一种光伏电站等值建模方法、介质及系统与流程

本发明属于光伏电站等值建模，具体涉及一种光伏电站等值建模方法、介质及系统。

背景技术：

1、随着传统化石能源的日益枯竭，发展使用可再生能源是必然的趋势，太阳能具有清洁、储量巨大等特点，是最理想的可再生能源。光伏发电技术作为一种成熟的新能源发电技术，已经在新型电力系统中占据相当大的比例，国内光伏电站的建设不断兴起，光伏装机容量越来越大。光伏发电作为最有潜力的可再生能源发电形式之一，具有低成本和零污染的特点，其广泛应用，对于解决全球能源危机、实现双碳目标都具有重要意义。

2、由于光伏发电具有不确定性和随机性，光伏电站并网对电网安全造成很大影响和冲击，需要建立精确可靠的光伏电站仿真模型是对大规模光伏电站并网稳定性进行分析，精确的光伏电站模型能预先有效地减少光伏电站并网时可能存在的风险，提高光伏并网可靠性，光伏电站建模研究具有重要意义。

3、往往大规模的光伏电站分布非常广，且机组特别多，每台逆变器都是复杂的高阶非线性系统，对光伏电站内每台机组都进行详细建模，会引发维数灾，模型复杂程度高，仿真效率低，甚至测试数据可靠性低。故需要对光伏电站进行等值建模，常见手段是基于聚类的容量加权，但等值效果差，输出特性偏差大，不能作为稳定性分析的可靠依据。

技术实现思路

1、有鉴于此，本发明提供一种光伏电站等值建模方法、介质及系统，能够解决现有技术中，基于聚类的容量加权对光伏电站进行等值建模，等值效果差，输出特性偏差大，不能作为稳定性分析的可靠依据的技术问题。

2、本发明是这样实现的：

3、本发明第一方面提供一种光伏电站等值建模方法，包括以下步骤：

4、s1：根据光伏电站内所有光伏单元的数学模型搭建光伏电站的详细模型；

5、s2：在详细模型的基础上，以光照强度、直流侧输出电压、逆变侧电压、逆变侧电流为指标，利用k-means均值聚类算法对光伏电站内所有光伏发电单元进行分群，构建光伏电站的聚类等值模型，等值模型的参数由容量加权法计算；

6、s3：通过改进灰狼优化算法优化搭建gru网络；

7、s4：以聚类等值模型的暂态响应数据作为输入，以详细模型和聚类等值的输出值偏差作为gru网络的映射目标，通过训练gru神经网络得到误差校正模型；将聚类等值模型的暂态响应数据输入误差校正模型，将输出值相加补偿给聚类等值模型，实现聚类等值模型的误差校正，并保存误差矫正后的聚类等值模型。

8、其中，在步骤s1中，所述光伏发电单元由光伏组件和并网变流器组成；分别搭建对应的数学模型，具体步骤如下：

9、所述光伏组件采用四参数模型，在标准测试条件下光伏组件模型如下：

10、

11、式中，il是光伏组件的输出电流，ul是光伏组件的输出电压，iph是光伏组件的短路电流，uoc为光伏组件的开路电压，im是光伏组件的最大功率点电流，um为光伏组件的最大功率点电压；

12、所述并网变流器采用三相全桥逆变电路，用于实现光伏发电系统稳定接入电网；

13、基于d、q轴旋转坐标系建立光伏并网逆变器的电压方程为：

14、

15、式中，ugd为并网点d轴电压分量，ud为逆变侧d轴电压分量，id为逆变侧d轴电压分量，ugq为并网点q轴电压分量，uq为逆变侧q轴电压分量，iq为逆变侧q轴电压分量，r为线路电阻，l为线路电抗，ω为电网角频率。

16、基于d、q轴旋转坐标系建立光伏并网逆变器的功率方程为：

17、

18、式中，pg为电网有功功率，qg为电网无功功率。

19、在此基础上，以d轴为基准建立电网电压方程为：

20、

21、则以d轴为基准，光伏并网逆变器的功率方程为：

22、

23、其中，所述步骤s2，具体包括：

24、s21：聚类指标的选取：

25、选取光伏发电单元的光照强度s、直流侧输出电压udc、逆变侧电压ug、逆变侧电流ig作为光伏电站的聚类等值指标；

26、s22：对光伏电站内光伏发电单元进行聚类分群：

27、设场站种存在n个光伏发电单元的数据样本xi(i＝1,2,3,...,n)，其中每个样本对象xi为四维数据，包括光照强度s、直流侧输出电压udc、逆变侧电压ug、逆变侧电流ig；

28、步骤1、设定聚类群数，在整个数据样本内随机地产生k个聚类中心cj(j＝1,2,3,...,k)，cj具有与xi相同的维度；

29、步骤2、计算样本xi到聚类中心cj的欧几里得距离为：

30、

31、根据所计算出的距离结果，样本都聚类到离自身最近的聚类中心cj，从而产生k个样本群qj；

32、步骤3、整定每个样本群qj的平均值，形成新的聚类中心为：

33、

34、式中，mj为第j个样本群的数据总数；xk为第j个样本群中的第k个数据样本(1≤k≤mj)；

35、步骤4、重复步骤2，如果达到聚类误差要求范围则完成聚类，聚类误差用误差均方根判断：

36、

37、聚类完成后，最后迭代产生的样本群即为分群聚类结果，而所有光伏发电单元根据输出特性的相似性划分为明显几类；

38、s23：等值参数计算：根据分群结果每个样本群中的光伏发电单元进行等值计算，将一个样本群中的所有光伏发电单元等值为一个单元，容量加权法依照每个光伏发电单元的容量对其等值模型赋予权值，各等值模型参数由加权平均获取。

39、其中，所述步骤s3，具体包括：

40、s31：gru神经网络中包括更新门、重置门和输出门，gru网络向前传播的公式为：

41、zt＝σ(wz·[ht-1,xt])；

42、rt＝σ(wr·[ht-1,xt])；

43、

44、

45、yt＝σ(wo·ht)；

46、式中，xt为输入向量；zt为更新门；rt为重置门；ht-1为上一时刻状态记忆变量；为当前候选集状态；ht为当前时刻状态记忆变量；i表示单位矩阵；⊙为hadamard乘积符号；σ为sigmoid激活函数；φ为tanh激活函数；yt为当前时刻输出向量；为候选集矩阵权重参数；wz为更新门矩阵权重参数；wr为重置门矩阵权重参数；wo为输出向量矩阵权重参数；

47、s32：igwo算法搜索变量为最大迭代次数、隐层神经单元个数、初始学习率，将gru神经网络验证集的均方根误差r作为优化求解对象；

48、在探索空间中随机生成初始种群的个体为：

49、xi＝rand(1,d).*(ub-lb)+l；

50、式中，xi为个体位置，d为维度，ub和lb分别为上、下边界，.*表示矩阵相乘，此公式表达为：随机生产的1行d列矩阵中每个元素对应乘以(ub-lb)；

51、计算种群中所有个体的适应度值，即r的大小，选取最小的三个个体，三个个体分别记为α、β、γ狼；

52、在狩猎过程中，灰狼围捕猎物时，个体与猎物之间的距离为：

53、l＝|cxp(t)-x(t)|；

54、式中，l为个体与猎物之间的距离，c为位置控制系数，t为当前迭代次数，xp和x分别为猎物和灰狼位置，灰狼位置更新公式为：

55、x(t+1)＝cxp(t)-al；

56、a＝2ar1-a；

57、c＝2r2；

58、式中，a为位置移动控制系数，r1和r2均为[0,1]之间的随机数，a为收敛因子，其表达式为：

59、

60、式中：t为当前迭代次数，tmax为最大迭代次数，ainitial和afinal分别为收敛因子的初值和终值，n为递减指数，范围为(0,1)；

61、在狩猎过程中，灰狼追踪猎物时，其数学模型为：

62、

63、式中：lα、lβ、lγ分别为α、β、γ狼距离其他个体的位置，xα、xβ、xγ分别为α、β、γ狼的当前位置，c1、c2、c3均为随机值，x为灰狼当前位置。这一阶段更新个体位置的公式如下：

64、

65、

66、

67、

68、式中：wα、wβ、wγ分别为α、β、γ狼的学习率。

69、其中，所述步骤s4，具体包括：

70、对详细模型和聚类等值模型进行暂态仿真，分别得到n组相应的暂态响应曲线；

71、详细模型的暂态响应曲线包括直流侧输出电压udc,d(t)、逆变侧电压ug,d(t)、逆变侧电流ig,d(t)，同样，等值模型的暂态响应曲线也包括直流侧输出电压udc,c(t)、逆变侧电压ug,c(t)、逆变侧电流ig,c(t)，上述数据都为一段时间序列；

72、把等值模型的暂态响应n组曲线udc,c(t)、ug,c(t)和ig,c(t)作为gru神经网络的输入，把等值模型和详细模型的响应误差作为gru神经网络的映射目标，通过训练gru神经网络获取误差校正模型为：

73、

74、将聚类等值模型的暂态响应数据udc,c(t)、ug,c(t)和ig,c(t)输入训练完成的网络，将网络的输出值udc,e(t)、ug,e(t)和ig,e(t)与udc,c(t)、ug,c(t)和ig,c(t)相加，实现聚类等值模型的误差校正，并保存误差矫正后的聚类等值模型。

75、另外的，本发明的方法还可以基于下面的思路实现：

76、其中，所述步骤s1，具体包括：收集光伏电站内所有光伏发电单元的基本参数,所述基本参数包括单元数量、单元容量、单元开路电压、短路电流、最大功率点电压、最大功率点电流；查阅光伏电池的双二极管模型,所述双二极管模型通过两个二极管表示光伏电池的饱和电流和融合电流,同时加入一个并联电阻表示漏电流；根据所述双二极管模型,建立每个光伏发电单元的等效电路模型,确定每个单元的模型参数；将所有光伏发电单元的等效电路模型并联起来,在matlab/simulink环境中进行仿真,形成光伏电站的详细模型。

77、其中，所述步骤s2，具体包括：收集光伏电站在不同光照条件、不同输出功率条件下的多组仿真数据,所述仿真数据包括光照强度、直流侧输出电压、逆变侧电压、逆变侧电流；将各组仿真数据进行标准化处理,去除数据的量纲影响；设置聚类数量,采用k-means算法对标准化后的仿真数据进行聚类分析,所述算法通过迭代不断调整各样本的聚类中心,将光伏单元划分为多个聚类；根据聚类结果,将光伏电站内的所有光伏发电单元划分为若干个聚类,每个聚类代表了一个类型的光伏发电单元组；对每个聚类内的光伏发电单元,利用容量加权法计算其等值参数,构建该聚类的等值模型；将所有聚类的等值模型并联起来,形成光伏电站的聚类等值模型；

78、其中，所述步骤s3，具体包括：收集光伏电站聚类等值模型的多组动态仿真数据,所述动态仿真数据作为gru神经网络的训练数据；确定gru网络的输入层节点数、隐含层节点数、输出层节点数；初始化网络权值和网络结构参数；建立网络训练的目标函数,采用均方误差函数；利用标准灰狼优化算法训练gru网络,所述算法通过迭代不断更新狼群位置,寻找目标函数的全局最优解；对灰狼优化算法进行改进,引入允许狼群部分退化的策略,避免算法陷入局部最优解,提高收敛速度；重复迭代训练网络,直到目标误差要求达到。

79、其中，所述步骤s4，具体包括：采样获取光伏电站详细模型和聚类等值模型在多个工作点的暂态响应数据；将两个模型的暂态响应进行对比,计算输出值的偏差作为gru网络的训练目标；输入聚类等值模型的暂态响应到gru网络进行训练,网络输出训练目标即两模型偏差；重复多次训练直到gru网络误差满足要求,得到误差校正模型；将新采样的聚类等值模型暂态响应数据输入误差校正模型,模型输出偏差校正量；将偏差校正量直接叠加到聚类等值模型输出上进行补偿；重复上述过程,对多个工作点进行误差校正,保存补偿后的聚类等值模型。

80、本发明第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种光伏电站等值建模方法。

81、本发明第三方面提供一种光伏电站等值建模系统，包含上述的计算机可读存储介质。

82、相比于现有技术，本发明的明显效果在于：

83、1、本发明的方法与以往的等值建模方法相比，采用了gru神经网络模型，gru可有效地缓解循环神经网络中“梯度消失”问题，并缩减lstm网络单元的参数数量，缩短了模型的训练时间。同时，引入igwo算法对gru参数进行寻优，则避免了复杂的调参问题；

84、2、本发明实现了详细模型与等值模型的自校正过程，在低仿真算力消耗的基础上实现对光伏电站的高精度等效，此外，建模过程简单，在实际的光伏电站等值建模中易于实现，可大大提高当前光伏电站暂态建模的效率与精度，等值效果好，输出特性偏差小，可为光伏电站并网稳定性分析提供可靠依据。

85、因此，本发明能够解决现有技术中，基于聚类的容量加权对光伏电站进行等值建模，等值效果差，输出特性偏差大，不能作为稳定性分析的可靠依据的技术问题。