System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统惯性常数辨识的,尤其是指一种含风力发电的电力系统区域惯性常数在线辨识方法及系统。
技术介绍
1、在分布式能源比例逐渐上升的背景下,电力系统惯性常数的在线辨识对于有效分配备用容量、储能设备和变流器虚拟惯性起到了重要的作用,是支撑电网稳定运行必不可少的技术。现有的电力系统惯性常数辨识方法面向的对象是以同步发电机为主的传统电力系统,针对新能源渗透率逐渐增加的新型电力系统的惯性常数辨识方法十分匮乏。现有的传统电力系统区域惯量在线辨识方法可以分为基于暂态响应信号的辨识和基于类噪声信号的辨识。而这两种方法在电力系统频率模型未知的情况下,不满足持续激励条件时,对未知的系统参数的估计准确性较低,并且会使得估计结果无法收敛,导致无法获得准确的电力系统惯性常数;此外,连续时间的动态回归扩展与混合算法只能对一阶的电力系统频率响应模型进行识别,这会导致识别得到的惯性常数准确性较低。
技术实现思路
1、本专利技术的第一目的在于克服现有技术的缺点与不足,提供一种含风力发电的电力系统区域惯性常数在线辨识方法,可对含风力发电的电力系统区域频率响应模型进行辨识,能对多阶频率响应模型进行在线辨识,同时能放宽辨识算法的收敛条件,得到准确的电力系统区域惯性常数。
2、本专利技术的第二目的在于提供一种含风力发电的电力系统区域惯性常数在线辨识系统。
3、本专利技术的第一目的通过下述技术方案实现:含风力发电的电力系统区域惯性常数在线辨识方法,针对电力系统中含风机、同步发电机以及负荷
4、s1:获取电力系统c区域的惯量中心频率fc以及该区域内所有同步发电机的有功功率之和pe和所有风机的有功功率之和pw,对惯量中心频率fc、同步发电机的有功功率之和pe以及风机的有功功率之和pw进行标幺化和滤波处理并去除均值,获得fc的变化量δfc、pe的变化量δpe和pw的变化量δpw;
5、s2:利用δpe和δfc作为输入和输出信号建立arx模型,并初始化;
6、s3:利用离散drem方法求解arx模型的待估计参数,并定期将参数估计值代回arx模型;
7、s4:对代回得到的arx模型进行处理得到离散频率响应模型的传递函数,对离散频率响应模型的传递函数进行连续化得到连续频率响应模型的传递函数;
8、s5:对连续频率响应模型的传递函数进行处理得到同步发电机惯性常数hsys;
9、s6:利用δpw和δfc作为输入和输出信号建立arx模型,并初始化,重复步骤s3~s5,得到风机惯性常数hw,含风力发电的电力系统区域惯性常数即为hw+hsys。
10、进一步,在步骤s1中,惯量中心频率fc的计算公式如下:
11、
12、式中,惯量中心频率fc为c区域每台同步发电机连接母线频率fi的加权平均,i为同步发电机的编号,nc为c区域内的同步发电机的总数,权重ωi为同步发电机i连接母线频率fi方差的倒数,即ωi=1/var(fi)。
13、进一步,在步骤s2中,arx模型表示为:
14、a(q)y(k)=b(q)u(k)+v(k)
15、a(q)=1+a1q-1+a2q-2…+anq-n
16、b(q)=b1q-1+b2q-2…+bmq-m
17、式中,y(k)表示k时刻的arx模型输出信号,u(k)表示k时刻的arx模型输入信号,v(k)为k时刻的随机误差,a(q)和b(q)为描述arx模型特征的数列,n、m分别为a(q)、b(q)的阶数,q-1为一个延迟算子,延迟时间由采样周期决定,q-n表示延迟n个采样周期,[a1,a2,…,an,b1,b2,…,bm]为模型的待估计参数。
18、进一步,在步骤s2和步骤s6中,arx模型的初始化方法如下:
19、设置a(q)的阶数n和b(q)的阶数m的值,并令待估计参数[a1,a2,…,an,b1,b2,…,bm]为0。
20、进一步,在步骤s3中,利用离散drem方法求解arx模型的待估计参数,包括以下步骤:
21、s31:将arx模型等效为第一回归方程:
22、y(k)=φ(k)tθ+ν(k)
23、式中,θ=[a1,a2,…,an,b1,b2,…,bm]为arx模型的待估计参数,φ(k)=[-y(k-1),-y(k-2),…,-y(k-n),u(k-1),u(k-2),…,u(k-m)]为k时刻第一回归方程的输入信号,y(k-n)表示(k-n)时刻的arx模型输出信号,u(k-m)表示(k-m)时刻的arx模型输入信号;
24、s32:将延迟算子作用于k时刻第一回归方程的输入信号φ(k),并扩展得到n+m阶方阵φe(k),将延迟算子作用于k时刻的arx模型输出信号y(k),并扩展得到维数为n+m的矩阵ye(k):
25、
26、
27、式中,j>0,yfj(k)为(k-j)时刻的arx模型输出信号,φfj(k)为(k-j)时刻第一回归方程的输入信号,φfj(k)t为φfj(k)的转置矩阵;
28、s33:将加入延迟算子扩展后的等式进行混合得到第二回归方程:
29、
30、其中:
31、
32、y(k):=adj{φe(k)}ye(k)
33、式中,det为求行列式值的运算符号,adj为求伴随矩阵的运算符号,为k时刻第二回归方程的输入信号,y(k)为k时刻第二回归方程的输出信号;
34、s34:对第二回归方程进行离散梯度估计:
35、
36、式中,为k时刻得到的参数估计值,为(k-1)时刻得到的参数估计值,γi为收敛增益。
37、进一步,在步骤s34中,离散梯度估计对应的收敛条件,包括:第二回归方程的输入信号不属于范数l2空间,即输入信号的平方和不可积。
38、进一步,在步骤s4中,对代回得到的arx模型进行如下处理得到离散频率响应模型的传递函数:
39、z(q)=b(q)/a(q)
40、式中,z(q)为离散频率响应的传递函数,b(q)和a(q)随着参数估计值的变化而变化。
41、进一步,在步骤s4中,利用双线性变换将离散频率响应模型的传递函数z(q)转化为连续频率响应模型的传递函数g(s)。
42、进一步,在步骤s5和步骤s6中,对连续频率响应模型的传递函数的微分求极限:
43、
44、式中,s为拉普拉斯复参变量,求得未处理的惯性常数h,并对设定时间段内得到的不同h值进行滤波处理,剔除离群值,即可得到同步发电机惯性常数hsys或风机惯性常数hw。
45、本专利技术的第二目的通过下述技术方案实现:含风力发电的电力系统区域惯性常数在线辨识系统,用于实现上述的含风力发电的电力系本文档来自技高网...
【技术保护点】
1.含风力发电的电力系统区域惯性常数在线辨识方法,针对电力系统中含风机、同步发电机以及负荷的某一区域进行惯性常数在线辨识,其特征在于,包括以下步骤:
2.根据权利要求1所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S1中,惯量中心频率fc的计算公式如下:
3.根据权利要求2所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S2中,ARX模型表示为:
4.根据权利要求3所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S2和步骤S6中,ARX模型的初始化方法如下:
5.根据权利要求4所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S3中,利用离散DREM方法求解ARX模型的待估计参数,包括以下步骤:
6.根据权利要求5所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S34中,离散梯度估计对应的收敛条件,包括:第二回归方程的输入信号不属于范数L2空间,即输入信号的平方和不可积。
7.根据权利要求6所述的含风
8.根据权利要求7所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S4中,利用双线性变换将离散频率响应模型的传递函数Z(q)转化为连续频率响应模型的传递函数G(s)。
9.根据权利要求8所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤S5和步骤S6中,对连续频率响应模型的传递函数的微分求极限:
10.含风力发电的电力系统区域惯性常数在线辨识系统,其特征在于,用于实现权利要求1-9任意一项所述的含风力发电的电力系统区域惯性常数在线辨识方法,其包括:
...【技术特征摘要】
1.含风力发电的电力系统区域惯性常数在线辨识方法,针对电力系统中含风机、同步发电机以及负荷的某一区域进行惯性常数在线辨识,其特征在于,包括以下步骤:
2.根据权利要求1所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤s1中,惯量中心频率fc的计算公式如下:
3.根据权利要求2所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤s2中,arx模型表示为:
4.根据权利要求3所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤s2和步骤s6中,arx模型的初始化方法如下:
5.根据权利要求4所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在于,在步骤s3中,利用离散drem方法求解arx模型的待估计参数,包括以下步骤:
6.根据权利要求5所述的含风力发电的电力系统区域惯性常数在线辨识方法,其特征在...
【专利技术属性】
技术研发人员:朱昭丞,杨双飞,周月宾,刘俊峰,曾君,陈渊睿,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。