一种基于遗传算法的光伏场站模型参数辨识方法

技术领域

本发明属于光伏机电暂态建模技术领域，具体为一种基于遗传算法的光伏场站模型参数辨识方法。

背景技术

随着光伏接入电网容量的不断增加，光伏对系统稳定性的影响不容忽视。这类问题的研究基础在于构建准确的光伏场站模型，将风险评估环节前置，通过仿真分析光伏接入前对电网的影响，目前大规模方式计算采用的光伏仿真模型均为考虑光伏典型参数的典型模型，典型模型采用统一参数，对不同型号光伏性能模拟不准确，为了建立准确的光伏仿真模型，主要依靠现场故障穿越实验或逆变器半实物波形为依据，开展参数辨识，针对不同信号建立差异化的光伏模型，更好的贴近真实光伏性能，通过人工方法开展参数辨识，难度大、效率低，光伏实测建模难度大。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明要解决的技术问题是：提供一种基于遗传算法的光伏场站模型参数辨识方法，以解决现有技术开展参数辨识难度大、效率低的问题，提高建模效率，提高仿真精度，更准确的模拟光伏逆变器响应性能，更准确的分析光伏接入对电网的影响。

为解决上述技术问题，本发明提供如下技术方案：一种基于遗传算法的光伏场站模型参数辨识方法，包括：

对光伏发电单元进行扰动实验，记录系统响应波形；

以实际系统的响应为输入量，对所述输入量进行标幺化处理；

定义模型系统的目标函数，选择在功率控制中参与程度最高的参数，作为相关状态参数，剩下的变量为不相关状态参数；

将所述相关状态参数进行编码，用二进制码表示每一个待求参数；

设置所述相关状态参数的各控制初始值，随机初始化遗传群体，计算遗传群体中每个个体的适应值；

按平均误差最小的选择策略和适应值选择父体，构建匹配池。

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：

所述扰动实验包括，根据光伏发电站光伏发电单元配置情况，选择典型光伏发电单元进行测试，光伏发电单元的逆变器应工作在与实际投入运行时一致的控制模式下；测试可以通过光伏现场或逆变器半实物实验开展，发电单元额定功率为Pn，额定电压为Un，分别在发电单元控制在大功率输出和小功率输出两种工况下，选取电压跌落点开展电压跌落实验，选取电压抬升点开展电压抬升实验，记录实验期间的电压、电流、有功功率、无功功率波形，作为响应的输入。

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述输入量标幺化处理包括，取光伏发电单元额定功率及额定电压为基值，分别对记录的系统有功功率、正序电压、负序电压进行标幺化处理，得到输入值的标幺值。

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述定义模型系统的目标函数，选择在功率控制中参与程度最高的参数，作为相关状态参数，剩下的变量为不相关状态参数，方法包括：

给出低穿进入电压V

针对光伏三相对称低电压穿越故障有功采用功率控制方式，计算得到低穿过程中有功功率恢复的目标函数：

P

其中：P

针对光伏三相对称低电压穿越故障无功采取电流控制方式，计算得到低穿过程中无功功率恢复的目标函数：

I

其中：I

针对光伏三相对称高电压穿越故障有功采用功率控制方式，计算得到高穿过程中有功功率恢复的目标函数：

P

其中：P

针对光伏三相对称高电压穿越故障无功采取电流控制方式，计算得到高穿过程中无功功率恢复的目标函数：

I

其中：I

考虑低电压穿越电压区间、高电压穿越电压区间，构成目标函数如下：

其中待求变量为：K

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所描述的对待求变量进行编码，待求变量K＝[K

其中

K

变量所能达到的精度为：

π

由上式可求得：

Li＝lg[(b

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述初始化遗传群体，使用K表示群体，K

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述选择过程包括，指定拟合波形与实测波形平均误差最小为选择策略，选择适应值满足要求的x

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：设定所述杂交率为p

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：对杂交后的个体按变异率进行变异，产生新一代遗传群体，设定遗传率p

作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：重复上述选择、杂交、变异过程，直到拟合波形与实测波形平均误差到达要求，或群体的平均适应度不再提高，则迭代过程结束，得到光伏场站模型的最优参数。

本发明的有益效果：本发明为了建立准确的光伏机电仿真模型，提高参数辨识效率，基于现场故障穿越实测波形或逆变器半实物测试波形，可以迅速、高效的辨识得到光伏场站的机电暂态仿真模型，模型辨识误差满足国标要求，基于仿真模型开展稳定分析计算，可以更好的反映光伏动态性能，解决了光伏仿真模型不准确导致新能源大规模接入后仿真分析难度大的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于遗传算法的光伏场站模型参数辨识方法的系统流程图；

图2为本发第二个实施例提供的一种基于遗传算法的光伏场站模型参数辨识方法的电压曲线对比图；

图3为本发第二个实施例提供的一种基于遗传算法的光伏场站模型参数辨识方法的有功功率曲线对比图；

图4为本发第二个实施例提供的一种基于遗传算法的光伏场站模型参数辨识方法的无功功率曲线对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，一种基于遗传算法的光伏场站模型参数辨识方法，包括：

S1：对光伏发电单元进行扰动实验，记录系统响应波形；

更进一步的，基于光伏场站现场逆变器，或者基于光伏逆变器半实物硬件在环平台开展高、低电压故障穿越实验，选取电压跌落测试点为0％Un、20％Un、35％Un、50％Un、60％Un、80％Un、90％Un开展电压跌落实验，选取电压抬升测试点为110％Un、120％Un、125％Un开展电压抬升实验，记录跌落及抬升过程中的电压、电流、有功功率、无功功率波形，作为响应的输入。

S2：以实际系统的响应为输入量，对输入量进行标幺化处理；

更进一步的，对输入量进行标幺化处理包括：

取光伏发电单元额定功率及额定电压为基值，分别对记录的系统有功功率、正序电压、负序电压进行标幺化处理，得到输入值的标幺值。

S3：定义模型系统的目标函数，选择在功率控制中参与程度最高的参数，作为相关状态参数，剩下的变量为不相关状态参数。

给出低穿进入电压V

更进一步的，针对光伏三相对称低电压穿越故障有功采用功率控制方式，计算得到低穿过程中有功功率恢复的目标函数：

P

其中：P

更进一步的，针对光伏三相对称低电压穿越故障无功采取电流控制方式，计算得到低穿过程中无功功率恢复的目标函数：

I

其中：I

更进一步的，针对光伏三相对称高电压穿越故障有功采用功率控制方式，计算得到高穿过程中有功功率恢复的目标函数：

P

其中：P

更进一步的，针对光伏三相对称高电压穿越故障无功采取电流控制方式，计算得到高穿过程中无功功率恢复的目标函数：

I

其中：I

更进一步的，考虑低电压穿越电压区间、高电压穿越电压区间，构成目标函数如下：

其中待求变量为：K

S4：将相关状态参数进行编码，用二进制码表示每一个待求参数；

更进一步的，待求参数包括：

待求变量K＝[K

其中

K

变量所能达到的精度为：

π

由上式可求得：

Li＝lg[(b

S5：设置相关状态参数的各控制初始值，随机初始化遗传群体；

更进一步的，遗传群体包括：

使用K表示群体，K

更进一步的，计算遗传群体中每个个体的适应值，对每一个个体x

S6：按平均误差最小的选择策略和适应值选择父体，构建匹配池；

更进一步的，匹配池包括：

指定拟合波形与实测波形平均误差最小为选择策略，选择适应值满足要求的x

更进一步的，随机选择匹配池中两个个体，按杂交率进行杂交，设定杂交率为p

更进一步的，对杂交后的个体按变异率进行变异，产生新一代遗传群体，重新计算遗传群体中每个个体的适应值，对杂交后的个体按变异率进行变异，产生新一代遗传群体，设定遗传率p

重复上述过程，直到拟合波形与实测波形平均误差到达要求，或群体的平均适应度不再提高，则迭代过程结束，得到光伏场站模型的最优参数。

实施例2

参照图2-4，为本发明的一个实施例，提供了一种基于遗传算法的光伏场站模型参数辨识方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证，下面以电压跌落幅度20％的工况为例，进一步说明该方法的实施。

开展电压跌落实验后，记录跌落过程中的电压、电流、有功功率、无功功率波形，作为响应的输入；

重复进行遗传算法的光伏场站模型参数辨识方法步骤，直到拟合波形与实测波形平均误差满足故障期间有功功率、无功功率平均误差小于0.2，故障期间有功电流平均误差小于0.5，故障期间无功电流平均误差小于0.2的目标，或群体的平均适应度不再提高，则迭代过程结束，得到20％电压跌落故障下参数辨识结果如下：

通过拟合参数，利用BPA对仿真波形与实测波形进行对比，得到电压、有功功率、无功功率对比结果如图2、图3、图4所示。