CN110941909A - 光伏电站和风电场参数主导性辨识计算方法及系统 - Google Patents
光伏电站和风电场参数主导性辨识计算方法及系统 Download PDFInfo
- Publication number
- CN110941909A CN110941909A CN201911214458.6A CN201911214458A CN110941909A CN 110941909 A CN110941909 A CN 110941909A CN 201911214458 A CN201911214458 A CN 201911214458A CN 110941909 A CN110941909 A CN 110941909A
- Authority
- CN
- China
- Prior art keywords
- parameters
- electric field
- parameter
- power plant
- composite index
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种光伏电站和风电场参数主导性辨识计算方法及系统,包括:构建光伏电站或风电场的n个电场参数;对所述电场参数施加扰动,获取p个波形匹配度参数;基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵;基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法及系统,无需事先建立待等效的模型,利用数据降维的方法,将大量待辨识参数转化为数量较少的参数的线性组合,并结合主成分分析方法,实现了参数组合主导性到参数主导性的转换,以提取到关键参数,在减少了计算量的同时提高了电场参数主导性辨识的精准度。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种光伏电站和风电场参数主导性辨识计算方法及系统。
背景技术
光伏、风电等可再生能源近年发展迅速。但是这些可再生能源与传统火电、水电等电源特性不同。一方面,由于可再生能源的出力具有间歇性和波动性;另一方面,可再生能源的并网需要利用大量电力电子设备进行控制,增加了电力系统的耦合性。上述特性使得可再生能源的大规模接入往往会给电网带来了许多冲击,通常需要利用仿真方法对可再生能源进行研究。
在仿真过程中,参数的准确性直接影响仿真的精度。然而,由于电力电子设备电磁暂态过程的复杂性,以及可再生能源发电阵列的庞大性,光伏电站和风电场的参数比传统电厂更加复杂,因此有必要对其中的关键参数进行提取和研究。
目前,对于发电机的参数辨识已经有很多研究,例如基于无损卡尔曼滤波的方法、基于根轨迹灵敏度的逐步迭代法、为了增加辨识结果的抗噪能力提出的基于频谱信息的多参数辨识方法、曲线拟合方法等对于单机参数的研究。也存在针对发电机群的参数进行辨识,依据相量测量单元(PMU)的数据,提出的混合仿真方法。另外还存在将一个大规模风电场等效为一个或几个发电机的,以针对风电场参数辨识的研究。
但现有的研究成果均是针对传统同步发电机,或是将光伏电站和风电场等效为同步发电机的基础上所作出的,具为考虑到可再生能源的特性与传统电源差异性。综上所述,现有技术中记载的参数辨识方法均不能直接应用于大规模含电力电子设备的光伏电站和风电场。
发明内容
有鉴于此,本发明实施例提供一种光伏电站和风电场参数主导性辨识计算方法及系统以解决现有技术中存在的对于大规模含电力电子设备的光伏电站和风电场参数辨识,需要预先建立等效模型,导致辨识精准度下降的缺陷。
第一方面,本发明实施例提供一种光伏电站和风电场参数主导性辨识计算方法,包括:构建光伏电站或风电场的n个电场参数;对上述电场参数施加扰动,获取p个波形匹配度参数;基于电场参数与波形匹配度参数构建辨识关联矩阵;基于主成分分析方法对辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
进一步地,上述对电场参数施加扰动,获取m个波形匹配度参数,包括:对光伏电站或风电场施加扰动,以光伏电站或风电场的总输出功率作为观察波形,获取m个波形匹配度参数;扰动包括大扰动和小扰动。
进一步地,上述基于所述电场参数与波形匹配度参数构建辨识关联矩阵,包括:通过每次改变n个电场参数中的一个的方式,对p个波形匹配度参数进行仿真,获取n*p阶的辨识关联矩阵。
进一步地,上述基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,包括:利用主成分分析方法对辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,其中c≤p;获取每个复合指标向量的解释度;获取每个电场参数的灵敏度,并根据灵敏度将每个复合指标向量的解释度分配给每个电场参数;每个电场参数对获取的c个复合指标向量的解释度进行加和,获取每个电场参数的主导值;若主导值大于设定阈值,则判断与主导值所对应的电场参数为关键参数。
进一步地,上述利用主成分分析方法对所述辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,包括:获取辨识关联矩阵的参数向量;引进线性变换矩阵,线性变换矩阵为c*p阶矩阵,并根据转换公式Cc×1=Qc×pIp×1,获取c个复合指标向量,其中Cc×1为复合指标向量、Qc×p为线性变换矩阵、Ip×1为辨识关联矩阵的参数向量。
进一步地,上述获取每个复合指标向量的解释度,包括:
0<pCi<100%,i=1,2,...,c
其中,PCi为第i个复合指标向量的解释度。
进一步地,上述获取每个电场参数的灵敏度,包括:
sij=|Cij-Ci0|
其中,Sij为第i个电场参数对与其对应的复合指标向量的第j个分量的灵敏度,Cij与第i个电场参数对其对应的复合指标向量的第j个分量,Ci0为与第i个电场参数对其对应的复合指标向量的原始参数。
进一步地,上述每个电场参数对获取的c个复合指标向量的解释度进行加和,获取每个电场参数的主导值,包括:
其中,di为第i个电场参数的主导性值,PCi为第i个复合指标向量的解释度,Sij为第i个电场参数对与其对应的复合指标向量的第j个分量的灵敏度。
第二方面,本发明实施例提供一种光伏电站和风电场参数主导性辨识计算系统,包括电场参数获取模块、扰动仿真运算模块、矩阵构建模块以及数据降维模块,其中:电场参数获取模块,用于构建光伏电站或风电场的n个电场参数;扰动仿真运算模块,对所述电场参数施加扰动,获取p个波形匹配度参数;矩阵构建模块,用于基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵;数据降维模块,用于基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行程序时实现如第一方面任一项所述的光伏电站和风电场参数主导性辨识计算方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如如第一方面任一项所述的光伏电站和风电场参数主导性辨识计算方法的步骤。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法及系统,无需事先建立待等效的模型,利用数据降维的方法,将大量待辨识参数转化为数量较少的参数的线性组合,并结合主成分分析方法,实现了参数组合主导性到参数主导性的转换,以提取到关键参数,在减少了计算量的同时提高了电场参数主导性辨识的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光伏电站和风电场参数主导性辨识计算方法的流程示意图;
图2为本发明实施例提供的一种光伏电站和风电场参数主导性辨识计算系统的结构示意图;
图3为本发明实施例提供的一种光伏电站和风电场参数主导性辨识计算方法中,前四个CI的解释度的结构示意图;
图4为本发明实施例提供的一种光伏电站和风电场参数主导性辨识计算方法中,前两个CI中各指标系数示意图;
图5为本发明实施例提供的一种光伏电站和风电场参数主导性辨识计算方法中,前四个CI的灵敏度示意图;
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种光伏电站和风电场参数主导性辨识计算方法,包括但不限于以下步骤:
步骤S1:构建光伏电站或风电场的n个电场参数;
步骤S2:对电场参数施加扰动,获取p个波形匹配度参数;
步骤S3:基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵;
步骤S4:基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法,主要是根据光伏电站或风电场的特点构建出相应的波形指标,通过改变广发电站或风力电场的参数进行仿真,获取到不同参数下的波形,以建立波形匹配度指标及其参数相关的辨识关联矩阵,左后利用主成分分析(PCA)方法对该矩阵进行降维。以提取出数量较少的关键参数。
其中,在本发明实施例中光伏电站或风电场的电场参数可以包括惯性时间常数Hm、自阻尼系数D、定子电阻Rs、折算后的转子电阻Rrd、定子漏电抗Lls、折算后的转子漏电抗Llrd、励磁电感Lm等,对此本实施例不作具体地限定。
其中,交直流电力系统中的扰动的概念在多数情况下是指功率的波动,即可以包括负荷的变动和发电机出力的变动,或者由于系统参数的突然改变带来的系统功率波动。同时,所述扰动有时还包括电压的变动,脉冲的干扰等。在本发明实施例中,主要是通过仿真的方式,认为产生对光伏电站或风电场电力系统的扰动,以根据扰动的方式,获取到不同情况下的波形匹配度参数。
具体地,可以根据扰动的类型,确定出波形匹配度指标,例如可以将波形指标设置为:峰值、峰值时间、过渡时间、过渡过程持续时间以及状态变化前后的改变量等等。
进一步地,通过施加不同的扰动,记录在每个扰动作用下的匹配度参数,例如,施加的扰动方式有a种,预先制定的波形匹配度指标为b个,则可以获取到p个波形匹配度参数,其中p=a*b。进一步地,可以通过对同一电场中的不同发电机组进行多次扰动仿真,以减小结果的偶然性,以提高辨识精准度,例如可以通过对同一电场中的z台发电机组分别进行扰动仿真,则可以获取到的a*b*c个波形匹配度参数。
进一步,在本发明实施例中的辨识关联矩阵,是基于电场参数与波形匹配度参数构建的,通过在扰动仿真时,首先改变n个电场参数中的一个,获取到对应的p个波形匹配度参数,作为辨识关联矩阵中的第一行;然后改变n个电场参数中的另一个,作为辨识关联矩阵中的第二行,依次迭代上述步骤,直至第n个电场参数被改变时,获取到n*p阶矩阵则为辨识关联矩阵。
进一步地,主成分分析方法(Principal Component Analysis,简称PCA)是一种数据降维算法。主要是通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
由于辨识关联矩阵中所涉及的参数众多、参数之间的关联关系复杂,从而造成参数分析难度大。但在实际的辨识过程中往往希望在尽量减少参数的个数的同时又能够准确的获取到各参数中所携带的变量信息。在本发明实施例中,通过PCA方法,对n*p阶的辨识关联矩阵进行处理,从而将p个波形匹配度参数转换成数量相对减少的主成分(compositeindex,简称CI),由于主成分是波形匹配度参数的线性组合,因此可以将该主成分CI称作复合指标。为了便于参数的运算处理,在本发明实施例中,可以基于线性变化将每个CI转换成复合指标向量(或矩阵)。
进一步的,对经过降维处理的复合指标向量进行阈值判断,将满足辨识要求的一部分设置为关键参数。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法及系统,无需事先建立待等效的模型,利用数据降维的方法,将大量待辨识参数转化为数量较少的参数的线性组合,并结合主成分分析方法,实现了参数组合主导性到参数主导性的转换,以提取到关键参数,在减少了计算量的同时提高了电场参数主导性辨识的精准度。
基于上述实施例的内容,作为一种可选实施例,上述步骤S2,对所述电场参数施加扰动,获取m个波形匹配度参数,包括:对光伏电站或风电场施加扰动,以光伏电站或风电场的总输出功率作为观察波形,获取m个波形匹配度参数;其中扰动包括大扰动和小扰动。
电力系统的大扰动一般是指系统元件短路、切换操作和其它较大的功率或阻抗变化引起的扰动等。例如,针对系统元件短路,若短路持续时间不长,则系统会有暂态过程,但系统本身仍然可以保持稳定。以所述光伏电站或风电场的总输出功率作为观察波形,相对于电力系统的大扰动可以设置对应的波形匹配度指标,如:峰值、峰值时间和过渡过程持续时间等。
电力系统的小扰动一般是指由于负荷正常波动、功率及潮流控制、变压器分接头调整和联络线功率自然波动引起的扰动。对于光伏电站,输入功率主要受阳光辐射所决定的;对于风电场,输入功率则主要受风速所决定。输出功率为光伏电站和风电场接入电网时,电网要求输出的功率,当电力系统的输入功率变化时,系统也会有暂态过程。以所述光伏电站或风电场的总输出功率作为观察波形,在小扰动的暂态过程中,波形匹配度指标可以包括过渡时间和状态变化前后的改变量等。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法,根据光伏电站或风电场总输出功率的波形特性,根据大、小扰动的区别分别设置对应的波形匹配度参数,为参数主导性辨识提供了理论基础。
基于上述实施例的内容,作为一种可选实施例,其中步骤S3,基于电场参数与波形匹配度参数构建辨识关联矩阵,包括:通过每次改变所述n个电场参数中的一个的方式,对所述p个波形匹配度参数进行仿真,获取n*p阶的辨识关联矩阵。
具体地,在本实施例中通过在扰动仿真的方式,首先改变n个电场参数中的一个,获取到对应的p个波形匹配度参数,作为辨识关联矩阵中的第一行;然后改变n个电场参数中的另一个,作为辨识关联矩阵中的第二行,依次迭代上述步骤,直至第n个电场参数被改变时,获取到n*p阶矩阵则为辨识关联矩阵。其中,若电场参数改变前后仿真波形匹配度指标的变化越大,则说明该电场参数的影响越大,即主导性越高。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法,通过对足赤对电场参数进行仿真改变,记录波形匹配度参数的改变,建立辨识关联矩阵,以将复杂的电场参数关系进行统一化,为下一步的参数辨识提供了便利。
基于上述实施例的内容,作为一种可选实施例,上述步骤S4,基于主成分分析方法对辨识关联矩阵进行数据降维,获取m个关键参数,包括但不限于以下步骤:
步骤S41:利用主成分分析方法对所述辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,其中c≤p;步骤S42:获取每个复合指标向量的解释度;步骤S43:获取每个电场参数的灵敏度,并根据灵敏度将每个复合指标向量的解释度分配给每个电场参数;步骤S44,每个电场参数对获取的c个复合指标向量的解释度进行加和,获取每个电场参数的主导值;步骤S45,若主导值大于设定阈值,则判断与所述主导值所对应的电场参数为关键参数。
其中,步骤S41所述的利用主成分分析方法对辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,包括但不限于:
获取所述辨识关联矩阵的参数向量;引进线性变换矩阵,线性变换矩阵为c*p阶矩阵,并根据转换公式(公式1)获取c个复合指标向量。
Cc×1=Qc×pIp×1 公式1
其中Cc×1为复合指标向量、Qc×p为线性变换矩阵、Ip×1为所述辨识关联矩阵的参数向量,Qc×p为c*p阶矩阵。
其中,步骤S42所述的获取每个所述复合指标向量的解释度的方法,可以利用公式2进行计算获取,具体为:
0<pCi<100%,i=1,2,...,c
其中,PCi为第i个复合指标向量的解释度。由于任一电场参数变化时,与其对应的匹配度指标也会变化,但不是每个指标都同等重要。根据PCA的结果,每个CI都可以解释波形指标发生变化的一部分原因,这个解释度记为一个百分比,则可以根据上述原理建立计算公式3。
其中,步骤S43所述的获取每个电场参数的灵敏度的方法,可以通过公式3计算获取,具体为:
sij=|Cij-Ci0| 公式3
其中,Sij为第i个电场参数对与其对应的复合指标向量的第j个分量的灵敏度,Cij与第i个电场参数对其对应的复合指标向量的第j个分量,Ci0为与第i个电场参数对其对应的复合指标向量的原始参数。
其中,步骤S44所述的每个所述电场参数对获取的c个复合指标向量的解释度进行加和,获取每个所述电场参数的主导值,可以通过公式4计算获取,具体为:
其中,di为第i个电场参数的主导性值,PCi为第i个复合指标向量的解释度,Sij为第i个电场参数对与其对应的复合指标向量的第j个分量的灵敏度。具体地,根据灵敏度sij,将每个CI的解释度按比例分配给每个电场参数,对于每个电场参数,将其在c个CI中分配到的解释度加和,即最终得到了该参数的主导值di。
本发明实施例提供一种光伏电站和风电场参数主导性辨识计算系统,如图2所示,包括但不限于,电场参数获取模块11、扰动仿真运算模块12、矩阵构建模块13以及数据降维模块14,其中:电场参数获取模块11,用于构建光伏电站或风电场的n个电场参数;扰动仿真运算模块12,用于对电场参数施加扰动,获取p个波形匹配度参数;矩阵构建模块13,用于基于电场参数与所述波形匹配度参数构建辨识关联矩阵;数据降维模块14,用于基于主成分分析方法对辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算系统在具体运行时,主要执行上述任一实施例中记载的光伏电站和风电场参数主导性辨识计算方法,在本实施例中将不作一一赘述。
本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法及系统,无需事先建立待等效的模型,利用数据降维的方法,将大量待辨识参数转化为数量较少的参数的线性组合,并结合主成分分析方法,实现了参数组合主导性到参数主导性的转换,以提取到关键参数,在减少了计算量的同时提高了电场参数主导性辨识的精准度。
在本实施例中提供一种对含3台150kW风机的风电场进行电场参数分析的方法,其中,每台风机有7个电场参数,共21个电场参数,如表1所示:
表1风机参数(均为标幺值)
对该风电场施加8个扰动,包括大扰动1个,小扰动7个,各个扰动的持续时间或扰动量如表2所示,其中大扰动有3个波形指标,分别为:峰值、峰值时间和过渡过程持续时间;每个小扰动有2个波形指标,分别为:过渡时间和状态变化前后的改变量。在本实施例中取总输出功率和每台风机的转速作为观察的波形,因此共有68个波形匹配度参数。
表2施加扰动及扰动大小
进一步地,在每次仿真时,改变1个电场参数,再加上原始参数的仿真,因此,共进行22次仿真。
如下所示,通过设置3个场景进行测试,其中每个场景中,被改变的电场参数在原始值的基础上增加10%、20%、-10%。
一、场景1:参数增加10%
对构建的辨识关联矩阵进行PCA,获取到多个CI,其中前4个CI的解释度(PC)如图3所示,其中CI1-CI4分别与PC1-PC4一一对应。由图3可以获知,前两个CI解释了超过92%的指标总变化。
进一步地,如图4所示,其中图4的横坐标为指标的序号,纵坐标是指数的系数,通过对前两个CI所对应的每个波形匹配度指标的系数进行比较,可以获取到系数较大的指标(例如图中第60个指标的系数较高);并结合预先建立的编号表(该编号表中记载有每个指标所对应的序号),进一步的分析出系数较大的指标都是过渡时间。其中,第一个CI包含了风机1和3转子转速的过渡时间,而第二个CI则包含了风机2转子转速的过渡时间。这表明过渡时间是主要的波形指标,以实现对于多个CI的降维处理。
需要说明的是,在所述图4中,每个CI中的系数有正且有负,此时的符号仅表示参数变化时它们的变化趋势是否相同。
进一步地,图5中总共包括PC1、PC2、PC3以及PC4所对应的灵敏度示意图,其中横坐标为所有电场参数的编号,纵坐标灵敏度(单位:%)。为由图5所示,可以直观的获取到每个CI所对应的所有电场参数的灵敏度。
进一步地,可以根据获取到的每个CI所对应的所有电场参数的灵敏度,计算参数的主导值,如表3所示:
表3参数的主导值
其中,获取每台风机所对应的7个电场参数的主导值,即将每个电场参数对应的3个复合指标向量的解释度进行加和,建立表3所述的7个电场参数的主导值列表。
在具体运用过程中可以设定数量阈值3,即获取所有电场参数主导值最大的3个为关键参数;也可以设置主导值阈值,即将主导值大于该主导值阈值的电场参数设置为关键参数,例如设主导阈值为16,这可以获知惯性时间常数Hm、折算后的转子电阻Rrd以及定子漏电抗Lls为关键参数。对此本实施例不作具体地限定。
二、场景2,参数增加20%
与场景1类似,在本场景中得到5个解释度较高的CI,如表4所示:
表4解释度较高的5个CI
并进一步的计算本场景中各电场参数的主导值,如表5所示:
表5参数的主导性
二、场景3,参数减少10%
与场景1类似,在本场景中得到5个解释度较高的CI,如表6所示:
表6解释度较高的5个CI
进一步地,计算本场景中各参数的主导值,如表7所示。
表7参数的主导性
最终,在上述三个场景中均获取到关键参数为:惯性时间常数Hm、折算后的转子电阻Rrd、定子漏电抗Lls,充分证明了本发明实施例提供的光伏电站和风电场参数主导性辨识计算方法及系统的收敛性及精准度是合乎要求的。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:构建光伏电站或风电场的n个电场参数;对上述电场参数施加扰动,获取p个波形匹配度参数;基于电场参数与波形匹配度参数构建辨识关联矩阵;基于主成分分析方法对辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,智能存储分析单元,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:构建光伏电站或风电场的n个电场参数;对上述电场参数施加扰动,获取p个波形匹配度参数;基于电场参数与波形匹配度参数构建辨识关联矩阵;基于主成分分析方法对辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,智能存储分析单元,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种光伏电站和风电场参数主导性辨识计算方法,其特征在于,包括:
构建光伏电站或风电场的n个电场参数;
对所述电场参数施加扰动,获取p个波形匹配度参数;
基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵;
基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
2.根据权利要求1所述的光伏电站和风电场参数主导性辨识计算方法,其特征在于,所述对所述电场参数施加扰动,获取m个波形匹配度参数,包括:
对所述光伏电站或风电场施加所述扰动,以所述光伏电站或风电场的总输出功率作为观察波形,获取所述m个波形匹配度参数;
所述扰动包括大扰动和小扰动。
3.根据权利要求1所述的光伏电站和风电场参数主导性辨识计算方法,其特征在于,所述基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵,包括:
通过每次改变所述n个电场参数中的一个的方式,对所述p个波形匹配度参数进行仿真,获取n*p阶的所述辨识关联矩阵。
4.根据权利要求3所述的光伏电站和风电场参数主导性辨识计算方法,其特征在于,所述基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,包括:
利用主成分分析方法对所述辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,其中c≤p;
获取每个所述复合指标向量的解释度;
获取每个所述电场参数的灵敏度,并根据所述灵敏度将每个所述复合指标向量的解释度分配给每个所述电场参数;
每个所述电场参数对获取的c个复合指标向量的解释度进行加和,获取每个所述电场参数的主导值;
若所述主导值大于设定阈值,则判断与所述主导值所对应的电场参数为关键参数。
5.根据权利要求4所述的光伏电站和风电场参数主导性辨识计算方法,其特征在于,所述利用主成分分析方法对所述辨识关联矩阵进行SVD奇异值分解,获取c个复合指标向量,包括:
获取所述辨识关联矩阵的参数向量;
引进线性变换矩阵,所述线性变换矩阵为c*p阶矩阵,并根据转换公式Cc×1=Qc×pIp×1,获取c个所述复合指标向量,其中Cc×1为复合指标向量、Qc×p为线性变换矩阵、Ip×1为所述辨识关联矩阵的参数向量。
7.根据权利要求4所述的光伏电站和风电场参数主导性辨识计算方法,其特征在于,所述获取每个所述电场参数的灵敏度,包括:
sij=|Cij-Ci0|
其中,Sij为第i个电场参数对与其对应的复合指标向量的第j个分量的灵敏度,Cij与第i个电场参数对其对应的复合指标向量的第j个分量,Ci0为与第i个电场参数对其对应的复合指标向量的原始参数。
9.一种光伏电站和风电场参数主导性辨识计算系统,其特征在于,包括电场参数获取模块、扰动仿真运算模块、矩阵构建模块以及数据降维模块,其中:
电场参数获取模块,用于构建光伏电站或风电场的n个电场参数;
扰动仿真运算模块,用于对所述电场参数施加扰动,获取p个波形匹配度参数;
矩阵构建模块,用于基于所述电场参数与所述波形匹配度参数构建辨识关联矩阵;
数据降维模块,用于基于主成分分析方法对所述辨识关联矩阵进行数据降维,获取m个关键参数,其中m<n。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述光伏电站和风电场参数主导性辨识计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214458.6A CN110941909A (zh) | 2019-12-02 | 2019-12-02 | 光伏电站和风电场参数主导性辨识计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214458.6A CN110941909A (zh) | 2019-12-02 | 2019-12-02 | 光伏电站和风电场参数主导性辨识计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941909A true CN110941909A (zh) | 2020-03-31 |
Family
ID=69908440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911214458.6A Pending CN110941909A (zh) | 2019-12-02 | 2019-12-02 | 光伏电站和风电场参数主导性辨识计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941909A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539482A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于rbf核函数的空间多维风电功率数据降维及重构方法 |
CN111563235A (zh) * | 2020-05-12 | 2020-08-21 | 中国科学院电工研究所 | 一种智能配用电系统运行场景辨识与生成方法 |
CN113011119A (zh) * | 2021-02-08 | 2021-06-22 | 山东大学 | 基于降维处理的光伏电池多参数提取方法及系统 |
CN116544944A (zh) * | 2023-05-08 | 2023-08-04 | 上海交通大学 | 一种主动配电系统潮流不确定性因素定量分析方法 |
Citations (1)
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 |
-
2019
- 2019-12-02 CN CN201911214458.6A patent/CN110941909A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (1)
Title |
---|
张至美等: "Parameter Dominance Identification of Wind Farms Based on Data Dimension Reduction", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539482A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于rbf核函数的空间多维风电功率数据降维及重构方法 |
CN111563235A (zh) * | 2020-05-12 | 2020-08-21 | 中国科学院电工研究所 | 一种智能配用电系统运行场景辨识与生成方法 |
CN111563235B (zh) * | 2020-05-12 | 2023-06-23 | 中国科学院电工研究所 | 一种智能配用电系统运行场景辨识与生成方法 |
CN113011119A (zh) * | 2021-02-08 | 2021-06-22 | 山东大学 | 基于降维处理的光伏电池多参数提取方法及系统 |
CN113011119B (zh) * | 2021-02-08 | 2022-11-15 | 山东大学 | 基于降维处理的光伏电池多参数提取方法及系统 |
CN116544944A (zh) * | 2023-05-08 | 2023-08-04 | 上海交通大学 | 一种主动配电系统潮流不确定性因素定量分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941909A (zh) | 光伏电站和风电场参数主导性辨识计算方法及系统 | |
Zali et al. | Generic model of active distribution network for large power system stability studies | |
Xu et al. | Robust dispatch of high wind power-penetrated power systems against transient instability | |
Alturki et al. | Novel manta rays foraging optimization algorithm based optimal control for grid-connected PV energy system | |
Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
CN110429648B (zh) | 考虑风速随机波动的小干扰稳定裕度概率评估方法 | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
Saleh et al. | Selecting locations and sizes of battery storage systems based on the frequency of the center of inertia and principle component analysis | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN112103941A (zh) | 考虑电网灵活性的储能配置双层优化方法 | |
CN113991856B (zh) | 一种微能网多适应性μPMU最优布点方法 | |
Zhang et al. | Reliability assessment of wind power converter considering SCADA multistate parameters prediction using FP-growth, WPT, K-means and LSTM network | |
Kim et al. | Enhanced computation performance of photovoltaic models for power hardware-in-the-loop simulation | |
CN105262146A (zh) | 含风电的电力系统备用容量计算方法和系统 | |
Gianto | Steady state model of wind power plant for load flow study | |
CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
CN109861293B (zh) | 光伏不确定性对电力系统小信号稳定性影响的评估方法 | |
CN110048428B (zh) | 基于概率守恒原理的电力系统概率潮流计算方法 | |
Ishchenko et al. | Dynamic reduction of distribution networks with dispersed generation | |
CN109586300A (zh) | 一种获取风电潮流模型中潮流变量变化区间的方法及系统 | |
Al Hadi et al. | Harmonics prediction and mitigation using adaptive neuro fuzzy inference system model based on hybrid of wind solar driven by DFIG | |
Paital et al. | Reactive power compensation using PSO controlled UPFC in a microgrid with a DFIG based WECS | |
CN114417620A (zh) | 基于关键参数动态轨迹灵敏度特征的风电场电磁暂态等值建模方法 | |
CN110110471B (zh) | 一种电力系统关键节点的识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |