CN111179110B - 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 - Google Patents
虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 Download PDFInfo
- Publication number
- CN111179110B CN111179110B CN201911239583.2A CN201911239583A CN111179110B CN 111179110 B CN111179110 B CN 111179110B CN 201911239583 A CN201911239583 A CN 201911239583A CN 111179110 B CN111179110 B CN 111179110B
- Authority
- CN
- China
- Prior art keywords
- power plant
- virtual power
- variable order
- model
- vector
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 71
- 238000004220 aggregation Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 16
- 230000001052 transient effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 230000001737 promoting effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置。涉及能源互联网技术领域，通过获取包含量测数据的数据集构成的数据库，对数据集进行聚类得到多个聚类结果，根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。构建的模型能够准确有效刻画虚拟电厂动态特性，适用于不同运行场景和运行条件，通用性强，可解释性及鲁棒性好，对促进虚拟电厂的发展、能源互联网的安全稳定运行和电力市场的完善有重要意义，具有很高的实用价值。
Description
技术领域
本发明涉及能源互联网技术领域，尤其是涉及一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置。
背景技术
可再生能源的高速发展和在电力系统中的大量渗透给可再生能源的大规模高效集成、利用和电力系统的安全、可靠、高效运行带来严峻挑战。信息通信技术、人工智能技术、电力变换技术等先进理论技术的高速发展以及应对可再生能源带来的挑战促成了虚拟电厂技术产生。虚拟电厂对促进能源互联网发展起着关键作用，是当前研究的热点问题之一。如何建立虚拟电厂的模型，特别是动态模型是研究和发展虚拟电厂的关键点和难点。
目前的研究主要聚焦于面向电力市场参与的虚拟电厂的静态模型的建立，特别是虚拟电厂中可再生能源和灵活性负荷的不确定性的模型描述，尚没有研究面向能源互联网系统稳定性分析、运行和控制的虚拟电厂等效动态模型，特别是适用于不同场景和运行条件的虚拟电厂聚合等效鲁棒动态模型的研究。现有研究的不足限制了虚拟电厂的发展和电力市场的完善，需研制出一种能够适用于不同场景和运行条件的虚拟电厂通用聚合等效鲁棒动态模型。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，能够构建适用于不同场景和运行条件的虚拟电厂通用聚合等效鲁棒动态模型。
第一方面，本发明的一个实施例提供了A：一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，包括：
获取包含量测数据的数据集构成的数据库；
对所述数据集进行聚类得到多个聚类结果；
根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。
进一步地，所述量测数据包括：虚拟电厂与电网连接点的电压时域有效值向量和频率时域有效值向量、虚拟电厂与电网交换的有功功率向量和无功功率向量、虚拟电厂内部有功功率发电量向量和无功功率发电量向量和灵活性负荷需求量向量、虚拟电厂内部负荷构成和发电构成。
进一步地，所述虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：
yd(t)＝yt(t)+yr(t)
其中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型。
进一步地，所述对多个所述数据集进行聚类得到聚类结果具体包括：利用k-means++算法采用扰动前稳态数据对多个所述数据集进行聚类得到多个类。
进一步地，所述神经网络为两层前馈神经网络，包含一个隐含层和一个输出层，表示为：
y＝f(WTx+b)
其中，x表示所述神经网络的输入，y表示所述神经网络的输出，W表示所述神经网络的权值，b表示所述神经网络的偏置值，函数f(·)表示传输函数，所述神经网络的传递函数为sigmoid函数，损失函数为最小均方误差函数。
进一步地，还包括：对多个所述数据集进行数据预处理，所述数据预处理包括：
从所述数据集中获取扰动前电压时域有效值向量、频率时域有效值向量、有功功率稳态值、无功功率稳态值；
将所述数据集随机分为测试集和训练集。
进一步地，对所述虚拟电厂可变阶聚合等效鲁棒动态模型进行测试的过程包括：
选择与当前虚拟电厂欧氏距离最小的聚类结果对应的神经网络；
将所述测试集作为所述神经网络的输入，得到新的鲁棒参数集；
根据所述新的鲁棒参数集重新生成所述虚拟电厂与公共电网连接点的频率响应和电压响应；
比较所述频率响应和所述电压响应与实际量测数据的误差均方根，评估所述虚拟电厂可变阶聚合等效鲁棒动态模型的性能。
第二方面，本发明的一个实施例提供了B:一种虚拟电厂可变阶聚合等效鲁棒动态模型建模装置，包括：
获取模块：用于获取包含量测数据的数据集构成的数据库；
聚类模块：用于对所述数据集进行聚类得到多个聚类结果；
估计模块：用于根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
等效模块：用于利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。
第三方面，本发明提供一种虚拟电厂可变阶聚合等效鲁棒动态模型建模设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如第一方面任一项所述的方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是：
本发明通过获取包含量测数据的数据集构成的数据库，对数据集进行聚类得到多个聚类结果，根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。构建的模型能够准确有效刻画虚拟电厂动态特性，适用于不同运行场景和运行条件，通用性强，可解释性及鲁棒性好，对促进虚拟电厂的发展、能源互联网的安全稳定运行和电力市场的完善有重要意义，具有很高的实用价值。
可广泛应用于能源互联网技术领域。
附图说明
图1是本发明实施例一虚拟电厂示意图；
图2是本发明实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的实现流程图；
图3是本发明实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的模型方框图；
图4是本发明实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的测试过程流程示意图；
图5是本发明实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的建模过程流程图；
图6是本发明实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模装置的结构框图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅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，并获得其他的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一：
本发明实施例一提供一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，如图1所示，为虚拟电厂示意图，虚拟电厂与外部主电网之间通过公共连接点PCC连接。
图2为本发明实施例提供的虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的实现流程图，如图2所示，该方法包括以下步骤：
S1：获取包含量测数据的数据集构成的数据库，假设有N个数据集，每个数据集均包括量测数据。
本实施例中，量测数据包括：虚拟电厂与电网连接点的电压时域有效值向量Vi和频率时域有效值向量fi、虚拟电厂与电网交换的有功功率向量Pvpp_grid和无功功率向量Qvpp_grid、虚拟电厂内部有功功率发电量向量Pvpp和无功功率发电量向量Qvpp和灵活性负荷需求量向量(Pvpp,FlexD，Qvpp,FlexD)、虚拟电厂内部负荷构成LMvpp和发电构成GMvpp。
S2：对数据集进行数据预处理。
本实施例中，数据预处理包括：1)从N个数据集中获取扰动前电压时域有效值向量、频率时域有效值向量、有功功率稳态值、无功功率稳态值；2)将N个数据集随机分为两组，分别是NT个数据集构成的测试集和ND个数据集构成的训练集，其中训练集用于生成虚拟电厂可变阶聚合等效鲁棒动态模型，测试集用于测试生成的虚拟电厂可变阶聚合等效鲁棒动态模型性能。
S3：对数据集进行聚类得到多个聚类结果。
S4：根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，即为每一个聚类结果估计一套模型参数，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型。
S5：构建虚拟电厂可变阶聚合等效鲁棒动态模型，指利用多个神经网络逐一训练S4中得到的虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。
神经网络(Artificial Neural Network，即ANN)从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。
下面是本实施例中虚拟电厂可变阶聚合等效鲁棒动态模型数学描述。
本实施例中，虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：
yd(t)＝yt(t)+yr(t) (1)
上式(1)中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型。
如图3所示，为本实施例中虚拟电厂可变阶聚合等效鲁棒动态模型方框图，从图中可见，输入包括Pvpp_grid、Qvpp_grid、Pvpp、Qvpp在内，经过g2(s)->G(s)，以及g1(t)叠加得到频率和电压响应模型yd(t)，具体数学描述如下所示。
恢复响应模型yr(t)表示为：
yr(t)＝L-1[g2(s)G(s)] (2)
g2(t)＝ys(t)-yt(t) (3)
其中，g2(s)表示g2(t)的拉普拉斯变换形式，G(s)为可变阶线性传递函数，pi和ci分别为G(s)的极点和零点，n为最优阶数。
暂态响应模型yt(t)表示为：
其中，λp1、λq1、λp2、λq2、λq2表示多项式的系数。
对应的稳态响应模型ys(t)表示为：
其中，和/>表示的多项式系数。
步骤S3中，对多个数据集进行聚类得到聚类结果具体是：利用k-means++算法采用扰动前稳态数据对多个数据集进行聚类得到多个类。
即采用k-means++算法对ND个数据集进行聚类，得到K个类(即K个聚类结果)，记为：C＝{C1,C2,…,CK}。聚类时，采用扰动前稳态数据(Pvpp_grid,0，Qvpp_grid,0，Pvpp,0，Qvpp,0，V0，f0)进行聚类，记为j＝1,…,ND其中xj＝[Pvpp_grid,0,j,Qvpp_grid,0,j,Pvpp,0,j,Qvpp,0,j,V0,j,f0,j]，聚类目标表示为：
其中，μk为第k个类的均值。
步骤S4中，估计虚拟电厂可变阶聚合等效模型的模型参数的过程具体为：应用第k类的m个数据集中的电压、频率、有功功率、无功功率数据，即Vj，fj，Pvpp_grid，Qvpp_grid，Pvpp，Qvpp，Pvpp,FlexD，Qvpp,FlexD估计虚拟电厂可变阶聚合等效模型的参数具体的估计过程表示为：
S41：基于运行点数据，求解下下式(8)和(9)，分别估计模型参数λp1,λp2,λq1,λq2,λ2和
其中，Pvpp_grid,+，Qvpp_grid,+，Pvpp,+，Qvpp,+为扰动刚刚发生时的功率值，Pvpp_grid,ss，Qvpp_grid,ss，Pvpp,ss，Qvpp,ss为根据稳态响应模型ys(t)计算的新的稳态值。
S42：利用下式(10)和(11)计算第k个类的m个数据集的多项式函数。
g1(t)＝yt(t) (10)
g2(t)＝ys(t)-yt(t) (11)
S43：利用式(1)和(2)得到G(s)的m个响应。
S44：将步骤S43得到的m个响应作为矢量拟合的输入，经矢量拟合估计得到G(s)的参数p,c。
步骤S5中，通过神经网络对每一个虚拟电厂可变阶聚合等效模型逐一训练得到适用于广泛运用场景和条件的聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型，具体的，神经网络为两层前馈神经网络，包含一个隐含层和一个输出层，表示为：
y＝f(WTx+b) (12)
其中，x表示神经网络的输入，y表示神经网络的输出，W表示神经网络的权值，b表示神经网络的偏置值，函数f(·)表示传输函数，神经网络的传递函数为sigmoid函数，损失函数为最小均方误差函数。
神经网络的输入x包括：扰动前虚拟电厂与公共电网连接点的电压、频率、有功功率稳态值、无功功率稳态值以及虚拟电厂内部有功功率、无功功率以及内部灵活性负荷和发电组合；输出目标矩阵t为聚合等效动态模型的参数，分别表示为：
其中，mk,TR表示第k个聚类数据的数据集数目，神经网络通过大量训练，调整权值和偏置量，最小化均方误差，训练结束，可得到虚拟电厂可变阶聚合等效鲁棒动态模型的参数集，最小化均方误差表示为：
其中，N为t和y中的元素的总数目。
步骤S5根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型，还需要进行模型测试，根据数据预处理得到的测试集进行模型测试，如图4所示，为本实施例的测试过程流程示意图，结合图4，测试过程表示为：
S51：选择与当前虚拟电厂欧氏距离最小的聚类结果对应的神经网络，由于每个聚类结果对应一个神经网路，因此该步骤为选择与当前虚拟电厂欧式距离最近的聚类中心对应的神经网络作为测试网络。
S52：将NT个数据集构成的测试集的量测数据(包括：Pvpp_grid,0、Qvpp_grid,0、Pvpp,0、Qvpp,0、LMvpp、GMvpp)作为输入，得到新的鲁棒参数集；
S53：根据新的鲁棒参数集重新生成虚拟电厂与公共电网连接点的频率响应festm和电压响应Vestm；
S54：比较频率响应和电压响应与实际量测数据(包括：Vmeas和fmeas)的误差均方根，评估虚拟电厂可变阶聚合等效鲁棒动态模型的性能，当误差均方根大于预设阈值时，需要重新进行虚拟电厂可变阶聚合等效鲁棒动态模型训练。
误差均方根表示为：
其中，ymeasure(τ)和yestimated(τ)分别为采样时刻的量测值和估计值，T为采样总数。
如图5所示，为本实施例的虚拟电厂可变阶聚合等效鲁棒动态模型建模过程流程图。首先进行数据收集，建立数据库，然后进行数据预处理，对训练集数据进行聚类得到k个聚类结果，对聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，对每个虚拟电厂可变阶聚合等效模型进行神经网络训练，训练过程包括：生成输入x和输出目标矩阵t，然后对第k个聚类数据的m个数据集进行神经网络训练，得到虚拟电厂可变阶聚合等效鲁棒动态模型的参数集，进一步地，进行相应的模型验证，符合误差均方根的性能判断条件时，输出最终的鲁棒参数集，构建对应的虚拟电厂可变阶聚合等效鲁棒动态模型。
实施例二：
本实施例公开了一种虚拟电厂可变阶聚合等效鲁棒动态模型建模装置，用于执行如实施例一的方法，如图6所示，为本实施例的虚拟电厂可变阶聚合等效鲁棒动态模型建模装置结构框图，包括：
获取模块100：用于获取包含量测数据的数据集构成的数据库；
聚类模块200：用于对数据集进行聚类得到多个聚类结果；
估计模块300：用于根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
等效模块400：用于利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。
上述中虚拟电厂可变阶聚合等效鲁棒动态模型建模装置模块的具体细节已经在实施例一对应的虚拟电厂可变阶聚合等效鲁棒动态模型建模方法中进行了详细的描述，因此此处不再赘述。
另外，本发明还提供虚拟电厂可变阶聚合等效鲁棒动态模型建模设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如实施例一所述的方法。计算机程序即程序代码，当程序代码在虚拟电厂可变阶聚合等效鲁棒动态模型建模设备上运行时，程序代码用于使虚拟电厂可变阶聚合等效鲁棒动态模型建模设备执行本说明书上述实施例一部分描述的虚拟电厂可变阶聚合等效鲁棒动态模型建模方法中的步骤。
另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过获取包含量测数据的数据集构成的数据库，对数据集进行聚类得到多个聚类结果，根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。构建的模型能够准确有效刻画虚拟电厂动态特性，适用于不同运行场景和运行条件，通用性强，可解释性及鲁棒性好，对促进虚拟电厂的发展、能源互联网的安全稳定运行和电力市场的完善有重要意义，具有很高的实用价值。可广泛应用于能源互联网技术领域。
以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，包括：
获取包含量测数据的数据集构成的数据库；
对所述数据集进行聚类得到多个聚类结果；
根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型；
所述虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：
yd(t)＝yt(t)+yr(t)
其中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型；
所述恢复响应模型yr(t)表示为：
yr(t)＝L-1[g2(s)G(s)]
g2(t)＝ys(t)-yt(t)
其中，g2(s)表示g2(t)的拉普拉斯变换形式，G(s)为可变阶线性传递函数，pi和ci分别为G(s)的极点和零点，n为最优阶数；ys(t)表示稳态响应模型；
所述暂态响应模型yt(t)表示为：
其中，λp1、λq1、λp2、λq2、λq2表示多项式的系数；y0表示扰动前的电压值，Pvpp_grid表示虚拟电厂与电网交换的有功功率向量，Qvpp_grid表示虚拟电厂与电网交换的无功功率向量，Pvpp表示虚拟电厂内部有功功率发电量向量，Qvpp表示虚拟电厂内部无功功率发电量向量；Pvpp_grid，0表示扰动前的虚拟电厂与电网交换的有功功率向量，Qvpp_grid，0表示扰动前的虚拟电厂与电网交换的无功功率向量，Pvpp，0表示扰动前的虚拟电厂内部有功功率发电量向量，Qvpp，0表示扰动前的虚拟电厂内部无功功率发电量向量；
所述稳态响应模型ys(t)表示为：
其中，和/>表示的多项式系数。
2.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，所述量测数据包括：虚拟电厂与电网连接点的电压时域有效值向量和频率时域有效值向量、虚拟电厂与电网交换的有功功率向量和无功功率向量、虚拟电厂内部有功功率发电量向量和无功功率发电量向量和灵活性负荷需求量向量、虚拟电厂内部负荷构成和发电构成。
3.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，对多个所述数据集进行聚类得到聚类结果具体包括：利用k-means++算法采用扰动前稳态数据对多个所述数据集进行聚类得到多个类。
4.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，所述神经网络为两层前馈神经网络，包含一个隐含层和一个输出层，表示为：
y＝f(WTx+b)
其中，x表示所述神经网络的输入，y表示所述神经网络的输出，W表示所述神经网络的权值，b表示所述神经网络的偏置值，函数f(g)表示传输函数，所述神经网络的传递函数为sigmoid函数，损失函数为最小均方误差函数。
5.根据权利要求1至4任一项所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，还包括：对多个所述数据集进行数据预处理，所述数据预处理包括：
从所述数据集中获取扰动前电压时域有效值向量、频率时域有效值向量、有功功率稳态值、无功功率稳态值；
将所述数据集随机分为测试集和训练集。
6.根据权利要求5所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，对所述虚拟电厂可变阶聚合等效鲁棒动态模型进行测试的过程包括：
选择与当前虚拟电厂欧氏距离最小的聚类结果对应的神经网络；
将所述测试集作为所述神经网络的输入，得到新的鲁棒参数集；
根据所述新的鲁棒参数集重新生成所述虚拟电厂与公共电网连接点的频率响应和电压响应；
比较所述频率响应和所述电压响应与实际量测数据的误差均方根，评估所述虚拟电厂可变阶聚合等效鲁棒动态模型的性能。
7.一种虚拟电厂可变阶聚合等效鲁棒动态模型建模装置，其特征在于，包括：
获取模块：用于获取包含量测数据的数据集构成的数据库；
聚类模块：用于对所述数据集进行聚类得到多个聚类结果；
估计模块：用于根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
等效模块：用于利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型；
所述虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：
yd(t)＝yt(t)+yr(t)
其中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型；
所述恢复响应模型yr(t)表示为：
yr(t)＝L-1[g2(s)G(s)]
g2(t)＝ys(t)-yt(t)
其中，g2(s)表示g2(t)的拉普拉斯变换形式，G(s)为可变阶线性传递函数，pi和ci分别为G(s)的极点和零点，n为最优阶数；ys(t)表示稳态响应模型；
所述暂态响应模型yt(t)表示为：
其中，λp1、λq1、λp2、λq2、λq2表示多项式的系数；y0表示扰动前的电压值，Pvpp_grid表示虚拟电厂与电网交换的有功功率向量，Qvpp_grid表示虚拟电厂与电网交换的无功功率向量，Pvpp表示虚拟电厂内部有功功率发电量向量，Qvpp表示虚拟电厂内部无功功率发电量向量；Pvpp_grid，0表示扰动前的虚拟电厂与电网交换的有功功率向量，Qvpp_grid，0表示扰动前的虚拟电厂与电网交换的无功功率向量，Pvpp，0表示扰动前的虚拟电厂内部有功功率发电量向量，Qvpp，0表示扰动前的虚拟电厂内部无功功率发电量向量；
所述稳态响应模型ys(t)表示为：
其中，和/>表示的多项式系数。
8.一种虚拟电厂可变阶聚合等效鲁棒动态模型建模设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911239583.2A CN111179110B (zh) | 2019-12-06 | 2019-12-06 | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911239583.2A CN111179110B (zh) | 2019-12-06 | 2019-12-06 | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179110A CN111179110A (zh) | 2020-05-19 |
| CN111179110B true CN111179110B (zh) | 2023-09-05 |
Family
ID=70646490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911239583.2A Active CN111179110B (zh) | 2019-12-06 | 2019-12-06 | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179110B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700028B (zh) * | 2020-12-02 | 2023-01-10 | 清华-伯克利深圳学院筹备办公室 | 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903268A (zh) * | 2012-08-23 | 2013-01-30 | 上海国际化建工程咨询公司 | 合成气化工及石油化工生产过程动态模拟仿真培训系统 |
| CN103971181A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种用于虚拟电厂的日前经济调度方法 |
| CN104809545A (zh) * | 2015-03-03 | 2015-07-29 | 河海大学 | 一种虚拟电厂运行建模方法 |
| CN106096790A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法 |
| CN106779487A (zh) * | 2017-01-17 | 2017-05-31 | 国网江西省电力公司电力科学研究院 | 一种基于原‑对偶内点法的虚拟电厂动态经济调度模型 |
| CN107506851A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种多区域虚拟电厂综合能源协调调度优化模型 |
| CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
| CN108876091A (zh) * | 2018-04-20 | 2018-11-23 | 浙江大学 | 一种基于软件定义电网实现的虚拟电厂 |
| CN109523052A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 |
| CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AR093075A4 (es) * | 2013-10-21 | 2015-05-20 | Alejandro Suarez Pablo | Monitor de consumo electrico domiciliario para informacion del usuario |
-
2019
- 2019-12-06 CN CN201911239583.2A patent/CN111179110B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903268A (zh) * | 2012-08-23 | 2013-01-30 | 上海国际化建工程咨询公司 | 合成气化工及石油化工生产过程动态模拟仿真培训系统 |
| CN103971181A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种用于虚拟电厂的日前经济调度方法 |
| CN104809545A (zh) * | 2015-03-03 | 2015-07-29 | 河海大学 | 一种虚拟电厂运行建模方法 |
| CN106096790A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法 |
| CN106779487A (zh) * | 2017-01-17 | 2017-05-31 | 国网江西省电力公司电力科学研究院 | 一种基于原‑对偶内点法的虚拟电厂动态经济调度模型 |
| CN107506851A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种多区域虚拟电厂综合能源协调调度优化模型 |
| CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
| CN108876091A (zh) * | 2018-04-20 | 2018-11-23 | 浙江大学 | 一种基于软件定义电网实现的虚拟电厂 |
| CN109523052A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 |
| CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐青山 ; 丁一帆 ; 郑爱霞 ; .计及需求响应的电网安全优化调度模型.控制与决策.2017,(03), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179110A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
| CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN104113061B (zh) | 一种含分布式电源的配电网三相潮流计算方法 | |
| Wang et al. | Design and analysis of genetic algorithm and BP neural network based PID control for boost converter applied in renewable power generations | |
| WO2019184132A1 (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
| CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
| CN116435557A (zh) | 一种基于神经网络的燃料电池热管理方法、装置及系统 | |
| CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
| Rao et al. | Wideband impedance online identification of wind farms based on combined data-driven and knowledge-driven | |
| CN114611676A (zh) | 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 | |
| CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 | |
| CN110096730A (zh) | 一种电网电压快速评估方法及系统 | |
| Wang et al. | Cluster division in wind farm through ensemble modelling | |
| CN116316629B (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
| Long et al. | Multilayer deep deterministic policy gradient for static safety and stability analysis of novel power systems | |
| CN116231747A (zh) | 分布式光伏逆变器控制方法、装置及存储介质 | |
| Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
| CN112308208B (zh) | 基于深度学习模型的变压器故障诊断方法 | |
| CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 |
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 |