CN116937696A - 一种基于光伏发电系统的自适应等效建模方法 - Google Patents
一种基于光伏发电系统的自适应等效建模方法 Download PDFInfo
- Publication number
- CN116937696A CN116937696A CN202311199321.4A CN202311199321A CN116937696A CN 116937696 A CN116937696 A CN 116937696A CN 202311199321 A CN202311199321 A CN 202311199321A CN 116937696 A CN116937696 A CN 116937696A
- Authority
- CN
- China
- Prior art keywords
- response
- control
- model
- data
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010248 power generation Methods 0.000 title claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 89
- 238000011217 control strategy Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 230000010355 oscillation Effects 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J3/38—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
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Control Of Electrical Variables (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于光伏发电系统的自适应等效建模方法，属于光伏发电技术领域，为了能够适应不同的控制方式的同时有效提高建模精度，包括：S1：基于光伏发电系统分别搭建不同控制策略所对应的多个初始控制模型；S2：获取各所述初始控制模型的电压‑频率响应训练数据；S3：利用滤波及归一化后的电压‑频率响应训练数据训练RBF神经网络单元模型，得到训练好的RBF神经网络单元模型；S4：根据电压‑频率响应输入数据，利用控制策略辨识方法，确定所述训练好的RBF神经网络单元模型的控制方式；S5：基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到所述电压‑频率响应输入数据所对应的自适应等效模型。
Description
技术领域
本发明涉及光伏发电技术领域，具体涉及一种基于光伏发电系统的自适应等效建模方法。
背景技术
光伏发电系统是指利用光伏电池的光生伏特效应，将太阳光辐射直接转换成电能的一种新能源发电系统。
由于配电网中新能源高比例接入，分布式电源电力电子化程度的加深，配电网系统惯性大大降低，频率稳定性不足，发生故障或存在特殊的冲击负荷时，会发生严重的频率偏移。
当前的光伏并网模型只能等效单一控制下的光伏并网仿真系统，但是分布式光伏系统为了在配网中发挥支撑、调节和等效阻尼等多种功能，存在三种控制策略（电压频率控制、有功无功控制和下垂控制）的逆变器。
发明内容
本发明的目的在于提供一种基于光伏发电系统的自适应等效建模方法，以能够适应不同的控制方式的同时有效提高建模精度。
本发明解决上述技术问题的技术方案如下：
本发明提供一种基于光伏发电系统的自适应等效建模方法，所述基于光伏发电系统的自适应等效建模方法包括：
S1：基于光伏发电系统分别搭建不同控制策略所对应的多个初始控制模型；
S2：获取各所述初始控制模型的电压-频率响应训练数据；
S3：利用滤波及归一化后的电压-频率响应训练数据训练RBF神经网络单元模型，得到训练好的RBF神经网络单元模型；
S4：根据电压-频率响应输入数据，利用控制策略辨识方法，确定所述训练好的RBF神经网络单元模型的控制方式；
S5：基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到所述电压-频率响应输入数据所对应的自适应等效模型。
可选择地，所述S1中，所述不同控制策略包括三种控制策略，三种所述控制策略包括：电压频率控制策略、有功无功控制策略和下垂控制策略。
可选择地，根据光伏发电系统的有功功率在电压变化后不同的响应特点识别模型的控制方式，三种控制策略的响应类型分别为过阻尼振荡响应、欠阻尼振荡响应和高阶动态振荡响应，其中，所述电压频率控制策略所对应的响应类型为阻尼振荡响应，所述有功无功控制策略所对应的响应类型为欠阻尼振荡响应，所述下垂控制策略所对应的响应类型为高阶动态振荡响应。
可选择地，所述S3中，所述RBF神经网络单元模型包括依次设置的输入层、中间层和输出层，所述中间层用于计算输入量和样本量之间欧式距离的径向基函数值，所述径向基函数为：
其中，为高斯基函数，/>为RBF神经网络单元模型的中心向量，/>为高斯基函数宽度，/>为输入量，下标j表示隐藏层的序号，exp表示以自然常数e为底的指数函数。
可选择地，所述S4包括：
S41：利用五点求导法，求取功率数据对时间的导数；
S42：根据所述功率数据对时间的导数，确定有功功率响应数据的最大值和最小值；
S43：在达到功率最小值之后的时段内，判断功率数据对时间的导数是否始终大于0，若是，输出当前响应类型为过阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为电压频率控制；否则，进入S44；
S44：在未达到功率最大值之前的时段内，判断功率数据对时间的导数是否始终大于0，若是，输出当前响应类型为欠阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为有功无功控制模型，否则，输出当前响应模型为高阶振荡响应，所述训练好的RBF神经网络单元模型的控制方式为下垂控制模型。
可选择地，所述S41包括：
其中，是有功功率响应数据，T=0.001s是数据步长，/>表示时间，/>表示与时间相关的功率数据，/>表示时间步长的高阶无穷小，/>表示微分符号。
可选择地，所述S5包括：
基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到初始自适应模型；
利用误差评估指标检验所述初始自适应模型的有效性，若有效，将所述初始自适应模型作为所述电压-频率响应输入数据所对应的自适应等效模型输出。
可选择地，所述误差评估指标包括均方根误差RMSE、均方误差MSE和平均绝对误差MAE；
所述均方根误差RMSE为：
所述均方误差MSE为：
所述平均绝对误差MAE为：
其中，表示样本数据，/>表示第/>个实际数据，/>表示第/>个预测数据。
本发明具有以下有益效果：
一方面，本发明通过不同控制策略建立多个初始控制模型，并利用初始控制模型中获取的数据对RBF神经网络单元模型进行训练，使得RBF神经网络单元模型能够适应不同的控制方式；另一方面，本发明利用控制策略辨识方法，能够确定输入数据所对应的控制方式，进而建立控制方式所对应的自适应模型，具有较强的自适应能力；其次，在15%电压跌落时，其有功功率响应误差是8.5×10-4(pu)，无功功率响应误差是0.0896(pu)。分别测试15%、20%、25%和30%电压跌落下的有功响应误差，相比于现有的方法降低了50%，故证明本方法不仅能适应不同的控制方式，还能有效提高建模的精确度。
附图说明
图1为本发明基于光伏发电系统的自适应等效建模方法的流程图；
图2为本发明实施例所提供的光伏发电系统的结构示意图；
图3为本发明电压频率控制功率响应曲线图；
图4为本发明有功无功控制功率响应曲线图；
图5为本发明下垂控制功率响应曲线图；
图6为本发明RBF神经网络单元模型的结构示意图；
图7为功率曲线变化示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明提供一种基于光伏发电系统的自适应等效建模方法，参考图1所示，所述基于光伏发电系统的自适应等效建模方法包括：
S1：基于光伏发电系统分别搭建不同控制策略所对应的多个初始控制模型；
作为一种具体实施方式，本发明所提供的光伏发电系统利用经典光伏并网系统，主要包括PV阵列、Boost升压电路、三相电压源型逆变器及其控制、LCL滤波器和电网等，拓扑结构如图2所示。
光伏逆变器的控制策略是影响光伏并网系统稳定性和动静态特性的重要因素。通常配网中光伏逆变器采用电压源型逆变器拓扑设计。实际应用中，常见的光伏逆变器控制策略有电压频率控制、有功无功控制、下垂控制等。
因此，在本发明中，不同控制策略包括三种控制策略，三种所述控制策略包括：电压频率控制策略、有功无功控制策略和下垂控制策略。
参考图3所示，电压频率控制（voltage and frequency control, Vf控制）是能直接控制输出电压和频率不变的控制策略，而逆变器输出的有功和无功功率取决于负载条件。Vf控制通常用于主从控制配网中主控电源的控制，即一般采用具有储能系统的大功率光伏作为主控电源，用来支撑配网的电压和频率。
参考图4所示，有功无功控制（active and reactive power control，PQ控制）是指在一定电网条件下，即电网电压稳定控制在设定值，电网频率稳定控制在设定值时，直接控制逆变器输出的有功和无功功率。有功和无功功率输出的指令值可以是电网调度指令，也可以是光伏系统的最大功率追踪(maximum power point tracking，MPPT)控制器输出。PQ控制通常用于采用主从控制配网中从控电源的控制，需要配网自身能维持电压，适合于功率较小的分布式光伏。
参考图5所示，下垂控制（droop control，Droop控制）是模拟同步发电机的下垂外特性对逆变器实施控制的一种方法。既可以单独控制来提供电压和频率支撑，也可以和其它下垂控制的逆变器单元并联组网运行。该控制策略利用感性线路阻抗下并联电源输出有功功率和频率、无功功率和电压呈现一次函数的下垂特性。当逆变器输出的有功功率和无功功率变化时，逆变器输出电压和频率按照下垂特性曲线线性变化。
根据光伏发电系统的有功功率在电压变化后不同的响应特点识别模型的控制方式，三种控制策略的响应类型分别为过阻尼振荡响应、欠阻尼振荡响应和高阶动态振荡响应，参考表1所示，表1是三种控制策略下的光伏发电系统功率响应表，Vf控制的光伏并网系统在电压降落后输出有功功率降低并逐渐回升到最大功率，形似过阻尼振荡；PQ控制的光伏并网系统在电压降落后输出有功功率会在最大功率处波动，形似欠阻尼振荡；Droop控制的光伏并网系统在电压降落后输出功率会在小幅振荡中逐渐上升，形似高阶振荡响应。因此，所述电压频率控制策略所对应的响应类型为阻尼振荡响应，所述有功无功控制策略所对应的响应类型为欠阻尼振荡响应，所述下垂控制策略所对应的响应类型为高阶动态振荡响应。
表1 三种控制策略下的光伏发电系统功率响应表
S2：获取各所述初始控制模型的电压-频率响应训练数据；
即在电网母线处设置电压跌落区间为0-0.3(pu)，频率偏移区间为0-0.6（Hz），采集不同故障程度下并网点处逆变器输出的有功和无功功率响应数据。
S3：利用滤波及归一化后的电压-频率响应训练数据训练RBF神经网络单元模型，得到训练好的RBF神经网络单元模型；
可选择地，参考图6所示（U是电压信号；f是频率信号；x是输入量；h是隐藏层；y是输出层；P是光伏系统输出的有功功率；Q是光伏发电系统输出的无功功率），所述RBF神经网络单元模型包括依次设置的输入层、中间层和输出层，所述中间层用于计算输入量和样本量之间欧式距离的径向基函数值，输入层数据分别是频率、电压，输出层分别是逆变器输出的有功和无功功率，所述径向基函数为：
其中，为高斯基函数，/>为RBF神经网络单元模型的中心向量，/>为高斯基函数宽度，/>为输入量，下标j表示隐藏层的序号，exp表示以自然常数e为底的指数函数。
S4：根据电压-频率响应输入数据，利用控制策略辨识方法，确定所述训练好的RBF神经网络单元模型的控制方式；
可选择地，控制策略辨识方法包括：
S41：利用五点求导法，求取功率数据对时间的导数；
其中，是有功功率响应数据，T=0.001s是数据步长，/>表示时间，/>表示与时间相关的功率数据，/>表示时间步长的高阶无穷小，/>表示微分符号。
S42：根据所述功率数据对时间的导数，确定有功功率响应数据的最大值和最小值；
S43：参考图7所示，在达到功率最小值之后的时段内，功率数据对时间的导数是否始终大于0（即），若是，输出当前响应类型为过阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为电压频率控制；说明有功功率在达到最小值后，会持续上升至稳定值，这是过阻尼振荡响应与其它两种响应的明确区别。所以可以确定该系统控制方式为电压频率控制，若不成立，则该系统是有功无功控制或下垂控制，继续进行后续计算。即：否则，进入S44；
S44：在未达到功率最大值之前的时段内，功率数据对时间的导数是否始终大于0（即），若是，输出当前响应类型为欠阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为有功无功控制模型，否则，输出当前响应模型为高阶振荡响应，所述训练好的RBF神经网络单元模型的控制方式为下垂控制模型。
说明有功功率在达到最大值前，是没有振荡持续上升至最大值，这是欠阻尼振荡和高阶振荡的明确区别。所以可以确定该系统控制方式为有功无功控制。若不成立，则确定该系统控制方式为下垂控制。
S5：基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到所述电压-频率响应输入数据所对应的自适应等效模型。
可选择地，所述S5包括：
基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到初始自适应模型；
利用误差评估指标检验所述初始自适应模型的有效性，若有效，将所述初始自适应模型作为所述电压-频率响应输入数据所对应的自适应等效模型输出。
判断有效性的依据是误差评估指标的所有参数小于5%。
可选择地，所述误差评估指标包括均方根误差RMSE、均方误差MSE和平均绝对误差MAE；
所述均方根误差RMSE为：
所述均方误差MSE为：
所述平均绝对误差MAE为：
其中，表示样本数据，/>表示第/>个实际数据，/>表示第/>个预测数据。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于光伏发电系统的自适应等效建模方法，其特征在于，所述基于光伏发电系统的自适应等效建模方法包括：
S1：基于光伏发电系统分别搭建不同控制策略所对应的多个初始控制模型；
S2：获取各所述初始控制模型的电压-频率响应训练数据；
S3：利用滤波及归一化后的电压-频率响应训练数据训练RBF神经网络单元模型，得到训练好的RBF神经网络单元模型；
S4：根据电压-频率响应输入数据，利用控制策略辨识方法，确定所述训练好的RBF神经网络单元模型的控制方式；
S5：基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到所述电压-频率响应输入数据所对应的自适应等效模型。
2.根据权利要求1所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述S1中，所述不同控制策略包括三种控制策略，三种所述控制策略包括：电压频率控制策略、有功无功控制策略和下垂控制策略。
3.根据权利要求2所述的基于光伏发电系统的自适应等效建模方法，其特征在于，
根据光伏发电系统的有功功率在电压变化后不同的响应特点识别模型的控制方式，三种控制策略的响应类型分别为过阻尼振荡响应、欠阻尼振荡响应和高阶动态振荡响应，其中，所述电压频率控制策略所对应的响应类型为阻尼振荡响应，所述有功无功控制策略所对应的响应类型为欠阻尼振荡响应，所述下垂控制策略所对应的响应类型为高阶动态振荡响应。
4.根据权利要求1所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述S3中，所述RBF神经网络单元模型包括依次设置的输入层、中间层和输出层，所述中间层用于计算输入量和样本量之间欧式距离的径向基函数值，所述径向基函数为：
其中，为高斯基函数，/>为RBF神经网络单元模型的中心向量，/>为高斯基函数宽度，为输入量，下标j表示隐藏层的序号，exp表示以自然常数e为底的指数函数。
5.根据权利要求1所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述S4包括：
S41：利用五点求导法，求取功率数据对时间的导数；
S42：根据所述功率数据对时间的导数，确定有功功率响应数据的最大值和最小值；
S43：在达到功率最小值之后的时段内，判断功率数据对时间的导数是否始终大于0，若是，输出当前响应类型为过阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为电压频率控制；否则，进入S44；
S44：在未达到功率最大值之前的时段内，判断功率数据对时间的导数是否始终大于0，若是，输出当前响应类型为欠阻尼振荡响应，所述训练好的RBF神经网络单元模型的控制方式为有功无功控制模型，否则，输出当前响应模型为高阶振荡响应，所述训练好的RBF神经网络单元模型的控制方式为下垂控制模型。
6.根据权利要求5所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述S41包括：
其中，是有功功率响应数据，T=0.001s是数据步长，/>表示时间，/>表示与时间相关的功率数据，/>表示时间步长的高阶无穷小，/>表示微分符号。
7.根据权利要求1-6中任意一项所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述S5包括：
基于所述控制方式，利用所述训练好的RBF神经网络单元模型，得到初始自适应模型；
利用误差评估指标检验所述初始自适应模型的有效性，若有效，将所述初始自适应模型作为所述电压-频率响应输入数据所对应的自适应等效模型输出。
8.根据权利要求7所述的基于光伏发电系统的自适应等效建模方法，其特征在于，所述误差评估指标包括均方根误差RMSE、均方误差MSE和平均绝对误差MAE；
所述均方根误差RMSE为：
所述均方误差MSE为：
所述平均绝对误差MAE为：
其中，表示样本数据，/>表示第/>个实际数据，/>表示第/>个预测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199321.4A CN116937696B (zh) | 2023-09-18 | 2023-09-18 | 一种基于光伏发电系统的自适应等效建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199321.4A CN116937696B (zh) | 2023-09-18 | 2023-09-18 | 一种基于光伏发电系统的自适应等效建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116937696A true CN116937696A (zh) | 2023-10-24 |
| CN116937696B CN116937696B (zh) | 2023-12-05 |
Family
ID=88382954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311199321.4A Active CN116937696B (zh) | 2023-09-18 | 2023-09-18 | 一种基于光伏发电系统的自适应等效建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116937696B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996863A (zh) * | 2024-04-07 | 2024-05-07 | 国网浙江省电力有限公司宁波供电公司 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| US20130268131A1 (en) * | 2012-04-09 | 2013-10-10 | Clemson University | Method and System for Dynamic Stochastic Optimal Electric Power Flow Control |
| US20140148962A1 (en) * | 2012-11-28 | 2014-05-29 | Clemson Univesity | Situational Awareness / Situational Intelligence System and Method for Analyzing, Monitoring, Predicting and Controlling Electric Power Systems |
| CN105162167A (zh) * | 2015-09-30 | 2015-12-16 | 国网山东省电力公司电力科学研究院 | 一种基于自适应下垂控制的风光储微网调频方法 |
| CN106055846A (zh) * | 2016-07-11 | 2016-10-26 | 重庆大学 | 一种基于bsnn‑arx的光伏逆变器模型辨识方法 |
| CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
| CN109193649A (zh) * | 2018-10-23 | 2019-01-11 | 东南大学 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
| CN112036010A (zh) * | 2020-08-05 | 2020-12-04 | 东南大学 | 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 |
| CN112332421A (zh) * | 2020-10-22 | 2021-02-05 | 江苏省电力试验研究院有限公司 | 基于自适应下垂控制的光伏电站参与电网电压调节方法 |
| CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
| CN114759579A (zh) * | 2022-05-07 | 2022-07-15 | 北京科东电力控制系统有限责任公司 | 一种基于数据驱动的电网有功优化控制系统、方法和介质 |
-
2023
- 2023-09-18 CN CN202311199321.4A patent/CN116937696B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| US20130268131A1 (en) * | 2012-04-09 | 2013-10-10 | Clemson University | Method and System for Dynamic Stochastic Optimal Electric Power Flow Control |
| US20140148962A1 (en) * | 2012-11-28 | 2014-05-29 | Clemson Univesity | Situational Awareness / Situational Intelligence System and Method for Analyzing, Monitoring, Predicting and Controlling Electric Power Systems |
| CN105162167A (zh) * | 2015-09-30 | 2015-12-16 | 国网山东省电力公司电力科学研究院 | 一种基于自适应下垂控制的风光储微网调频方法 |
| CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
| CN106055846A (zh) * | 2016-07-11 | 2016-10-26 | 重庆大学 | 一种基于bsnn‑arx的光伏逆变器模型辨识方法 |
| CN109193649A (zh) * | 2018-10-23 | 2019-01-11 | 东南大学 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
| CN112036010A (zh) * | 2020-08-05 | 2020-12-04 | 东南大学 | 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 |
| CN112332421A (zh) * | 2020-10-22 | 2021-02-05 | 江苏省电力试验研究院有限公司 | 基于自适应下垂控制的光伏电站参与电网电压调节方法 |
| CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
| CN114759579A (zh) * | 2022-05-07 | 2022-07-15 | 北京科东电力控制系统有限责任公司 | 一种基于数据驱动的电网有功优化控制系统、方法和介质 |
Non-Patent Citations (3)
| Title |
|---|
| 杨晓梅;罗月婉;肖先勇;郭朝云;: "基于自适应阈值和奇异值分解的电能质量扰动检测新方法", 电网技术, no. 07, pages 287 - 295 * |
| 王智超;李彬;唐小微;: "时间自适应新方法及其计算效率的有效比较", 应用基础与工程科学学报, no. 04, pages 741 - 748 * |
| 青桃;汪颖;江智军;肖先勇;: "光伏发电系统并网点谐波电压波动特征孤岛检测法", 电力系统保护与控制, no. 12, pages 9 - 14 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996863A (zh) * | 2024-04-07 | 2024-05-07 | 国网浙江省电力有限公司宁波供电公司 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116937696B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN103441526B (zh) | 一种并网不上网的小型光伏发电系统及控制方法 | |
| CN116937696B (zh) | 一种基于光伏发电系统的自适应等效建模方法 | |
| CN107465211B (zh) | 孤岛微电网的分布式固定时间协调控制方法 | |
| CN112736926A (zh) | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 | |
| CN108736519B (zh) | 一种光伏电站的虚拟同步发电机自适应控制方法及装置 | |
| CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
| CN104638668A (zh) | 一种光伏发电并网控制方法及系统 | |
| CN105720573A (zh) | 基于实测数据的风光储电站有功及无功控制系统建模方法 | |
| Li et al. | Research on clustering equivalent modeling of large-scale photovoltaic power plants | |
| CN110336317B (zh) | 一种光伏并网发电系统的控制方法 | |
| Stuchly et al. | A power quality forecasting model as an integrate part of active demand side management using Artificial Intelligence Technique-Multilayer Neural Network with Backpropagation Learning Algorithm | |
| Ali et al. | Optimization and performance improvement of grid-connected PV plant based on ANN-PSO and P&O algorithms | |
| CN112186796B (zh) | 基于人工情感强化学习的多微网非计划性孤岛控制方法 | |
| CN105896613B (zh) | 一种考虑通讯时滞的微电网分布式有限时间控制方法 | |
| Tu et al. | Impedance-Based stability analysis of large-scale PV station under weak grid condition considering solar radiation fluctuation | |
| Long et al. | Data-driven hybrid equivalent dynamic modeling of multiple photovoltaic power stations based on ensemble gated recurrent unit | |
| CN113742907B (zh) | 一种光伏电站短路电流统一计算方法 | |
| Zheng et al. | Feature distance based online cluster modeling of LVRT controlled PV power plants | |
| CN105846433B (zh) | 一种基于间歇性分布式电源波动的配电网暂态分析方法 | |
| CN115204048A (zh) | 一种光伏发电系统模型辨识系统和方法 | |
| CN111884234B (zh) | 精准切机紧急控制方法、装置、电子设备和存储介质 | |
| CN114784820A (zh) | 一种动态无功补偿装置的建模方法、系统、设备和介质 | |
| CN108448595B (zh) | 一种光伏-串补系统时域仿真小扰动分析方法及系统 | |
| Wang et al. | Equivalent Modeling of PV Cluster Dynamic Process Based on K-medoids Clustering |
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 |