一种基于改进递阶随机梯度的电力系统惯量评估方法技术方案

本发明专利技术公开了一种基于改进递阶随机梯度的电力系统惯量评估方法，包括：建立适用于惯量评估的

【技术实现步骤摘要】
一种基于改进递阶随机梯度的电力系统惯量评估方法


[0001]本专利技术属于电力系统频率稳定控制领域，涉及电力系统惯量评估技术，具体涉及一种基于改进递阶随机梯度的电力系统惯量评估方法
。

技术介绍

[0002]常规电力系统的惯量水平评估可利用发电机组的开停机状态监测结果来实现，但是该方法无法实现对大量虚拟惯量控制的新能源和储能单元
、
异步电动机负荷等惯量资源信息的掌握，也无法确定这类资源所贡献的惯量大小，因此常规基于开停机状态监测的惯量评估方法无法适用于大规模新能源接入的新型电力系统
。
[0003]近年来，基于频率量测数据的系统惯量评估方法凭借其准确性和快速性的优势得到了国内外学者的广泛关注
。
该方法通过监测有功扰动后的系统频率和功率变化量数据作为评估模型的输入和输出量进行系统惯量参数的辨识
。
总体来看，已有研究主要集中在评估模型和辨识算法的选择，但是辨识结果欠佳
。
在选择的模型方面，有着适应性差
、
或者并未考虑量测数据噪声影响的诸多问题
。
在算法方面，则存在收敛性差
、
计算量较大和参数辨识结果精度不足等问题
。
因此，具备低计算量和高抗扰能力的系统惯量评估方法仍需要深入研究
。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，提供一种基于改进递阶随机梯度的电力系统惯量评估方法，具备模型适应性强
、<br/>算法计算量小
、
评估精度高等优点
。
[0005]技术方案：为实现上述目的，本专利技术提供一种基于改进递阶随机梯度的电力系统惯量评估方法，包括如下步骤：
[0006]S1
：建立适用于惯量评估的
OEARMA(Output Error Auto Regressive Moving Average,OEARMA)
评估模型；
[0007]S2
：将不平衡功率输入到
OEARMA
评估模型，基于改进递阶随机梯度算法对
OEARMA
评估模型进行参数辨识；
[0008]S3
：根据参数辨识结果，将
OEARMA
评估模型转换为连续传递函数；
[0009]S4
：通过连续传递函数获取到电力系统惯量评估结果
。
[0010]进一步地，所述步骤
S1
中
OEARMA
评估模型的表达式为：
[0011][0012]式中，为真实输出，即不考虑噪声影响的频率偏差量，
μ
(t)
则为输入的不平衡功率
(
也就是功率变化量
)
，表示频率偏差量和不平衡功率之间的对应关系；观测输出
y(t)
为包含噪声
v(t)
的频率偏差量，
v(t)
为代表数据信号采集
、
传输过程中引入的零
均值高斯随机白噪声，表示噪声对实际输出频率偏差量的影响分量
。
[0013]进一步地，所述
OEARMA
评估模型中
A(z)
，
B(z)
，
C(z)
，
D(z)
是关于后移算子的未知参数，具体表示为：
[0014][0015]式中，参数集合和均代表模型中的未知参数
。
这些未知参数属于模型的设定，具体的辨识结果会因为输入和输出的数据变化
。
[0016]本专利技术主要目的是通过辨识未知参数和以得到频率偏差量和不平衡功率的数学关系进而得到惯量水平
H
sys
的值
。
噪声相关参数项和的存在会影响参数的辨识准确度，本专利技术将采用递推迭代的方式逐渐逼近真实值，以消除噪声项的不利影响
。
[0017]进一步地，所述步骤
S2
中参数辨识的方法包括如下步骤：
[0018]A1
：得到式
(5)
的最小二乘形式；
[0019]A2
：根据步骤
A1
的最小二乘形式的系统，将系统分解为两个子系统进行求解，得到参数的估计值；
[0020]A3
：根据参数的估计值，得到参数辨识结果
。
[0021]进一步地，所述步骤
A1
具体为：
[0022]令并根据
OEARMA
模型中各参数的表达式定义如下的参数向量和信息向量：
[0023][0024][0025]进而得到式
(5)
的最小二乘形式为
[0026][0027]式中，
β
a
(t)
为堆积内部变量，代表系统真实输出变量，即不考虑噪声影响的频率偏差量；
β
b
(t)
为堆积输入向量，代表功率不平衡量；
β
c
(t)
和
β
d
(t)
分别为堆积噪声变量和堆积噪声输入向量，会对系统惯量辨识的准确度产生影响；此模型中只有信息向量
β
b
(t)
是已知的，为不同时刻采集到的功率不平衡量
。
[0028]进一步地，所述步骤
A2
具体为：
[0029]A2
‑1：定义两个中间变量
[0030][0031]将系统分解为两个子系统进行求解
[0032][0033]A2
‑2：对两个子系统定义平均误差准则函数
[0034][0035]式中准则函数反应了参数估计的误差大小，为了使得参数估计值逼近系统实际参数值，准则函数应取得最小值；
[0036]如式
(13)
，通过对准则函数
J1(
η2)
和
J2(
η2)
求导，求解极小值即可得到参数估计值和
[0037][0038]进一步地，所述步骤
A2
‑2中由于很难直接获得式
(13)
的精确解析解，可通过迭代逼近的方式求解公式
(13)
最优近似解来代替解析值，具体为：
[0039]用参数估计值代替
η
a
、
η
b
、
η
c
、
η
d
，并定义为
x(t)
在第
t
次递推的估计值；分别用评估模型函数的输出代替中的
x(t
‑
i)、
代替中
的
ω
(t
‑
i)、
代替中的
v(t
‑...

【技术保护点】

【技术特征摘要】
1.
一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，包括如下步骤：
S1
：建立适用于惯量评估的
OEARMA
评估模型；
S2
：将不平衡功率输入到
OEARMA
评估模型，基于改进递阶随机梯度算法对
OEARMA
评估模型进行参数辨识；
S3
：根据参数辨识结果，将
OEARMA
评估模型转换为连续传递函数；
S4
：通过连续传递函数获取到电力系统惯量评估结果
。2.
根据权利要求1所述的一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，所述步骤
S1
中
OEARMA
评估模型的表达式为：式中，为真实输出，即不考虑噪声影响的频率偏差量，
μ
(t)
则为输入的不平衡功率，表示频率偏差量和不平衡功率之间的对应关系；观测输出
y(t)
为包含噪声
v(t)
的频率偏差量，
v(t)
为代表数据信号采集
、
传输过程中引入的零均值高斯随机白噪声，表示噪声对实际输出频率偏差量的影响分量
。3.
根据权利要求2所述的一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，所述
OEARMA
评估模型中
A(z)
，
B(z)
，
C(z)
，
D(z)
是关于后移算子的未知参数，具体表示为：式中，参数集合和均代表模型中的未知参数
。4.
根据权利要求3所述的一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，所述步骤
S2
中参数辨识的方法包括如下步骤：
A1
：得到式
(5)
的最小二乘形式；
A2
：根据步骤
A1
的最小二乘形式的系统，将系统分解为两个子系统进行求解，得到参数的估计值；
A3
：根据参数的估计值，得到参数辨识结果
。5.
根据权利要求4所述的一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，所述步骤
A1
具体为：令并根据
OEARMA
模型中各参数的表达式定义如下
的参数向量和信息向量：的参数向量和信息向量：进而得到式
(5)
的最小二乘形式为式中，
β
a
(t)
为堆积内部变量，代表系统真实输出变量，即不考虑噪声影响的频率偏差量；
β
b
(t)
为堆积输入向量，代表功率不平衡量；
β
c
(t)
和
β
d
(t)
分别为堆积噪声变量和堆积噪声输入向量，会对系统惯量辨识的准确度产生影响
。6.
根据权利要求5所述的一种基于改进递阶随机梯度的电力系统惯量评估方法，其特征在于，所述步骤
A2
具体为：
A2
‑1：定义两个中间变量将系统分解为两个子系统进行求解
A2
‑2：对两个子系统定义平均误差准则函数式中准则函数反应了参数估计的误差大小，为了使得参数估计值逼近系统实...

【专利技术属性】
技术研发人员：刘子文，张春雨，赵世昱，周凌风，
申请(专利权)人：河海大学，
类型：发明
国别省市：