CN110969305B - 一种光伏电站仿真模型参数优化方法及系统 - Google Patents
一种光伏电站仿真模型参数优化方法及系统 Download PDFInfo
- Publication number
- CN110969305B CN110969305B CN201911229273.2A CN201911229273A CN110969305B CN 110969305 B CN110969305 B CN 110969305B CN 201911229273 A CN201911229273 A CN 201911229273A CN 110969305 B CN110969305 B CN 110969305B
- Authority
- CN
- China
- Prior art keywords
- value
- index
- representing
- preset index
- preset
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000007704 transition Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种光伏电站仿真模型参数优化方法及系统,该方法包括:获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。本发明实施例提供的一种光伏电站仿真模型参数优化方法及系统,该方法根据实测的预设指标调整仿真过程中的预设指标,可以使光伏电站仿真模型与目标光伏电站的实际模型更加符合。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种光伏电站仿真模型参数优化方法及系统。
背景技术
光伏等可再生能源大规模接入给电网稳定性带来新的挑战。为应对这些问题,需要通过仿真的方法研究含可再生能源的电网的暂态特性。显然,仿真参数的精度将影响研究结论的可靠性。而由于可再生能源出力的不确定性和大量电力电子设备的应用,光伏电站的实际参数会偏离原始值,因此需要对光伏电站的参数进行校正,即参数优化。
目前没有对光伏电站进行参数优化的研究。由于电力系统电磁暂态过程的复杂性,其他工程领域的参数优化方法并不能直接适用于光伏电站的参数优化。
因此,亟需一种光伏电站仿真模型参数优化方法。
发明内容
为了解决上述问题,本发明实施例提供一种光伏电站仿真模型参数优化方法及系统。
第一方面,本发明实施例提供一种光伏电站仿真模型参数优化方法,包括:
获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
优选地,所述基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值,具体包括:
利用所述粒子群算法,对当前每一预设指标的初始仿真值进行更新,并获取更新后每一预设指标对应的综合指标;
若更新后每一预设指标对应的综合指标小于当前每一预设指标的初始仿真值,将更新后每一预设指标作为当前每一预设指标;
重复上述步骤若干次后,将当前每一预设指标的值作为每一预设指标的最佳仿真值。
优选地,所述对当前每一预设指标的初始仿真值进行更新,具体包括:
所述粒子群算法中任一粒子群包含若干个粒子,对于任一粒子,所述任一粒子对当前每一预设指标的初始仿真值进行更新,具体公式如下:
xnew=xold+Δx,
||Δx||=c1×rand1×(fpBest-f(xold))+c2×rand1×(fgBest-f(xold)),
其中,xold表示当前任一预设指标的值,xnew表示更新后任一预设指标的值,c1、c2为常量,rand1、rand2为两个取值在区间(0,1)内的随机数,fpBest表示所述任一粒子迭代过程中每一预设指标历史取值为最优时的波形匹配指标,fgBest表示所有粒子迭代过程中每一预设指标历史取值均为最优时的波形匹配指标,f(xold)表示所述当前任一预设指标为xold时的波形匹配指标。
优选地,所有预设指标根据所述目标光伏电站的结构确定。
优选地,所述预设指标包括:最大值、最小值、平均值、峰值时刻、过度时间、每一次谐波的幅值和总谐波失真。
优选地,所述根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标,具体包括:
其中,w1表示第一预设权重,w2表示第二预设权重,ymax表示最大值的实际测量值,表示最大值的初始仿真值,ymin表示最小值的实际测量值,表示最小值的初始仿真值,yavg表示平均值的实际测量值,表示平均值的初始仿真值,tp表示峰值时刻的实际测量值,表示峰值时刻的初始仿真值,ts表示过渡时间的实际测量值,表示过渡时间的初始仿真值,Ui表示第i次谐波幅值的实际测量值,表示第i次谐波幅值的初始仿真值,THD表示总谐波失真的实际测量值,THDrec表示总谐波失真的初始仿真值。
优选地,所述获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值,之前还包括:
获取所述目标光伏电站的实际波形和所述光伏电站仿真模型的仿真波形;
根据所述目标光伏电站的实际波形,获取每一预设指标的实际测量值;
根据所述光伏电站仿真模型的仿真波形,获取每一预设指标的初始仿真值。
第二方面,本发明实施例提供一种光伏电站仿真模型参数优化系统,包括:
指标模块,用于获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
综合模块,用于根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
优化模块,用于基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
第三方面,本发明实施例提供一种电子设备,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,处理器执行程序时实现本发明第一方面提供的一种光伏电站仿真模型参数优化方法的步骤。
第四方面,本发明实施例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本发明第一方面提供的一种光伏电站仿真模型参数优化方法的步骤。
本发明实施例提供的一种光伏电站仿真模型参数优化方法及系统,该方法根据实测的预设指标调整仿真过程中的预设指标,可以使光伏电站仿真模型与目标光伏电站的实际模型更加符合。
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光伏电站仿真模型参数优化方法流程图;
图2为光伏电池有功和无功功率控制的框图;
图3为本发明实施例中场站级功率分配控制的控制框图;
图4为本发明实施例中接入电网的PWM逆变器控制的控制框图;
图5为本发明实施例提供的一种光伏电站仿真模型参数优化方法的测试系统的结构示意图;
图6为本发明实施例中小扰动测试下优化后仿真波形和实测波形的对比图;
图7为本发明实施例中大扰动测试下优化后仿真波形和实测波形的对比图;
图8为本发明实施例提供的一种光伏电站仿真模型参数优化系统的结构示意图;
图9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。
图1为本发明实施例提供的光伏电站仿真模型参数优化方法流程图,如图1所示,本发明实施例提供一种光伏电站仿真模型参数优化方法,包括:
S1,获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
S2,根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
S3,基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
首先根据目标光伏电站的具体结构,并建立该目标光伏电站的仿真模型,该仿真模型称为光伏电站仿真模型,不同结构的光伏电站,其仿真模型可能不相同。
然后以若干预设指标为参考标准,对仿真模型进行优化,“预设指标”指的是改变后可对仿真波形产生影响的参数,不同结构的光伏电站可能有不同的参数,因此,需要找到目标光伏电站对应的预设指标。
然后根据目标光伏电站的实际波形,得到每个预设指标的实际测量值,根据光伏电站仿真模型的仿真波形,得到每个预设指标的初始仿真值。
由于存在多个预设指标,为了综合每个预设指标对光伏电站仿真模型的影响,本发明实施例中构建了综合指标,通过对每个预设指标进行加权处理,得到一个综合指标。
然后结合该综合指标和粒子群算法,对每个预设指标的初始仿真值进行优化,以综合指标最小为目标,得到每个预设指标的最佳仿真值。
本发明实施例提供一种光伏电站仿真模型参数优化方法,该方法根据实测的预设指标调整仿真过程中的预设指标,可以使光伏电站仿真模型与目标光伏电站的实际模型更加符合。
在上述实施例的基础上,优选地,所述基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值,具体包括:
利用所述粒子群算法,对当前每一预设指标的初始仿真值进行更新,并获取更新后每一预设指标对应的综合指标;
若更新后每一预设指标对应的综合指标小于当前每一预设指标的初始仿真值,将更新后每一预设指标作为当前每一预设指标;
重复上述步骤若干次后,将当前每一预设指标的值作为每一预设指标的最佳仿真值。
具体地,利用粒子群算法,对每个预设指标的初始仿真值进行更新,从而对每个预设指标的初始仿真值进行优化,得到每个预设指标的最佳仿真值,其具体实现方式为:
将每个预设指标的初始仿真值作为粒子群算法中的粒子,利用粒子群算法,对粒子进行更新,从而得到更新之后的预设指标,并计算更新之后每个预设指标对应的综合指标。
在预先规定的若干次更新之中,不断重复上述迭代过程,如果迭代次数达到预设次数,将最后得到的当前每一预设指标作为每一预设指标的最佳仿真值。
在上述实施例的基础上,优选地,所述对当前每一预设指标的初始仿真值进行更新,具体包括:
所述粒子群算法中任一粒子群包含若干个粒子,对于任一粒子,所述任一粒子对当前每一预设指标的初始仿真值进行更新,具体公式如下:
xnew=xold+Δx,
||Δx||=c1×rand1×(fpBest-f(xold))+c2×rand1×(fgBest-f(xold)),
其中,xold表示当前任一预设指标的值,xnew表示更新后任一预设指标的值,c1、c2为常量,rand1、rand2为两个取值在区间(0,1)内的随机数,fpBest表示所述任一粒子迭代过程中每一预设指标历史取值为最优时的波形匹配指标,fgBest表示所有粒子迭代过程中每一预设指标历史取值均为最优时的波形匹配指标,f(xold)表示所述当前任一预设指标为xold时的波形匹配指标。
具体地,对每一预设指标进行更新,可以通过上述公式进行。每次更新的量为Δx。
在上述实施例的基础上,优选地,所有预设指标根据所述目标光伏电站的结构确定。
具体地,预设指标的个数及种类可以根据目标光伏电站的结构确定,不同结构的目标光伏电站,其预设指标是不同的。
本发明实施例总,目标光伏电站的结构包括光伏电池有功和无功功率控制、场站级功率分配控制和接入电网的PWM逆变器控制,其中,图2为光伏电池有功和无功功率控制的框图,如图2所示,有功控制部分可以设置为固定功率模式或最大功率点跟踪(MPPT)模式,无功控制部分可以设置为固定功率模式或固定功率因数模式。
其中,如果是MPPT工作模式,光伏电池框图部分的输入控制量则不来自于场站级控制,而由自身来决定,采用自身的电压电流作为控制量,通过观察自身的功率电压曲线和电压电流曲线,采用电导增量等方法进行最大功率点跟踪。这部分的输出就是逆变器部分的输入控制量。
图3为本发明实施例中场站级功率分配控制的控制框图,如图3所示,场站级控制的目的是将光伏电站总输出功率的目标分配给每个光伏电池。在场站级的控制要求下,得到每个光伏电站的所应该输出的有功功率和无功功率,把这个有功功率和无功功率再作为光伏电池阵列的输入参考值。
光伏电站有一定的参与调度的能力,可以根据电网要求,设置为固定功率输出模式或自动调节模式(相当于同步发电机的AGC)。无功控制部分可以设置为固定功率模式或固定功率因数模式,也可以设置为下垂控制。
图4为本发明实施例中接入电网的PWM逆变器控制的控制框图,如图4所示。PWM逆变器接受图2输出的控制电流Ipref、Iqref,输出三相电路中每个逆变器的PWM信号,根据规定的工作模式将直流电转换为交流电,接入电网。逆变器收到p、q轴坐标系中的参考电流值后,将此时的实际p、q电流值和参考电流值进行数学变换,得到d、q轴的参考电压值,通过开关管的PWM模式下开通关断实现跟踪目的。
在该目标光伏电站的结构下,本发明实施例中,预设指标包括:最大值、最小值、平均值、峰值时刻、过度时间、每一次谐波的幅值和总谐波失真。
在上述实施例的基础上,优选地,所述根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标,具体包括:
其中,w1表示第一预设权重,w2表示第二预设权重,ymax表示最大值的实际测量值,表示最大值的初始仿真值,ymin表示最小值的实际测量值,表示最小值的初始仿真值,yavg表示平均值的实际测量值,表示平均值的初始仿真值,tp表示峰值时刻的实际测量值,表示峰值时刻的初始仿真值,ts表示过渡时间的实际测量值,表示过渡时间的初始仿真值,Ui表示第i次谐波幅值的实际测量值,表示第i次谐波幅值的初始仿真值,THD表示总谐波失真的实际测量值,THDrec表示总谐波失真的初始仿真值。
具体地,本发明实施例中,综合指标的计算方式可以通过上述公式计算得到。
在上述实施例的基础上,优选地,所述获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值,之前还包括:
获取所述目标光伏电站的实际波形和所述光伏电站仿真模型的仿真波形;
根据所述目标光伏电站的实际波形,获取每一预设指标的实际测量值;
根据所述光伏电站仿真模型的仿真波形,获取每一预设指标的初始仿真值。
具体地,在对获取每个预测指标的实际测量值和每个预测指标的初始仿真值之前,需要先获得目标光伏电站的实际波形和光伏电站仿真模型的仿真波形。
针对实际波形和仿真波形,最大值是指波形的最大值,最小值是指波形的最小值,平均值是指波形的平均值,峰值时刻是指波形中的峰值对应的时间,过渡时间是指波形中的过度时间,第i次谐波幅值是指波形的第i次谐波幅值,总谐波失真是指波形的总谐波失真情况。
图5为本发明实施例提供的一种光伏电站仿真模型参数优化方法的测试系统的结构示意图,如图5所示,该光伏电站共有6组光伏电池,每组电池各有一个逆变器与交流网络相连。每组电池以图2所示方式控制自身电压电流(因而控制了自身发电功率),整个光伏电站以图3所示控制流程将总发电功率分配给各组光伏电池,每个逆变器则以图4所示方式直流电转为交流电。
下面对测试系统进行小扰动测试,在测试系统接入点(图5中POI点)施加电压跌落扰动,电压由1p.u.跌落至0.8p.u.,持续1s。对图2中的参数kp、Tp和图4中的参数k1、k2、T1、T2进行测试,变化同样幅度,观察加权波形匹配指标f的变化幅度。结果发现Tp和T1变化对波形的灵敏度较大,因此优化Tp和T1。对灵敏度较小的参数不宜优化,因为这些参数的变化对波形影响不大,反过来优化的结果也不够准确。基于PSO的优化结果如表1所示。
表1
下面对测试系统进行打扰动测试,在线路L2处施加三相对地短路,持续0.5s。测试发现K2和T2的灵敏度较高。基于PSO的优化结果如表2所示。
表2
图6为本发明实施例中小扰动测试下优化后仿真波形和实测波形的对比图,图7为本发明实施例中大扰动测试下优化后仿真波形和实测波形的对比图,图中虚线表示实际测量波形,实线表示优化后的仿真波形,Active Power表示光伏电站输出有功功率,ReactivePower表示光伏电站输出无功功率,结合图6和图7可知,参数优化后,仿真波形与实测波形匹配度较高,这证明了本发明实施例参数优化的效果。
图8为本发明实施例提供的一种光伏电站仿真模型参数优化系统的结构示意图,如图8所示,该系统包括:指标模块801、综合模块802和优化模块803,其中:
指标模块801用于获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
综合模块802用于根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
优化模块803用于基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
指标模块801先获取每个预设指标的实际测量值和每个预设指标的初始仿真值,综合模块802根据每个预设指标的实际测量值和每个预设指标的初始仿真值,建立综合指标,优化模块803基于综合指标,利用粒子群算法,对每个预设指标的初始仿真值进行优化,得到每个预设指标的最佳仿真值。
本系统实施例的具体实施方式与上述方法实施例的具体实施方式相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
图9为本发明实施例提供的一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和总线904,其中,处理器901,通信接口902,存储器903通过总线904完成相互间的通信。通信接口902可以用于电子设备的信息传输。处理器901可以调用存储器903中的逻辑指令,以执行包括如下的方法:
获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
此外,上述的存储器903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,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。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:
获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值。
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,服务器,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 (6)
1.一种光伏电站仿真模型参数优化方法,其特征在于,包括:
获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值;
根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标;
基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值,所述基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值,具体包括:利用所述粒子群算法,对当前每一预设指标的初始仿真值进行更新,并获取更新后每一预设指标对应的综合指标;若更新后每一预设指标对应的综合指标小于当前每一预设指标的初始仿真值,将更新后每一预设指标作为当前每一预设指标;重复上述步骤若干次后,将当前每一预设指标的值作为每一预设指标的最佳仿真值;
所述对当前每一预设指标的初始仿真值进行更新,具体包括:
所述粒子群算法中任一粒子群包含若干个粒子,对于任一粒子,所述任一粒子对当前每一预设指标的初始仿真值进行更新,具体公式如下:
xnew=xold+Δx,
||Δx||=c1×rand1×(fpBest-f(xold))+c2×rand1×(fgBest-f(xold)),
其中,xold表示当前任一预设指标的值,xnew表示更新后任一预设指标的值,c1、c2为常量,rand1、rand2为两个取值在区间(0,1)内的随机数,fpBest表示所述任一粒子迭代过程中每一预设指标历史取值为最优时的波形匹配指标,fgBest表示所有粒子迭代过程中每一预设指标历史取值均为最优时的波形匹配指标,f(xold)表示所述当前任一预设指标为xold时的波形匹配指标;
所述预设指标包括:最大值、最小值、平均值、峰值时刻、过度时间、每一次谐波的幅值和总谐波失真;
所述根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标,具体包括:
2.根据权利要求1所述的光伏电站仿真模型参数优化方法,其特征在于,所有预设指标根据所述目标光伏电站的结构确定。
3.根据权利要求1所述的光伏电站仿真模型参数优化方法,其特征在于,所述获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值,之前还包括:
获取所述目标光伏电站的实际波形和所述光伏电站仿真模型的仿真波形;
根据所述目标光伏电站的实际波形,获取每一预设指标的实际测量值;
根据所述光伏电站仿真模型的仿真波形,获取每一预设指标的初始仿真值。
4.一种光伏电站仿真模型参数优化系统,其特征在于,包括:
指标模块,用于获取目标光伏电站的每一预设指标的实际测量值和光伏电站仿真模型的每一预设指标的初始仿真值,所述预设指标包括:最大值、最小值、平均值、峰值时刻、过度时间、每一次谐波的幅值和总谐波失真;
综合模块,用于根据每一预设指标的实际测量值、每一预设指标的初始仿真值和若干预设权重,获取综合指标,
其中,w1表示第一预设权重,w2表示第二预设权重,ymax表示最大值的实际测量值,表示最大值的初始仿真值,ymin表示最小值的实际测量值,表示最小值的初始仿真值,yavg表示平均值的实际测量值,表示平均值的初始仿真值,tp表示峰值时刻的实际测量值,表示峰值时刻的初始仿真值,ts表示过渡时间的实际测量值,表示过渡时间的初始仿真值,Ui表示第i次谐波幅值的实际测量值,表示第i次谐波幅值的初始仿真值,THD表示总谐波失真的实际测量值,THDrec表示总谐波失真的初始仿真值;
优化模块,用于基于所述综合指标和粒子群算法,对每一预设指标的初始仿真值进行优化,获取每一预设指标的最佳仿真值,用于利用所述粒子群算法,对当前每一预设指标的初始仿真值进行更新,并获取更新后每一预设指标对应的综合指标;若更新后每一预设指标对应的综合指标小于当前每一预设指标的初始仿真值,将更新后每一预设指标作为当前每一预设指标;重复上述步骤若干次后,将当前每一预设指标的值作为每一预设指标的最佳仿真值,所述对当前每一预设指标的初始仿真值进行更新,具体包括:
所述粒子群算法中任一粒子群包含若干个粒子,对于任一粒子,所述任一粒子对当前每一预设指标的初始仿真值进行更新,具体公式如下:
xnew=xold+Δx,
||Δx||=c1×rand1×(fpBest-f(xold))+c2×rand1×(fgBest-f(xold)),
其中,xold表示当前任一预设指标的值,xnew表示更新后任一预设指标的值,c1、c2为常量,rand1、rand2为两个取值在区间(0,1)内的随机数,fpBest表示所述任一粒子迭代过程中每一预设指标历史取值为最优时的波形匹配指标,fgBest表示所有粒子迭代过程中每一预设指标历史取值均为最优时的波形匹配指标,f(xold)表示所述当前任一预设指标为xold时的波形匹配指标。
5.一种电子设备,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程序时实现如权利要求1至3任一项所述光伏电站仿真模型参数优化方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述光伏电站仿真模型参数优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229273.2A CN110969305B (zh) | 2019-12-04 | 2019-12-04 | 一种光伏电站仿真模型参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229273.2A CN110969305B (zh) | 2019-12-04 | 2019-12-04 | 一种光伏电站仿真模型参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969305A CN110969305A (zh) | 2020-04-07 |
CN110969305B true CN110969305B (zh) | 2022-06-10 |
Family
ID=70033177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229273.2A Active CN110969305B (zh) | 2019-12-04 | 2019-12-04 | 一种光伏电站仿真模型参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969305B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112260309B (zh) * | 2020-09-29 | 2022-08-26 | 青海大学 | 一种光伏电站可信容量的计算方法及装置 |
CN113468792B (zh) * | 2021-07-22 | 2024-08-20 | 国网宁夏电力有限公司电力科学研究院 | 电磁暂态仿真模型的参数校正方法、装置和电子设备 |
CN117236152B (zh) * | 2023-11-10 | 2024-04-09 | 国网浙江省电力有限公司宁波供电公司 | 新能源电网的孪生仿真方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105790278A (zh) * | 2016-04-06 | 2016-07-20 | 重庆大学 | 基于改进粒子群算法的光伏电站站内多目标无功优化方法 |
CN106849113A (zh) * | 2015-12-03 | 2017-06-13 | 中国电力科学研究院 | 一种基于数模混合仿真的无功优化器评估方法 |
CN108170952A (zh) * | 2017-12-27 | 2018-06-15 | 清华大学 | 基于电力电子变压器的微电网优化配置方法及装置 |
CN110119570A (zh) * | 2019-05-10 | 2019-08-13 | 东北电力大学 | 一种实测数据驱动的风电场模型参数校核方法 |
CN110490390A (zh) * | 2019-09-06 | 2019-11-22 | 河海大学常州校区 | 一种基于多决策理论的分布式光伏多目标优化配置方法 |
-
2019
- 2019-12-04 CN CN201911229273.2A patent/CN110969305B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849113A (zh) * | 2015-12-03 | 2017-06-13 | 中国电力科学研究院 | 一种基于数模混合仿真的无功优化器评估方法 |
CN105790278A (zh) * | 2016-04-06 | 2016-07-20 | 重庆大学 | 基于改进粒子群算法的光伏电站站内多目标无功优化方法 |
CN108170952A (zh) * | 2017-12-27 | 2018-06-15 | 清华大学 | 基于电力电子变压器的微电网优化配置方法及装置 |
CN110119570A (zh) * | 2019-05-10 | 2019-08-13 | 东北电力大学 | 一种实测数据驱动的风电场模型参数校核方法 |
CN110490390A (zh) * | 2019-09-06 | 2019-11-22 | 河海大学常州校区 | 一种基于多决策理论的分布式光伏多目标优化配置方法 |
Non-Patent Citations (6)
Title |
---|
A Particle Swarm Optimization-Based Maximum Power Point Tracking Algorithm for PV Systems Operating Under Partially Shaded Conditions;Liu, YH 等;《IEEE TRANSACTIONS ON ENERGY CONVERSION》;20121226;全文 * |
Dynamic voltage security constrained preventive control using particle swarm optimization;Wang Yihong 等;《Automation of Electric Power Systems》;20080625;全文 * |
基于云层分布规律与太阳光跟踪的光伏电站MPPT策略;陶仁峰等;《电力系统自动化》;20180124(第05期);全文 * |
基于免疫粒子群算法的大型光伏电站无功优化;刘强等;《太阳能学报》;20170828(第08期);全文 * |
基于复杂网络理论的无功分区算法及其在上海电网中的应用;倪向萍等;《电网技术》;20070505(第09期);全文 * |
基于模型预测方法的MMC环流抑制策略;高实等;《北京交通大学学报》;20151015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110969305A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969305B (zh) | 一种光伏电站仿真模型参数优化方法及系统 | |
Li et al. | Dynamic equivalent modeling of two-staged photovoltaic power station clusters based on dynamic affinity propagation clustering algorithm | |
WO2013141908A2 (en) | Control techniques for photovoltaic power plants | |
CN103093027B (zh) | 基于双馈风电场等值模型的电力系统分析方法 | |
CN111797510A (zh) | 一种新能源场站短路比的计算方法及系统 | |
CN109193667B (zh) | 一种含经风电场并网vsc-hvdc的最优潮流计算方法及装置 | |
CN111371088B (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
CN114784820A (zh) | 一种动态无功补偿装置的建模方法、系统、设备和介质 | |
CN117313293B (zh) | 一种直驱风电场小信号等值建模方法、系统、终端及介质 | |
CN114884100A (zh) | 分布式多储能集群的集中式协调控制方法及装置 | |
CN117269838B (zh) | 一种确定构网型电力电子设备短路电流的方法及系统 | |
Shen et al. | Parameter identification of photovoltaic discrete-time equivalent model using the bat algorithm | |
CN116937696B (zh) | 一种基于光伏发电系统的自适应等效建模方法 | |
CN116488267B (zh) | 一种基于建模的风电场无功容量极限仿真计算方法及装置 | |
CN103515964A (zh) | 无功补偿控制方法和无功补偿控制装置 | |
CN110649633B (zh) | 一种配电网无功优化方法及系统 | |
Parihar et al. | Power flow analysis of balanced radial distribution system with composite load model | |
CN114298383A (zh) | 一种虚拟电厂储能容量配置方法及装置 | |
Atif et al. | Battery integrated optimal power smoothing of solar PV output using meta-heuristic optimization | |
CN111682552B (zh) | 数据驱动的无功电压控制方法、装置、设备及存储介质 | |
Zheng et al. | Feature distance based online cluster modeling of LVRT controlled PV power plants | |
CN113742907A (zh) | 一种光伏电站短路电流统一计算方法 | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及系统 | |
Bian et al. | Identification and improvement of probabilistic voltage instability modes of power system with wind power integration | |
CN113946985B (zh) | 一种确定新能源场站等值模型的方法及系统 |
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 |