CN110163304A - 一种采用线性关系聚类的谐波源耦合参数辨识方法 - Google Patents

Abstract

本发明涉及一种采用线性关系聚类的谐波源耦合参数辨识方法，包括以下步骤，步骤S1：根据系统短路容量和基准电压对谐波电压和谐波电流数据进行标幺化，并且利用PCA对标幺化数据进行降维处理；步骤S2：根据误差平方和确定聚类数；步骤S3：采用粒子群进化算法搜寻初始聚类中心；步骤S4：将聚类数和初始聚类中心输入K‑means聚类算法中进行聚类，对谐波源的线性耦合参数进行辨识。本发明，能够从谐波监测数据中精确反映谐波源的时变伏安特性，并且对于谐波用户运行场景变化的适应性更强，从而使得谐波源参数辨识更具实用性。

Description

一种采用线性关系聚类的谐波源耦合参数辨识方法

技术领域

本发明涉及谐波源参数辨识技术领域，特别是一种采用线性关系聚类的谐波源耦合参数辨识方法。

背景技术

大量电力电子装置和其它多种类型的非线性负荷不断增加，谐波污染日益严重；电网中的谐波将使新能源发电并网出现诸多问题，如并联谐振造成系统谐波电压和谐波电流过高、谐波振荡导致并网不稳定甚至失败等。随着分布式新能源发电的大范围接入，对电网的谐波抑制提出了更高的要求。辨识干扰用户参数是定位谐波源、结合就地治理措施寻求最优运行策略的前提，也是高渗透率配电网要解决的重要问题之一。

由于目前电能质量在线监测系统具备谐波电压、谐波电流的统计值监测能力，但是不具备同步测量手段，因而依据谐波机理模型辨识参数存在较大的难度，其结果也往往对于谐波用户运行场景变化的适应性较弱。

发明内容

有鉴于此，本发明的目的是提出一种采用线性关系聚类的谐波源耦合参数辨识方法，能够从谐波监测数据中精确反映谐波源的时变伏安特性，并且对于谐波用户运行场景变化的适应性更强，从而使得谐波源参数辨识更具实用性。

本发明采用以下方案实现：一种采用线性关系聚类的谐波源耦合参数辨识方法，具体包括以下步骤：

步骤S1：根据系统短路容量和基准电压对谐波电压和谐波电流数据进行标幺化，并且利用PCA对标幺化数据进行降维处理；

步骤S2：根据误差平方和确定聚类数；

步骤S3：采用粒子群进化算法搜寻初始聚类中心；

步骤S4：将聚类数和初始聚类中心输入K-means聚类算法中进行聚类，对谐波源的线性耦合参数进行辨识。

进一步地，步骤S1具体包括以下步骤：

步骤S11：设基于基波功率与谐波功率交互作用的非线性负荷通用模型如下：

式中，为h次谐波电流，为基波电流，表示m次谐波电压，C为负载特性参数；

步骤S12：由于在谐波源参数辨识中，非线性模型导致计算效率低、收敛速度慢，因此采用下式的线性耦合模型来提高计算效率和收敛速度：

式中，和C分别是耦合矩阵和恒流源系数；

步骤S13：将记为将步骤S12中的公式修改为下式：

步骤S14：由于谐波之间的交互影响不仅局限于单一频率，因此，步骤S13中的公式未忽略不同频率间谐波电流和谐波电压的相互作用，此举在提高模型精度的同时，也增加了参数辨识的计算复杂度。因此，采用主成分分析(PCA)解决上述问题。PCA将数据转换到新的坐标系，由于投影关系，第一个坐标方差最大，第二个坐标方差次之，以此类推。换言之，PCA可以从较大的数据集中提取更小的代表性数据集。因此本步骤采用主成分分析的方法，简化步骤S13中的公式，将m维归约为j，将简化为得到：

式中，表示PCA坐标变化的特征矩阵，进而将步骤S13中的公式简化为：

步骤S15：将记为最终得到：

较佳的，PCA保留了谐波电流与谐波电压绝大部分的线性耦合特性。由于维度的特征是相关的，因此不同维度会提供冗余信息。在步骤S13的公式中，谐波数据存在相关信息，而PCA删除的主成分正是这些相关的冗余信息。此外，冗余和相关特征会对聚类精度和计算效率产生负面影响，因此采用PCA可一定程度上避免聚类算法的“维度灾难”。

进一步地，步骤S2具体为：误差平方和SSE采用下式计算：

式中，k为聚类数，C_i为第i个簇，p表示属于C_i的数据点，m_i为C_i的中心；

随着聚类中心数量的增加，整个数据集的SSE减小，如果k接近真实的聚类数，SSE将急剧下降，因此将SSE急剧减少处的k设为所需的聚类数。

进一步地，步骤S3具体包括以下步骤：

步骤S31：假设种群规模为m的粒子群在n维空间搜索，若当前粒子的个体最优位置为Pbest_i，群体最优位置为Gbest，则每个粒子的飞行速度V_i和位置X_i采用下式根据式调整：

式中，t表示迭代次数，ω称为惯性权重系数，常数c₁、c₂为学习因子，r₁、r₂为均匀分布在[0,1]范围内的随机数；

步骤S32：将数据集划分为k类，采用下式计算粒子的适应度函数：

其中k为步骤S2确定的聚类数；C_i为第i个簇，S_j表示属于C_i的数据集，m_i为C_i的中心；

步骤S33：随机初始化簇中心m_i，利用粒子群进化算法搜寻全局最优解，粒子i在第t+1次迭代时，若f(X_i(t+1))＜f(Pbest_i(t))，则Pbest_i(t+1)＝X_i(t+1)，否则Pbest_i(t+1)＝Pbest_i(t)；若min(f(Pbest_i(t+1)))＜f(Gbest(t))，则Gbest(t+1)＝Pbest_min(t+1)，否则Gbest(t+1)＝Gbest(t)；当相邻两次迭代的差值小于预先设定的阈值，或者迭代次数大于最大迭代次数时，迭代停止，并输出适应度函数的解，作为聚类分析中的初始聚类中心。

进一步地，步骤S4具体包括以下步骤：

步骤S41：计算每个数据点到不同聚类中心的距离，并将其划分入距离最近的集群；

步骤S42：重新计算聚类中心；

步骤S43：若聚类中心更新，则返回步骤S41，否则，输出k个聚类中心；

其中，上述过程所辨识的聚类中心为步骤S15中的和C；由于 是PCA中计算得到的特征向量矩阵，进而得到步骤S13中的和C。

根据上述方法，可以得到谐波用户不同运行场景的线性耦合参数，从而实现更精确、实用的谐波源分段建模。

与现有技术相比，本发明有以下有益效果：本发明提出一种新的谐波源参数辨识方法，可以实现在复杂的谐波源多模态切换中的运行参数辨识。该方法将基于粒子群进化的聚类算法运用于多模态谐波源的线性耦合参数辨识，从而得到用户不同运行场景的谐波参数，可以实现更精确、实用的谐波源分段建模。该参数辨识方法的优点是可以保留谐波电流与不同频率谐波电压的交互影响特性，并且对于谐波用户运行场景变化的适应性更强，与此同时，在计算效率和收敛速度方面有一定提高。

附图说明

图1为本发明实施例的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种采用线性关系聚类的谐波源耦合参数辨识方法，具体包括以下步骤：

步骤S1：根据系统短路容量和基准电压对谐波电压和谐波电流数据进行标幺化，并且利用PCA对标幺化数据进行降维处理；

步骤S2：根据误差平方和确定聚类数；

步骤S3：采用粒子群进化算法搜寻初始聚类中心；

步骤S4：将聚类数和初始聚类中心输入K-means聚类算法中进行聚类，对谐波源的线性耦合参数进行辨识。

在本实施例中，步骤S1具体包括以下步骤：

步骤S11：设基于基波功率与谐波功率交互作用的非线性负荷通用模型如下：

式中，为h次谐波电流，为基波电流，表示m次谐波电压，C为负载特性参数；

步骤S12：由于在谐波源参数辨识中，非线性模型导致计算效率低、收敛速度慢，因此采用下式的线性耦合模型来提高计算效率和收敛速度：

式中，和C分别是耦合矩阵和恒流源系数；

步骤S13：将记为将步骤S12中的公式修改为下式：

步骤S14：由于谐波之间的交互影响不仅局限于单一频率，因此，步骤S13中的公式未忽略不同频率间谐波电流和谐波电压的相互作用，此举在提高模型精度的同时，也增加了参数辨识的计算复杂度。因此，采用主成分分析(PCA)解决上述问题。PCA将数据转换到新的坐标系，由于投影关系，第一个坐标方差最大，第二个坐标方差次之，以此类推。换言之，PCA可以从较大的数据集中提取更小的代表性数据集。因此本步骤采用主成分分析的方法，简化步骤S13中的公式，将m维归约为j，将简化为得到：

式中，表示PCA坐标变化的特征矩阵，进而将步骤S13中的公式简化为：

步骤S15：将记为最终得到：

较佳的，PCA保留了谐波电流与谐波电压绝大部分的线性耦合特性。由于维度的特征是相关的，因此不同维度会提供冗余信息。在步骤S13的公式中，谐波数据存在相关信息，而PCA删除的主成分正是这些相关的冗余信息。此外，冗余和相关特征会对聚类精度和计算效率产生负面影响，因此采用PCA可一定程度上避免聚类算法的“维度灾难”。

在本实施例中，步骤S2具体为：误差平方和SSE采用下式计算：

式中，k为聚类数，C_i为第i个簇，p表示属于C_i的数据点，m_i为C_i的中心；

随着聚类中心数量的增加，整个数据集的SSE减小，如果k接近真实的聚类数，SSE将急剧下降，因此将SSE急剧减少处的k设为所需的聚类数。

在本实施例中，步骤S3具体包括以下步骤：

步骤S31：假设种群规模为m的粒子群在n维空间搜索，若当前粒子的个体最优位置为Pbest_i，群体最优位置为Gbest，则每个粒子的飞行速度V_i和位置X_i采用下式根据式调整：

式中，t表示迭代次数，ω称为惯性权重系数，常数c₁、c₂为学习因子，r₁、r₂为均匀分布在[0,1]范围内的随机数；

步骤S32：将数据集划分为k类，采用下式计算粒子的适应度函数：

其中k为步骤S2确定的聚类数；C_i为第i个簇，S_j表示属于C_i的数据集，m_i为C_i的中心；

步骤S33：随机初始化簇中心m_i，利用粒子群进化算法搜寻全局最优解，粒子i在第t+1次迭代时，若f(X_i(t+1))＜f(Pbest_i(t))，则Pbest_i(t+1)＝X_i(t+1)，否则Pbest_i(t+1)＝Pbest_i(t)；若min(f(Pbest_i(t+1)))＜f(Gbest(t))，则Gbest(t+1)＝Pbest_min(t+1)，否则Gbest(t+1)＝Gbest(t)；当相邻两次迭代的差值小于预先设定的阈值，或者迭代次数大于最大迭代次数时，迭代停止，并输出适应度函数的解，作为聚类分析中的初始聚类中心。

在本实施例中，步骤S4具体包括以下步骤：

步骤S41：计算每个数据点到不同聚类中心的距离，并将其划分入距离最近的集群；

步骤S42：重新计算聚类中心；

步骤S43：若聚类中心更新，则返回步骤S41，否则，输出k个聚类中心；

其中，上述过程所辨识的聚类中心为步骤S15中的和C；由于 是PCA中计算得到的特征向量矩阵，进而得到步骤S13中的和C。

根据上述方法，可以得到谐波用户不同运行场景的线性耦合参数，从而实现更精确、实用的谐波源分段建模。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,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、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种采用线性关系聚类的谐波源耦合参数辨识方法，其特征在于，包括以下步骤：

步骤S1：根据系统短路容量和基准电压对谐波电压和谐波电流数据进行标幺化，并且利用PCA对标幺化数据进行降维处理；

步骤S2：根据误差平方和确定聚类数；

步骤S3：采用粒子群进化算法搜寻初始聚类中心；

步骤S4：将聚类数和初始聚类中心输入K-means聚类算法中进行聚类，对谐波源的线性耦合参数进行辨识。

2.根据权利要求1所述的一种采用线性关系聚类的谐波源耦合参数辨识方法，其特征在于，步骤S1具体包括以下步骤：

步骤S11：设基于基波功率与谐波功率交互作用的非线性负荷通用模型如下：

式中，为h次谐波电流，为基波电流，表示m次谐波电压，C为负载特性参数；

步骤S12：采用下式的线性耦合模型来提高计算效率和收敛速度：

式中，和C分别是耦合矩阵和恒流源系数；

步骤S13：将记为将步骤S12中的公式修改为下式：

步骤S14：采用主成分分析的方法，简化步骤S13中的公式，将m维归约为j，将简化为得到：

式中，表示PCA坐标变化的特征矩阵，进而将步骤S13中的公式简化为：

步骤S15：将记为最终得到：

3.根据权利要求1所述的一种采用线性关系聚类的谐波源耦合参数辨识方法，其特征在于，步骤S2具体为：误差平方和SSE采用下式计算：

式中，k为聚类数，C_i为第i个簇，p表示属于C_i的数据点，m_i为C_i的中心；

随着聚类中心数量的增加，整个数据集的SSE减小，将SSE急剧减少处的k设为所需的聚类数。

4.根据权利要求1所述的一种采用线性关系聚类的谐波源耦合参数辨识方法，其特征在于，步骤S3具体包括以下步骤：

步骤S31：假设种群规模为m的粒子群在n维空间搜索，若当前粒子的个体最优位置为Pbest_i，群体最优位置为Gbest，则每个粒子的飞行速度V_i和位置X_i采用下式根据式调整：

式中，t表示迭代次数，ω称为惯性权重系数，常数c₁、c₂为学习因子，r₁、r₂为均匀分布在[0,1]范围内的随机数；

步骤S32：将数据集划分为k类，采用下式计算粒子的适应度函数：

其中k为步骤S2确定的聚类数；C_i为第i个簇，S_j表示属于C_i的数据集，m_i为C_i的中心；

步骤S33：随机初始化簇中心m_i，利用粒子群进化算法搜寻全局最优解，粒子i在第t+1次迭代时，若f(X_i(t+1))＜f(Pbest_i(t))，则Pbest_i(t+1)＝X_i(t+1)，否则Pbest_i(t+1)＝Pbest_i(t)；若min(f(Pbest_i(t+1)))＜f(Gbest(t))，则Gbest(t+1)＝Pbest_min(t+1)，否则Gbest(t+1)＝Gbest(t)；当相邻两次迭代的差值小于预先设定的阈值，或者迭代次数大于最大迭代次数时，迭代停止，并输出适应度函数的解，作为聚类分析中的初始聚类中心。

5.根据权利要求2所述的一种采用线性关系聚类的谐波源耦合参数辨识方法，其特征在于，步骤S4具体包括以下步骤：

步骤S41：计算每个数据点到不同聚类中心的距离，并将其划分入距离最近的集群；

步骤S42：重新计算聚类中心；

步骤S43：若聚类中心更新，则返回步骤S41，否则，输出k个聚类中心；

其中，上述过程所辨识的聚类中心为步骤S15中的和C；由于 是PCA中计算得到的特征向量矩阵，进而得到步骤S13中的和C。