429 |
工况4 | 0 | 0.216 | 0.152 | 0.46 | 0.420 | 0.619 |
工况5 | 0 | 0.212 | 0.149 | 0.451 | 0.413 | 0.607 |
工况6 | 0 | 0.2 | 0.141 | 0.426 | 0.390 | 0.573 |
6、按照步骤5、步骤6和步骤7计算最优单机光伏并网模型每一组测试工况下的电气量与相应的实测数据的加权平均偏差,其中加权平均偏差见表8。
表8最优参数下电气量的加权平均偏差
工况\电气参数 | 电压偏差U | 电流偏差I | 有功功率P | 无功电流Iq | 无功功率Q |
工况1 | 0.046873 | 0.029063 | 0.03241 | 0.074308 | 0.014076 |
工况2 | 0.009787 | 0.043738 | 0.039114 | 0.09424 | 0.040397 |
工况3 | 0.008529 | 0.007823 | 0.037472 | 0.07197 | 0.030843 |
工况4 | 0.003346 | 0.023994 | 0.016508 | 0.08092 | 0.057396 |
工况5 | 0.005098 | 0.041006 | 0.05065 | 0.079326 | 0.055859 |
工况6 | 0.002472 | 0.022066 | 0.022494 | 0.058024 | 0.046561 |
7、根据《GB/T 32892-2016光伏发电系统模型及参数测试规程》可知,误差在允许范围内,验证了辨识结果的准确性。
Claims (1)
1.一种基于实测数据的光伏逆变器的低穿特性辨识方法,其特征是,将有功电流恢复斜率和无功电流支撑系数作为待辨识参数,并按如下步骤进行:
步骤1、设定测试方案:
步骤1.1、选取光伏逆变器的有功响应特性的暂态数据作为有功电流恢复斜率的观测量,选取光伏逆变器的无功响应特性的暂态数据作为无功电流支撑系数的观测量,并根据两个观测量分别计算待辨识参数的轨迹灵敏度,得到两个灵敏度计算结果;
步骤1.2、根据两个灵敏度计算结果,设置n组测试工况,并确定测试点为交流侧并网点;由n组测试工况和所述测试点组成n组测试方案;任意一组测试工况包括:电压扰动幅值、持续时间、有功功率指令和无功功率指令;
步骤2、收集n组用于辨识待辨识参数的实测数据:
步骤2.1、设置测试平台中光伏逆变器的初始有功功率和无功功率,依据任意一组测试工况中的电压扰动幅值和持续时间设置测试平台中交流侧电网模拟器的电压扰动参数给所述测试平台光伏逆变器,使得所述测试平台能进行暂态仿真;
步骤2.2、待所述测试平台仿真结束并达到稳定运行状态后,记录交流侧电气数据并作为一组实测数据,从而得到n组实测数据;所述实测数据包括:有功功率、无功功率、无功电流、总电流、电网电压的基波电压;
步骤3、得到参数辨识初步结果:
步骤3.1、对所述实测数据中的基波电压进行分析,提取扰动实验的电压跌落深度和电压跌落起始时间;
步骤3.2、根据所提取的参数修改单机光伏并网模型对应的参数;同时设置单机光伏并网模型中光伏逆变器的控制参数,从而搭建辨识所需的单机光伏并网模型;
步骤3.3、将所述单机光伏并网模型中光伏逆变器的出厂值作为自适应惯性权重粒子群智能算法的迭代初始值;
步骤3.4、利用自适应惯性权重粒子群智能算法与单机光伏并网模型对实测数据进行初步辨识,得到参数辨识初步结果;
步骤4、选取最优参数:
步骤4.1、将每一组实测数据对应的参数辨识初步结果代入单机光伏并网模型,从而在不同实测数据对应的运行工况中进行测试,得到每一组实测数据对应的有功功率与无功功率;
步骤4.2计算每一组实测数据对应的有功功率与无功功率的加权平均偏差及所述加权平均偏差的相对误差,并选择相对误差最小的一组实测数据所对应的参数辨识初步结果作为最优参数辨识结果;
步骤5、将最优参数辨识结果代入单机光伏并网模型中,从而建立最优单机光伏并网模型;
步骤6、将n组测试工况中的功功率指令和无功功率指令分别输入所述最优单机光伏并网模型中,得到n组电气量;
步骤7、计算每一组电气量与相应的实测数据的加权平均偏差,从而判定所最优参数辨识结果的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139163.0A CN109698521B (zh) | 2019-02-25 | 2019-02-25 | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139163.0A CN109698521B (zh) | 2019-02-25 | 2019-02-25 | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109698521A true CN109698521A (zh) | 2019-04-30 |
CN109698521B CN109698521B (zh) | 2020-06-26 |
Family
ID=66235057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139163.0A Active CN109698521B (zh) | 2019-02-25 | 2019-02-25 | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109698521B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462626A (zh) * | 2020-11-25 | 2021-03-09 | 合肥工业大学 | 一种并网逆变器运行参数的仿真优化方法 |
WO2022037581A1 (zh) * | 2020-08-17 | 2022-02-24 | 中国电力科学研究院有限公司 | 一种光伏逆变器控制参数的辨识方法和装置 |
CN114865703A (zh) * | 2022-06-08 | 2022-08-05 | 合肥工业大学 | 一种直驱风机逆变器高穿特性参数辨识方法 |
CN115085369A (zh) * | 2022-06-01 | 2022-09-20 | 深圳博浩远科技有限公司 | 一种光伏逆变器的智能光伏数据采集系统 |
CN115204048A (zh) * | 2022-07-19 | 2022-10-18 | 贵州大学 | 一种光伏发电系统模型辨识系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592528A (zh) * | 2013-08-29 | 2014-02-19 | 国家电网公司 | 一种基于动态轨迹灵敏度的光伏逆变器模型参数辨识方法 |
CN103944507A (zh) * | 2014-02-18 | 2014-07-23 | 国家电网公司 | 基于逆变器型式试验的光伏电站低电压穿越性能评价方法 |
US20160147215A1 (en) * | 2014-11-20 | 2016-05-26 | General Electric Company | System and method for modelling load in an electrical power network |
CN106803671A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种光伏电站低电压穿越能力评估方法 |
CN108764645A (zh) * | 2018-04-27 | 2018-11-06 | 中国电力科学研究院有限公司 | 一种光伏发电站低电压穿越性能评估方法及系统 |
-
2019
- 2019-02-25 CN CN201910139163.0A patent/CN109698521B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592528A (zh) * | 2013-08-29 | 2014-02-19 | 国家电网公司 | 一种基于动态轨迹灵敏度的光伏逆变器模型参数辨识方法 |
CN103944507A (zh) * | 2014-02-18 | 2014-07-23 | 国家电网公司 | 基于逆变器型式试验的光伏电站低电压穿越性能评价方法 |
US20160147215A1 (en) * | 2014-11-20 | 2016-05-26 | General Electric Company | System and method for modelling load in an electrical power network |
CN106803671A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种光伏电站低电压穿越能力评估方法 |
CN108764645A (zh) * | 2018-04-27 | 2018-11-06 | 中国电力科学研究院有限公司 | 一种光伏发电站低电压穿越性能评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
房志学 等: "微网逆变器低电压穿越控制策略", 《电力系统自动化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037581A1 (zh) * | 2020-08-17 | 2022-02-24 | 中国电力科学研究院有限公司 | 一种光伏逆变器控制参数的辨识方法和装置 |
CN112462626A (zh) * | 2020-11-25 | 2021-03-09 | 合肥工业大学 | 一种并网逆变器运行参数的仿真优化方法 |
CN112462626B (zh) * | 2020-11-25 | 2022-04-05 | 合肥工业大学 | 一种并网逆变器运行参数的仿真优化方法 |
CN115085369A (zh) * | 2022-06-01 | 2022-09-20 | 深圳博浩远科技有限公司 | 一种光伏逆变器的智能光伏数据采集系统 |
CN114865703A (zh) * | 2022-06-08 | 2022-08-05 | 合肥工业大学 | 一种直驱风机逆变器高穿特性参数辨识方法 |
CN114865703B (zh) * | 2022-06-08 | 2024-03-08 | 合肥工业大学 | 一种直驱风机逆变器高穿特性参数辨识方法 |
CN115204048A (zh) * | 2022-07-19 | 2022-10-18 | 贵州大学 | 一种光伏发电系统模型辨识系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109698521B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103973203B (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
CN103715719B (zh) | 一种适用于电力系统全过程动态仿真的光伏模型建模方法 | |
CN102594215B (zh) | 一种光伏电站模型参数辨识方法 | |
CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
CN103887815A (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN103592528B (zh) | 一种基于动态轨迹灵敏度的光伏逆变器模型参数辨识方法 | |
CN104317283A (zh) | 一种用于风电场控制系统硬件在环测试平台及其测试方法 | |
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 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN107968409A (zh) | 一种考虑不平衡功率分配的概率潮流计算方法及系统 | |
CN103699723B (zh) | 一种发电厂机组动力系统模型校核方法 | |
CN106383947B (zh) | 风电场集电网络动态等值参数的快速获取方法 | |
CN107565582B (zh) | 大电网静态稳定主导模式在线判别方法 | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN204314716U (zh) | 一种用于风电场控制系统硬件在环测试平台 | |
CN115358079B (zh) | 风电场场站实时仿真模型的构建方法和阻抗特性评估方法 | |
CN103777525A (zh) | 风电场仿真机与rtds仿真器的自定义接口 | |
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 | |
CN110532713A (zh) | 一种水轮机调速器电液伺服仿真系统 | |
CN104978481B (zh) | 一种光伏电站机电暂态模型的实测建模方法 | |
CN104570769A (zh) | 核电机组调速系统电力系统机电暂态模型的实测建模方法 | |
CN104376195B (zh) | 一种光伏电站暂态模型的验证方法 | |
CN103065049A (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
CN114744631A (zh) | 一种基于非pmu配电网的数据驱动电压估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |