虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置制造方法及图纸

本发明专利技术公开了虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置。涉及能源互联网技术领域，通过获取包含量测数据的数据集构成的数据库，对数据集进行聚类得到多个聚类结果，根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。构建的模型能够准确有效刻画虚拟电厂动态特性，适用于不同运行场景和运行条件，通用性强，可解释性及鲁棒性好，对促进虚拟电厂的发展、能源互联网的安全稳定运行和电力市场的完善有重要意义，具有很高的实用价值。

Modeling method and device of equivalent robust dynamic model for variable order aggregation of virtual power plant

【技术实现步骤摘要】
虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置
本专利技术涉及能源互联网
，尤其是涉及一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置。
技术介绍
可再生能源的高速发展和在电力系统中的大量渗透给可再生能源的大规模高效集成、利用和电力系统的安全、可靠、高效运行带来严峻挑战。信息通信技术、人工智能技术、电力变换技术等先进理论技术的高速发展以及应对可再生能源带来的挑战促成了虚拟电厂技术产生。虚拟电厂对促进能源互联网发展起着关键作用，是当前研究的热点问题之一。如何建立虚拟电厂的模型，特别是动态模型是研究和发展虚拟电厂的关键点和难点。目前的研究主要聚焦于面向电力市场参与的虚拟电厂的静态模型的建立，特别是虚拟电厂中可再生能源和灵活性负荷的不确定性的模型描述，尚没有研究面向能源互联网系统稳定性分析、运行和控制的虚拟电厂等效动态模型，特别是适用于不同场景和运行条件的虚拟电厂聚合等效鲁棒动态模型的研究。现有研究的不足限制了虚拟电厂的发展和电力市场的完善，需研制出一种能够适用于不同场景和运行条件的虚拟电厂通用聚合等效鲁棒动态模型。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，能够构建适用于不同场景和运行条件的虚拟电厂通用聚合等效鲁棒动态模型。第一方面，本专利技术的一个实施例提供了A：一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，包括：获取包含量测数据的数据集构成的数据库；对所述数据集进行聚类得到多个聚类结果；根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。进一步地，所述量测数据包括：虚拟电厂与电网连接点的电压时域有效值向量和频率时域有效值向量、虚拟电厂与电网交换的有功功率向量和无功功率向量、虚拟电厂内部有功功率发电量向量和无功功率发电量向量和灵活性负荷需求量向量、虚拟电厂内部负荷构成和发电构成。进一步地，所述虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：yd(t)＝yt(t)+yr(t)其中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型。进一步地，所述对多个所述数据集进行聚类得到聚类结果具体包括：利用k-means++算法采用扰动前稳态数据对多个所述数据集进行聚类得到多个类。进一步地，所述神经网络为两层前馈神经网络，包含一个隐含层和一个输出层，表示为：y＝f(WTx+b)其中，x表示所述神经网络的输入，y表示所述神经网络的输出，W表示所述神经网络的权值，b表示所述神经网络的偏置值，函数f(·)表示传输函数，所述神经网络的传递函数为sigmoid函数，损失函数为最小均方误差函数。进一步地，还包括：对多个所述数据集进行数据预处理，所述数据预处理包括：从所述数据集中获取扰动前电压时域有效值向量、频率时域有效值向量、有功功率稳态值、无功功率稳态值；将所述数据集随机分为测试集和训练集。进一步地，对所述虚拟电厂可变阶聚合等效鲁棒动态模型进行测试的过程包括：选择与当前虚拟电厂欧氏距离最小的聚类结果对应的神经网络；将所述测试集作为所述神经网络的输入，得到新的鲁棒参数集；根据所述新的鲁棒参数集重新生成所述虚拟电厂与公共电网连接点的频率响应和电压响应；比较所述频率响应和所述电压响应与实际量测数据的误差均方根，评估所述虚拟电厂可变阶聚合等效鲁棒动态模型的性能。第二方面，本专利技术的一个实施例提供了B:一种虚拟电厂可变阶聚合等效鲁棒动态模型建模装置，包括：获取模块：用于获取包含量测数据的数据集构成的数据库；聚类模块：用于对所述数据集进行聚类得到多个聚类结果；估计模块：用于根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；等效模块：用于利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。第三方面，本专利技术提供一种虚拟电厂可变阶聚合等效鲁棒动态模型建模设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如第一方面任一项所述的方法。第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。本专利技术的有益效果是：本专利技术通过获取包含量测数据的数据集构成的数据库，对数据集进行聚类得到多个聚类结果，根据每一个聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数，利用神经网络逐一训练虚拟电厂可变阶聚合等效模型，得到对应于聚类结果数量的虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据鲁棒参数集分别构建虚拟电厂可变阶聚合等效鲁棒动态模型。构建的模型能够准确有效刻画虚拟电厂动态特性，适用于不同运行场景和运行条件，通用性强，可解释性及鲁棒性好，对促进虚拟电厂的发展、能源互联网的安全稳定运行和电力市场的完善有重要意义，具有很高的实用价值。可广泛应用于能源互联网
附图说明图1是本专利技术实施例一虚拟电厂示意图；图2是本专利技术实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的实现流程图；图3是本专利技术实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的模型方框图；图4是本专利技术实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的测试过程流程示意图；图5是本专利技术实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模方法的建模过程流程图；图6是本专利技术实施例一虚拟电厂可变阶聚合等效鲁棒动态模型建模装置的结构框图。具体实施方式为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。实施例一：本专利技术实施例一提供一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，如图1所示，为虚拟电厂示意图，虚拟电厂与外部主电网之间通过公共连接点PCC连接。图2为本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，包括：/n获取包含量测数据的数据集构成的数据库；/n对所述数据集进行聚类得到多个聚类结果；/n根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；/n利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。/n

【技术特征摘要】
1.一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，包括：
获取包含量测数据的数据集构成的数据库；
对所述数据集进行聚类得到多个聚类结果；
根据每一个所述聚类结果分别估计虚拟电厂可变阶聚合等效模型的模型参数；
利用神经网络逐一训练所述虚拟电厂可变阶聚合等效模型，得到对应于所述聚类结果数量的所述虚拟电厂可变阶聚合等效模型的鲁棒参数集，根据所述鲁棒参数集分别构建所述虚拟电厂可变阶聚合等效鲁棒动态模型。


2.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，所述量测数据包括：虚拟电厂与电网连接点的电压时域有效值向量和频率时域有效值向量、虚拟电厂与电网交换的有功功率向量和无功功率向量、虚拟电厂内部有功功率发电量向量和无功功率发电量向量和灵活性负荷需求量向量、虚拟电厂内部负荷构成和发电构成。


3.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，所述虚拟电厂可变阶聚合等效鲁棒动态模型为包含暂态响应和恢复响应的频率和电压响应模型，表示为：
yd(t)＝yt(t)+yr(t)
其中，yd(t)表示频率和电压响应模型，yt(t)表示暂态响应模型，yr(t)表示恢复响应模型。


4.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，对多个所述数据集进行聚类得到聚类结果具体包括：利用k-means++算法采用扰动前稳态数据对多个所述数据集进行聚类得到多个类。


5.根据权利要求1所述的一种虚拟电厂可变阶聚合等效鲁棒动态模型建模方法，其特征在于，所述神经网络为两层前馈神经网络，包含一个隐含层和一个输出层，表示为：
y＝f(WTx+b)
其中，x表示所述神经网络的输入，y表示所述神经网络的输出，W表示所述神经网络的权值，b表示所述神经网络的偏置值，函数f(·)表示传输函数，所述神经网络的传递函数为sigmoid函数，损失函数为最小均方误差函数。

【专利技术属性】
技术研发人员：周建国，孙宏斌，许银亮，杨仑，仪忠凯，王黎明，
申请(专利权)人：清华伯克利深圳学院筹备办公室，
类型：发明
国别省市：广东;44