CN112036010A - 一种基于数据驱动的光伏系统动态过程混合等效建模方法 - Google Patents

一种基于数据驱动的光伏系统动态过程混合等效建模方法 Download PDF

Info

Publication number
CN112036010A
CN112036010A CN202010777482.7A CN202010777482A CN112036010A CN 112036010 A CN112036010 A CN 112036010A CN 202010777482 A CN202010777482 A CN 202010777482A CN 112036010 A CN112036010 A CN 112036010A
Authority
CN
China
Prior art keywords
model
photovoltaic system
dynamic
equivalent
data
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
Application number
CN202010777482.7A
Other languages
English (en)
Inventor
徐劭辉
龙寰
顾伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010777482.7A priority Critical patent/CN112036010A/zh
Publication of CN112036010A publication Critical patent/CN112036010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

Abstract

本发明公开了一种基于数据驱动的光伏系统动态过程混合等效建模方法，属于计算、推算或计数的技术领域。该方法通过光伏系统的精确仿真模型，确定光伏系统的结构和动态输出特性的影响因素；基于馈线等效和参数等效原则建立光伏系统的等效模型；设定了光伏系统的常规运行工况，针对每种工况随机生成了多组影响因素组合，获取对应的光伏系统精确模型的动态输出和等效模型的动态输出数据；利用精确模型与等效模型动态输出的误差数据，基于循环门控单元神经网络数据驱动模型建立误差修正模型；将误差修正模型与等效模型相结合，得到光伏系统动态过程动态等效模型。本发明在保证精确度的情况下大大减少复杂光伏系统的仿真时间。

Description

一种基于数据驱动的光伏系统动态过程混合等效建模方法
技术领域
本发明属于电力仿真分析技术，具体涉及一种基于数据驱动的光伏系统动态过程混合等效建模方法，属于计算、推算或计数的技术领域。
背景技术
在综合能源系统中，光伏电站的占比越来越高，与传统发电方式不同，光伏发电受外部环境影响较大，光伏发电量不仅由辐照度决定还受到温度的影响。当外部条件发生变化时，高光伏渗透率电网的稳定性会受到挑战，需要考虑其动态特性，以保证电网不会出现崩溃的现象。
现有研究大多是通过数学方法和参数识别对光伏系统进行等效建模，等效模型精确度较低。基于数据驱动建立光伏系统的误差修正模型，可以修正光伏系统等效模型和精确模型之间的误差，提高光伏系统等效模型仿真数据的精确度，减少所需的仿真时间。因此，基于数据驱动建立光伏系统动态仿真模型是十分必要的。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了基于数据驱动的光伏系统动态过程混合等效建模方法，通过门控循环网络减少了光伏系统模型的求解时间并且保证了一定的精度，解决了现有光伏模型仿真代价大的技术问题。
本发明为实现上述发明目的采用如下技术方案：
基于数据驱动的光伏系统动态过程混合等效建模方法，包括以下步骤：
(1)建立光伏系统的精确仿真模型，确定光伏系统的结构和动态输出特性的影响因素；
(2)根据步骤(1)中建立的光伏系统精确模型，基于参数等效和馈线等效原则，建立光伏系统等效模型；
(3)设定了光伏系统的常规运行工况，针对每种工况随机生成了多组影响因素组合，对每种工况随机生成了多组不同辐照度的数据，获取步骤(1)中光伏系统精确模型的动态过程输出和步骤(2)中等效模型的动态过程输出数据；
(4)根据中光伏系统精确模型的动态过程输出和等效模型的动态过程输出数据，得到等效模型的动态过程误差数据，并将数据划分为训练集和测试集，利用门控循环网络，对两个模型的误差数据进行学习，建立误差修正模型；
(5)将步骤(2)建立的光伏系统等效模型和步骤(4)误差修正模型相结合，得到光伏系统的动态等效模型，并利用验证集检验模型精确度。
进一步的，步骤(1)所述的光伏系统精确建模，是对光伏系统中的各个器件进行精确建模，光伏电站采用的是双级式并网模型，需要建立光伏阵列、斩波器、逆变器和滤波器及其控制器的数学模型。此外，还需要考虑光伏电站并网时连接的变压器以及输电线路。光伏系统的输出特性可以描述为P＝f(T,S,U)和Q＝f(T,S,U)，光伏系统的动态输出特性由温度、辐照度和电网电压所决定。光伏系统的动态等效建模架构，主要分为两部分，包括了对光伏系统进行等效建模和基于机器学习建立误差修正模型。
进一步的，步骤(2)所述的光伏系统等效建模方法，是基于步骤(1)中建立的光伏系统，建立了光伏系统的等效模型，基于馈线等效对分布式光伏进行划分，基于参数等效对集中式光伏和分布式光伏进行物理参数等效。根据以下公式得到：
Figure BDA0002618991070000021
Figure BDA0002618991070000022
Figure BDA0002618991070000023
其中，ρi表示等效光伏容量与第i个光伏电站容量之比，N为光伏电站总数，Cpvi、Lpvi为第i个光伏电站中光伏阵列输出端的电容值和光伏阵列的电感值，CpvEQ、LpvEQ为光伏系统中光伏阵列的等效电容值和等效电感值，Ccdi、Lcdi为第i个光伏电站中斩波器的电容值和电感值，CcdEQ、LcdEQ为光伏系统中斩波器的等效电容值和等效电感值，Lfi为第i个光伏电站中滤波器的电感值，LfEQ为光伏系统中滤波器的等效电感值。
进一步的，步骤(3)的具体步骤如下：
(31)设定了光伏系统的常规运行工况，针对每种工况随机生成了多组影响因素组合，通过改变辐照度来模拟光伏系统动态过程，针对常规运行工况场景，生成多组辐照度的数据，每个时刻的辐照度叠加有一定的噪声；
(32)利用常规运行工况，获取光伏系统精确模型在第j种工况下第n组辐照度数据下的运行结果，将精确模型的动态过程有功输出记为
Figure BDA0002618991070000031
和无功输出记为
Figure BDA0002618991070000032
(33)对构建的所有工况进行试验，得到光伏系统的大量精确模型动态过程数据，光伏系统精确模型的动态过程输出数据集
Figure BDA0002618991070000033
和
Figure BDA0002618991070000034
对常规运行工况的精确模型动态过程输出数据集进行数据清洗处理。
(34)基于(2)所建立的光伏系统等效模型和(31)建立的常规运行工况的辐照度数据，得到光伏系统等效模型的动态过程输出数据，将等效模型有功输出记为
Figure BDA0002618991070000035
无功输出记为
Figure BDA0002618991070000036
(35)对构建的所有工况进行试验，得到光伏系统的大量等效模型动态过程数据，光伏系统精确模型的动态过程输出数据集
Figure BDA0002618991070000037
和
Figure BDA0002618991070000038
对常规运行工况的等效模型动态过程输出数据集进行数据清洗处理。
进一步的，步骤(4)的具体步骤如下：
(41)根据步骤(33)得到的精确模型动态过程数据和步骤(35)得到的等效模型动态过程输出数据，分别获得在常规运行工况下的有功误差数据集
Figure BDA0002618991070000039
和无功误差数据集
Figure BDA00026189910700000310
将误差数据集划分为训练集和测试集，并进行归一化，具体计算公式如下：
Figure BDA00026189910700000311
Figure BDA00026189910700000312
Figure BDA00026189910700000313
其中，
Figure BDA00026189910700000314
为
Figure BDA00026189910700000315
的最小值，
Figure BDA00026189910700000316
为
Figure BDA00026189910700000317
的最大值，
Figure BDA00026189910700000318
为
Figure BDA00026189910700000319
的最小值，
Figure BDA00026189910700000320
为
Figure BDA00026189910700000321
的最大值；
(42)基于机器学习方法，建立误差修正模型，对多个基循环门控学习机同时进行训练，并对其进行加权集成建立集成循环门控网络，利用集成循环门控网络进行学习训练，人为设置基循环门控学习机的隐藏层数、神经元个数和激活函数等参数，并以均方根误差(RMSE)作为误差修正模型的评估标准，计算公式如下所示：
Figure BDA0002618991070000041
其中，n是训练集样本点个数，yk是第k个数据点误差数据的有功或无功数值，
Figure BDA0002618991070000042
是第k个数据点误差修正模型的有功或无功数值；
(43)步骤(41)中的误差数据集中的训练集将作为输入数据对误差模型进行训练，依据均方根误差对模型训练效果进行评估。随后，使用误差数据集中的测试集对误差修正模型的训练效果进行测试，并依据均方根误差对误差修正模型的训练效果进行评估。
本发明采用上述技术方案，具有以下有益效果：
(1)本发明基于光伏系统精确模型和等效模型的大量仿真运行数据，结合机器学习建立了针对两种模型误差数据的误差修正模型，结合误差修正模型与等效模型相以建立混合等效模型，解决了等效模型动态过程仿真精确度较低的问题。
(2)构建了常规运行工况下的多组仿真数据，避免了传统方法中仅选取少量典型场景的分析局限性。
(3)利用机器学习建立每一种工况下精确模型与等效模型动态输出误差的基循环门控学习机，加权集成基循环门控学习机得到基于循环门控单元神经网络数据驱动模型，通过精确模型和等效模型大量仿真数据驱动作用修正等效模型动态输出误差，能够处理光伏系统等效模型输出序列的误差，有效降低仿真时间，解决了传统精确建模仿真时间代价大的不足。
附图说明
图1是本发明混合等效建模方法的流程图。
图2是光伏系统精确模型的拓扑结构示意图。
图3是光伏系统等效模型的拓扑结构示意图。
图4(a)、图4(b)、图4(c)是常规运行工况下瞬时扰动、阶跃扰动、长期随机扰动动态过程中的辐照度波形图。
图5(a)、图5(b)是常规运行工况下瞬时扰动动态过程中混合等效模型仿真有功功率输出、无功功率输出的验证结果。
图6(a)、图6(b)是常规运行工况下阶跃扰动动态过程中混合等效模型仿真有功功率输出、无功功率输出的验证结果。
图7是(a)、图7(b)常规运行工况下长期随机扰动动态过程中混合等效模型仿真有功功率输出、无功功率输出的验证结果。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
本发明提供的是一种基于数据驱动的光伏系统动态过程混合等效建模方法，该方法的流程图如图1所示，具体包括以下5个步骤。
步骤1、确定光伏系统的结构和动态输出特性的影响因素后建立光伏系统的精确仿真模型
光伏系统包含了集中式光伏和分布式光伏电站，还包括了负荷、变压器和输电线路。对光伏系统中的各个器件进行精确建模，光伏电站的数学模型采用的是双级式并网模型，需要建立光伏阵列、斩波器、逆变器和滤波器及其控制器的数学模型。
光伏系统输出功率可以描述为P＝f(T,S,U)和Q＝f(T,S,U)，光伏系统的动态输出特性由温度T、辐照度S和电网电压U所决定。光伏系统的动态等效建模架构主要分为两部分，包括了对光伏系统进行等效建模和基于机器学习建立误差修正模型。
光伏阵列与斩波器组成光伏电站的第一级并网系统，光伏阵列输出的直流电经斩波器进行电压幅值变换，保证逆变器能正常工作。第一级并网系统还包括了光伏阵列的最大功率点追踪控制器和斩波器的PWM控制器，第一并网系统的数学模型可以按以下公式描述：
Ipv＝UpvCpvs+iL
LdcsiL＝Upv-(1-D)Udc (1)，
CdcsUdc＝Idc-(1-D)iL
式(1)中，Upv和Ipv分别为光伏阵列的输出电压和输出电流，iL为斩波器中电感的电流，Cpv是光伏阵列输出端的电容值，Ldc是斩波器的电感值，Cdc是斩波器的电容值，D是开关的占空比，Idc和Udc是斩波器在拉普拉斯域内的平均输出电压和平均输出电流。
逆变器和滤波器组成光伏电站的第二级并网系统，逆变器将斩波器的直流输出电压转化为与电网电压幅值频率相同的三相交流电，滤波器用于滤除谐波。滤波器的控制方式为双环控制。其中，滤波器的数学模型可以按以下公式描述：
Figure BDA0002618991070000061
式(2)中，uid和uiq是d轴和q轴的输出电压，urd和urq是d轴和q轴上的调制波电压，UP是载波的峰值电压。
本实施例搭建于MATLAB/Simulink，该系统的拓扑结构如图2所示。验证每个器件的动态特性和稳态特性，随后将器件相连组成光伏模型。此外，需要对光伏模型的输出电流进行d-p坐标轴变换。最后，将光伏模型并网运行，测试模型是否能正常工作，电网是否会出现电压崩溃等问题。
步骤2、基于参数等效和馈线等效原则建立光伏系统等效模型
由于集中式光伏和分布式光伏的特性不同，对集中式光伏精确模型进行参数等效，对分布式光伏精确模型进行馈线等效后再进行参数等效，得到光伏系统的等效模型，图2所示的光伏系统精确模型等效后的网络结构如图3所示。基于馈线等效是指对分布式光伏进行划分以减少分布式光伏的个数。基于参数等效是指对集中式光伏和经馈线等效后的分布式光伏进行物理参数等效，物理参数等效值根据以下公式得到：
Figure BDA0002618991070000062
式(3)中，ρi表示等效光伏容量与第i个光伏电站容量之比，N为光伏电站总数，Cpvi、Lpvi为第i个光伏电站中光伏阵列输出端的电容值和光伏阵列的电感值，CpvEQ、LpvEQ为光伏系统中光伏阵列的等效电容值和等效电感值，Ccdi、Lcdi为第i个光伏电站中斩波器的电容值和电感值，CcdEQ、LcdEQ为光伏系统中斩波器的等效电容值和等效电感值，Lfi为第i个光伏电站中滤波器的电感值，LfEQ为光伏系统中滤波器的等效电感值。
步骤3、测试精确模型和等效模型在动态过程中的输出数据
光伏系统运行在稳态时，精确模型和等效模型之间的误差通常为一个常数。当光伏系统的外部条件改变时，由于控制参数的差异，等效模型和精确模型的动态过程会有较大的差距。将通过改变辐照度来模拟光伏系统的动态过程，其具体步骤如下：
(31)构建了多种光伏系统运行工况，选择其中的典型运行工况，分别模拟了长期随机扰动、瞬时扰动和阶跃扰动三种动态过程。针对常规运行工况场景生成多组辐照度的数据，每组数据的采样时间为0.6秒，采样周期为0.005秒，由120个采样点组成，每个时刻的辐照度叠加有一定的噪声，图4(a)、图4(b)、图4(c)分别为常规运行工况下瞬时扰动、阶跃扰动、长期随机扰动动态过程中的一组辐照度数据。
(32)记常规运行工况为第j种工况获取光伏系统精确模型在第j种工况下第n组辐照度数据下的运行结果，将精确模型的动态有功输出和无功输出记为
Figure BDA0002618991070000071
Figure BDA0002618991070000072
和
Figure BDA0002618991070000073
为时间序列数据，包含了120个有功功率和无功功率的样本点。
(33)对构建的所有工况进行试验得到光伏系统的大量精确模型动态数据，遍历所有运行工况各组辐照度数据获得每种运行工况下的n组动态输出数据，光伏系统精确模型在第j种工况下的动态输出数据集为
Figure BDA0002618991070000074
和
Figure BDA0002618991070000075
由于辐照度叠加的噪声是随机的，因此可能会出现异常点，需要对常规运行工况下的动态输出数据集进行数据清洗处理。
(34)测试光伏系统等效模型在常规运行工况下的运行情况得到光伏系统等效模型的动态输出数据，将等效模型有功输出记为
Figure BDA0002618991070000076
无功输出记为
Figure BDA0002618991070000077
Figure BDA0002618991070000078
和
Figure BDA0002618991070000079
为时间序列数据，包含了120个有功功率和无功功率的样本点。
(35)对构建的所有工况进行试验，得到光伏系统的大量等效模型动态数据，光伏系统等效模型的动态输出数据集
Figure BDA00026189910700000710
和
Figure BDA00026189910700000711
对常规运行工况下光伏系统等效模型的动态输出数据集进行数据清洗处理。
步骤4、根据精确模型和等效模型动态过程输出数据的误差建立误差修正模型
计算等效模型动态过程输出与精确模型动态过程输出的误差数据，并将误差数据划分为训练集和测试集，基于数据驱动和机器学习对两个模型的误差数据进行学习，建立误差修正模型，其具体步骤如下：
(41)根据精确模型动态数据和等效模型动态过程输出数据，分别获得在常规运行工况下的有功误差数据集
Figure BDA0002618991070000081
和无功误差数据集
Figure BDA0002618991070000082
将误差数据集划分为训练集和测试集，训练集用于对误差修正模型进行训练，测试集用于测试误差修正模型的训练效果。对训练集和测试集进行归一化处理，具体计算公式如下：
Figure BDA0002618991070000083
式(4)中，
Figure BDA0002618991070000084
分别为第j种工况下精确模型、等效模型输出的第n个有功功率数据，
Figure BDA0002618991070000085
分别为第j种工况下精确模型、等效模型输出的第n个无功功率数据，
Figure BDA0002618991070000086
为第j种工况下第n个有功功率数据的误差，
Figure BDA0002618991070000087
为第j种工况下第n个无功功率数据的误差，
Figure BDA0002618991070000088
为
Figure BDA0002618991070000089
的最小值和最大值，
Figure BDA00026189910700000810
为
Figure BDA00026189910700000811
的最小值和最大值。
(42)基于机器学习方法建立误差修正模型，利用集成循环门控网络进行学习训练，集成循环门控网络由多个循环门控网络经一定的算法加权集成得到的，其建立方法为对多个基循环门控学习机同时进行训练，并对所有基学习机利用BP网络进行加权集成建立集成循环门控网络。循环门控网络有多个参数需要人为设定，包括隐藏层数、神经元个数和激活函数等参数，为了保障模型的准确性，将随机生成部分参数，减小人为判断带来的误差。误差修正模型以均方根误差(RMSE)为误差修正模型的评估标准，计算公式如下所示：
Figure BDA00026189910700000812
式(5)中，n是训练集样本点个数，yk是第k个数据点误差数据的有功或无功数值，
Figure BDA00026189910700000813
是第k个数据点误差修正模型的有功或无功数值。
(43)误差数据集中的训练集将作为输入数据对误差模型进行训练，需要对模型的训练效果进行评估，依据均方根误差对模型进行评估。当模型训练误差满足要求时，使用误差数据集中的测试集对误差修正模型的训练效果进行测试，测试是否出现过拟合，依据均方根误差对误差修正模型的训练效果进行评估。
步骤5、结合光伏系统等效模型和误差修正模型得到光伏系统的动态等效模型
动态等效模型由等效模型和误差修正模型组成，等效模型的输出序列作为误差修正模型的输入数据，误差修正模型得到的误差修正值序列与等效模型的输出序列相加得到混合等效模型的输出序列。
本实施例中，光伏系统搭建于MATLAB/Simulink。其中，有功功率的误差修正模型由50个基学习机组成，无功功率从的误差修正模型由25个基学习机组成。图5-图7为常规运行工况下动态等效模型的验证结果，图5(a)、图5(b)为瞬时扰动下有功输出和无功输出的验证结果，图6(a)、图6(b)为阶跃扰动下有功输出和无功输出的验证结果，图7(a)、图7(b)为长期随机扰动下有功输出和无功输出的验证结果，可以发现动态等效模型有效地缩小了输出数据与精确模型输出数据之间的误差，且集成循环门控网络建立的误差修正模型随机误差较小。

Claims (7)

1.一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，建立光伏系统精确模型和等效模型，根据光伏系统动态输出特性的影响因素仿真光伏系统的动态运行过程，采样光伏系统精确模型和等效模型在各工况下的动态输出，根据精确模型和等效模型在各种工况下的动态输出误差建立误差修正模型，结合等效模型和误差修正模型得到光伏系统的动态等效模型。
2.根据权利要求1所述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，建立光伏系统等效模型的方法为：对集中式光伏的精确模型进行参数等效，对分布式光伏的精确模型先进行馈线等效再进行参数等效，组合集中式光伏等的效模型和分布式光伏的等效模型得到光伏系统的等效模型。
3.根据权利要求1所述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，根据光伏系统动态输出特性的影响因素仿真光伏系统的动态运行过程的方法为：改变辐照度模拟光伏系统的动态运行过程，或，改变温度模拟光伏系统的动态运行过程，或，改变电网电压模拟光伏系统的动态运行过程。
4.根据权利要求1所述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，根据精确模型和等效模型在各种工况下的动态输出误差建立误差修正模型的方法为：采用基循环门控学习机训练精确模型和等效模型动态输出的误差得到每一种工况下精确模型和等效模型动态输出误差的学习机，对各工况下精确模型和等效模型动态输出误差的学习机进行加权集成得到修正等效模型输出误差的集成循环门控网络。
5.根据权利要求4所述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，采用基循环门控学习机训练精确模型和等效模型动态输出的误差得到每一种工况下精确模型和等效模型动态输出误差的学习机的方法为：获取每一种工况下精确模型和等效模型的动态输出误差数据集，将动态输出误差数据集划分为训练集和测试集，训练集作为学习机的训练阶段的输入数据，测试集作为学习机测试阶段的输入数据。
6.根据权利要求5述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，归一化处理训练集和测试集。
7.根据权利要求5述一种基于数据驱动的光伏系统动态过程混合等效建模方法，其特征在于，以均方根误差为学习机测试阶段的评估标准。
CN202010777482.7A 2020-08-05 2020-08-05 一种基于数据驱动的光伏系统动态过程混合等效建模方法 Pending CN112036010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010777482.7A CN112036010A (zh) 2020-08-05 2020-08-05 一种基于数据驱动的光伏系统动态过程混合等效建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010777482.7A CN112036010A (zh) 2020-08-05 2020-08-05 一种基于数据驱动的光伏系统动态过程混合等效建模方法

Publications (1)

Publication Number Publication Date
CN112036010A true CN112036010A (zh) 2020-12-04

Family

ID=73582423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010777482.7A Pending CN112036010A (zh) 2020-08-05 2020-08-05 一种基于数据驱动的光伏系统动态过程混合等效建模方法

Country Status (1)

Country Link
CN (1) CN112036010A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113258607A (zh) * 2021-06-17 2021-08-13 昆明理工大学 基于不同渗透下的光伏发电系统动态离散等值模型建立方法
CN116937696A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于光伏发电系统的自适应等效建模方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113258607A (zh) * 2021-06-17 2021-08-13 昆明理工大学 基于不同渗透下的光伏发电系统动态离散等值模型建立方法
CN113258607B (zh) * 2021-06-17 2022-09-20 昆明理工大学 基于不同渗透下的光伏发电系统动态离散等值模型建立方法
CN116937696A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于光伏发电系统的自适应等效建模方法
CN116937696B (zh) * 2023-09-18 2023-12-05 四川大学 一种基于光伏发电系统的自适应等效建模方法

Similar Documents

Publication Publication Date Title
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN111506869B (zh) 基于多正弦波信号注入的并网逆变器频率耦合阻抗特性提取方法
Li et al. Dynamic equivalent modeling of two-staged photovoltaic power station clusters based on dynamic affinity propagation clustering algorithm
CN108448635B (zh) 光伏发电系统不对称电压跌落下故障穿越全过程建模方法
CN110556871B (zh) 基于结构保持方法的大规模光伏发电系统聚合等值方法
CN109672221B (zh) 一种用于次同步振荡分析的直驱风电场动态等值方法
CN112131783A (zh) 一种基于配电台区大数据的户变拓扑关系识别方法
CN109698521B (zh) 一种基于实测数据的光伏逆变器的低穿特性辨识方法
CN112036010A (zh) 一种基于数据驱动的光伏系统动态过程混合等效建模方法
CN110350515B (zh) 一种适用于故障电流分析的柔性直流电网建模方法
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
CN106410862A (zh) 基于有功恢复斜率校正的风电场单机等值方法
CN113131515A (zh) 智能微电网ai故障检测及网络优化重构系统及方法
CN109167395B (zh) 基于adpss的光伏发电系统的暂态等值电势辨识方法
CN111737919A (zh) 一种适用于次同步振荡分析的直驱式风电场分群方法
CN111293693A (zh) 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法
CN110829491A (zh) 一种基于暂态扰动下的并网光伏发电系统参数辨识方法
CN115659601A (zh) 一种双馈风电场单机等值并网模型的参数辨识方法及装置
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
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
CN110957723B (zh) 一种数据驱动的在线快速评估电网暂态电压安全性的方法
CN115204048A (zh) 一种光伏发电系统模型辨识系统和方法
CN111045329B (zh) 基于自适应模式切换的双馈风机数字物理混合仿真方法
CN113224788A (zh) 含有风电接入的交直流混联电网静态电压稳定评估方法
CN113537821A (zh) 一种电力系统状态的快速评估方法及系统

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