一种电源暂态过程的参数估计和校正方法技术

本发明专利技术涉及一种电源暂态过程的参数估计和校正方法，属于能源管理技术领域。由于光伏电源输出预测模型精度容易受到自身状态及多种环境因素的影响，例如，日照强度、温度、湿度等，而且，模型参数的估计容易陷入局部最优，导致传统预测模型无法满足电网安全稳定分析与配置的需求。本发明专利技术引入基于递推最小二乘法的预测方案，它建立待预测光伏电源输出值与历史观测值之间的关系模型，通过最小化预测误差获得模型参数，并在滑动矩形窗的数据更新策略基础上实现模型参数的递推更新。采用本发明专利技术所述的方法，不仅可以方便的估计模型参数，实现模型参数的实时更新，而且预测精度更高，能够很好的适应电源参数发生变化的情况，模型鲁棒性大大提升。

【技术实现步骤摘要】
一种电源暂态过程的参数估计和校正方法
本专利技术属于能源管理
，具体涉及一种电源暂态过程的参数估计和校正方法。
技术介绍
目前光伏能源作为一种清洁能源得到了广泛的重视。在能源互联网指导意见发布和能源行业转型升级的背景下，发展利用光伏发电对于加快能源结构调整、实现可持续发展具有重要的意义；现今并网光伏发电系统已经得到广泛应用。光伏电站的输出具有随机性和间接性，现有的电网安全稳定分析软件只能将光伏电站作为一般的随机性负荷处理，或仅考虑其极限容量，或使用光伏发电的稳态模型接入电网进行潮流计算，无法反映光伏电站的动态特性对电网的影响。由于复杂配电系统中存在大量并网运行电力电子装置，控制不当可能给系统带来严重的谐波问题。因此，需要通过设备元件的暂态宽频域建模来准确分析系统谐波特征，为电能质量控制提供依据。其次，光伏分布式电源与传统电源相比具有完全不同的故障特性，需要通过设备元件的暂态宽频域建模获取其准确的故障电流与电压特征，为保护配置与参数整定提供依据。因此，设备元件的暂态宽频域建模和电磁暂态仿真在复杂配电网谐波分析、故障电流与电压特征精确计算等特殊问题研究扮演着重要角色。光伏发电系统模型通常有两种模型。一类是潮流模型，将光伏发电系统建模成简单的功率源。由于不考虑动态过程，所以此模型仅适用于潮流分析，而不能用于暂态分析。另一类是基于特定的光伏发电系统建立对应的电路或电磁模型。这类模型理论上可用于电网机电暂态分析，但是，不能适应光伏电源参数非恒定的情况。光伏电源的暂态输出特性受多种因素的影响，是一个非平稳的随机过程。考虑光照强度、环境温度等因素对光伏系统发电量的影响，在此基础上可建立误差反向传播(Back-Propagation，BP)神经网络预测模型对光伏发电进行短期预测。但是，BP网络本身存在收敛速度慢，容易陷入局部最优等问题，因此不利于改善预测精度。采用光伏系统历史发电数据和环境温度数据，可建立基于支持向量机(Supportvectormachine，SVM)的光伏暂态输出的短期预测。但是由于SVM是借助二次规划来求解支持向量，求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，通过建立一种光伏系统的详细电磁暂态仿真模型，提出一种光伏MPPT的模糊控制算法，可实现光伏系统高精度的跟踪要求。但是，该仿真模型会增大计算难度和降低计算速度。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的是提供一种电源暂态过程的参数估计和校正方法，避免模型参数估计的局部最优化问题，为电源参数发生变化的情况，提供更高的光伏电源输出预测精度更高，提升模型的鲁棒性。本专利技术的目的是采用下述技术方案实现的：本专利技术提出一种电源暂态过程的参数估计和校正方法，其改进之处在于，所述方法包括：步骤1，采集电源电磁暂态输出的M+N个历史电流输出数据，按采样时间的先后顺序记为i(n-N-M)，i(n-N-1)，…，i(n-1)，其中，n是整数，并满足n＞M+N，利用这些采样值组建M+1个列向量，每个列向量由N个采样时刻的电流数据组成，记为iN(n-M-1)，iN(n-M)，…，iN(n-1)，利用向量iN(n-M-1)，iN(n-M)，…，iN(n-2)构成电流观测矩阵I(n-1)＝(iN(n-M-1)，iN(n-M)，…，iN(n-2))；步骤2，利用矩阵I(n-1)和向量iN(n-1)组建一个以向量w(n-1)为自变量的目标函数ε(w(n-1))，其中，w(n-1)为对应采样点n-1的权重向量；步骤3，通过最小化目标函数ε(w(n-1))获得最优的权重向量ω(n-1)*；步骤4，给定需要预测的采样点n，利用采样点k＝n-M，n-M+1，…，n-1处的历史电流采样值组建M维历史电流向量iM(n-1)，根据权重向量w(n-1)的最优值ω(n-1)*及历史电流向量iM(n-1)预测电源在采样点n处的输出电流预测值步骤5，在采样点n处的真实电流数据i(n)抵达后，将电流观测矩阵I(n-1)和历史电流向量iM(n-1)分别更新为I(n)和iM(n)，利用I(n)和iM(n)组建新一个以向量ω(n)为自变量的目标函数ε(w(n))，其中，w(n)代表对应采样点n处的权重向量，依据ε(w(n))将w(n-1)*更新为w(n)*，目的是使目标函数ε(w(n))最小。步骤6，利用权重向量w(n)*预测电源在采样点n+1处的输出电流预测值步骤7，通过重复步骤5和步骤6，计算在电源采样点n+1处的输出电流预测值其中，k＞n+1。优选的，所述步骤1中电流采样方法如下，以采样间隔U对电源输出电压u进行M+N个均匀采样，与每个电压采样点对应的电源输出电流即为电流采样值，按采样的先后顺序记为i(n-N-M)，i(m-N-l)，…，i(n-1)。优选的，所述步骤1包括：第k个列向量iN(k)由第k个采样点与其前的N-1个历史电流采样值构成，即iN(k)＝(i(k-N+1)，i(k-N+2)，…，i(k))T，其中，k是整数，且满足k≥N，上标T表示向量转置操作。选择矩阵维度M与N必须满足M≥2和N≥M。优选的，所述步骤2包括：按下式确定电源电磁暂态输出预测的目标函数ε(w(n-1))：其中，电流观测矩阵I(n-1)与列向量iN(n-1)根据权利要求1与权利要求3给出的方法进行构造，w(n-1)为对应采样点n-1的N维权重向量，λ为正则系数，且满足λ≥0。优选的，所述步骤3包括：对所述电磁暂态输出预测的目标函数ε(w(n-1))求导，即并令该导数为0，从而确定令目标函数ε(w(n-1))取最小值的权重向量w(n-1)*满足方程Φ(n-1)w*(n-1)＝θ(n-1)其中，Φ(n-1)＝λE+I(n-1)TI(n-1)，θ(n-1)＝I(n-1)TiN(n-1)，E＝diag(1，1，…，1)为M×M维单位矩阵。因此，令目标函数ε(w(n-1))最小的权重向量w(n-1)*根据下式确定：w(n-1)*＝P(n-1)θ(n-1)其中，P(n-1)＝Φ(n-1)-1。优选的，所述步骤4中获得预测值的方法是：其中，w(n-1)*是权利要求1中步骤3确定的最佳权重向量，向量iM(n-1)是一个M维列向量，由k＝n-M，n-M+1，…，n-1处的历史电流采样值构成，即iM(n-1)＝(i(n-M)，i(n-M+1)，…，i(n-1))T。优选的，所述步骤5中，在采样点n处的真实电流数据i(n)抵达后，应用长度为N的滑动窗更新策略，将电流观测矩阵I(n-1)和历史电流向量iM(n-1)分别更新为I(n)和iM(n)，即I(n)＝(iN(n-M)，iN(n-M+1)，…iN(n-1)，iM(n)＝[i(n-M+1)，i(n-M+2)，…，i(n)]T。优选的，所述步骤5中，采用与权利要求4类似的方式构造目标函数ε(w(n))，即然后，为使目标函数ε(w(n))取最小值，应用下面的策略将第n-1步所得的N维最优权重向量w(n-1)*更新为第n步的最优权重向量w(n)*，其中，优选的，所述步骤6中采用与权利要求6类似的方式预测电源在采样点n+1处的输出电流预测值即其中，w(n)*是权利要求1中步骤3确定的最佳权重向量，向量本文档来自技高网...

【技术保护点】
1.一种电源暂态过程的参数估计和校正方法，其特征在于，所述方法包括：步骤1，采集电源电磁暂态输出的M+N个历史电流输出数据，按采样时间的先后顺序记为i(n‑N‑M)，i(n‑N‑1)，…，i(n‑1)，其中，n是整数，并满足n＞M+N，利用这些采样值组建M+1个列向量，每个列向量由N个采样时刻的电流数据组成，记为iN(n‑M‑1)，iN(n‑M)，…，iN(n‑1)，利用向量iN(n‑M‑1)，iN(n‑M)，…，iN(n‑2)构成电流观测矩阵I(n‑1)＝(iN(n‑M‑1)，iN(n‑M)，…，iN(n‑2))；步骤2，利用矩阵I(n‑1)和向量iN(n‑1)组建一个以向量w(n‑1)为自变量的目标函数ε(w(n‑1))，其中，w(n‑1)为对应采样点n‑1的权重向量；步骤3，通过最小化目标函数ε(w(n‑1))获得最优的权重向量w(n‑1)*；步骤4，给定需要预测的采样点n，利用采样点k＝n‑M，n‑M+1，…，n‑1处的历史电流采样值组建M维历史电流向量iM(n‑1)，根据权重向量ω(n‑1)的最优值ω(n‑1)*及历史电流向量iM(n‑1)预测电源在采样点n处的输出电流预测值

【技术特征摘要】
1.一种电源暂态过程的参数估计和校正方法，其特征在于，所述方法包括：步骤1，采集电源电磁暂态输出的M+N个历史电流输出数据，按采样时间的先后顺序记为i(n-N-M)，i(n-N-1)，…，i(n-1)，其中，n是整数，并满足n＞M+N，利用这些采样值组建M+1个列向量，每个列向量由N个采样时刻的电流数据组成，记为iN(n-M-1)，iN(n-M)，…，iN(n-1)，利用向量iN(n-M-1)，iN(n-M)，…，iN(n-2)构成电流观测矩阵I(n-1)＝(iN(n-M-1)，iN(n-M)，…，iN(n-2))；步骤2，利用矩阵I(n-1)和向量iN(n-1)组建一个以向量w(n-1)为自变量的目标函数ε(w(n-1))，其中，w(n-1)为对应采样点n-1的权重向量；步骤3，通过最小化目标函数ε(w(n-1))获得最优的权重向量w(n-1)*；步骤4，给定需要预测的采样点n，利用采样点k＝n-M，n-M+1，…，n-1处的历史电流采样值组建M维历史电流向量iM(n-1)，根据权重向量ω(n-1)的最优值ω(n-1)*及历史电流向量iM(n-1)预测电源在采样点n处的输出电流预测值步骤5，在采样点n处的真实电流数据i(n)抵达后，将电流观测矩阵I(n-1)和历史电流向量iM(n-1)分别更新为I(n)和iM(n)，利用I(n)和iM(n)组建新一个以向量ω(n)为自变量的目标函数ε(ω(n))，其中，ω(n)代表对应采样点n处的权重向量，依据ε(w(n))将ω(n-1)*更新为ω(n)*，目的是使目标函数ε(ω(n))最小。步骤6，利用权重向量ω(n)*预测电源在采样点n+1处的输出电流预测值步骤7，通过重复步骤5和步骤6，计算在电源采样点n+1处的输出电流预测值其中，k＞n+1。2.如权利要求1所述的方法，其特征在于，所述步骤1中电流采样方法如下，以采样间隔U对电源输出电压u进行M+N个均匀采样，与每个电压采样点对应的电源输出电流即为电流采样值，按采样的先后顺序记为i(n-N-M)，i(n-N-1)，…，i(n-1)。3.如权利要求1所述的方法，其特征在于，所述步骤1包括：第k个列向量iN(k)由第k个采样点与其前的N-1个历史电流采样值构成，即iN(k)＝(i(k-N+1)，i(k-N+2)，…，i(k))T，其中，k是整数，且满足k≥N，上标T表示向量转置操作。选择矩阵维度M与N必须满足M≥2和N≥M。4.如权利要求1所...

【专利技术属性】
技术研发人员：盛万兴，刘科研，孟晓丽，董伟杰，吕琛，叶学顺，陈彬，吴涵，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：北京,11