CN109921457B - 一种光伏电源电磁暂态输出预测方法 - Google Patents
一种光伏电源电磁暂态输出预测方法 Download PDFInfo
- Publication number
- CN109921457B CN109921457B CN201910027810.9A CN201910027810A CN109921457B CN 109921457 B CN109921457 B CN 109921457B CN 201910027810 A CN201910027810 A CN 201910027810A CN 109921457 B CN109921457 B CN 109921457B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- current
- vector
- prediction
- sampling
- 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.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000874 microwave-assisted extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明涉及一种光伏电源电磁暂态输出预测方法,属于能源管理技术领域。由于光伏电源输出预测模型精度容易受到自身状态及多种环境因素的影响,例如,日照强度、温度、湿度等,而且,模型参数的估计容易陷入局部最优,导致传统预测模型无法满足电网安全稳定分析与配置的需求。本发明引入基于正则化最小二乘法的预测方案,它建立待预测光伏电源输出值与历史观测值之间的关系模型,并通过最小化预测误差获得模型参数。采用本发明所述的方法,不仅可以方便的估计模型参数,而且预测精度更高、模型鲁棒性好。
Description
技术领域
本发明属于能源管理技术领域,具体涉及一种光伏电源电磁暂态输出预测方法。
背景技术
由于化石能源带来的污染问题越来越严重,光伏能源发电已成为主流趋势。在能源互联网指导意见发布和能源行业转型升级的背景下,发展利用光伏发电对于加快能源结构调整、实现可持续发展具有重要的意义。随着智能电网和微电网技术的发展,并网光伏发电系统已经得到广泛应用。
光伏电站的输出具有随机性和间接性,现有的电网安全稳定分析软件只能将光伏电站作为一般的随机性负荷处理,或仅考虑其极限容量,或使用光伏发电的稳态模型接入电网进行潮流计算,无法反映光伏电站的动态特性对电网的影响。由于复杂配电系统中存在大量并网运行电力电子装置,控制不当可能给系统带来严重的谐波问题。
故而,在进行光伏能源发电过程中,需要通过设备元件的暂态宽频域建模来准确分析系统谐波特征,为电能质量控制提供依据。另外,光伏分布式电源与传统电源相比具有完全不同的故障特性,需要通过设备元件的暂态宽频域建模获取其准确的故障电流与电压特征,为保护配置与参数整定提供依据。因此,设备元件的暂态宽频域建模和电磁暂态仿真在复杂配电网谐波分析、故障电流与电压特征精确计算等特殊问题研究扮演着重要角色。
光伏发电系统模型通常有两种模型。一类是潮流模型,将光伏发电系统建模成简单的功率源。
由于不考虑动态过程,所以此模型仅适用于潮流分析,而不能用于暂态分析。另一类是基于特定的光伏发电系统建立对应的电路或电磁模型。这类模型理论上可用于电网机电暂态分析,但是,不能适应光伏电源参数非恒定的情况。
光伏电源的暂态输出特性受多种因素的影响,是一个非平稳的随机过程。
目前还没有光伏能源发电模型还不能够解决模型参数估计的局部最优化问题,光伏电源输出预测精度有待提高、模型的鲁棒性有待提升。
发明内容
针对现有技术中存在的缺陷,本发明的目的是提供一种光伏电源电磁暂态输出预测方法,避免模型参数估计的局部最优化问题,提供更高的光伏电源输出预测精度更高、模型的鲁棒性好。
为达到以上目的,本发明采用的技术方案是:一种光伏电源电磁暂态输出预测方法,包括:
步骤1:采集光伏电源电磁暂态输出的N+M个历史电流输出数据,按采样时间的先后顺序记为i[1],i[2],…,i[N+M],利用这些采样值组建M+1个列向量,每个列向量由N个采样时刻的电流数据组成,记为iN(N),iN(N+1),…,iN(N+M),利用向量iN(N),iN(N+1),…,iN(N+M-1)构造电流观测矩阵I;
步骤2:采用所述电流观测矩阵I和电流向量iN(N+M)组建光伏电源电磁暂态输出预测的目标函数J(w),其中,参数w为M维权重向量,需要根据目标函数进行优化;
步骤3:令所述电磁暂态输出预测目标函数J(w)最小化,求取参数w的最优值w*;
步骤4:给定需要预测的采样点n,利用采样点k=n-M,n-M+1,…,n-1处的历史电流采样值组建M维历史电流向量iM(n-1),根据权重向量w的最优值w*及历史电流向量iM(n-1)预测光伏电源采样点n处的电磁暂态输出
优选的,所述步骤1中电流采样方法如下,以采样间隔U对光伏电源输出电压u进行N+M个均匀采样,与每个电压采样点对应的光伏电源的输出电流即为电流采样值,记为i[k],k=1,2,…,N+M,k表示采样的顺序。
优选的,所述步骤1包括:
第k个列向量iN(k)由第k个采样点与其前的N-1个历史电流采样值构成,即iN(k)=(i[k-N+1],i[k-N+2],…,i[k])T,k=N,N+1,…,N+M,这里,上标T表示向量转置操作。N×M维电流观测矩阵I由M个列向量构成,即
I=(iN(N),iN(N+1),…,iN(N+M-1))
其中,选择矩阵维度必须满足M≥2和N≥M。
优选的,所述步骤2包括:
按下式确定光伏电源电磁暂态输出预测的目标函数J(w):
其中,电流观测矩阵I与列向量iN(N+M)根据权利要求3给出的方法进行构造,w为N维权重向量,λ为正则系数,且满足λ≥0。
优选的,所述步骤3包括:
对所述电磁暂态输出预测的目标函数J(w)求导,即并令该导数为0,从而确定令目标函数J(w)最小的权重向量w*。
进一步的:令目标函数J(w)最小的权重向量w*满足方程
Φw*=θ
其中,E=diag(1,1,…,1)为M×M维单位矩阵,
Φ=λE+ITI
θ=ITiN(N+M)
进一步的:令目标函数J(w)最小的权重向量w*根据下式确定:
w*=Φ-1θ
优选的,所述步骤4中获得预测值的方法是:/>其中,w*是权利要求1中步骤3确定的最佳权重向量,向量iM(n-1)是一个M维列向量,由k=n-M,n-M+1,…,n-1处的历史电流采样值构成,即iM(n-1)=(i[n-M],i[n-M+1],…,i[n-1])T。
与现有技术相比,本发明具有以下有益效果:
采用本发明所述的方法,解决了预测模型的参数估计的局部最优问题,模型参数估计更加方便,而且可以获得更高的预测精度、模型的鲁棒性也获得了提升。
附图说明
图1是光伏电源暂态输出预测方法的基本流程图。
图2是两种温度下Msx-60光伏电源的实测I-U特性曲线与预测图。
图3是Msx-60的实测I-U特性曲线与理想模型、单二极管模型、双二极管模型、本发明的预测曲线图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
为解决现有的技术需求,本发明提供一种光伏电源电磁暂态输出预测方法
下面结合附图描述本发明的一个具体实施例,并进一步说明本发明的效果。
实施例:
以光伏电源Msx-60为例,当照度为103W/m2时,温度为0℃与50℃的条件下,采用基于最小二乘法的电源暂态输出预测,整个过程如图1所示,包括以下步骤:
(1)采集光伏电源暂态输出电流的N+M个历史电流输出数据,利用这些采样值组建M+1个列向量,记为iN(N),iN(N+1),…,iN(N+M),并利用向量iN(N),iN(N+1),…,iN(N+M-1)构造电流观测矩阵I。电流采样时,以采样间隔U对光伏电源输出电压u进行N+M个均匀采样,与每个电压采样点对应的光伏电源的输出电流即为电流采样值,记为i[k],k=1,2,…,N+M,k表示采样的顺序。第k个列向量iN(k)由第k个采样点与其前的N-1个历史电流采样值构成,iN(k)=(i[k-N+1],i[k-N+2],…,i[k])T,k=N,N+1,…,N+M,这里,上标T表示向量转置操作。N×M维电流观测矩阵I由M个列向量构成,I=(iN(N),iN(N+1),…,iN(N+M-1))。在本实施例中,预测方案的参数U,M与N设置如下:U=0.1V,M=5,N=10。
(2)按下式采用所述电流观测矩阵I和电流向量iN(N+M)组建光伏电源电磁暂态输出预测的目标函数J(w):
其中,w为待优化的M维权重向量,λ为正则系数。在本实施例中,λ设置为λ=10-4。
(3)令上述电磁暂态输出预测目标函数J(w)最小化,求取参数w的最优值w*。具体的,对所述电磁暂态输出预测的目标函数J(w)求导,即并令该导数为0,得到令目标函数J(w)最小的权重向量w*满足方程
Φw*=θ
其中,E=diag(1,1,…,1)为M×M维单位矩阵,
Φ=λE+ITI
θ=ITiN(N+M)
求解上述方程,可得令目标函数J(w)最小的权重向量w*根据下式确定:
w*=Φ-1θ
(4)给定需要预测的采样点n,根据权重向量w的最优值w*及历史电流向量iM(n-1)预测光伏电源在采样点n处的电磁暂态输出M维历史电流向量iM(n-1)由采样点k=n-M,n-M+1,…,n-1处的历史电流采样值构成,即
iM(n-1)=(i[n-M],i[n-M+1],…,i[n-1])T
预测值的预测方法是:/>
为了显示本发明的显著效果,本实施例给出一些利用实施例得出的实验结果。
图2显示了Msx-60的实际I-U特性曲线与预测的I-U特性曲线。图2表明,在0℃时,由本发明获得的预测I-U特性曲线与实际曲线非常接近,尤其在电流变化缓慢的区间,即电压位于区间[020]V时。当电压继续增大时,预测误差开始变大,但误差绝对值仍很小。在50℃的条件下,本发明同样可获得良好的预测性能。
图3显示了光伏电源Msx-60(温度为0℃,照度为103W/m2)的实测I-U特性曲线与理想模型、单二极管模型(Sera D.,Teodorescu R.,Rodriguez P..PV panel model basedon datasheet values[C]//Proceedings of the IEEE International Symposium onIndustrial Electronics(ISIE),2007:2392-2396)、双二极管模型(刘东冉,陈树勇,马敏等.光伏发电系统模型综述[J].电网技术,2014,35(8):4752.)、本发明的预测曲线。可以看到,在电流变化缓慢的区间,用于比较的光伏电源模型输出与光伏电源真实输出拟合的都很好。当输出电压超过20V时,输出电流开始急速下降,这几种模型的预测误差都开始变大,其中,理想光伏电源模型的性能最差,单二极管模型与双二极管模型的性能是相近的。还需指出的是,这几个模型的参数估计都属于非线性拟合问题,初值选择的不当,很容易陷入局部最优,因而导致模型的预测性能变得更差。本发明没有初值选择对模型参数估计不利的问题,而且预测效果明显比前述三种模型更优,特别是在电流急速变化的区间。
进一步,为了客观评价预测方法的准确性,采用性能指标平均绝对误差(Meanabsolute error,MAE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和归一化均方根误差(Normalized rootmean square error,NRMSE),定义分别如下:
其中,L表示预测信号的采样个数,Var(i(n))表示信号真实值的样本方差。
在0℃和50℃条件下,本发明的预测性能指标清晰地表明本发明取得了良好的预测精度。
表1列出了每种预测方案的性能指标值。显然,理想光伏电源模型的预测指标最低,所测的四项指标都低于其他方案。令人惊讶的是,单二极管模型的性能指标与双二极管模型的性能指标接近,并有微弱的性能优势。这是由于双二极管模型比单二极管模型更复杂,导致其模型参数估计很难获得最优值。本发明的预测指标都显著优于其他三种模型。例如,前三种预测模型的MAE在0.03和0.05之间,NRMSE在0.21和0.23之间,而我们方案的MAE都小于0.005,NRMSE都小于0.06。
表1在Msx-60光伏电源上测试理想模型、单二极管模型、双二极管模型、本发明的预测指标
本实施例获得的实验结果可以说明,使用本发明所述的方法不但实现了避免模型参数估计的局部最优化问题,而且提供更高的光伏电源输出预测精度更高、模型的鲁棒性好。
本实施例给出了光伏电源Msx-60的输出预测实施效果,但本发明不限于该种光伏电源的输出预测,本发明同样适用于其他光伏电源的输出预测、也适用于其他电源的输出预测。
本发明可以用其它具体形式来实施,而不脱离其精神或本质特征。所描述的实施例在所有方面都被认为仅是说明性的而非限制性的,例如:
1)电源不限于光伏电源、蓄电池电源等;
2)目标函数的选择;
3)目标函数的优化方法;
4)各种参数的选择。
因此,本发明的范围由所附权利要求书而非上述描述来指示。落入权利要求的等效技术方案的意义和范围中的所有变化都包含在其范围之中。
最后应当说明的是:以上所述实施例仅是本发明的优选实施方式而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (7)
1.一种光伏电源电磁暂态输出预测方法,其特征在于,所述方法包括:
步骤1:采集光伏电源电磁暂态输出的N+M个历史电流输出数据,按采样时间的先后顺序记为i[1],i[2],…,i[N+M],利用这些采样值组建M+1个列向量,每个列向量由N个采样时刻的电流数据组成,记为iN(N),iN(N+1),…,iN(N+M),利用向量iN(N),iN(N+1),…,iN(N+M-1)构造电流观测矩阵I;
步骤2:采用所述电流观测矩阵I和电流向量iN(N+M)组建光伏电源电磁暂态输出预测的目标函数J(w),其中,参数w为M维权重向量,需要根据目标函数进行优化;
步骤3:令所述电磁暂态输出预测目标函数J(w)最小化,求取参数w的最优值w*;
步骤4:给定需要预测的采样点n,利用采样点k=n-M,n-M+1,…,n-1处的历史电流采样值组建M维历史电流向量iM(n-1),根据权重向量w的最优值w*及历史电流向量iM(n-1)预测光伏电源采样点n处的电磁暂态输出
所述步骤2包括:
按下式确定光伏电源电磁暂态输出预测的目标函数J(w):
其中,电流观测矩阵I利用列向量iN(N+M)进行构造,w为N维权重向量,λ为正则系数,且满足λ≥0。
2.如权利要求1所述的方法,其特征在于,所述步骤1中电流采样方法如下,以采样间隔U对光伏电源输出电压u进行N+M个均匀采样,与每个电压采样点对应的光伏电源的输出电流即为电流采样值,记为i[k],k=1,2,…,N+M,k表示采样的顺序。
3.如权利要求1所述的方法,其特征在于,所述步骤1包括:
第k个列向量iN(k)由第k个采样点与其前的N1个历史电流采样值构成,即iN(k)=(i[k-N+1],i[k-N+2],…,i[k])T,k=N,N+1,…,N+M,这里,上标T表示向量转置操作;N×M维电流观测矩阵I由M个列向量构成,即
I=(iN(N),iN(N+1),…,iN(N+M-1))
其中,选择矩阵维度必须满足M≥2和N≥M。
4.如权利要求1所述的方法,其特征在于,所述步骤3包括:
对所述电磁暂态输出预测的目标函数J(w)求导,即并令该导数为0,从而确定令目标函数J(w)最小的权重向量w*。
5.如权利要求4所述的方法,其特征在于:令目标函数J(w)最小的权重向量w*满足方程
Φw*=θ
其中,E=diag(1,1,…,1)为M×M维单位矩阵,
Φ=λE+ITI
θ=ITiN(N+M)。
6.如权利要求5所述的方法,其特征在于:令目标函数J(w)最小的权重向量w*根据下式确定:
w*=Φ-1θ。
7.如权利要求1所述的方法,其特征在于,所述步骤4中获得预测值的方法是:其中,w*是最佳权重向量,向量iM(n-1)是一个M维列向量,由k=n-M,n-M+1,…,n-1处的历史电流采样值构成,即iM(n-1)=(i[n-M],i[n-M+1],…,i[n-1])T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027810.9A CN109921457B (zh) | 2019-01-11 | 2019-01-11 | 一种光伏电源电磁暂态输出预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027810.9A CN109921457B (zh) | 2019-01-11 | 2019-01-11 | 一种光伏电源电磁暂态输出预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109921457A CN109921457A (zh) | 2019-06-21 |
CN109921457B true CN109921457B (zh) | 2023-11-03 |
Family
ID=66960283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910027810.9A Active CN109921457B (zh) | 2019-01-11 | 2019-01-11 | 一种光伏电源电磁暂态输出预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109921457B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
-
2019
- 2019-01-11 CN CN201910027810.9A patent/CN109921457B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109921457A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110601252B (zh) | 基于mpc的含分布式光伏配电网馈线级快速电压控制方法 | |
CN109873447B (zh) | 一种多源协同主动配电网多时间级有功-无功调控方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Zhang et al. | An online maximum power point capturing technique for high-efficiency power generation of solar photovoltaic systems | |
CN110289618B (zh) | 一种多功能储能变流器并网电能质量补偿控制方法 | |
Liu et al. | Two‐step method for identifying photovoltaic grid‐connected inverter controller parameters based on the adaptive differential evolution algorithm | |
Tian et al. | Base on the ultra‐short term power prediction and feed‐forward control of energy management for microgrid system applied in industrial park | |
Guo et al. | Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration | |
Mumtaz et al. | Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
Ayat et al. | Experimental validation of synergetic approach based MPPT controller for an autonomous PV system | |
Xiaoping et al. | A novel maximum power point tracking in partially shaded PV systems using a hybrid method | |
CN108551177B (zh) | 基于灵敏度分析的直流受端系统暂态切负荷控制优化方法 | |
Di Piazza et al. | Identification of photovoltaic array model parameters by robust linear regression methods | |
CN109921457B (zh) | 一种光伏电源电磁暂态输出预测方法 | |
CN102637056B (zh) | 一种维持光伏发电系统最大功率点的方法 | |
Jia et al. | Parameter identification and modelling of photovoltaic power generation systems based on LVRT tests | |
Singh et al. | Enhancing the hybrid microgrid performance with jellyfish optimization for efficient MPPT and THD estimation by the unscented kalman filter | |
CN114710116A (zh) | 一种基于模糊模型的光伏电池组件的实测建模方法及系统 | |
Xu et al. | Phasor measurement units‐based fast voltage control strategy for distribution network with high‐penetration distributed photovoltaic | |
Ma et al. | Distributed control of battery energy storage system in a microgrid | |
Chang et al. | An Improved Prony Prediction Compensation‐Based Wide‐Area Damping Control Approach for Power System Low‐Frequency Oscillation Suppression | |
Yu et al. | Photovoltaic power prediction method based on markov chain and combined model | |
CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 | |
CN109494747B (zh) | 一种基于交替梯度算法的电网概率潮流计算方法 |
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 |