CN115102200A - 一种储能系统模型辨识方法和系统 - Google Patents
一种储能系统模型辨识方法和系统 Download PDFInfo
- Publication number
- CN115102200A CN115102200A CN202210845518.XA CN202210845518A CN115102200A CN 115102200 A CN115102200 A CN 115102200A CN 202210845518 A CN202210845518 A CN 202210845518A CN 115102200 A CN115102200 A CN 115102200A
- Authority
- CN
- China
- Prior art keywords
- model
- deviation
- energy storage
- interval
- storage system
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 48
- 239000003016 pheromone Substances 0.000 claims description 36
- 230000001052 transient effect Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- 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]
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种储能系统模型辨识方法和系统,包括：数据采集模块、模型定义模块、计算执行模块，数据采集模块，对现场采样获得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段；模型定义模块，运用电力系统仿真软件，建立储能系统可变参数仿真模型；计算执行模块，设置改进蚁群优化算法的优化参数；运用改进蚁群优化算法选择相应结构的储能系统仿真模型，任意设定多组模型参数，得到确定的模型，将现场采样所得到的激励信号输入模型，得到相应的输出；最后对模型辨识输出值与实际系统的输出值进行误差分析，以最小化两者之间的误差为目标函数，再运用改进蚁群优化算法进行优化求解，直至获得最优参数模型。
Description
技术领域
本发明属于储能系统辨识技术领域，尤其涉及一种储能系统模型辨识方法和系统。
背景技术
随着我国“双碳”计划的不断推进，传统电网正面临着煤、石油、天然气等化石燃料的过度利用与可持续发展之间的矛盾，以及使用传统能源而造成的全球变暖、臭氧层破坏等生态环境问题。可再生能源作为一种绿色环保的可持续能源，有利于世界经济、社会的可持续发展。然而，新能源的生产效率较低，因此，提高发电效率和发电利用率成为行业技术主要的发展方向，新能源的大规模开发将极大缓解环境污染和用电负荷持续增长的问题，但由于多数清洁能源均受到气象因素影响，具有间歇性、随机性，大规模的新能源并网将会影响电网的电压和频率。储能系统作为解决大规模可再生能源发电接入电网的一种有效技术而受到广泛关注，目前其应用主要涉及(1)配置在电源侧，平滑短时出力波动，跟踪调度计划出力，实现套利运行，提高可再生能源发电的确定性、可预测性和经济性；(2)配置在系统侧，实现削峰填谷、负荷跟踪、调频调压、热备用、电能质量治理等功能，提高系统自身的调节能力；(3)配置在负荷侧，主要是利用电动汽车的储能形成虚拟电厂参与可再生能源发电调控。因此，对于储能系统进行深入研究显得尤为重要。
综上，本发明希望引入改进蚁群优化算法，结合实测数据，选择合适的电气量进行参数辨识，引入储能技术，进而实现以下目标：(1)所有工况升压变高压侧电压偏差不大于国际标准。(2)储能技术的引入可以改善新能源发电的性质、提高电能质量和系统的稳定性。电力行业对储能技术的分析、研究和应用尚处于发展初期，相关技术还不成熟和完善，应用容量较小。而随着新能源发电系统规模的不断增加，储能技术在新能源发电系统中的应用日益受到关注。本文针对储能系统模型辨识系统及其控制策略进行分析和研究，并对相关技术进行探究。
发明内容
本发明的目的在于提出一种储能系统模型辨识方法和系统，能够有效的对电力系统故障状态进行参数辨识，以获取储能系统的最优运行参数。
一方面为实现上述目的，本发明提供了一种储能系统模型辨识方法，包括以下步骤：步骤一、对现场采样所得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段，电压穿越前时段、电压穿越时段、电压穿越后时段；
步骤二、使用电力系统分析软件建立储能系统可变参数仿真模型；
步骤三、设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化各路径信息素，使其为相等的常数；
步骤四、运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号x输入模型，得到相应的输出ym，蚁群优化算法进行信息素更新，计算个体最优路径；
步骤五、对模型辨识输出值与实际系统的输出值进行误差分析，判断误差是否满足要求，若满足要求，则输出结果，若不满足要求，则返回步骤四，重新初始化蚁群后，再运用改进蚁群优化算法进行优化，直至获得最优参数模型，使参数辨识波形与实测波形高度拟合。
可选的，所构建的储能系统模型辨识系统需要用到现场采样所得的实测数据，针对实测数据，本发明使用三次样条插值进行数据预处理，平滑数据曲线；其中现场采样包括以下内容：
对储能系统进行高、低电压穿越测试，记录高、低电压穿越前至电压恢复正常后的实测数据，其中实测数据包括电压、全电流、无功电流、有功功率、无功功率响应；
通过三次样条插值对实测数据中的离散点进行数据预处理，在每一子区间xi＜x＜xi+1内,三次样条插值拟合公式如下：
fi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3
其中，ai，bi，ci，di为待定常数。
可选的，步骤二中，针对高、低电压穿越工况，建立储能系统可变参数仿真模型，该模型应包含储能电池模型及模型控制卡片，即正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制。
可选的，运用改进蚁群优化算法，通过比较仿真模型输出与实测数据间的偏差，评价模型的准确度，采用增强较优解，削弱较差解的思想对传统蚁群优化算法进行改进，通过改进蚁群优化算法中信息素更新方式、信息素挥发系数，增大优劣解之间信息素差异，使得蚁群优化算法更易收敛于较优解，提升本发明模型辨识的准确度；对于信息素更新方式的改进如下,各蚂蚁个体按照其走过的路径长短排序，
其中，γ(s，t)为城市s与城市t间的信息素强度，ε0为一参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度；
对于信息素挥发系数，采用自适应改进方法，通过调整信息素挥发速度，使得优秀蚂蚁个体的信息素挥发速度减慢，差的蚂蚁个体的信息素挥发速度加快，进而拉开信息素强度差距，自适应改进公式如下：
其中，ε1，ε2为参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度，Lbest为当前循环中最优蚂蚁的路径长度。
可选的，本发明以对比偏差最小为目标函数，将实测输出与仿真输出进行比较，分析的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，以稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、加权平均绝对偏差为依据，采用J作为目标函数，
J＝F1+F2+F3+FG
其中，F1为稳态区间平均偏差，F2为暂态区间平均偏差，F3为稳态区间最大偏差，FG加权平均绝对偏差，J为辨识模型偏差值。
可选的，所述稳态区间的平均偏差，即模型仿真与试验数据在稳态区间内偏差的算术平均值，计算公式如下：
其中，F1为稳态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述暂态区间的平均偏差，即模型仿真与试验数据在暂态区间内偏差的算术平均值，计算公式如下：
其中，F2为暂态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述稳态区间的最大偏差计算公式如下：
其中，F3为稳态区间最大偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KStart为计算偏差时第一个仿真、测试数据序号，KEnd为计算偏差时最后一个仿真、测试数据序号；
所述加权平均绝对偏差，其计算公式如下：
FG_*＝AFA*+BFB*+CFC*
其中，FG_*为加权平均绝对偏差，A为故障前时段权值，B为故障期间时段权值，C为故障后时段权值，FA*为故障前时段平均绝对偏差，FB*为故障期间时段平均绝对偏差，FC*为故障后时段平均绝对偏差。
可选的，所述稳态区间的平均偏差、暂态区间的平均偏差、稳态区间的最大偏差、加权平均绝对偏差计算结果均需满足以下条件：
a)所有工况的升压变髙压侧电压各偏差应不大于电压偏差最大允许值；
b)所有工况稳态和暂态区间的电流、无功电流、有功功率和无功功率的平均偏差、稳态区间的最大偏差以及加权平均总偏差应不大于偏差域最大允许值；
c)对于两相不对称扰动工况下的模型仿真验证基波正序分量的最大允许偏差值为标定数值的1.5倍；
d)对于有功控制试验有功功率和电流各项偏差应不大于最大允许偏差；无功控制试验，无功功率和电流各项偏差应不大于最大允许偏差。
另一方面为实现上述目的，本发明还提供了一种储能系统模型辨识方法的辨识系统，包括：数据采集模块、模型定义模块、计算执行模块，数据采集模块，对现场采样获得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段；模型定义模块，运用电力系统仿真软件，建立储能系统可变参数仿真模型；计算执行模块，首先设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化信息素；再运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号输入模型，得到相应的输出；最后对模型辨识输出值与实际系统的输出值进行误差分析，以最小化两者之间的误差为目标函数，再运用改进蚁群优化算法进行优化求解，直至获得最优参数模型。
可选的，所述储能系统主要由蓄电池构成，所述蓄电池包括SOC监控模型，所述模型及约束条件包括：
其中，
为t+1时段内蓄电池的SOC值，
为t时段内蓄电池的SOC值，
为t+1时段内蓄电池的充电功率，
为t+1时段内蓄电池的放电功率，δN为蓄电池的功率因数，EN为蓄电池的额定容量。
本发明技术效果：本发明公开了一种储能系统模型辨识方法和系统，在电力系统出现故障时，储能装置可以提供持续稳定的无功功率，在故障过程中进行电压恢复，降低电网电压崩溃的风险。此外，电力系统故障的过程十分短暂，因此选择具备快速响应能力的储能系统显得尤为重要。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例一储能系统模型辨识系统的结构示意图；
图2为本发明实施例二储能系统模型辨识方法的流程示意图；
图3为本发明实施例二储能系统总体控制策略的结构示意图；
图4为本发明实施例二基于改进蚁群优化算法的储能系统模型参数辨识原理图；
图5为本发明实施例二储能系统有功响应对比图；
图6为本发明实施例二储能系统无功响应对比图；
图7为本发明实施例二储能系统无功电流响应对比图；
图8为本发明实施例二储能系统电流响应对比图；
图9为本发明实施例二储能系统电压扰动对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-9所示，本实施例中提供一种储能系统模型辨识方法，包括以下步骤：
步骤一、对现场采样所得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段，电压穿越前时段、电压穿越时段、电压穿越后时段；
步骤二、使用电力系统分析软件建立储能系统可变参数仿真模型；
步骤三、设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化各路径信息素，使其为相等的常数；
步骤四、运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号x输入模型，得到相应的输出ym，蚁群优化算法进行信息素更新，计算个体最优路径；
步骤五、对模型辨识输出值与实际系统的输出值进行误差分析，判断误差是否满足要求，若满足要求，则输出结果，若不满足要求，则返回步骤四，重新初始化蚁群后，再运用改进蚁群优化算法进行优化，直至获得最优参数模型，使参数辨识波形与实测波形高度拟合。
进一步优化方案，所构建的储能系统模型辨识系统需要用到现场采样所得的实测数据，针对实测数据，本发明使用三次样条插值进行数据预处理，平滑数据曲线；其中现场采样包括以下内容：
对储能系统进行高、低电压穿越测试，记录高、低电压穿越前至电压恢复正常后的实测数据，其中实测数据包括电压、全电流、无功电流、有功功率、无功功率响应；
通过三次样条插值对实测数据中的离散点进行数据预处理，在每一子区间xi＜x＜xi+1内,三次样条插值拟合公式如下：
fi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3
其中，ai，bi，ci，di为待定常数。
进一步优化方案，步骤二中，针对高、低电压穿越工况，建立储能系统可变参数仿真模型，该模型应包含储能电池模型及模型控制卡片，即正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制。
进一步优化方案，运用改进蚁群优化算法，通过比较仿真模型输出与实测数据间的偏差，评价模型的准确度，采用增强较优解，削弱较差解的思想对传统蚁群优化算法进行改进，通过改进蚁群优化算法中信息素更新方式、信息素挥发系数，增大优劣解之间信息素差异，使得蚁群优化算法更易收敛于较优解，提升本发明模型辨识的准确度；对于信息素更新方式的改进如下,各蚂蚁个体按照其走过的路径长短排序，
其中，γ(s，t)为城市s与城市t间的信息素强度，ε0为一参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度；
对于信息素挥发系数，采用自适应改进方法，通过调整信息素挥发速度，使得优秀蚂蚁个体的信息素挥发速度减慢，差的蚂蚁个体的信息素挥发速度加快，进而拉开信息素强度差距，自适应改进公式如下：
其中，ε1，ε2为参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度，Lbest为当前循环中最优蚂蚁的路径长度。
进一步优化方案，本发明以对比偏差最小为目标函数，将实测输出与仿真输出进行比较，分析的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，以稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、加权平均绝对偏差为依据，采用J作为目标函数，
J＝F1+F2+F3+FG
其中，F1为稳态区间平均偏差，F2为暂态区间平均偏差，F3为稳态区间最大偏差，FG加权平均绝对偏差，J为辨识模型偏差值。
进一步优化方案，所述稳态区间的平均偏差，即模型仿真与试验数据在稳态区间内偏差的算术平均值，计算公式如下：
其中，F1为稳态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述暂态区间的平均偏差，即模型仿真与试验数据在暂态区间内偏差的算术平均值，计算公式如下：
其中，F2为暂态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述稳态区间的最大偏差计算公式如下：
其中，F3为稳态区间最大偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KStart为计算偏差时第一个仿真、测试数据序号，KEnd为计算偏差时最后一个仿真、测试数据序号；
所述加权平均绝对偏差，其计算公式如下：
FG_*＝AFA*+BFB*+CFC*
其中，FG_*为加权平均绝对偏差，A为故障前时段权值(10％)，B为故障期间时段权值(60％)，C为故障后时段权值(30％)，FA*为故障前时段平均绝对偏差，FB*为故障期间时段平均绝对偏差，FC*为故障后时段平均绝对偏差。
进一步优化方案，所述稳态区间的平均偏差、暂态区间的平均偏差、稳态区间的最大偏差、加权平均绝对偏差计算结果均需满足以下条件：
a)所有工况的升压变髙压侧电压各偏差应不大于电压偏差最大允许值；
b)所有工况稳态和暂态区间的电流、无功电流、有功功率和无功功率的平均偏差、稳态区间的最大偏差以及加权平均总偏差应不大于偏差域最大允许值；
c)对于两相不对称扰动工况下的模型仿真验证基波正序分量的最大允许偏差值为标定数值的1.5倍；
d)对于有功控制试验有功功率和电流各项偏差应不大于最大允许偏差。无功控制试验，无功功率和电流各项偏差应不大于最大允许偏差。
本发明还提供了一种储能系统模型辨识方法的辨识系统，包括：数据采集模块、模型定义模块、计算执行模块，数据采集模块，对现场采样获得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段；模型定义模块，运用电力系统仿真软件，建立储能系统可变参数仿真模型；计算执行模块，首先设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化信息素；再运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号输入模型，得到相应的输出；最后对模型辨识输出值与实际系统的输出值进行误差分析，以最小化两者之间的误差为目标函数，再运用改进蚁群优化算法进行优化求解，直至获得最优参数模型。
进一步优化方案，所述储能系统主要由蓄电池构成，所述蓄电池包括SOC监控模型，所述模型及约束条件包括：
其中，
为t+1时段内蓄电池的SOC值，
为t时段内蓄电池的SOC值，
为t+1时段内蓄电池的充电功率，
为t+1时段内蓄电池的放电功率，δN为蓄电池的功率因数，EN为蓄电池的额定容量。
通过填写单体电池的参数，Rb、Rp、EOC，能够指定电池的串并联拓补。程序在读入单体电池的数据后，结合串并联拓扑，自动转换为电池组的参数，将不再使用单体电池参数。
两个直流电压之间存在区别，两直流电压分别为“EOC”、“VDCN”，EOC代表电池的內电势；VDCN代表换流器的直流电容的额定电压，两者必须填写。当所填写的EOC>0时，程序认为储能系统存在DC/DC电路，此时直流电容的电压为VDCN，考虑到DC/DC的调制能力，电容电压维持不变。当不填写EOC时，不存在DC/DC电路，仿真过程中直流电容的电压即为电池组的输出电压，此时，直流电容电压不恒定，而是由控制系统决定，如图3所示。
根据高电压穿越、低电压穿越工况储能系统的参数辨识需求，储能系统控制的总体策略主要包括9个部分，即储能电站模型、正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制
本发明选取某储能站作为实验对象，对该储能站储能系统进行高、低电压穿越工况的参数辨识，与实测数据进行比对，验证所建模型的合理性。
低电压穿越能力测试：
当储能单元有功功率输出分别在以下范围内时，测试储能单元在电网电压跌落时的响应特性：
大功率输出：P≥0.7Pn；
小功率输出：0.1Pn≤P≤0.3Pn；
测试要求储能单元具备如下低电压穿越能力：当储能单元并网点三相电压在下图所示电压轮廓线及以上的区域内时，储能单元必须保证不脱网连续运行；当并网点至少有一相电压低于或部分图中电压轮廓线时，储能单元允许从电网切出。对于电压跌落期间维持并网运行的储能单元，其有功功率输出在电网电压正常后应快速恢复，自电网电压正常时刻开始，至少以10％额定功率/秒的功率变化率恢复至故障前的值。
测试应至少选取5个跌落点，其中包含0％Un、20％Un及在(20％～50％)Un、(50％～75％)Un、(75％～90％)Un区间内的3个点，并合理选取跌落时间。
对于通过220kV(或330kV)储能汇集系统升压至500kV(或750kV)电压等级接入电网的储能站群中的储能站，当电力系统发生短路故障引起电压跌落时，储能站注入电网的动态无功电流应满足以下要求：1)自并网点电压跌落的时刻起，动态无功电流的响应时间不大于30ms；2)自动态无功电流响应起直到电压恢复至0.9pu期间，储能站注入电力系统的动态无功电流IT应实时跟踪并网点电压变化，并应满足：
IT≥1.5×(0.9-UT)IN(0.2＜UT＜0.9)
IT≥1.05×IN(UT＜0.2)
IT＝0(UT＞0.9)
为了与实测场景和扰动源尽可能保持一致，在BPA仿真程序中搭建单机-无穷大系统，对实测场景和扰动源进行模拟。
本发明公开了一种储能系统模型辨识方法和系统，本发明的目的是对系统是否具备高低电压穿越能力进行测试，测试储能系统各参数的合理化配置对于系统高低电压穿越能力的影响。以储能站为例，配置储能系统可以相应的提高系统的高、低电压穿越能力。在发生高低电压穿越时，储能装置可以提供持续稳定的无功功率，在故障过程中进行电压恢复，降低电网电压崩溃的风险。此外，电网高、低电压穿越的暂态过程十分短暂，因此选择具备快速响应能力的系统显得尤为重要。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种储能系统模型辨识方法，其特征在于，包括以下步骤：
步骤一、对现场采样所得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段，电压穿越前时段、电压穿越时段、电压穿越后时段；
步骤二、使用电力系统分析软件建立储能系统可变参数仿真模型；
步骤三、设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化各路径信息素，使其为相等的常数；
步骤四、运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号x输入模型，得到相应的输出ym，蚁群优化算法进行信息素更新，计算个体最优路径；
步骤五、对模型辨识输出值与实际系统的输出值进行误差分析，判断误差是否满足要求，若满足要求，则输出结果，若不满足要求，则返回步骤四，重新初始化蚁群后，再运用改进蚁群优化算法进行优化，直至获得最优参数模型，使参数辨识波形与实测波形高度拟合。
2.如权利要求1所述的储能系统模型辨识方法，其特征在于，所构建的储能系统模型辨识系统需要用到现场采样所得的实测数据，针对实测数据，本发明使用三次样条插值进行数据预处理，平滑数据曲线；其中现场采样包括以下内容：
对储能系统进行高、低电压穿越测试，记录高、低电压穿越前至电压恢复正常后的实测数据，其中实测数据包括电压、全电流、无功电流、有功功率、无功功率响应；
通过三次样条插值对实测数据中的离散点进行数据预处理，在每一子区间xi＜x＜xi+1内,三次样条插值拟合公式如下：
fi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3
其中，ai，bi，ci，di为待定常数。
3.如权利要求1所述的储能系统模型辨识方法，其特征在于，步骤二中，针对高、低电压穿越工况，建立储能系统可变参数仿真模型，该模型应包含储能电池模型及模型控制卡片，即正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制。
4.如权利要求1所述的储能系统模型辨识方法，其特征在于，运用改进蚁群优化算法，通过比较仿真模型输出与实测数据间的偏差，评价模型的准确度，采用增强较优解，削弱较差解的思想对传统蚁群优化算法进行改进，通过改进蚁群优化算法中信息素更新方式、信息素挥发系数，增大优劣解之间信息素差异，使得蚁群优化算法更易收敛于较优解，提升本发明模型辨识的准确度；对于信息素更新方式的改进如下,各蚂蚁个体按照其走过的路径长短排序，
其中，γ(s，t)为城市s与城市t间的信息素强度，ε0为一参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度；
对于信息素挥发系数，采用自适应改进方法，通过调整信息素挥发速度，使得优秀蚂蚁个体的信息素挥发速度减慢，差的蚂蚁个体的信息素挥发速度加快，进而拉开信息素强度差距，自适应改进公式如下：
其中，ε1，ε2为参数，Lworst当前循环中最差蚂蚁的路径长度，Ln为当前循环中第n只蚂蚁的路径长度，Lbest为当前循环中最优蚂蚁的路径长度。
5.如权利要求1所述的储能系统模型辨识方法，其特征在于，本发明以对比偏差最小为目标函数，将实测输出与仿真输出进行比较，分析的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，以稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、加权平均绝对偏差为依据，采用J作为目标函数，
J＝F1+F2+F3+FG
其中，F1为稳态区间平均偏差，F2为暂态区间平均偏差，F3为稳态区间最大偏差，FG加权平均绝对偏差，J为辨识模型偏差值。
6.如权利要求5所述的储能系统模型辨识方法，其特征在于，所述稳态区间的平均偏差，即模型仿真与试验数据在稳态区间内偏差的算术平均值，计算公式如下：
其中，F1为稳态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述暂态区间的平均偏差，即模型仿真与试验数据在暂态区间内偏差的算术平均值，计算公式如下：
其中，F2为暂态区间平均偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KS-Start为计算误差区间内模型仿真数据的第一个序号，KS-End为计算误差区间内模型仿真数据的最后一个序号，KM-Start为计算误差区间内试验数据的第一个序号，KM-End为计算误差区间内试验数据最后一个序号；
所述稳态区间的最大偏差计算公式如下：
其中，F3为稳态区间最大偏差，XM(i)为稳态区间内测试数据基波正序分量的标幺值，Xs(i)为稳态区间内仿真数据基波正序分量的标幺值，KStart为计算偏差时第一个仿真、测试数据序号，KEnd为计算偏差时最后一个仿真、测试数据序号；
所述加权平均绝对偏差，其计算公式如下：
FG_*＝AFA*+BFB*+CFC*
其中，FG_*为加权平均绝对偏差，A为故障前时段权值，B为故障期间时段权值，C为故障后时段权值，FA*为故障前时段平均绝对偏差，FB*为故障期间时段平均绝对偏差，FC*为故障后时段平均绝对偏差。
7.如权利要求6所述的储能系统模型辨识方法，其特征在于，所述稳态区间的平均偏差、暂态区间的平均偏差、稳态区间的最大偏差、加权平均绝对偏差计算结果均需满足以下条件：
a)所有工况的升压变高压侧电压各偏差应不大于电压偏差最大允许值；
b)所有工况稳态和暂态区间的电流、无功电流、有功功率和无功功率的平均偏差、稳态区间的最大偏差以及加权平均总偏差应不大于偏差域最大允许值；
c)对于两相不对称扰动工况下的模型仿真验证基波正序分量的最大允许偏差值为标定数值的1.5倍；
d)对于有功控制试验有功功率和电流各项偏差应不大于最大允许偏差；无功控制试验，无功功率和电流各项偏差应不大于最大允许偏差。
8.根据权利要求1-7任一权利要求所述的一种储能系统模型辨识方法的辨识系统，其特征在于，
数据采集模块、模型定义模块、计算执行模块，数据采集模块，对现场采样获得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段；模型定义模块，运用电力系统仿真软件，建立储能系统可变参数仿真模型；计算执行模块，首先设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化信息素；再运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号输入模型，得到相应的输出；最后对模型辨识输出值与实际系统的输出值进行误差分析，以最小化两者之间的误差为目标函数，再运用改进蚁群优化算法进行优化求解，直至获得最优参数模型。
9.根据权利要求1-7任一权利要求所述的一种储能系统模型辨识方法的辨识系统，其特征在于，所述储能系统主要由蓄电池构成，所述蓄电池包括SOC监控模型，所述模型及约束条件包括：
其中，
为t+1时段内蓄电池的SOC值，
为t时段内蓄电池的SOC值，
为t+1时段内蓄电池的充电功率，
为t+1时段内蓄电池的放电功率，δN为蓄电池的功率因数，EN为蓄电池的额定容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210845518.XA CN115102200B (zh) | 2022-07-19 | 2022-07-19 | 一种储能系统模型辨识方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210845518.XA CN115102200B (zh) | 2022-07-19 | 2022-07-19 | 一种储能系统模型辨识方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115102200A true CN115102200A (zh) | 2022-09-23 |
| CN115102200B CN115102200B (zh) | 2023-04-25 |
Family
ID=83299428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210845518.XA Active CN115102200B (zh) | 2022-07-19 | 2022-07-19 | 一种储能系统模型辨识方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115102200B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562202A (zh) * | 2023-07-11 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 一种滤波组件分析方法及装置 |
| CN117933667A (zh) * | 2024-03-21 | 2024-04-26 | 广州疆海科技有限公司 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 |
| CN113011082A (zh) * | 2021-02-07 | 2021-06-22 | 山东大学 | 一种改进蚁群算法优化粒子滤波的锂电池soc预测方法 |
| CN113671378A (zh) * | 2021-07-12 | 2021-11-19 | 南通大学 | 一种基于分数阶理论的锂离子电池建模及参数辨识方法 |
| CN114114018A (zh) * | 2020-08-28 | 2022-03-01 | 西南科技大学 | 一种在线动力锂离子电池的峰值功率估算方法 |
-
2022
- 2022-07-19 CN CN202210845518.XA patent/CN115102200B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114114018A (zh) * | 2020-08-28 | 2022-03-01 | 西南科技大学 | 一种在线动力锂离子电池的峰值功率估算方法 |
| CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 |
| CN113011082A (zh) * | 2021-02-07 | 2021-06-22 | 山东大学 | 一种改进蚁群算法优化粒子滤波的锂电池soc预测方法 |
| CN113671378A (zh) * | 2021-07-12 | 2021-11-19 | 南通大学 | 一种基于分数阶理论的锂离子电池建模及参数辨识方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562202A (zh) * | 2023-07-11 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 一种滤波组件分析方法及装置 |
| CN116562202B (zh) * | 2023-07-11 | 2023-09-08 | 广汽埃安新能源汽车股份有限公司 | 一种滤波组件分析方法及装置 |
| CN117933667A (zh) * | 2024-03-21 | 2024-04-26 | 广州疆海科技有限公司 | 虚拟电厂的资源调度方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115102200B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111799813B (zh) | 计及风电机组无功调节的海上风电场无功优化配置方法 | |
| Wang et al. | Probabilistic approach for power capacity specification of wind energy storage systems | |
| CN105205232B (zh) | 基于rtds的微网系统稳定性仿真测试平台 | |
| CN102244390B (zh) | 平滑微网联络线功率波动的储能系统容量优化方法 | |
| CN115102200A (zh) | 一种储能系统模型辨识方法和系统 | |
| CN107666155B (zh) | 基于Markov模型的多能互补系统随机稳定性分析方法 | |
| CN109687444A (zh) | 一种微电网电源多目标双层优化配置方法 | |
| CN109638870B (zh) | 一种特高压直流送端电网的调相机配置方法 | |
| CN103441526B (zh) | 一种并网不上网的小型光伏发电系统及控制方法 | |
| CN108400593A (zh) | 基于分层多代理技术的主动配电网电气模型建立方法 | |
| Chmielewski et al. | Test bench and model research of a hybrid energy storage | |
| Sakib et al. | Modelling and simulation of natural gas generator and EV charging station: a step to microgrid technology | |
| CN118157154A (zh) | 一种计及暂态电压稳定性机理的约束构建方法 | |
| Eldahab et al. | Enhancing the energy utilization of hybrid renewable energy systems | |
| Shaikh et al. | Mitigation of power losses and enhancement in voltage profile by optimal placement of capacitor banks with particle swarm optimization in radial distribution networks | |
| Yu et al. | Research on the construction of new energy microgrids for wind power generation based on green and low carbon | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN108416459B (zh) | 一种电池储能电站的选址方法 | |
| CN115021247B (zh) | 一种大规模光伏发电并网系统静态电压稳定分区评估方法 | |
| Zhang et al. | Optimization method of under frequency load shedding schemes for systems with high permeability new energy | |
| 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 | |
| CN109149636A (zh) | 基于动态安全域的风电接入点暂态稳定性影响研究方法 | |
| Zhu et al. | Research on voltage fluctuation of power system considering wind power connection | |
| Huo et al. | Reliability of distribution systems considering photovoltaic-wind power generation systems' complementary characteristics | |
| Singh et al. | Classification of Faults in a Distributed Generator Connected Power System Using Artificial Neural Network |
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 |