CN115204048A - 一种光伏发电系统模型辨识系统和方法 - Google Patents

Abstract

本发明公开了一种光伏发电系统模型辨识系统和方法，涉及光伏发电技术领域。本发明包括如下步骤：步骤一：建立光伏发电系统的可变参数仿真模型。步骤二：运用改进粒子群算法，确定待优化参数、迭代次数、粒子最大速度、位置信息、输入采样数据。步骤三：将每个个体编码转换成光伏发电系统参数代入模型。步骤四：判断模型误差值是否满足预设条件，满足则输出结果，不满足更新模型直至满足结束。本发明通过针对光伏发电系统模型进行高低电压策略与参数辨识，同时利用实测的输入和输出，以目标函数满足预设条件为目标，开展光伏发电系统在不同工况下的模型参数辨识，同时实现光伏电站精准建模，为构建以新能源为主体的新型电力系统提供基础。

Description

一种光伏发电系统模型辨识系统和方法

技术领域

本发明属于光伏发电技术领域，特别是涉及一种光伏发电系统模型辨识系统和方法。

背景技术

我国目前正在构建新型电力系统，光伏、风电等新能源装机呈高速增长态势，而大规模、高比例新能源接入为电网运行、方式计算带来了巨大的挑战，因此迫切需要结合现场实测开展新能源厂站仿真参数辨识，克服不同工况下光伏场站建模复杂性高、模型参数辨识不确定性大，调度困难等难题。以光伏发电为例的新能源发电通过电力电子变流器接入电网，这一特点使其外特性不同于传统同步电源，给电网精确计算造成了一定的困难。对于目前大多数的光伏发电系统，在稳态运行时，经过逆变升压，对电网表现为一个功率源，对电网相关计算的影响尚不明显。当在电网发生故障时，由于不同品牌、不同系列的逆变器所采用的低电压穿越策略与参数并不相同，此时电源会对接入点低电压故障表现出不同的外特性。因此迫切需要切实可行的方法对光伏电站整体建模，得到其准确的数学模型。以满足电网计算需求，以满足电网稳定分析、事故反演等生产运行实际需求。

其研究思路基本是通过研究逆变器参数来进行稳态控制参数的控制，建立相应的目标函数，通过目标函数值判断拟合程度，修改相关参数反复迭代，最终求取得到一组较为准确的光伏发电系统参数。针对逆变器控制中内外环耦合导致参数不可唯一辨识的问题，基于虚拟量测激励法，提出了一种光伏逆变器控制参数的分步辨识方法，实现了各参数的独立辨识。如何对现场光伏系统在不同工况下的完整LVRT(低电压穿越)过程进行准确地建模仍然是一个重大的技术挑战，缺乏在对光伏发电系统的高低电压穿越控制策略辨识方法，并利用现场试验数据进行验证，从而得到光伏发电系统的高低电压策略与参数辨识的具体控制参数。针对构建以新能源为主体的新型电力系统的机遇和挑战，解决行业生产中的痛点与难点，全力服务国家“双碳”战略目标和“四新四化”建设。

发明内容

本发明的目的在于提供一种光伏发电系统模型辨识系统和方法，解决了现有技术中的如何对现场光伏系统在不同工况下进行准确地建模、辨识系统参数的技术问题。

为达上述目的，本发明是通过以下技术方案实现的：

一种光伏发电系统模型辨识方法，包括如下步骤：

步骤一：建立光伏发电系统的可变参数仿真模型，并确定待优化参数、迭代次数、粒子最大速度、位置信息、输入采样数据；

步骤二：设置改进粒子群优化算法的各控制参数值，然后初始化粒子群优化算法的参数群体，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；

步骤三：将每个个体编码转换成光伏发电系统参数代入模型，给模型输入采样信号x，得到仿真输出ym，计算个体适应度、粒子位置和速度；

步骤四：若模型误差值满足预设条件，则输出结果，辨识结束，若模型误差值未满足最小界限，则更换参数群体、更换速度和位置，产生新一代群体再次回到步骤三重新进行计算，直至模型误差值满足最小界限。

可选的，光伏发电系统采用光伏电池模型和光伏阵列集成模型，建立系统输出功率数学模型，任意时刻的光伏发电系统输出功率计算公式表示为：

P_t ^pv＝η^pvA_sR_s(t)

其中，P_t ^pv是光伏发电系统t时刻的输出功率，A_S是光伏电源接收太阳辐射的照射面积,η^pv是光伏发电系统的能量转化率，R_S是太阳辐射强度。

可选的，参数模型通过计算模型仿真数据与试验数据之间的偏差，考核模型的准确程度，监测实测数据里存在的异常数据，并予以剔除，剔除后对缺失值作出相应处理，得到最终实测数据值，剔除异常值的方法包括3σ准则，若数据服从正太分布，则异常值被定义为一组结果值中与平均值的偏差超过三倍标准差的值，即在正态分布的假设下，距离平均值三倍σ为标准差之外的值出现的概率很小，如下式，因此可认为是异常值：

P(|x-μ|＞3σ)≤0.003

若数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述，先对数据进行滑动计算标准差，然后对数据进行滑动计算均值，找到均值大于3倍滑动标准差的数值，并予以剔除。

可选的，缺失值的处理方法包括：

1)删除特征变量：若某一特征变量中存在大量缺失值，缺失值占总样本量30％以上，则有理由认定该特征提供的信息有限，可选择删除这一特征；

2)删除样本：若整个数据集缺失值较少或者所占总数据量极少，可以直接删除含有缺失值的样本记录；

3)数据插补：对缺失数据进行统计学补充，包括统计量填充、插值法填充。

可选的，仿真与试验偏差计算的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，数据区段划分后，应分别计算每个时段暂态和稳态区间的偏差，各时段暂态区间仅计算平均偏差，稳态区间分别计算平均偏差和最大偏差，计算模型仿真与试验数据的加权平均总偏差，暂态区间的平均偏差，所述的技术指标目标函数：

J＝F₁+F₂+F₃+F_G

所述的误差包括稳态区间平均允许偏差F₁；暂态区间平均允许偏差F₂；稳态区间最大允许偏差F₃；所有区间加权平均总偏差F_G；以目标函数J最小为目标。

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：

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：

稳态区间的最大偏差，计算公式如下：

加权平均总偏差，分别计算有功功率(FG_P)、无功功率(FG_Q)、无功电流(FG_IQ)、电流(FG_I)加权平均绝对偏差，计算公式如下：

F_{G_*}＝AF_A*+BF_B*+CF_C*。

一种光伏发电系统模型辨识系统，包括：光伏方阵模块，光伏方阵模块连接有数字控制器，数字控制器连接有逆变器模块、并网开关模块，并网开关模块连接有电网；

电网与数字控制器连接，并网开关模块与逆变器模块连接，逆变器模块与光伏方阵模块连接，光伏方阵模块包括太阳电池组件，且太阳电池组件串、并联设置，数字控制器与逆变器模块之间连接有脉冲宽度调制模块。

本发明的实施例具有以下有益效果：

本发明的一个实施例通过针对光伏发电系统模型进行高低电压策略与参数辨识，对新能源发电系统进行扰动试验，并对系统响应进行记录，获得实际系统的输入及其响应，同时利用实测的输入和输出，以输出误差最小为目标，采用群体智能优化算法对模型参数进行辨识，实现对光伏电站开展现场参数实测，开展光伏发电系统在不同工况下的模型参数辨识，同时实现光伏电站精准建模，精准地反映新能源场站的真实运行特性，大幅提升新能源场站仿真分析能力，为构建以新能源为主体的新型电力系统提供基础。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一实施例的光伏发电系统模型参数辨识流程结构示意图；

图2为本发明一实施例的光伏发电站并网系统结构示意图；

图3为本发明一实施例的日照强度计算输出功率模型结构示意图；

图4为本发明一实施例的正常状态下有功控制模型框图结构示意图；

图5为本发明一实施例的正常状态下有无功控制模型框结构示意图；

图6为本发明一实施例的正常状态下有无功控制模型框结构示意图；

图7为本发明一实施例低电压穿越模型辨识电压扰动实际效果图；

图8为本发明一实施例低电压穿越模型辨识有功响应实际效果图；

图9为本发明一实施例低电压穿越模型辨识无功响应实际效果图；

图10为本发明一实施例低电压穿越模型辨识电流响应实际效果图；

图11为本发明一实施例低电压穿越模型辨识无功电流响应实际效果图；

图12为本发明一实施例高电压穿越模型辨识电压扰动实际效果图；

图13为本发明一实施例高电压穿越模型辨识有功响应实际效果图；

图14为本发明一实施例高电压穿越模型辨识无功响应实际效果图；

图15为本发明一实施例高电压穿越模型辨识电流响应实际效果图；

图16为本发明一实施例高电压穿越模型辨识无功电流响应实际效果图。

具体实施方式

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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

为了保持本发明实施例的以下说明清楚且简明，本发明省略了已知功能和已知部件的详细说明。

请参阅图1-16所示，在本实施例中提供了一种光伏发电系统模型辨识系统和方法，包括：如下步骤：

步骤一：建立光伏发电系统的可变参数模型，并确定待优化参数、迭代次数、粒子最大速度、位置信息、输入采样数据；对于一个实际的新能源发电系统，粒子群优化算法首先选择相应结构的标准模型，然后任意设定多组模型参数，包括其中非线性环节的待优化参数，就得到多个结构和参数都确定的模型。

步骤二：设置改进粒子群优化算法的各控制参数值，然后初始化粒子群优化算法的参数群体，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间。

步骤三：将每个个体编码转换成光伏发电系统参数代入模型，给模型输入采样信号x，得到仿真输出ym，计算个体适应度、粒子位置和速度；将现场采样得到的激励信号x加入到每一个确定模型中，可以得到对应的输出ym，将ym与实际系统的输出yr比较得到模型误差e。

步骤四：若模型误差值满足预设条件，则输出结果，辨识结束，若模型误差值未满足最小界限，则更换参数群体、更换速度和位置，产生新一代群体再次回到步骤三重新进行计算，直至模型误差值满足最小界限。经过不断进行优化，最终获得最优参数模型。对粒子群优化算法的速度项引入了惯性权重，并依据迭代进程及粒子飞行情况对惯性权重进行动态调整，以平衡搜索的全局性和收敛速度，所以，在粒子群优化算法模型参数辨识中，系统的非线性特性可以在模型结构中得到充分考虑。为提高模型辨识准确度，引入遗传算法对上述模型的参数进行优化，构造相关适应度函数，即以各自的误差加权组合来作为适应度函数，利用遗传算法搜索最优解，定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，即全局最优解。

通过针对光伏发电系统模型进行高低电压策略与参数辨识，对新能源发电系统进行扰动试验，并对系统响应进行记录，获得实际系统的输入及其响应，同时利用实测的输入和输出，以输出误差最小为目标，采用群体智能优化算法对模型参数进行辨识，实现对光伏电站开展现场参数实测，开展光伏发电系统在不同工况下的模型参数辨识，同时实现光伏电站精准建模，精准地反映新能源场站的真实运行特性，大幅提升新能源场站仿真分析能力，为构建以新能源为主体的新型电力系统提供基础。

本实施例的参数模型通过计算模型仿真数据与试验数据之间的偏差，考核模型的准确程度，监测实测数据里存在的异常数据，并予以剔除，剔除后对缺失值作出相应处理，得到最终实测数据值，剔除异常值的方法包括3σ准则，若数据服从正太分布，则异常值被定义为一组结果值中与平均值的偏差超过三倍标准差的值，即在正态分布的假设下，距离平均值三倍σ为标准差之外的值出现的概率很小，如下式，因此可认为是异常值：

P(|x-μ|＞3σ)≤0.003

若数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述，先对数据进行滑动计算标准差，然后对数据进行滑动计算均值，找到均值大于3倍滑动标准差的数值，并予以剔除。

本实施例的缺失值的处理方法包括：

1)删除特征变量：若某一特征变量中存在大量缺失值，缺失值占总样本量30％以上，则有理由认定该特征提供的信息有限，可选择删除这一特征；

2)删除样本：若整个数据集缺失值较少或者所占总数据量极少，可以直接删除含有缺失值的样本记录；

3)数据插补：对缺失数据进行统计学补充，包括统计量填充、插值法填充。

考虑到该题监测数据具有时序性，缺失值受到前面时刻和后面时刻的影响较大，故采用线性插值法对缺失数据进行处理，将数据按指定间隔来完成插值。

本实施例的仿真与试验偏差计算的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，数据区段划分后，应分别计算每个时段暂态和稳态区间的偏差，各时段暂态区间仅计算平均偏差，稳态区间分别计算平均偏差和最大偏差，计算模型仿真与试验数据的加权平均总偏差。

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，F₁——稳态区间平均偏差；

X_M(i)——稳态区间内测试数据基波正序分量的标幺值；

X_s(i)——稳态区间内仿真数据基波正序分量的标幺值；

K_S-Start——计算误差区间内模型仿真数据的第一个序号；

K_S-End——计算误差区间内模型仿真数据的最后一个序号；

K_M-Start——计算误差区间内试验数据的第一个序号；

K_M-End——计算误差区间内试验数据最后一个序号。

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，F₂——暂态区间平均偏差

X_M(i)——稳态区间内测试数据基波正序分量的标幺值；

X_s(i)——稳态区间内仿真数据基波正序分量的标幺值；

K_S-Start——计算误差区间内模型仿真数据的第一个序号；

K_S-End——计算误差区间内模型仿真数据的最后一个序号；

K_M-Start——计算误差区间内试验数据的第一个序号；

K_M-End——计算误差区间内试验数据最后一个序号。

稳态区间的最大偏差，计算公式如下

其中，F₃——稳态区间最大偏差；

X_M(i)——稳态区间内测试数据基波正序分量的标幺值；

X_s(i)——稳态区间内仿真数据基波正序分量的标幺值；

K_Start——计算偏差时第一个仿真、测试数据序号；

K_End——计算偏差时最后一个仿真、测试数据序号。

加权平均总偏差，分别计算有功功率(FG_P)、无功功率(FG_Q)、无功电流(FG_IQ)、电流(FG_I)加权平均绝对偏差，计算公式如下：

F_{G_*}＝AF_A*+BF_B*+CF_C*

其中，F_{G_*}——加权平均绝对偏差(F_{G_P}为有功功率加权平均绝对偏差、F_{G_Q}为无功功率加权平均绝对偏差、F_{G_IQ}无功电流加权平均绝对偏差)、F_{G_I}电流加权平均绝对偏差)，

A——故障前时段权值(10％)；

B——故障期间时段权值(60％)；

C——故障后时段权值(30％)；

F_A*——故障前时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_AP、F_AQ、F_AIQ表示)；

F_B*——故障期间时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_BP、F_BQ、F_BIQ表示)；

F_C*——故障后时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_CP、F_CQ、F_CIQ表示)。

以B时段有功功率的平均绝对偏差F_BP为例，平均绝对偏差计算如下：

F_BP——B时段平均绝对偏差；

P_M(i)——B时段内测试数据有功值；

P_s(i)——B时段内仿真数据有功值；

K_Start——计算偏差时第一个仿真、测试数据序号；

K_End——计算偏差时最后一个仿真、测试数据序号。

请参阅图2所示，一种光伏发电系统模型辨识系统，包括：光伏方阵模块，光伏方阵模块连接有数字控制器，数字控制器连接有逆变器模块、并网开关模块，并网开关模块连接有电网；

请参阅图2所示，电网与数字控制器连接，并网开关模块与逆变器模块连接，逆变器模块与光伏方阵模块连接，光伏方阵模块包括太阳电池组件，且太阳电池组件串、并联设置，数字控制器与逆变器模块之间连接有脉冲宽度调制模块。

光伏方阵模块由太阳电池组件串、并联构成，其作用是直接把太阳能转换为直流形式的电能。若忽略单体太阳电池生产过程中的差异、组件相互之间的连接电阻，且假设单体太阳电池具有理想的一致性，则光伏方阵模块的伏安特性曲线可以看作是单体太阳电池伏安特性曲线按串、并联方式放大其坐标的比例尺，光伏方阵的伏安特性曲线具有和单体太阳电池同样的形状。光伏发电系统中使用的逆变器是一种将太阳能电池所产生的直流电能转换成交流电能的转换装置。控制光伏方阵的负载工作在光伏方阵最大功率点位置，最大程度利用光伏方阵输出功率；同时，它使转换后的交流电的电压、频率与电力系统向负载提供的交流电的电压、频率一致。

光伏方阵工程应用模型模拟不同辐照度和温度下光伏方阵的光电转换特性，输入量包括：太阳幅照度S，工作温度T，光伏阵列直流工作电压Udc；输出量为光伏阵列输出电流Iarray。

在给定太阳幅照度S和工作温度T下，光伏阵列I-V特性如下：

U_m＝U_{m_sta}×[1-c(T-T_ref)]×ln[e+b(S-S_ref)]

U_OC＝U_{OC_sta}×[1-c(T-T_ref)]×ln[e+b(S-S_ref)]

P_m＝U_m×I_m

其中，a、b、c——计算常数

I_array——光伏阵列输出电流(A)；

I_m——光伏阵列最大功率点电流(A)；

I_{m_sta}——光伏阵列标准测试条件最大功率点电流(A)；

I_sc——光伏阵列短路电流(A)；

I_{sc_sta}——光伏阵列标准测试条件短路电流(A)；

P_m——光伏阵列最大功率点功率(W)；

S——太阳幅照度(W/m2)；

S_ref——标准测试条件下的太阳幅照度(W/m2)；

T——光伏阵列工作温度(。C)；

T_ref——光伏阵列标准测试条件下的工作温度(。C)；

U_dc——光伏阵列直流工作电压(V)；

U_m——光伏阵列最大功率点电压(V)；

U_{m_sta}——光伏阵列标准测试条件下最大功率点电压(V)；

U_OC——光伏阵列开路电压(V)；

U_{OC_sta}——光伏阵列标准测试条件下开路电压(V)。

请参阅图3所示，光伏发电系统采用光伏电池模型和光伏阵列集成模型，光伏电池模型能够准确反映光伏电池的I-V输出外特性，并结合工程实际的可用参数进行了实用简化，光伏阵列集成模型以单体光伏电池为基础，按照单体光伏电池的串、并级联关系组合和修正而成，反映光伏阵列的输出特性，光伏发电系统的输出功率受太阳辐射强度以及太阳能电池板的转换率影响，光伏发电系统模型是物理模型，即参照光伏阵列的发电原理，充分对太阳辐射强度和模块自身特性进行考虑，结合光伏阵列安装角度，转换效率等，建立系统输出功率数学模型，任意时刻的光伏发电系统输出功率计算公式表示为：

P_t ^pv＝η^pvA_sR_s(t)

其中，P_t ^pv是光伏发电系统t时刻的输出功率，A_S是光伏电源接收太阳辐射的照射面积,η^pv是光伏发电系统的能量转化率，R_S是太阳辐射强度。

正常状态下有功控制模型，请参阅图4所示，T1，测量时间常数(秒)，KPUDC，直流电压PI控制环节系数，KIUDC，直流电压PI控制环节时间常数(秒)，MAXID，直流电压PI控制环节最大限幅，MINID，直流电压PI控制环节最小限幅。

正常状态下的无功控制，此模型拥有电压控制、恒功率因数控制两种模式，请参阅图5所示，Rc——电压补偿电阻(pu)；

Xc——电压补偿电抗(pu)；

T_R——电压测量时间常数(s)；

Kpv——比例环节系数；

KVI——积分环节系数；

Qmax——无功最大限制(pu)；

Qmin——无功最小限制(pu)；

Tv——时间常数(s)；

TPV——时间常数(s)；

IPF，控制方式选择；

＝0，采用电压控制方式；

＝1，采用恒定功率因素控制方式；

TPE——时间常数(s)；

NAME，控制节点名称；

BASE，控制节点基准电压(kV)。

有功无功电流限制，请参阅图6所示，

IMAX，最大电流限制(pu，本机额定容量为基准)；；

Idmax，有功电流最大限制(pu，本机额定容量为基准)；

Iqmax，无功电流最大限制(pu，本机额定容量为基准)；

KQP，无功控制比例系数(pu，本机额定容量为基准)；

KQI，无功控制积分系数(pu，本机额定容量为基准)；

dQmax，无功控制环节限幅最大值(pu，本机额定容量为基准)；

dQmin，无功控制环节限幅最小值(pu，本机额定容量为基准)；

VOL_LOW，判断进入低电压穿越状态的电压值(pu)；

VOL_LOW_RET，判断退出低电压穿越状态的电压值(pu)；

VOL_LOW_DELAY，低电压判断时间(周波)；

VOL_HIGH，判断进入高电压穿越状态的电压值(pu)；

VOL_HIGH_RET，判断退出高电压穿越状态的电压值(pu)。

上述实施例可以相互结合。

通过对辨识结果的图7、图12电压扰动对比图，图8、图13有功响应对比图，图9、图14无功响应对比图，图10、图15电流响应对比图，图11、图16无功电流响应对比图来看，可以分别明显看出在高低穿故障期间电压发生了短暂的电压波动，经过参数的不断迭代优化辨识，使得实测和仿真模型结果高度拟合，得到更加准确的系统控制参数，模型适应度得到大幅提高。

Claims (10)

1.一种光伏发电系统模型辨识方法，其特征在于，包括如下步骤：

步骤一：建立光伏发电系统的可变参数仿真模型，并确定待优化参数、迭代次数、粒子最大速度、位置信息、输入采样数据；

步骤二：设置改进粒子群优化算法的各控制参数值，然后初始化粒子群优化算法的参数群体，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度，对粒子群优化算法的速度项引入惯性权重，并依据迭代进程及粒子飞行情况对惯性权重进行动态调整，以平衡搜索的全局性和收敛速度；

步骤三：将每个个体编码转换成光伏发电系统参数代入模型，给模型输入采样信号x，得到仿真输出ym，计算个体适应度、粒子位置和速度；

步骤四：若模型误差值满足预设条件，则输出结果，辨识结束，若模型误差值未满足预设条件，则更换参数群体、更换速度和位置，产生新一代群体再次回到步骤三重新进行计算，直至模型误差值满足预设条件。

2.如权利要求1所述的一种光伏发电系统模型辨识方法，其特征在于，光伏发电系统采用光伏电池模型和光伏阵列集成模型，建立系统输出功率数学模型，任意时刻的光伏发电系统输出功率计算公式表示为：

P_t ^pv＝η^pvA_sR_s(t)

其中，P_t ^pv是光伏发电系统t时刻的输出功率，A_S是光伏电源接收太阳辐射的照射面积,η^pv是光伏发电系统的能量转化率，R_S是太阳辐射强度。

3.如权利要求1所述的一种光伏发电系统模型辨识方法，其特征在于，步骤一中，参数模型通过计算模型仿真数据与试验数据之间的偏差，考核模型的准确程度。

4.如权利要求3所述的一种光伏发电系统模型辨识方法，其特征在于，监测实测数据里存在的异常数据，并予以剔除，剔除后对缺失值作出相应处理，得到最终实测数据值。

5.如权利要求3所述的一种光伏发电系统模型辨识方法，其特征在于，仿真与试验偏差计算的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，数据区段划分后，应分别计算每个时段暂态和稳态区间的偏差，各时段暂态区间仅计算平均偏差，稳态区间分别计算平均偏差和最大偏差，计算模型仿真与试验数据的加权平均总偏差。所述的技术指标目标函数：

J＝F₁+F₂+F₃+F_G

所述的误差包括稳态区间平均允许偏差F₁；暂态区间平均允许偏差F₂；稳态区间最大允许偏差F₃；所有区间加权平均总偏差F_G；以目标函数J最小为目标。

6.如权利要求4所述的一种光伏发电系统模型辨识方法，其特征在于，剔除异常值的方法包括3σ准则，若数据服从正态分布，则异常值被定义为一组结果值中与平均值的偏差超过三倍标准差的值，即在正态分布的假设下，距离平均值三倍σ为标准差之外的值出现的概率很小，如下式，因此可认为是异常值：

P(|x-μ|＞3σ)≤0.003

若数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述，先对数据进行滑动计算标准差，然后对数据进行滑动计算均值，找到均值大于3倍滑动标准差的数值，并予以剔除。

7.如权利要求4所述的一种光伏发电系统模型辨识方法，其特征在于，缺失值的处理方法包括：

1)删除特征变量：若某一特征变量中存在大量缺失值，缺失值占总样本量30％以上，则有理由认定该特征提供的信息有限，可选择删除这一特征；

2)删除样本：若整个数据集缺失值较少或者所占总数据量极少，可以直接删除含有缺失值的样本记录；

3)数据插补：对缺失数据进行统计学补充，包括统计量填充、插值法填充。

8.如权利要求7所述的一种光伏发电系统模型辨识方法，其特征在于，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：

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：

9.如权利要求7所述的一种光伏发电系统模型辨识方法，其特征在于，稳态区间的最大偏差，计算公式如下：

加权平均总偏差，分别计算有功功率(FG_P)、无功功率(FG_Q)、无功电流(FG_IQ)、电流(FG_I)加权平均绝对偏差，计算公式如下：

F_{G_*}＝AF_A*+BF_B*+CF_C*。

10.一种光伏发电系统模型辨识系统，其特征在于，包括：光伏方阵模块，光伏方阵模块连接有数字控制器，数字控制器连接有逆变器模块、并网开关模块，并网开关模块连接电网；

电网与数字控制器连接，并网开关模块与逆变器模块连接，逆变器模块与光伏方阵模块连接，光伏方阵模块包括太阳电池组件，且太阳电池组件串、并联设置，数字控制器与逆变器模块之间连接有脉冲宽度调制模块。

Images