CN115249980A - 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 - Google Patents

数据和知识联合驱动的新能源场站阻抗辨识方法及系统 Download PDF

Info

Publication number
CN115249980A
CN115249980A CN202210991337.8A CN202210991337A CN115249980A CN 115249980 A CN115249980 A CN 115249980A CN 202210991337 A CN202210991337 A CN 202210991337A CN 115249980 A CN115249980 A CN 115249980A
Authority
CN
China
Prior art keywords
new energy
impedance
unit
neural network
real
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
Application number
CN202210991337.8A
Other languages
English (en)
Other versions
CN115249980B (zh
Inventor
吕敬
饶仪明
王众
蔡旭
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210991337.8A priority Critical patent/CN115249980B/zh
Publication of CN115249980A publication Critical patent/CN115249980A/zh
Application granted granted Critical
Publication of CN115249980B publication Critical patent/CN115249980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—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
    • 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
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • H02J2300/28—The renewable source being wind 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种数据和知识联合驱动的新能源场站阻抗辨识方法及系统，包括：建立各机组的神经网络阻抗辨识模型；测量各机组端口电压和电流，获知运行状态，并将机组端口电压和电流输入到对应神经网络，得到各机组在其局部参考系下的实时宽频阻抗特性；根据各机组端口电压相对并网点电压的偏移角度，将局部参考系下的实时宽频阻抗特性转换到全局参考坐标系；利用全局参考坐标系下的实时宽频阻抗特性，结合新能源场站拓扑及线路参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性。本发明仅通过测量各机组的稳态工作点数据即可获取新能源场站的实时宽频阻抗特性，对于在线评估新能源并网系统的宽频振荡稳定性具有较大的工程应用价值。

Description

数据和知识联合驱动的新能源场站阻抗辨识方法及系统
技术领域
本发明涉及新能源发电技术领域，具体地，涉及一种数据和知识联合驱动的新能源场站宽频阻抗辨识方法及系统，同时提供了一种相应的终端及计算机可读存储介质。
背景技术
近年来，风电、光伏等新能源在电网中的渗透率不断提高，新能源的波动特性对电网稳定性的影响日益显著，导致了一系列的宽频振荡问题，严重危害了电力系统的安全稳定运行。阻抗分析法由于物理意义清晰、应用简便等优点，已成为新能源并网系统宽频振荡稳定性研究的主流方法之一。阻抗分析法将新能源并网系统从并网点分割成新能源场站和电网两个子系统，分别建立各子系统的宽频阻抗模型，进而利用Nyquist稳定性判据研究交互系统的稳定性。
然而，新能源场站宽频阻抗特性的获取主要存在以下四个难点：一是受商业技术保密的限制，实际工程现场中存在大量控制结构及控制参数等关键信息未知的商用新能源机组，无法通过理论推导建立其宽频阻抗模型；二是新能源场站中各新能源机组的控制结构、控制参数可能存在差异，无法通过一台聚合的新能源机组准确表征整个新能源场站的宽频特性；三是新能源场站中各新能源机组的输入(如风速、光照强度)存在差异且呈现随机特性，导致机组工作点呈现时变特性且单机聚合建模方法不适用；四是实际工程中新能源场站中部分机组可能由于随机故障而被切除，导致新能源场站拓扑存在时变特性。
新能源机组的宽频阻抗特性不仅与其控制结构、控制参数相关，也与其时变的工作点相关，此外，新能源场站拓扑的时变特性进一步导致了新能源场站宽频阻抗的时变特性，因此，为在线评估新能源并网系统的宽频振荡稳定性，准确获取新能源场站的实时宽频阻抗特性是亟需解决的工程问题。
在既有发明中，通常基于新能源机组的白箱模型采用理论推导的方法构建其小信号宽频阻抗模型，存在推导过程复杂、计算量大等缺点，且无法应用于实际工程中具有黑/灰箱性质的新能源机组的阻抗建模。在研究新能源场站与电网的交互时，既有发明通常将新能源场站简化为一台聚合的新能源机组，忽略了新能源场站中各新能源机组在控制结构、控制参数、输入等方面的差异性，存在精度较差的问题。此外，既有发明在构建新能源场站的宽频阻抗模型时，鲜有计及各新能源机组的随机输入导致的机组工作点时变特性以及因机组随机故障切除导致的新能源场站拓扑时变特性，无法应用于新能源并网系统宽频振荡稳定性的实时在线评估。
因此，很有必要研究一种基于数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法。
发明内容
本发明针对上述现有技术中存在的问题，提出了一种数据和知识联合驱动的新能源场站宽频阻抗的在线辨识方法及系统，同时提供了一种相应的终端及计算机可读存储介质。
根据本发明的一个方面，提供了一种数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，包括：
采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型；
测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性；
根据各新能源机组所述端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的所述实时宽频阻抗特性转换到全局参考坐标系；
利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
优选地，所述采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型，包括：
基于离线仿真软件分别搭建新能源场站中各新能源机组的时域仿真模型，或，基于各新能源机组的实际控制器分别搭建基于实时仿真器的新能源机组硬件在环仿真模型，得到各新能源机组的仿真模型；
针对每一新能源机组，利用扫频方法获得该新能源机组在不同稳态工作点下的宽频阻抗数据，并记录相应的端口电压、电流数据；
针对每一新能源机组，将其端口电压、电流数据作为输入数据，将其不同稳态工作点下的宽频阻抗数据作为输出数据，构建训练数据集和测试数据集，并做归一化处理；
针对每一新能源机组，分别构建适用于表征其特性的神经网络，利用所述训练数据集训练神经网络，利用所述测试数据集检验神经网络的泛化能力，调整神经网络的结构和参数，使神经网络的训练准确度和泛化能力达到要求，即得到新能源场站中各新能源机组的神经网络阻抗辨识模型。
优选地，通过所述训练数据集中各输出数据的决定系数R2_train判断训练准确度是否达到要求，其中
Figure BDA0003804072340000031
其中yf为训练数据集输出部分中元素y在频率f下的取值(真实值)，
Figure BDA0003804072340000032
为阻抗辨识结果中元素y在频率f下的取值(辨识值)，
Figure BDA0003804072340000033
为训练数据集中各稳态工作点下元素y在频率f处取值的平均值；
若所述决定系数R2_train均大于或等于设定阈值，则认为神经网络的训练准确度达到要求；若所述决定系数R2_train小于设定阈值，则认为神经网络的训练准确度没有达到要求。
优选地，通过所述测试数据集中各输出数据的决定系数R2_test判断泛化能力是否达到要求，其中
Figure BDA0003804072340000034
其中zf为测试数据集输出部分中元素z在频率f下的取值(真实值)，
Figure BDA0003804072340000035
为阻抗辨识结果中元素z在频率f下的取值(辨识值)，
Figure BDA0003804072340000036
为测试数据集中各稳态工作点下元素z在频率f处取值的平均值；
若所述决定系数R2_test均大于或等于设定阈值，则认为神经网络的泛化能力达到要求；若所述决定系数R2_test小于设定阈值，则认为神经网络的泛化能力没有达到要求。
优选地，所述测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性，包括：
针对新能源场站中各新能源机组，测量其端口电压、电流数据，获知各新能源机组的运行状态；
根据所述运行状态，为其状态函数sgnj(t)赋值(j为新能源机组的编号)，即：当新能源机组j正常运行时，令sgnj(t)＝1；当新能源机组j因随机故障而被切除运行时，令sgnj(t)＝0；
将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性Zdq_local,j(t)。
优选地，所述根据各新能源机组端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的所述实时宽频阻抗特性转换到全局参考坐标系，包括：
根据各新能源机组端口及并网点的电压量测数据，得到各新能源机组端口电压相对并网点电压的偏移角度Δθj；
基于所述偏移角度Δθj，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系，其计算方法为：
Zdq,j(f)＝Trotate,j×Zdq_local,j(f)/Trotate,j
Figure BDA0003804072340000041
其中f为所关注频段内的频率值，Δθj为新能源机组j端口电压相对并网点电压的偏移角度，Trotato,j为相应的阻抗旋转变换矩阵。
优选地，所述利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识，包括：
利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，将新能源机组等效为“受控电流源与实时输出导纳sgnj(t)Ydq,j(t)并联”的形式，其中Ydq,j(t)为阻抗特性Zdq,j(t)的倒数；
根据新能源场站拓扑及线路参数，将集电线路以Π型电路等效；
通过阻抗网络计算，将各新能源机组的实时宽频阻抗特性及内部集电线路的宽频阻抗特性聚合到新能源场站与电网的互联端口，获得新能源场站的实时宽频阻抗特性。
根据本发明的第二个方面，提供一种数据和知识联合驱动的新能源场站宽频阻抗在线辨识系统，包括：
新能源机组神经网络阻抗模型构建模块，该模块采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型；
新能源机组宽频阻抗在线辨识模块，该模块实时测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组的实时宽频阻抗特性；
阻抗旋转变换模块，该模块根据各新能源机组端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系；
新能源场站宽频阻抗在线辨识模块，该模块利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述中任一项所述的方法，或，运行上述的系统。
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述中任一项所述的方法，或，运行上述的系统。
由于采用了上述技术方案，本发明具有如下有益效果：
本发明实施例中的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法及系统，仅通过测量新能源场站中各新能源机组的稳态工作点数据即可获取新能源场站的实时宽频阻抗特性，对于在线评估新能源并网系统的宽频振荡稳定性具有较大的工程应用价值。
本发明实施例中的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法及系统，对新能源场站中各新能源机组分别构建具有相应宽频阻抗特性的神经网络模型，能够根据输入其中的新能源机组稳态工作点数据，得到新能源机组的实时宽频阻抗特性，解决了实际工程中黑箱系统阻抗模型难以获取以及阻抗扫频耗时长的问题。
本发明实施例中的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法及系统，在线应用场景中，利用实测的各新能源机组稳态工作点及各新能源机组的神经网络模型得到各新能源机组的实时宽频阻抗特性，将实际工程中新能源场站内各新能源机组在控制结构、控制参数和输入(如风速、光照强度)等方面的差异性体现在了新能源场站的宽频阻抗模型中。
本发明实施例中的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法及系统，在阻抗网络聚合计算中，计及了因部分新能源机组随机故障切机导致的新能源场站拓扑的时变特性，使得最后辨识得到的新能源场站实时宽频阻抗特性具有较高的精度，能够较好地应用于新能源并网系统宽频振荡稳定性的在线评估。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法的工作流程图；
图2为本发明一优选实施例中永磁直驱风电场拓扑结构示意图；
图3为本发明一优选实施例中永磁直驱全功率风电机组拓扑及控制结构示意图；
图4为本发明一优选实施例中神经网络结构图；
图5中(a)～(h)分别为本发明一优选实施例中某一直驱风机训练数据集中扫频测量导纳与相应神经网络辨识导纳之间的误差结果图；
图6中(a)～(h)分别为本发明一优选实施例中某一直驱风机测试数据集中扫频测量导纳与相应神经网络辨识导纳之间的误差结果图；
图7中(a)～(h)分别为本发明一优选实施例中风电场在工况一下宽频导纳扫频测量结果与在线辨识结果的对比图；
图8中(a)～(h)分别为本发明一优选实施例中风电场在工况二下宽频导纳扫频测量结果与在线辨识结果的对比图；
图9为本发明一实施例中数据和知识联合驱动的新能源场站宽频阻抗在线辨识系统的组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
图1为本发明一实施例提供的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法的工作流程图，主要包括两部分：图1(a)为新能源机组神经网络宽频阻抗辨识模型的获取方法；图1(b)为新能源场站宽频阻抗在线辨识方法。
如图1所示，该实施例提供的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，可以包括如下步骤：
S100：采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型；
S200：测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到S100中得到的对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性；
S300：根据S200中的各新能源机组端口电压相对并网点电压的偏移角度，将S200中的各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系；
S400：利用S300得到的各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
本实施例通过上述步骤，仅通过测量新能源场站中各新能源机组的稳态工作点数据即可获取新能源场站的实时宽频阻抗特性，能很好地应用于在线评估新能源并网系统的宽频振荡稳定性。
下面作为优选实施例，对该实施例提供的上述方法的各步骤进一步详细说明。
在本发明的一个优选实施例中，实施S100，其具体过程包括：
S11，基于离线仿真软件(如Matlab/Simulink)分别搭建新能源场站中各新能源机组的时域仿真模型，或，基于各新能源机组的实际控制器分别搭建基于实时仿真器的新能源机组硬件在环仿真模型，得到各新能源机组的仿真模型；
S12，针对每一新能源机组，利用扫频方法获得该新能源机组在不同稳态工作点下的宽频阻抗特性，并记录相应的端口电压、电流数据；
S13，针对每一新能源机组，将其端口电压、电流数据作为输入数据，将其不同频率下的阻抗数据作为输出数据，构建训练数据集和测试数据集，并做归一化处理，将数据集中输入数据和输出数据分别转换到同一取值区间；
S14，针对每一新能源机组，分别构建适用于表征其特性的神经网络，利用归一化后的训练数据集训练神经网络，利用测试数据集检验神经网络的泛化能力，适当调整神经网络的结构和参数，使神经网络的训练准确度和泛化能力达到要求，即得到新能源场站中各新能源机组的神经网络阻抗辨识模型。
在一优选实施例中，上述S11中的新能源机组仿真模型，可以包括但不限于：光伏发电机组仿真模型、双馈感应风电机组仿真模型或永磁直驱全功率风电机组仿真模型。
在一优选实施例中，上述S12可以进一步包括如下步骤：
S121，针对新能源场站中的某一新能源机组，等间隔地改变其仿真模型输出的有功功率，即改变工作点，采集稳态下其端口处dq轴电压Vd、Vq和电流Id、Iq数据；
S122，在每一个稳态工作点运行工况下，基于S11中搭建的新能源机组仿真模型，注入频率为f的d轴电压扰动得到该扰动频率下新能源机组的d轴电压响应Vdp和dq轴电流响应Idp1、Iqp1；注入频率为f的q轴电压扰动得到该扰动频率下新能源机组的q轴电压响应Vqp和dq轴电流响应Idp2、Iqp2；
S123，根据S122中获取的小扰动电压、电流数据，可以通过下式计算得到该新能源机组在该稳态工作点、该频率处的dq二维阻抗Zdq：
Figure BDA0003804072340000081
Figure BDA0003804072340000082
S124，使扰动频率f遍历所关注频段内的各个频率值，重复S122及S123中的过程，获得该稳态工作点下该新能源机组在所关注频段内的宽频阻抗特性；
S125，设置该新能源机组输出功率以标幺值0.025pu的间隔从0.025pu变化到1pu，重复S121～S124的过程得到该新能源机组在不同工作点下的宽频阻抗特性；
S126，针对新能源场站中的其余新能源机组，进行S121～S125过程，获取各新能源机组在不同工作点下的宽频阻抗特性。
本发明上述的优选实施例对新能源场站中各新能源机组分别构建具有相应宽频阻抗特性的神经网络模型，能够根据输入其中的新能源机组稳态工作点数据，得到新能源机组的实时宽频阻抗特性，解决了实际工程中黑箱系统阻抗模型难以获取以及阻抗扫频耗时长的问题。同时，可以将实际工程中新能源场站内各新能源机组在控制结构、控制参数和输入(如风速、光照强度)等方面的差异性体现在了新能源场站的宽频阻抗模型中。
在一优选实施例中，上述S13，可以进一步包括如下步骤：
S131：针对每一新能源机组，将其不同稳态工作点下的端口dq轴电压Vd、Vq和电流Id、Iq以及所关注频段内的频率值f作为输入数据，将其不同频率f下的dq二维阻抗Zdq(含Zdd、Zdq、Zqd、Zqq等四个元素，每个元素以其实部、虚部表示)作为输出数据。具体地，构建数据集{[Vd,Vq,Id,Iq,f]→Zdq(f)}。
S132：将部分稳态工作点下的数据作为训练数据集，其余则作为测试数据集。
在一具体应用实例中，可将该新能源机组的数据集内不同工作点下的数据集按照有功功率由小到大排序、编号，选择偶数编号数据集作为训练数据集{[Vd,Vq,Id,Iq,f]→Zdq(f)}train，其余奇数编号数据集则作为测试数据集{[Vd,Vq,Id,Iq,f]→Zdq(f)}test。
S133：对训练数据集和测试数据集的输入部分、训练数据集的输出部分分别做归一化处理：
Figure BDA0003804072340000091
其中，xmax与xmin分别为某一物理量数据集中的最大值与最小值，MAX与MIN分别为归一化取值区间的上限与下限，x为所需归一化的数据，xNormalized为x的归一化结果。
在一具体应用实例中，可将训练数据集和测试数据集的输入部分归一化至(0,1)区间，将训练数据集的输出部分归一化至(-1,1)区间。
在一优选实施例中，上述S14，可以进一步包括如下步骤：
S141：针对每一新能源机组，分别构建适用于表征其特性的神经网络，设定初始隐藏层数目以及隐藏层神经元数目，初始化神经网络的权重与偏置，并设置初始学习速率。
在一具体应用实例中，可选择BP神经网络用于新能源机组的阻抗辨识。根据经验初步设定隐藏层数目为5，各隐藏层神经元数目分别为10、12、14、16、18，初始化神经网络的权重与偏置，初步设置学习速率为0.01。
S142：训练神经网络。将相应归一化后的训练数据集输入到神经网络对其进行训练，神经网络通过学习训练数据集的映射特征，调整各个神经元上的权重和偏置，得到具有相应新能源机组宽频阻抗特性的神经网络。
S143：检验神经网络的训练准确度。将训练数据集中已归一化的输入部分输入到神经网络，并将神经网络的输出反归一化，得到神经网络根据训练数据集输入部分的阻抗辨识结果，结合训练数据集的输出部分，对阻抗辨识结果进行误差分析，得到训练数据集中各输出数据的决定系数R2_train：
Figure BDA0003804072340000101
其中，yf为训练数据集输出部分中元素y在频率f下的取值(真实值)，
Figure BDA0003804072340000102
为阻抗辨识结果中元素y在频率f下的取值(辨识值)，
Figure BDA0003804072340000103
为训练数据集中各稳态工作点下元素y在频率f处取值的平均值。
若得到的训练数据集中各输出数据的决定系数R2_train均大于或等于设定阈值，则认为神经网络的训练准确度较高；若训练数据集中存在某些元素的决定系数R2_train小于设定阈值，则认为神经网络的训练准确度不足。
S144：检验神经网络的泛化能力。将测试数据集中已归一化的输入部分输入到神经网络，并将神经网络的输出反归一化，得到神经网络根据测试数据集输入部分的阻抗辨识结果，结合测试数据集的输出部分，对阻抗辨识结果进行误差分析，得到测试数据集中各输出数据的决定系数R2_test：
Figure BDA0003804072340000104
其中，zf为测试数据集输出部分中元素z在频率f下的取值(真实值)，
Figure BDA0003804072340000105
为阻抗辨识结果中元素z在频率f下的取值(辨识值)，
Figure BDA0003804072340000106
为测试数据集中各稳态工作点下元素z在频率f处取值的平均值。
若得到的测试数据集中各输出数据的决定系数R2_test均大于或等于设定阈值，则认为神经网络的泛化能力较强；若测试数据集中存在某些元素的决定系数R2_test小于设定阈值，则认为神经网络的泛化能力不足。
S145：综合考量神经网络的训练准确度和泛化能力：若训练准确度和泛化能力均达到要求，则认为训练得到的神经网络能够较好地表征相应新能源机组的宽频阻抗特性；若训练准确度或泛化能力不满足要求，则调整神经网络的超参数(如神经网络的隐藏层数及各隐藏层的神经元数目)，重新训练神经网络，直至神经网络的训练准确度和泛化能力均达到要求。
在一具体应用实例中，设定阈值取值为0.95。该设定阈值越接近1越好，选择0.95已经几乎不会对后续利用阻抗进行稳定性研究的结果产生影响。
本实施例在神经网络阻抗辨识模型的训练和调整过程中，利用决定系数这一指标来反映所得神经网络的训练准确度(体现神经网络对训练数据集的拟合精度)和泛化能力(体现神经网络对测试数据集的预测精度)，更能保证所得到的神经网络阻抗辨识模型的有效性。本实施例中建立的新能源场站中各新能源机组的神经网络阻抗辨识模型，克服了背景技术中存在的难点一和三。
在本发明的一个优选实施例中，基于上述S100中构建的新能源场站中各新能源机组的神经网络阻抗辨识模型，实施S200，具体过程为：
S201：针对新能源场站中各新能源机组，测量其端口电压、电流数据，获知各新能源机组的运行状态，为其状态函数sgnj(t)赋值(j为新能源机组的编号)，即：当新能源机组j正常运行时，令sgnj(t)＝1；当新能源机组j因随机故障而被切除运行时，令sgnj(t)＝0。
S202：将各新能源机组端口电压、电流数据输入到对应的神经网络，得到各新能源机组在其局部参考系下的实时宽频阻抗特性Zdq_local,j(t)。
在本发明的一个优选实施例中，基于S200中得到的局部参考系下的实时宽频阻抗特性Zdq_local,j(t)，实施S300，具体过程为：
S301：根据各新能源机组端口及并网点的电压量测数据，得到各新能源机组端口电压相对并网点电压的偏移角度Δθj。
计算方法如下：
Δθj＝θj-θ0
其中θj为t时刻新能源机组端口电压空间矢量的相位角，θ0为t时刻新能源场站并网点电压空间矢量的相位角，所述相位角可由t时刻三相电压的量测值得到。
S302：根据各新能源机组端口电压相对并网点电压的偏移角度Δθj，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系。
计算方法如下：
Zdq,j(f)＝Trotate,j×Zdq_local,j(f)/Trotate,j
Figure BDA0003804072340000111
其中f为所关注频段内的频率值，Δθj为新能源机组j端口电压相对并网点电压的偏移角度，Trotato,j为相应的阻抗旋转变换矩阵。对所关注频段内每一频率值下的阻抗进行上述旋转变换，即可将新能源机组j在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系。
在本发明的一个优选实施例中，基于S300获得的全局参考坐标系下的实时宽频阻抗特性，实施S400，具体过程为：
S401,利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，将新能源机组等效为“受控电流源与实时输出导纳sgnj(t)Ydq,j(t)并联”的形式，其中Ydq,j(t)为阻抗特性Zdq,j(t)的倒数；j是场站内新能源机组的编号；
S402，根据新能源场站拓扑及线路参数，将集电线路以Π型电路等效；
S403，通过阻抗网络计算，将各新能源机组的实时宽频阻抗特性及内部集电线路的宽频阻抗特性聚合到新能源场站与电网的互联端口，获得新能源场站的实时宽频阻抗特性。
电流型控制下的新能源机组对外界表现出来的特性都可以等效为“电流源和输出导纳并联”的形式。基于全局参考坐标系下的实时宽频阻抗特性Zdq,j(t)，可以对其求倒数得到全局参考坐标系下的实时宽频导纳特性Ydq,j(t)。但由于新能源机组可能由于随机故障或运行计划而切除运行，此时其对于整个系统体现的实时导纳应为0，因此引入状态函数sgnj(t)，进一步用sgnj(t)Ydq,j(t)代表新能源机组在全局参考坐标系下的实时宽频导纳特性。本实施例中，“先单机，再场站”的“新能源场站阻抗辨识方法”克服了背景技术中存在的难点二、三和四。
本实施例中，在阻抗网络聚合计算中，计及了因部分新能源机组随机故障切机导致的新能源场站拓扑的时变特性，使得最后辨识得到的新能源场站实时宽频阻抗特性具有较高的精度，能够较好地应用于新能源并网系统宽频振荡稳定性的在线评估。
较佳实施例中，导纳与阻抗互为倒数，新能源场站的频域特性亦可由宽频导纳表征，对新能源场站宽频导纳的在线辨识是本发明的等价形式。在某些场景下，为便于后续研究，可直接辨识新能源场站的宽频导纳特性。不失一般性，将后文对新能源场站宽频导纳的在线辨识亦称为新能源场站宽频阻抗的在线辨识。
下面结合附图以及一具体应用实例，对本发明上述实施例提供的技术方案进一步详细说明。
图2为本发明一具体应用实例中永磁直驱风电场拓扑结构示意图。风电场由两条馈线构成，每条馈线上含有5台永磁直驱全功率风电机组。图中将风电场以电路元件的形式绘制，即，将风电机组等效为“电流源+实时输出导纳Yj”的形式(j为风电机组的编号，即j＝1,2,…,10，Yj即风电机组阻抗Zj的倒数)，交流海缆、风电场升压变及风电场内部风机之间的集电线路均用Π型电路等效。全功率风电机组的拓扑及控制结构如图3所示，即机侧变流器采用转矩外环及电流内环的双闭环控制，网侧变流器采用直流电压外环及电流内环的双闭环控制。
该具体应用实例以上述风电场为例，基于Matlab/Simulink搭建风电场中各永磁直驱全功率风电机组的时域仿真模型。后续过程步骤与上文实施例相同，此处不再赘述。
上述具体应用实例中，神经网络的结构示意图如图4所示。神经网络的输入为dq轴电压Vd、Vq,dq轴电流Id、Iq及频率f五个量构成的数据集；神经网络的输出为dq二维导纳中四个元素Ydd、Ydq、Yqd、Yqq的实部与虚部八个量构成的数据集。神经网络通过初始化给定每个神经元初始的权重w和偏置b，在每次训练过程中不断地调整各神经元的权重w和偏置b，最终达到精准拟合各风电机组导纳的效果。
该具体应用实例中，某一风电机组训练数据集中扫频测量导纳与相应神经网络辨识导纳之间的误差如图5中(a)～(h)所示。可以看到，扫频测量导纳与神经网络辨识导纳之间的误差极小，说明所得到的神经网络模型具有较高的训练准确度。
该具体应用实例中，某一风电机组测试数据集中扫频测量导纳与相应神经网络辨识导纳之间的误差如图6中(a)～(h)所示。可以看到，扫频测量导纳与神经网络辨识导纳之间的误差极小，说明所得到的神经网络模型具有较强的泛化能力。
该具体应用实例中，风电场在工况一(所有风电机组输出0.8pu的有功功率)下的宽频导纳扫频测量结果与在线辨识结果的对比如图7中(a)～(h)所示。可以看到，此工况下，在1～3000Hz频率范围内，风电场导纳的扫频测量值与在线辨识值具有较高的一致性，说明了本发明提出的新能源场站宽频阻抗辨识方法能够准确地在线辨识新能源场站的宽频特性。
该具体应用实例中，风电场在工况二(10台风电机组输出的有功功率标幺值分别为0.8、0.7、0.6、0.5、0.4、0.8、0.7、0.6、0.5、0.4)下的宽频导纳扫频测量结果与在线辨识结果的对比如图8中(a)～(h)所示。可以看到，此工况下，在1～3000Hz频率范围内，风电场导纳的扫频测量值与在线辨识值具有较高的一致性，进一步说明了本发明提出的新能源场站宽频阻抗辨识方法能够准确地在线辨识新能源场站的宽频特性。
由上述实施例可见，本发明提供的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，能够获取内部结构及参数未知情况下的新能源机组在不同工作点下的宽频特性，计及新能源场站中各新能源机组在控制结构、控制参数、输入等方面的差异性，准确辨识得到新能源场站的实时宽频特性，进而能够很好地应用于新能源并网系统宽频振荡稳定性的在线评估。
基于相同的发明构思，本发明其他实施例中还提供一种数据和知识联合驱动的新能源场站宽频阻抗在线辨识系统，图9为其对应的组成模块示意图，包括新能源机组神经网络阻抗模型构建模块、新能源机组宽频阻抗在线辨识模块、阻抗旋转变换模块和新能源场站宽频阻抗在线辨识模块；新能源机组神经网络阻抗模型构建模块采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型。新能源机组宽频阻抗在线辨识模块实时测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络，得到各新能源机组的实时宽频阻抗特性；阻抗旋转变换模块根据各新能源机组端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系；新能源场站宽频阻抗在线辨识模块利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
基于相同的发明构思，本发明其他实施例中提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行本发明上述实施例中任一项方法，或，运行本发明上述实施例中任一项的系统。
基于相同的发明构思，本发明其他实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行本发明上述实施例中任一项方法，或，运行本发明上述实施例中任一项的系统。
本发明上述实施例中未尽事宜均为本领域公知技术。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，包括：
采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型；
测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性；
根据各新能源机组所述端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的所述实时宽频阻抗特性转换到全局参考坐标系；
利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
2.根据权利要求1所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，所述采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型，包括：
基于离线仿真软件分别搭建新能源场站中各新能源机组的时域仿真模型，或，基于各新能源机组的实际控制器分别搭建基于实时仿真器的新能源机组硬件在环仿真模型，得到各新能源机组的仿真模型；
针对每一新能源机组，利用扫频方法获得该新能源机组在不同稳态工作点下的宽频阻抗数据，并记录相应的端口电压、电流数据；
针对每一新能源机组，将其端口电压、电流数据作为输入数据，将其不同稳态工作点下的宽频阻抗数据作为输出数据，构建训练数据集和测试数据集，并做归一化处理；
针对每一新能源机组，分别构建适用于表征其特性的神经网络，利用所述训练数据集训练神经网络，利用所述测试数据集检验神经网络的泛化能力，调整神经网络的结构和参数，使神经网络的训练准确度和泛化能力达到要求，即得到新能源场站中各新能源机组的神经网络阻抗辨识模型。
3.根据权利要求2所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，通过所述训练数据集中各输出数据的决定系数R2_train判断训练准确度是否达到要求，其中
Figure FDA0003804072330000021
其中yf为训练数据集输出部分中元素y在频率f下的取值即真实值，
Figure FDA0003804072330000022
为阻抗辨识结果中元素y在频率f下的取值即辨识值，
Figure FDA0003804072330000023
为训练数据集中各稳态工作点下元素y在频率f处取值的平均值；
若所述决定系数R2_train均大于或等于设定阈值，则认为神经网络的训练准确度达到要求；若所述决定系数R2_train小于设定阈值，则认为神经网络的训练准确度没有达到要求。
4.根据权利要求3所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，通过所述测试数据集中各输出数据的决定系数R2_test判断泛化能力是否达到要求，其中
Figure FDA0003804072330000024
其中zf为测试数据集输出部分中元素z在频率f下的取值即真实值，
Figure FDA0003804072330000025
为阻抗辨识结果中元素z在频率f下的取值即辨识值，
Figure FDA0003804072330000026
为测试数据集中各稳态工作点下元素z在频率f处取值的平均值；
若所述决定系数R2_test均大于或等于设定阈值，则认为神经网络的泛化能力达到要求；若所述决定系数R2_test小于设定阈值，则认为神经网络的泛化能力没有达到要求。
5.根据权利要求1所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，所述测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性，包括：
针对新能源场站中各新能源机组，测量其端口电压、电流数据，获知各新能源机组的运行状态；
根据所述运行状态，为其状态函数sgnj(t)赋值，j为新能源机组的编号，即：当新能源机组j正常运行时，令sgnj(t)＝1；当新能源机组j因随机故障而被切除运行时，令sgnj(t)＝0；
将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组在其局部参考系下的实时宽频阻抗特性Zdq_local,j(t)。
6.根据权利要求1所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，所述根据各新能源机组端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的所述实时宽频阻抗特性转换到全局参考坐标系，包括：
根据各新能源机组端口及并网点的电压量测数据，得到各新能源机组端口电压相对并网点电压的偏移角度Δθj；
基于所述偏移角度Δθj，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系，其计算方法为：
Zdq,j(f)＝Trotate,j×Zdq_local,j(f)/Trotate,j
Figure FDA0003804072330000031
其中f为所关注频段内的频率值，Δθj为新能源机组j端口电压相对并网点电压的偏移角度，Trotato,j为相应的阻抗旋转变换矩阵。
7.根据权利要求1所述的数据和知识联合驱动的新能源场站宽频阻抗在线辨识方法，其特征在于，所述利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识，包括：
利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，将新能源机组等效为“受控电流源与实时输出导纳sgnj(t)Ydq,j(t)并联”的形式，其中Ydq,j(t)为阻抗特性Zdq,j(t)的倒数；
根据新能源场站拓扑及线路参数，将集电线路以Π型电路等效；
通过阻抗网络计算，将各新能源机组的实时宽频阻抗特性及内部集电线路的宽频阻抗特性聚合到新能源场站与电网的互联端口，获得新能源场站的实时宽频阻抗特性。
8.一种数据和知识联合驱动的新能源场站宽频阻抗在线辨识系统，其特征在于，包括：
新能源机组神经网络阻抗模型构建模块，该模块采用基于神经网络的新能源发电系统阻抗模型辨识方法，分别建立新能源场站中各新能源机组的神经网络阻抗辨识模型；
新能源机组宽频阻抗在线辨识模块，该模块实时测量新能源场站中各新能源机组端口电压、电流数据，获知各新能源机组的运行状态，将各新能源机组端口电压、电流数据输入到对应的神经网络阻抗辨识模型，得到各新能源机组的实时宽频阻抗特性；
阻抗旋转变换模块，该模块根据各新能源机组端口电压相对并网点电压的偏移角度，将各新能源机组在局部参考系下的实时宽频阻抗特性转换到全局参考坐标系；
新能源场站宽频阻抗在线辨识模块，该模块利用各新能源机组在全局参考坐标系下的实时宽频阻抗特性，结合新能源场站内部集电线路拓扑及参数，通过阻抗网络计算，获得新能源场站的实时宽频阻抗特性，即完成新能源场站宽频阻抗特性的在线辨识。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
CN202210991337.8A 2022-08-18 2022-08-18 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 Active CN115249980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210991337.8A CN115249980B (zh) 2022-08-18 2022-08-18 数据和知识联合驱动的新能源场站阻抗辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210991337.8A CN115249980B (zh) 2022-08-18 2022-08-18 数据和知识联合驱动的新能源场站阻抗辨识方法及系统

Publications (2)

Publication Number Publication Date
CN115249980A true CN115249980A (zh) 2022-10-28
CN115249980B CN115249980B (zh) 2024-04-19

Family

ID=83699851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210991337.8A Active CN115249980B (zh) 2022-08-18 2022-08-18 数据和知识联合驱动的新能源场站阻抗辨识方法及系统

Country Status (1)

Country Link
CN (1) CN115249980B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115663903A (zh) * 2022-11-18 2023-01-31 中国电力科学研究院有限公司 一种适用于新能源场站的阻抗分频聚合方法及系统
CN116826786A (zh) * 2023-06-15 2023-09-29 上海交通大学 一种新能源电力系统薄弱点定位方法及系统
CN117054746A (zh) * 2023-09-27 2023-11-14 中国电力科学研究院有限公司 一种新能源现场的阻抗同步测量系统和方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014044007A1 (zh) * 2012-09-21 2014-03-27 北京金风科创风电设备有限公司 风电场动态电压自动控制系统
CN108667048A (zh) * 2018-05-31 2018-10-16 清华大学 新能源并网系统振荡稳定性的频域判稳方法及装置
CN112165115A (zh) * 2020-09-16 2021-01-01 上海交通大学 一种直驱风电机组灰箱模型的参数辨识方法及装置
WO2021012298A1 (zh) * 2019-07-25 2021-01-28 东北大学 多端口能源路由器自-互-群多层次稳定辨识与回稳方法
CN112865181A (zh) * 2021-03-02 2021-05-28 国网冀北电力有限公司电力科学研究院 基于端口阻抗特性的光伏逆变器参数辨识方法及装置
CN113937793A (zh) * 2021-11-01 2022-01-14 东南大学 一种基于阻抗分段降阶模型零点辨识的稳定性分析方法
CN114465289A (zh) * 2022-02-24 2022-05-10 国网山东省电力公司济南供电公司 基于实时电网阻抗辨识的变流器同步稳定控制方法及装置
CN114611676A (zh) * 2022-03-23 2022-06-10 上海交通大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014044007A1 (zh) * 2012-09-21 2014-03-27 北京金风科创风电设备有限公司 风电场动态电压自动控制系统
CN108667048A (zh) * 2018-05-31 2018-10-16 清华大学 新能源并网系统振荡稳定性的频域判稳方法及装置
WO2021012298A1 (zh) * 2019-07-25 2021-01-28 东北大学 多端口能源路由器自-互-群多层次稳定辨识与回稳方法
CN112165115A (zh) * 2020-09-16 2021-01-01 上海交通大学 一种直驱风电机组灰箱模型的参数辨识方法及装置
CN112865181A (zh) * 2021-03-02 2021-05-28 国网冀北电力有限公司电力科学研究院 基于端口阻抗特性的光伏逆变器参数辨识方法及装置
CN113937793A (zh) * 2021-11-01 2022-01-14 东南大学 一种基于阻抗分段降阶模型零点辨识的稳定性分析方法
CN114465289A (zh) * 2022-02-24 2022-05-10 国网山东省电力公司济南供电公司 基于实时电网阻抗辨识的变流器同步稳定控制方法及装置
CN114611676A (zh) * 2022-03-23 2022-06-10 上海交通大学 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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115663903A (zh) * 2022-11-18 2023-01-31 中国电力科学研究院有限公司 一种适用于新能源场站的阻抗分频聚合方法及系统
CN116826786A (zh) * 2023-06-15 2023-09-29 上海交通大学 一种新能源电力系统薄弱点定位方法及系统
CN116826786B (zh) * 2023-06-15 2024-05-31 上海交通大学 一种新能源电力系统薄弱点定位方法及系统
CN117054746A (zh) * 2023-09-27 2023-11-14 中国电力科学研究院有限公司 一种新能源现场的阻抗同步测量系统和方法
CN117054746B (zh) * 2023-09-27 2024-05-28 中国电力科学研究院有限公司 一种新能源现场的阻抗同步测量系统和方法

Also Published As

Publication number Publication date
CN115249980B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN115249980B (zh) 数据和知识联合驱动的新能源场站阻抗辨识方法及系统
CN107577870B (zh) 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法
CN109657789A (zh) 基于小波神经网络的风机齿轮箱故障趋势预测方法
Razavi-Far et al. Incremental design of a decision system for residual evaluation: A wind turbine application
CN114021433A (zh) 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN113659565A (zh) 一种新能源电力系统频率态势的在线预测方法
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
Rao et al. Wideband impedance online identification of wind farms based on combined data-driven and knowledge-driven
CN115146538A (zh) 基于消息传递图神经网络的电力系统状态估计方法
CN115392133A (zh) 采用高斯混合模型的风电场最优聚类等值方法
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
Zhang et al. Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation
Changchun et al. Micro-grid dynamic modeling based on RBF Artificial Neural Network
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
Pan et al. Hierarchical parameter estimation of DFIG and drive train system in a wind turbine generator
Lyu et al. Data-driven impedance identification and stability online assessment of wind farm connected with MMC-HVDC
CN114792984A (zh) 一种次/超同步振荡源的快速定位方法
CN114545147A (zh) 计及时变拓扑时基于深度学习的电压暂降源定位方法
CN108964044B (zh) 一种通过海底电缆互联的海洋微电网群等值建模方法
Ma et al. Stability analysis of sub/super synchronous oscillation in direct‐drive wind farm considering the energy interaction between PMSGs
Ma et al. Parameter Identification and Stability Analysis of DFIG
CN114611402B (zh) 基于分块互联模型和数据驱动的直驱风机动态拟合方法
CN118199146A (zh) 基于新能源场站时变阻抗特性的并网变流器动态模拟方法
CN111179110A (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
CN116702629B (zh) 一种具备可迁移能力的电力系统暂态稳定评估方法

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