CN112271725A - 一种基于电压越限风险的光伏逆变器校正控制方法 - Google Patents

Abstract

本发明公开了一种基于电压越限风险的光伏逆变器校正控制方法，采集光伏逆变器时序值和断面值，构建时序预测模型和风险预测模型；基于所述时序预测模型和风险预测模型构建时序风险预测模型并计算；基于所述计算结果，构建光伏逆变器校正控制算法；基于所述光伏逆变器校正控制算法控制光伏逆变器输出。该方法通过预测未来光伏输出的概率模型，基于时序的预测仿真控制实时的光伏逆变器输出，相比传统电压无功控制，该校正控制方法可以显著改善电压越限和电压波动的情况。

Description

一种基于电压越限风险的光伏逆变器校正控制方法

技术领域

本发明涉及能源系统技术领域，具体涉及一种基于电压越限风险的光伏逆变器校正控制方法。

背景技术

光伏(PV)是一种非常受欢迎的可再生能源，由于其具有环保和投资价值，将光伏整合到电网中的情况正在迅速增加；然而由于不可预测的天气、云层移动、温度和其他自然条件导致的电压波动问题，导致光伏发电输出是高度可变和间歇性的，由此也会带来电压波动和越限的风险。

目前，针对光伏电压波动性的评估，大多采取以电压方差作为评估指标，以电压波动偏离额定工作电压的方差大小来表征波动性的大小，然而基于当前时间断面的电压偏差量并没有结合电压发展趋势和风险综合判断控制，其控制信号具有时滞性，对光伏和系统的电压稳定性有重要影响，一旦产生巨大偏差就会出现无法及时响应冲击，导致系统产生连锁电压越限故障的问题。

发明内容

针对上述问题，本发明的目的是提供一种基于电压越限风险的光伏逆变器校正控制方法，该方法通过预测未来光伏输出的概率模型，基于时序的预测仿真控制实时的光伏逆变器输出，相比传统电压无功控制，该校正控制方法可以显著改善电压越限和电压波动的情况。

本发明所采用的技术方案是：一种基于电压越限风险的光伏逆变器校正控制方法，包括以下步骤：

S100：采集光伏逆变器时序值和断面值，构建时序预测模型和风险预测模型；

S200：基于所述时序预测模型和风险预测模型构建时序风险预测模型并计算综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值；

S300：基于所述综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值的计算结果，构建光伏逆变器校正控制算法；

S400：基于所述光伏逆变器校正控制算法控制光伏逆变器输出。

优选地，步骤S100中所述构建风险预测模型，具体为：

根据Gram-Charlier级数对预测量电压、光伏有功输出、光伏无功输出、接入点负荷总有功输出建立对应的概率密度函数。

优选地，所述预测量电压对应的概率密度函数通过以下公式得到：

式中，f(U_i)为电压概率密度函数；S_x为电压的方差；

为标准正态分布函数；

为电压的平均值；U_i为电压序列；

为φ的一阶导数；k为阶数参数，k＝1、2、3...；

为φ的k阶导数；c_k为中心矩系数。

优选地，所述构建时序风险预测模型包括构建电压时序风险预测模型、接入点负荷总有功输出时序风险预测模型、光伏有功输出时序风险预测模型和光伏无功输出时序风险预测模型。

优选地，所述构建电压时序风险预测模型具体步骤为：

S210：基于时序预测模型确定下一时间节点的工作点；

S220：对电压的概率分布函数进行数值分析，得出电压风险概率边界；

S230：基于时序预测模型和风险模型得出下一时间节点的预测结果；

S240：基于所述下一时间节点的预测结果得出电压时序风险预测模型并求解，得出综合预测值。

优选地，所述电压时序风险预测模型具体为：

U_com＝aU_95％+(1-a)U_tn+1 (14)

式中，U_com为综合预测电压值；U_95％为电压风险概率边界；U_tn+1为下一时间节点的电压预测值；a为风险预测与时序预测的比例。

优选地，步骤S300中所述构建光伏逆变器校正控制算法具体包括以下步骤：

S310：构建光伏并入点模型；

S320：对预测量计算电压值和综合预测电压值进行加权，得出下一时间节点的电压综合预测值；

S330：基于所述下一时间节点的电压综合预测值和当前时间节点的电压，得出下一时刻的电压偏差量；

S340：基于所述下一时刻的电压偏差量，在当前时刻对逆变器的无功进行补偿控制。

优选地，所述预测量计算电压值通过以下公式得到：

式中，U_cal为预测量计算电压值；P_com为综合预测光伏有功输出值；ZT为线路的阻抗参数；θ为相角；U_com为综合预测电压值；Q_com为综合预测光伏无功输出值；E为光伏接入点的电压。

优选地，所述下一时间节点的电压综合预测值通过以下公式得到：

U_fin＝αU_cal+(1-α)U_com (18)

式中，U_fin为下一时间节点的电压综合预测值；U_cal为预测量计算电压值；U_com为综合预测电压值；α为比例系数。

优选地，步骤S340中的所述补偿控制具体为：

式中，U^th-ov为光伏电压偏差上下界参数；-m^OV为过电压时传统无功下垂的控制斜率；+m^OV为欠电压时传统无功下垂的控制斜率；△U为下一时刻的电压偏差量；

为过电压时最大光伏无功输出；

为欠电压时最大光伏无功输出；Q_PV为当前时刻控制输出的无功。

上述技术方案有益效果：

(1)本发明将时序预测电压值、风险预测电压值、潮流计算电压值三者加权结合，精益化预测电压的变化，根据电压变化值确立光伏无功的输出控制量，改善电压越限和电压波动的情况。

(2)本发明预测未来光伏输出的概率模型，基于时序的预测仿真控制实时的光伏逆变器输出，相比传统电压无功控制，该校正控制方法可以显著改善电压越限和电压波动的情况。

附图说明

图1为本发明一个实施例提供的一种基于电压越限风险的光伏逆变器校正控制方法流程图；

图2为本发明一个实施例提供的光伏并入点PCC建模结构示意图；

图3为本发明一个实施例提供的下一时间电压预测差值与当前无功补偿偏差量的示意图；

图4为本发明算例分析中IEEE33节点配电系统结构示意图；

图5为本发明算例分析中光伏输出曲线示意图；

图6为本发明算例分析中日负荷曲线示意图；

图7为本发明算例分析中采用传统无功控制计算仿真控制的结果曲线图；

图8为本发明算例分析中采用本发明的改良校正控制算法计算仿真控制的结果曲线图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例一

如图1所示，本发明提供了一种基于电压越限风险的光伏逆变器校正控制方法，包括以下步骤：

S100：采集光伏逆变器时序值和断面值，构建时序预测模型和风险预测模型；

(1)采集光伏逆变器时序值和断面值；

1)时序采集值

本发明实施场景为光伏接入电网，设当前时刻为t_now，以周期采集数据，时序采集值如下：

①光伏接入时序电压变化：U_t1，U_t1+1，U_t1+2…U_tn

②光伏有功输出功率P_t1，P_t1+1，_Pt1+2…P_tn

③光伏无功输出功率Q_t1，Q_t1+1，Q_t1+2…Q_tn

④接入点负荷总有功输出功率L_t1，L_t1+1，L_t1+2…L_tn

其中tn为最接近t_no_w的采集周期点。

2)断面采集值

本发明实施场景为光伏接入电网，设当前时刻为t_no_w，断面采集值如下：

①当前断面电压U_tno_w

②当前断面光伏有功输出功率P_tno_w

③当前断面光伏无功输出功率Q_tno_w

④当前断面接入点负荷总有功输出功率L_tno_w

(2)构建时序预测模型

基于获取的时序采集数据，建立NARX神经网络时序预测模型，给出下一时间节点的工作预测点。

NARX神经网络模型通过以下公式表达：

对于本发明的电压时序预测模型，考虑K取0且不是广义性，由此时序预测模型通过以下公式表达：

式中，y为电压、光伏有功输出、光伏无功输出、接入点负荷总有功输出；n为时间或时序节点；d_y为输出量延迟的时序窗口大小；d_u为输入量延迟的时序窗口大小；u为与输出有关的变量，u需要选择与y有关的变量；对应选择如表1。

表1 u与y的对应选择

Y	U
		U<sub>tnow</sub>	Q<sub>tnow</sub>、L<sub>tnow</sub>
P<sub>tnow</sub>	Q<sub>tnow</sub>
		Q<sub>tnow</sub>	P<sub>tnow</sub>
L<sub>tnow</sub>	U<sub>tnow</sub>、Q<sub>tnow</sub>

建立时序预测模型后，利用贝叶斯正则化，在BP算法的基础上，将目标函数进行修正，对时序预测模型进行求解；上述讲目标函数修正为：

F＝γE_D+αE_W (3)

式中，F为神经网络的训练目标函数；E_D为传统BP的网络误差；E_W为神经网络的权重平方和；α和γ为需要确定的神经网络参数。

假设权重分布随机，则权重概率密度通过以下公式得到：

式中，M为模型；D为训练的样本；α和γ分别为需要确定的神经网络参数；P表示概率密度函数；w为神经网络的权重参数。

将目标函数F在极小点展开，拉普拉斯近似如下：

式中，Z_F(α,γ)为目标函数F在极小点展开的值，α和γ分别为需要确定的神经网络参数；w^MAP为表示后验最大时的神经网络参数；

为传统BP的网络误差；

为神经网络的权重平方和；F为神经网络的训练目标函数。

其中，Hessian矩阵的最大后验情况H^MAP通过以下公式得到：

目标函数F的Hessian矩阵H可以通过如下计算：

H＝J′J (7)

其中，

式中，J′为J的转置矩阵；J为一阶导数雅克比矩阵；e_N(w)为神经网络的误差，w为神经网络的权重参数。

目标函数F的Hessian矩阵H与传统BP的网络误差和神经网络的权重平方和存在以下关系：

通过以上方法，可以求得神经网络最佳的参数α与γ，由此确定神经网络的目标函数F，进而对神经网络时序预测模型利用BP方法进行训练。

建立时序预测模型后，利用时序预测模型求得下一时间节点的预测值为：U_tn+1、P_tn+1、Q_tn+1和L_tn+1。

(3)构建风险预测模型

采用Gram-Charlier级数展开，对观测量的风险进行预测。

构建风险预测模型具体为根据Gram-Charlier级数对预测量电压、光伏有功输出、光伏无功输出、接入点负荷总有功输出建立对应的概率密度函数，以电压为例其概率密度函数通过以下公式表示：

式中，f(U_i)为电压概率密度函数；S_x为电压的方差；

为标准正态分布函数；

为电压的平均值；U_i为电压序列；

为φ的一阶导数；k为阶数参数，k＝1、2、3...；

为φ的k阶导数；c_k为中心矩系数，通过以下公式得到：

其中，β为标准化

的阶矩，即：

其中，σ为电压的标准差；m_i为电压U的阶矩，即

式中，σ为电压的标准差；m_i为电压U的阶矩，U_n为电压；

为电压U的阶矩的阶数；N为采样的电压值数量；n为采样点的数量。

由公式8得到电压的概率密度函数f，则电压的概率分布函数F(x)通过以下公式得到：

光伏有功输出、光伏无功输出、接入点负荷总有功输出的概率密度函数同理可求。

S200：基于上述时序预测模型和风险预测模型构建时序风险预测模型并计算综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值；

本发明将时序预测模型和风险预测模型进行结合构建时序风险预测模型，构建时序风险预测模型包括构建电压时序风险预测模型、接入点负荷总有功输出时序风险预测模型、光伏有功输出时序风险预测模型和光伏无功输出时序风险预测模型；对上述模型求解进行电压时序越限风险的评估。

以电压为例，电压时序风险预测模型的构建包括以下步骤：

(1)根据时序预测模型预测确立下一时间节点的工作点，即U_tn+1；

(2)对电压的概率分布函数F(x)进行数值分析，例如取置信区间为95％，可以得到电压风险概率边界为U_95％；

(3)根据光伏接入时序电压变化U_t1,U_t1+1,U_t1+2…U_tn的不同，通过时序预测模型和风险模型对下一时间节点进行预测，得出预测结果为：[U_95％,U_tn+1]或[U_tn+1,U_95％]；

(4)基于下一时间节点的预测结果得出电压时序风险预测模型并计算得出综合预测值，电压时序风险预测模型为：

U_com＝aU_95％+(1-a)U_tn+1 (14)

式中，U_com为综合预测电压值；U_95％为电压风险概率边界；U_tn+1为下一时间节点的电压预测值；a为风险预测与时序预测的比例。

若前序时序变化趋势大，则时序预测权重大；反之若前序时序变化趋势不显著，但波动大，则风险预测权重大。

接入点负荷总有功输出时序风险预测模型、光伏有功输出时序风险预测模型和光伏无功输出时序风险预测模型的构建方法同电压时序风险预测模型的构建方法一样。

综合预测接入点负荷总有功输出值L_com、综合预测光伏有功输出值P_com和综合预测光伏无功输出值Q_com的计算方法同上述U_com的计算方法一样，可参照上述U_com的计算方法得出L_com、P_com和Q_com的值。

S300：基于综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值的计算结果，构建光伏逆变器校正控制算法；

预测量分为被动变化量和主动控制量，被动变化量为负荷L和有功输出P，不考虑逆变器的控制算法调控，负荷L为光伏输出无关变量，受负荷变化影响，有功输出受天气因素影响；主动控制量为Q，可以控制U的变化，电压U为被控量，可以校正惩罚。

如图2所示，对光伏并入点进行建模，根据潮流计算可得：

式中，P为总有功；Q为总无功；P_L为有功负荷；Q_L为无功负荷；P_PV为光伏有功；Q_PV为光伏无功；E为光伏接入点的电压；V_L为光伏接入点电压的幅值；Z_T为线路的阻抗参数；θ为相角；δ为幅值。

根据预测量P_com、Q_com，可以求得预测量计算电压值U_cal为：

式中，U_cal为预测量计算电压值；P_com为综合预测光伏有功输出值；Z_T为线路的阻抗参数；θ为相角；U_com为综合预测电压值；Q_com为综合预测光伏无功输出值；E为光伏接入点的电压。

将预测量计算电压U_cal与综合预测电压值(直接预测电压)U_com加权，求得下一时间节点的电压综合预测值为：

U_fin＝αU_cal+(1-α)U_com (18)

式中，U_fin为下一时间节点的电压综合预测值；U_cal为预测量计算电压值；U_com为综合预测电压值；α为比例系数。

则下一时刻的电压偏差量△U通过以下公式得到：

ΔU＝U_now-U_fin (19)

式中，ΔU为下一时刻的电压偏差量；U_now为当前时间节点的电压；U_fin为下一时间节点的电压综合预测值。

类比传统无功补偿原理，提出一种逆变器校正算法，如图3所示，根据下一时刻的电压偏差量，在当前时刻就提前对逆变器的无功进行补偿，控制方程通过以下公式表达：

式中，U^th-ov为光伏电压偏差上下界参数；-m^OV为过电压时传统无功下垂的控制斜率；+m^OV为欠电压时传统无功下垂的控制斜率；△U为下一时刻的电压偏差量；

为过电压时最大光伏无功输出；

为欠电压时最大光伏无功输出；Q_PV为当前时刻控制输出的无功。

Qpv基于下一时间节点的电压预测量给出，相比传统的下垂控制，更适应电压波动场景下的电压控制。

S400：基于光伏逆变器校正控制算法控制光伏逆变器输出。

下面结合具体算例分析本发明的实际效果：

(1)算例基本参数

如图4所示，以配网IEEE33节点为例，在支路末端18号节点接入光伏；光伏容量为6VA，其他参数选取为IEEE33节点标准参数；如图5、图6所示，选择光伏输出曲线和典型日负荷曲线，仿真时间为24小时；光伏和负荷输出曲线的纵坐标单位均为KW。

仿真结果如图7、图8所示，纵坐标单位为电压/pu；通过图7和图8曲线对比能够看出，本发明提出的校正电压越限和波动程度更好，通过传统无功控制和本发明的改良校正控制计算仿真控制结果并对比，计算仿真控制结果见表2。

表2传统无功控制和本发明的改良校正控制计算仿真控制结果

控制情况	电压最小值/pu	电压最大值
			传统无功控制	0.863	1.126
改良校正控制	0.972	1.072

根据表2中的计算结果可知，本发明提出的考虑电压越限风险的光伏逆变器校正控制方法相比传统电压无功控制方法，该方法可以显著改善电压越限和电压波动的情况。

本发明利用风险理论分析了电压越限风险，预测未来光伏输出的概率模型，基于时序的预测仿真控制实时的光伏逆变器输出，相比传统电压无功控制，该校正控制方法可以显著改善电压越限和电压波动的情况。

本发明将时序预测电压值、风险预测电压值、潮流计算电压值三者加权结合，精益化预测电压的变化，根据电压变化值确立光伏无功的输出控制量，改善电压越限和电压波动的情况。

虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求范围内的所有技术方案。

Claims (10)

1.一种基于电压越限风险的光伏逆变器校正控制方法，其特征在于，包括以下步骤：

S100：采集光伏逆变器时序值和断面值，构建时序预测模型和风险预测模型；

S200：基于所述时序预测模型和风险预测模型构建时序风险预测模型并计算综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值；

S300：基于所述综合预测电压值、综合预测接入点负荷总有功输出值、综合预测光伏有功输出值和综合预测光伏无功输出值的计算结果，构建光伏逆变器校正控制算法；

S400：基于所述光伏逆变器校正控制算法控制光伏逆变器输出。

2.根据权利要求1所述的光伏逆变器校正控制方法，其特征在于，步骤S100中所述构建风险预测模型，具体为：

根据Gram-Charlier级数对预测量电压、光伏有功输出、光伏无功输出、接入点负荷总有功输出建立对应的概率密度函数。

3.根据权利要求2所述的光伏逆变器校正控制方法，其特征在于，所述预测量电压对应的概率密度函数通过以下公式得到：

式中，f(U_i)为电压概率密度函数；S_x为电压的方差；

为标准正态分布函数；

为电压的平均值；U_i为电压序列；

为φ的一阶导数；k为阶数参数，k＝1、2、3...；

为φ的k阶导数；c_k为中心矩系数。

4.根据权利要求1所述的光伏逆变器校正控制方法，其特征在于，所述构建时序风险预测模型包括构建电压时序风险预测模型、接入点负荷总有功输出时序风险预测模型、光伏有功输出时序风险预测模型和光伏无功输出时序风险预测模型。

5.根据权利要求4所述的光伏逆变器校正控制方法，其特征在于，所述构建电压时序风险预测模型具体步骤为：

S210：基于时序预测模型确定下一时间节点的工作点；

S220：对电压的概率分布函数进行数值分析，得出电压风险概率边界；

S230：基于时序预测模型和风险模型得出下一时间节点的预测结果；

S240：基于所述下一时间节点的预测结果得出电压时序风险预测模型并求解，得出综合预测值。

6.根据权利要求5所述的光伏逆变器校正控制方法，其特征在于，所述电压时序风险预测模型具体为：

式中，U_com为综合预测电压值；U_95％为电压风险概率边界；U_tn+1为下一时间节点的电压预测值；a为风险预测与时序预测的比例。

7.根据权利要求1所述的光伏逆变器校正控制方法，其特征在于，步骤S300中所述构建光伏逆变器矫正控制算法具体包括以下步骤：

S310：构建光伏并入点模型；

S320：对预测量计算电压值和综合预测电压值进行加权，得出下一时间节点的电压综合预测值；

S330：基于所述下一时间节点的电压综合预测值和当前时间节点的电压，得出下一时刻的电压偏差量；

S340：基于所述下一时刻的电压偏差量，在当前时刻对逆变器的无功进行补偿控制。

8.根据权利要求7所述的光伏逆变器校正控制方法，其特征在于，所述预测量计算电压值通过以下公式得到：

式中，U_cal为预测量计算电压值；P_com为综合预测光伏有功输出值；Z_T为线路的阻抗参数；θ为相角；U_com为综合预测电压值；Q_com为综合预测光伏无功输出值；E为光伏接入点的电压。

9.根据权利要求7所述的光伏逆变器校正控制方法，其特征在于，所述下一时间节点的电压综合预测值通过以下公式得到：

U_fin＝αU_cal+(1-α)U_com (18)

式中，U_fin为下一时间节点的电压综合预测值；U_cal为预测量计算电压值；U_com为综合预测电压值；α为比例系数。

10.根据权利要求8所述的光伏逆变器校正控制方法，其特征在于，步骤S340中的所述补偿控制具体为：

式中，U^th-ov为光伏电压偏差上下界参数；-m^OV为过电压时传统无功下垂的控制斜率；+m^OV为欠电压时传统无功下垂的控制斜率；△U为下一时刻的电压偏差量；

为过电压时最大光伏无功输出；

为欠电压时最大光伏无功输出；Q_PV为当前时刻控制输出的无功。

Images