一种分布式电源出力状态的估计方法、装置、设备及介质

技术领域

本发明涉及分布式电源技术领域，特别涉及一种分布式电源出力状态的估计方法、装置、设备及介质。

背景技术

随着新能源技术的不断发展，大量的分布式电源接入了配电网中，这样就导致原有辐射性配电网的结构发生了改变，从而使得配电网的结构更加复杂多变。在此情况下，如果想要对结构发生改变的配电网进行控制，就需要获取得到分布式电源在配电网中的出力情况。但是，目前还没有一种方法能够估计出分布式电源在配电网中的出力情况。这一技术问题亟待本领域技术人员解决。

发明内容

有鉴于此，本发明的目的在于提供一种分布式电源出力状态的估计方法、装置、设备及介质，以对分布式电源的出力状态进行估计。其具体方案如下：

一种分布式电源出力状态的估计方法，包括：

建立目标分布式电源的目标数学等效模型；

获取所述目标分布式电源的状态方程和量测方程；

将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。

优选的，所述目标分布式电源具体为风力发电系统或光伏发电系统。

优选的，所述获取所述目标分布式电源的状态方程和量测方程的过程之后，还包括：

分别在所述状态方程和所述量测方程中添加高斯噪声。

优选的，所述建立目标分布式电源的目标数学等效模型的过程，包括：

建立目标风力发电系统中双馈感应发电机的第一数学等效模型。

优选的，所述建立目标风力发电系统中双馈感应发电机的第一数学等效模型的过程，包括：

获取所述双馈感应发电机的注入功率模型以及磁链模型；

利用所述注入功率模型和所述磁链模型获取所述双馈感应发电机的所述第一数学等效模型。

优选的，所述基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计的过程，包括：

步骤S301：对所述双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵P

步骤S302：基于所述平方根矩阵S

步骤S303：根据所述状态预测值

步骤S304：对所述状态预测误差协方差矩阵P

步骤S305：基于所述状态预测值

步骤S306：利用所述第三容积点获取所述双馈感应发电机在第k时刻的观测预测值

步骤S307：根据所述观测预测值

步骤S308：获取所述状态预测值

步骤S309：根据所述量测量自相关协方差矩阵P

步骤S310：利用所述第一数学等效模型、所述卡尔曼增益值、所述量测值z

步骤S311：根据所述状态预测误差协方差矩阵P

步骤S312：将所述协方差矩阵P

相应的，本发明还公开了一种分布式电源出力状态的估计装置，包括：

模型建立模块，用于建立目标分布式电源的目标数学等效模型；

方程获取模块，用于获取所述目标分布式电源的状态方程和量测方程；

状态估计模块，用于将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。

相应的，本发明还公开了一种分布式电源出力状态的估计设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。

相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。

可见，在本发明中，为了对目标分布式电源在配电网中的出力情况进行估计，首先是建立目标分布式电源的目标数学等效模型，然后，再获取目标分布式电源的状态方程和量测方程，最后，再将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行求解，以对目标分布式电源在配电网中的出力状态进行估计。显然，通过该方法就可以达到对分布式电源在配电网中出力情况进行估计的目的。相应的，本发明所提供的一种分布式电源出力状态的估计装置、设备及介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的一种分布式电源出力状态的估计方法的流程图；

图2为含有双馈感应风力发电机电力系统的结构图；

图3为本发明实施例所提供的双馈感应风力发电机在配电网中出力状态的程序实现原理图；

图4为改进配电网IEEE-33系统的结构图；

图5为对双馈感应风力发电机输入到电力系统的有功功率估计效果图；

图6为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；

图7为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；

图8为对双馈感应风力发电机输入到电力系统的无功功率估计效果图；

图9为双馈感应风力发电机的无功功率估计值和量测值分别与真实值之间的偏差图；

图10为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；

图11为双馈感应风力发电机输入到电力系统的有功功率估计的效果图；

图12为Bus-21发生三相接地故障时，双馈感应风力发电机输出有功功率的预测图；

图13为图12的局部放大图；

图14为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；

图15为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；

图16为双馈感应风力发电机的无功功率估计效果图；

图17为Bus-21发生三相接地故障时，双馈感应风力发电机输出无功功率的预测图；

图18为图17的局部放大图；

图19为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；

图20为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；

图21为对双馈感应风力发电机输入到电力系统的有功功率估计的效果图；

图22为Bus-21发生单相接地故障时双馈感应风力发电机输入到电力系统的有功出力估计图；

图23为图22的局部放大图；

图24为双馈感应风力发电机有功功率估计值和量测值分别与真实值之间的偏差图；

图25为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；

图26为双馈感应风力发电机无功功率估计的效果图；

图27为Bus-21发生单相接地故障时的预测图；

图28为图27的局部放大图；

图29为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；

图30为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；

图31为本发明实施例所提供的一种分布式电源出力状态的估计装置的结构图；

图32为本发明实施例所提供的一种分布式电源出力状态的估计设备的结构图。

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1为本发明实施例所提供的一种分布式电源出力状态的估计方法的流程图，该估计方法包括：

步骤S11：建立目标分布式电源的目标数学等效模型；

步骤S12：获取目标分布式电源的状态方程和量测方程；

步骤S13：将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计。

在本实施例中是提供了一种分布式电源出力状态的估计方法，利用该方法可以对分布式电源在配电网中的出力情况进行估计，从而达到对配电网进行控制的目的。

需要说明的是，因为容积卡尔曼滤波算法(Cubature Kalman Filtering，CKF)是一种性能优越的非线性滤波算法，其数学理论严谨、参数选取方便、收敛效果好，克服了其它非线性滤波算法所存在的问题，所以，在本实施例中，是利用容积卡尔曼滤波算法来对目标分布式电源在配电网中的出力状态进行估计。

为了对目标分布式电源在配电网中的出力状态进行估计，在本实施例中，首先是建立目标分布式电源的目标数学等效模型，并获取目标分布式电源的状态方程和量测方程。当获取得到目标分布式电源的目标数学等效模型、状态方程和量测方程之后，就相当于是获取得到了容积卡尔曼滤波算法所需要的所有计算量。

在此情况下，则将目标分布式电源的状态方程和量测方程输入至目标分布式电源的目标数学等效模型中，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，这样就可以对目标分布式电源在配电网中的出力状态进行估计。

可见，在本实施例中，为了对目标分布式电源在配电网中的出力情况进行估计，首先是建立目标分布式电源的目标数学等效模型，然后，再获取目标分布式电源的状态方程和量测方程，最后，再将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行求解，以对目标分布式电源在配电网中的出力状态进行估计。显然，通过该方法就可以达到对分布式电源在配电网中出力情况进行估计的目的。

基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，目标分布式电源具体为风力发电系统或光伏发电系统。

可以理解的是，因为风力发电系统和光伏发电系统是现在日常生活中最为常见的两种分布式电源，所以，在本实施例中，既可以将目标分布式电源设置为风力发电系统，也可以将目标分布式电源设置为光伏发电系统。由此就可以相对提高本申请所提供分布式电源出力状态估计方法在实际应用中的普适性。

基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤S12：获取目标分布式电源的状态方程和量测方程的过程之后，还包括：

分别在状态方程和量测方程中添加高斯噪声。

能够想到的是，通过数学模型所获取得到的目标分布式电源的状态方程和量测方程均是在理想状态下获取得到的，而在实际应用中，目标分布式电源的状态方程和量测方程都会受到外界自然环境的影响。

因此，在本实施例中，还在目标分布式电源的状态方程和量测方法中添加了高斯噪声，从而使得目标分布式电源的状态方程和量测方程能够更为准确的表征目标分布式电源在配电网中的实际情况。

基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤S11：建立目标分布式电源的目标数学等效模型的过程，包括：

建立目标风力发电系统中双馈感应发电机的第一数学等效模型。

在本实施例中，是以目标分布式电源为目标风力发电系统为例进行具体说明。可以理解的是，在风力发电系统中，目前主要是通过双馈感应发电机(Doubly-fed InductionGenerator，DFIG)来将自然界中的风能转换为电能。因此，在创建目标分布式电源的目标数学等效模型的过程中，是建立了目标风力发电系统中双馈感应发电机的第一数学等效模型。

作为一种优选的实施方式，上述步骤：建立目标风力发电系统中双馈感应发电机的第一数学等效模型的过程，包括：

获取双馈感应发电机的注入功率模型以及磁链模型；

利用注入功率模型和磁链模型获取双馈感应发电机的第一数学等效模型。

可以理解的是，双馈感应风力发电机在并入配电网后注入电力系统的有功功率和无功功率如公式(1)所示。请参见图2，图2为含有双馈感应风力发电机电力系统的结构图。结合图2所示含有双馈感应发电机的电气结构图，就可以得到双馈感应发电机在并网时的注入功率式(2)：

式中，P

式中，P

因为通过公式(2)无法直接获取得到状态方程的状态量，因此，在本实施例中还需要利用双馈感应风力发电机的磁链方程对公式(2)进行变形。其中，双馈感应风力发电机的磁链方程如公式(3)所示：

式中，V

结合公式(3)所示的磁链方程将公式(2)改写为公式(4)。显然，当获取得到了公式(4)之后，就相当于是获取得到了双馈感应发电机的第一数学等效模型。

式中，V

如果仅考虑变压器的双馈感应风力发电机，那么，双馈感应风力发电机的状态方程如公式(5)，双馈感应风力发电机的量测方程如公式(6)：

式中，I

式中，

经由量测方程修正状态方程的估计状态后，利用双馈感应发电机的第一数学等效模型就可以得到双馈感应风力发电机的有功出力情况和无功出力情况。至此，就获取得到了容积卡尔曼滤波算法所需要的状态方程和量测方程，并且确定了滤波过程中的状态向量、输入向量和量测向量。在此基础上，如果能够得到k-1时刻至k时刻容积卡尔曼滤波的迭代格式即可完成对双馈感应风力发电机出力状态的估计。

作为一种优选的实施方式，上述步骤：基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计的过程，包括：

步骤S301：对双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵P

其中，协方差矩阵P

步骤S302：基于平方根矩阵S

步骤S303：根据状态预测值

步骤S304：对状态预测误差协方差矩阵P

步骤S305：基于状态预测值

步骤S306：利用第三容积点获取双馈感应发电机在第k时刻的观测预测值

步骤S307：根据观测预测值

步骤S308：获取状态预测值

步骤S309：根据量测量自相关协方差矩阵P

步骤S310：利用第一数学等效模型、卡尔曼增益值、量测值z

步骤S311：根据状态预测误差协方差矩阵P

步骤S312：将协方差矩阵P

在本实施例中，将具体论述双馈感应风力发电机在k-1时刻至k时刻容积卡尔曼滤波的迭代格式。能够想到的是，当获取得到双馈感应风力发电机在k-1时刻至k时刻容积卡尔曼滤波的迭代格式时，即可完成对双馈感应风力发电机出力状态的估计。在本实施例中，首先将双馈感应风力发电机的状态方程和量测方程简写为如公式(7)的形式：

式中，f和h为已知函数，x、u和z为分别状态变量、控制变量和量测变量，随机过程噪声w～N(0,Q)，即过程噪声为均值为0，协方差为Q的高斯噪声，随机量测噪声v～N(0,R)，即量测噪声为均值为0，协方差为R的高斯噪声。其中，状态变量x＝[I

由于容积卡尔曼滤波算法主要可以分为两个过程，所以，在此对这两个过程--时间更新过程和测量更新过程进行具体介绍：

时间更新：

假设双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵为P

基于平方根矩阵S

ξ

式中，[1]

然后，利用状态方程对第一容积点进行传播，得到双馈感应发电机在第k时刻的状态预测值

之后，再根据状态预测值

式中，

测量更新：

对状态预测误差协方差矩阵P

然后，基于状态预测值

式中，X

利用量测方程对第二容积点进行传播，得到第三容积点，如公式(17)所示：

Z

式中，Z

利用第三容积点获取双馈感应发电机在第k时刻的观测预测值

之后，再根据观测预测值

式中，R

获取状态预测值

根据量测量自相关协方差矩阵P

最后，计算k时刻状态估计误差协方差矩阵P

与此同时，再将协方差矩阵P

请参见图3，图3为本发明实施例所提供的双馈感应风力发电机在配电网中出力状态的程序实现原理图，在实际应用中，可以参见图3所示的流程对双馈感应风力发电机在配电网中的出力状态进行估计，也即：

首先，是将状态方程和量测方程进行离散化后输入到Matlab中；

然后，在PSCAD中搭配配电网IEEE-33节点的系统，实时记录双馈感应风力发电机在配电网中的出力状态，这里将PSCAD中实时仿真的数据记为双馈感应风力发电机在配电网中出力的真实值，再叠加一个均值为零、标准差为0.02的高斯噪声记为双馈感应风力发电机在配电网中出力的量测量；

之后，再将PSCAD中得到的输入量输入到Matlab中，随后随机输入一个状态量，作为双馈感应风力发电机在配电网中出力的初始值，将状态变量的初始值带到公式(11)中计算容积点X

最后，反复进行上述过程，直到估计时间至PSCAD的仿真截止时间，由此就完成了双馈感应风力发电机或光伏发电系统出力的状态估计。

在本实施例中，还搭建了改进的配电网IEEE-33节点来验证本申请所提理论方法的正确性与有效性。请参见图4，图4为改进配电网IEEE-33系统的结构图，图4中的虚线代表常开的联络线。下面将监测接入Bus-22时分布式电源的实时处理情况，此处，将其分为系统稳态运行、Bus-21发生三相接地故障以及Bus-21发生单相接地故障三种应用场景。

场景一：系统稳态运行时

请参见图5至图10，图5为对双馈感应风力发电机输入到电力系统的有功功率估计效果图；图6为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图7为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图8为对双馈感应风力发电机输入到电力系统的无功功率估计效果图；图9为双馈感应风力发电机的无功功率估计值和量测值分别与真实值之间的偏差图；图10为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。

由上可知，当系统存在伪量测时，对分布式电源出力的估计也会尽可能的趋近于真实值，从而保证了后续的研究工作。从图7中可以看出分布式电源出力的估计值不会出现连续多点的坏数据。

场景二：Bus-21发生三相接地故障

假设T＝3.5s处分布式电源发生持续0.2s的三相接地故障。请参见图11至图20，图11为双馈感应风力发电机输入到电力系统的有功功率估计的效果图，在Bus-21发生三相接地故障后，双馈感应风力发电机输入到电力系统的有功出力就会迅速发生变化且波动较大，基于容积卡尔曼滤波算法对分布式电源出力的状态估计仍然能保证在继电保护判定可以接受的范围内。

图12为Bus-21发生三相接地故障时，双馈感应风力发电机输出有功功率的预测图；图13为图12的局部放大图；图14为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图15为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；图16为双馈感应风力发电机的无功功率估计效果图；图17为Bus-21发生三相接地故障时，双馈感应风力发电机输出无功功率的预测图；图18为图17的局部放大图；图19为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图20为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。

从图11至图12可知，伪量测在这种情形下会出现较为明显的偏差，而状态量的估计值仍然在可接受的精度内尽可能的趋近分布式电源出力的真实值。从图14到图15可知，双馈感应风力发电机输入到电力系统的有功出力的估计精度比量测量的精度高一个量级，进而有更高的置信程度去相信所估计的状态量。

场景三：Bus-21发生单相接地故障

假设T＝3.5s处发生持续0.2s的单相接地故障。请参见图21至图30，图21为对双馈感应风力发电机输入到电力系统的有功功率估计的效果图；图22为Bus-21发生单相接地故障时双馈感应风力发电机输入到电力系统的有功出力估计图；图23为图22的局部放大图；图24为双馈感应风力发电机有功功率估计值和量测值分别与真实值之间的偏差图；图25为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；图26为双馈感应风力发电机无功功率估计的效果图；图27为Bus-21发生单相接地故障时的预测图；图28为图27的局部放大图；图29为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图30为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。

从局部放大图可知，当分布式电源发生单相接地故障时，基于容积卡尔曼滤波的双馈感应风力发电机出力的状态估计仍然能在一定精度内趋于真实值，而伪量测值有相当一定的误差，即实验仿真证明了容积卡尔曼滤波能够有效的估计新能源电源出力的状态量。从图24和图25可知，即使在故障情况下，分布式电源出力的估计值也是不会出现连续多点的坏数据而导致迭代发散的情形。

请参见图31，图31为本发明实施例所提供的一种分布式电源出力状态的估计装置的结构图，该估计装置包括：

模型建立模块21，用于建立目标分布式电源的目标数学等效模型；

方程获取模块22，用于获取目标分布式电源的状态方程和量测方程；

状态估计模块23，用于将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计。

本发明实施例所提供的一种分布式电源出力状态的估计装置，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。

请参见图32，图32为本发明实施例所提供的一种分布式电源出力状态的估计设备的结构图，该估计设备包括：

存储器31，用于存储计算机程序；

处理器32，用于执行计算机程序时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。

本发明实施例所提供的一种分布式电源出力状态的估计设备，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。

相应的，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。

本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种分布式电源出力状态的估计方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。