基于多目标参数辨识的有源配电网等值建模方法及系统与流程

本发明属于电力系统中的有源配电网模型参数辨识与等值建模，尤其涉及基于多目标参数辨识的有源配电网等值建模方法及系统。

背景技术：

1、随着高比例逆变器型分布式电源（inverter-based distributed generator,ibdg，如光伏、风电）接入配电网，传统配电网逐渐演变为含多种电力电子设备源荷互动的有源配电网（active distribution network, adn）。在进行大电网暂态稳定分析与仿真时，为降低计算规模，通常需将有源配电网化简为戴维南等效电路并联动态等值模型（如综合负荷模型 zip 并联感应电动机，或 ibdg 聚合等值机）。有源配电网动态等值建模主要包括两个关键环节：一是依据分布式电源及负荷的动态特性进行分群与参数聚合以确定等值模型结构，二是对等值模型的关键电气参数进行辨识。

2、现有技术中已存在一些有源配电网动态等值方法。例如现有技术1（《dynamicequivalents of active distribution networks considering ibdg transientcharacteristics》，ieee，shanhua hu等，2024）提出引入ibdg的低压穿越（lvrt）退出时间作为表征其暂态特性的指标，采用agnes（agglomerative nesting）层次聚类算法对配电网内ibdg进行分群，并以多种评价指标确定最优聚类数，再对同一群内ibdg的参数进行聚合得到adn动态等值模型。该方法考虑了ibdg暂态控制特性对等值精度的影响，较传统仅按地理位置或容量加权的聚合方式有所改进。

3、另有现有技术2（dynamic equivalent modelling for active distributednetwork considering adjustable loads charging characteristics"，ietgeneration, transmission&distribution，jingwen wang等，2024）采用zip负载并联感应电机作为 adn 等值结构，并利用改进深度双q网络（mddqn）对等值模型参数进行单目标辨识，同时实现对电动汽车等可调负荷的内部细分识别。

4、此外，轨迹灵敏度（trajectory sensitivity）分析筛选关键/非关键参数、以及采用元启发式智能算法（如粒子群算法pso、遗传算法ga、海洋捕食者算法mpa等）进行电力系统参数辨识，亦属于本领域公知的参数处理方法。

5、然而，上述现有技术至少存在以下缺陷和不足：

6、分群聚合维度未结合参数敏感性分析：现有技术1虽然基于lvrt退出时间进行ibdg分群并做参数聚合，但其未引入轨迹灵敏度对等值模型参数进行关键性筛选，导致后续参数辨识时待估参数维数过高，易受非关键参数噪声干扰，降低辨识效率与稳定性；

7、参数辨识为单目标优化且易陷入局部最优：现有技术1及传统方法多采用最小二乘法或单目标启发式算法进行参数拟合，仅以并网点有功或无功功率的单一方差最小为目标，难以兼顾p、q双侧动态响应精度，在大扰动下等值误差较大；现有技术2虽引入深度强化学习辨识，但仍为单目标reward函数优化，且drl训练依赖大量样本、泛化性受限。同时，常规元启发式算法（如标准pso、ga、基础mpa）存在收敛速度慢、易早熟陷入局部最优等问题，直接用于高维非线性等值参数辨识时精度不足；

8、缺乏多目标pareto折衷决策机制：现有有源配网等值参数辨识方法大多直接输出单组最优解，未考虑p、q双目标相互冲突时生成pareto前沿并基于模糊综合评价选取最能兼顾两侧精度的折衷解，导致等值模型在不同运行工况及扰动程度下的适应性较差。

9、因此，亟需一种能够综合考虑ibdg暂态特性分群、参数敏感性降维筛选、以及多目标高鲁棒性参数辨识与模糊决策的有源配电网动态等值建模方法，以提高大扰动下有源配电网等值模型的精度和通用性。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种基于多目标参数辨识的有源配电网等值建模方法及系统，以分布式光伏退出低压穿越时间作为分群特征指标，采用层次聚类算法完成分布式光伏分群，并通过轮廓系数确定最优聚类数；从全量电气参数中提取待定参数构成待筛选参数集，基于配电网详细模型计算各参数的轨迹灵敏度，将满足条件的参数构成待辨识参数集，其余参数直接通过分群结果进行参数聚合；以并网点有功功率和无功功率误差为优化目标，采用多目标改进型海洋捕食算法对待辨识参数进行优化辨识，根据分群结果和辨识结果形成有源配电网等值模型。本发明在等值建模过程中引入多目标参数辨识与关键参数筛选机制，能够提高等值模型对有源配电网稳态及暂态特性的拟合精度，降低参数辨识复杂度，提升建模效率和计算收敛速度。

2、本发明采用如下的技术方案。

3、基于多目标参数辨识的有源配电网等值建模方法，包括：

4、基于有源配电网确定等值边界，采集全量电气参数，构建含分布式光伏的配电网详细模型；

5、对有源配电网详细模型进行潮流计算和暂态计算，采集等值边界处的稳态和暂态期间的功率和电压值；

6、以各分布式光伏的退出低压穿越时间作为分群特征指标，对分布式光伏进行分群，通过轮廓系数确定最优聚类数；

7、从所述全量电气参数中提取待定参数，构成待筛选参数集；基于配电网详细模型，对待筛选参数集中的每个参数计算轨迹灵敏度，根据轨迹灵敏度对参数进行筛选，将满足条件的参数构成待辨识参数集，其余参数直接通过分群结果进行参数聚合；

8、基于等值边界处的稳态和暂态时序数据，构建参数辨识目标函数；基于参数辨识目标函数，采用多目标改进型海洋捕食算法对待辨识参数集中的待辨识参数进行参数辨识；根据分群结果和参数辨识结果，构建有源配电网多机等值模型。

9、进一步优选地，以各分布式光伏的退出低压穿越时间作为分群特征指标，对分布式光伏进行分群，通过轮廓系数确定最优聚类数，包括：

10、获取所述各分布式光伏在低压穿越期间的端电压恢复至预设电压阈值的时刻，将所述时刻作为退出低压穿越时间，构建分群特征向量；

11、采用层次聚类算法，基于所述分群特征向量计算样本间欧式距离以及簇间距离，通过循环迭代合并距离最小的簇生成聚类树；

12、计算所述聚类树中不同聚类数对应的整体轮廓系数，将所述整体轮廓系数最大时对应的聚类数确定为所述最优聚类数，基于所述最优聚类数对所述各分布式光伏进行划分，得到多个分群。

13、进一步优选地，所述基于所述分群特征向量计算样本间欧式距离以及簇间距离，包括：

14、将任意两个分布式光伏的所述退出低压穿越时间之差的绝对值作为所述样本间欧式距离；

15、将任意两个簇内的样本数之积除以所述任意两个簇内的样本数之和，再乘以所述任意两个簇内样本均值之差的范数平方，作为所述簇间距离；

16、所述计算所述聚类树中不同聚类数对应的整体轮廓系数，包括：

17、对于所述聚类树中的每个样本，计算所述样本到其所属簇中其他样本的平均距离作为第一距离，并计算所述样本到最近的其他簇中所有样本的平均距离作为第二距离；

18、将所述第二距离与所述第一距离之差，除以所述第一距离和所述第二距离中的最大值，得到所述样本的轮廓系数；

19、将所有样本的轮廓系数的平均值作为所述整体轮廓系数。

20、进一步优选地，所述对待筛选参数集中的每个参数计算轨迹灵敏度，根据轨迹灵敏度对参数进行筛选，将满足条件的参数构成待辨识参数集，其余参数直接通过分群结果进行参数聚合，包括：

21、计算待筛选参数集中各参数对有源配电网的多个电气量的平均轨迹灵敏度，并对各电气量的平均轨迹灵敏度求和；

22、将平均轨迹灵敏度之和大于预设灵敏度阈值的参数确定为待定参数，构成所述待辨识参数集；

23、对于其余参数，基于分群结果，采用额定容量加权平均法对同一分群内的分布式光伏的参数进行聚合，得到等值单元的聚合参数。

24、进一步优选地，计算待筛选参数集中各参数对有源配电网的多个电气量的平均轨迹灵敏度，并对各电气量的平均轨迹灵敏度求和，包括：

25、对于所述待筛选参数集中的任意一个参数，计算所述参数在预设观察时长内各个采样时刻的瞬时轨迹灵敏度，所述瞬时轨迹灵敏度为所述参数发生变化时，各电气量的相对变化率分别与该参数的相对变化率之比；

26、对所述预设观察时长内的所述瞬时轨迹灵敏度进行积分并求取平均值，得到所述参数对各电气量分别对应的平均轨迹灵敏度；

27、所述采用额定容量加权平均法对同一分群内的分布式光伏的参数进行聚合，得到等值单元的聚合参数，包括：

28、将同一分群内各分布式光伏的额定容量与对应参数值的乘积进行累加，并除以所述同一分群内各分布式光伏的额定容量之和，得到所述等值单元的聚合参数。

29、进一步优选地，所述基于等值边界处的稳态和暂态时序数据，构建参数辨识目标函数，包括：

30、以所述有源配电网并网点的有功功率均方根误差和无功功率均方根误差作为两个独立的目标项，构建所述参数辨识目标函数；

31、所述有功功率均方根误差为所述等值边界处的有功功率基准值与等值模型计算值之差的平方和的均方根；

32、所述无功功率均方根误差为所述等值边界处的无功功率基准值与等值模型计算值之差的平方和的均方根。

33、进一步优选地，采用多目标改进型海洋捕食算法对待辨识参数集中的待辨识参数进行参数辨识，包括：

34、采用佳点集理论生成均匀覆盖解空间的初始种群，对所述初始种群执行快速非支配排序，按支配关系将所述初始种群分为多个非支配层，并从第一非支配层中选取个体构建精英矩阵；

35、引入自适应步长控制因子，根据当前迭代次数将寻优过程划分为多个阶段，在不同阶段采用不同的运动策略更新种群个体位置，直至达到最大迭代次数，输出最终的pareto最优参数集。

36、进一步优选地，所述引入自适应步长控制因子，根据当前迭代次数将寻优过程划分为多个阶段，在不同阶段采用不同的运动策略更新种群个体位置，包括：

37、基于所述当前迭代次数、所述最大迭代次数以及预设的步长初值和终值，计算所述自适应步长控制因子；

38、当所述当前迭代次数小于所述最大迭代次数的三分之一时，采用布朗运动随机向量更新猎物位置，以进行全局探索；

39、当所述当前迭代次数大于或等于所述最大迭代次数的三分之一，且小于所述最大迭代次数的三分之二时，对前半部分种群采用莱维飞行随机向量进行探索，对后半部分种群采用布朗运动随机向量进行开发；

40、当所述当前迭代次数大于或等于所述最大迭代次数的三分之二时，对所有种群采用莱维飞行随机向量进行开发，逼近全局最优区域。

41、进一步优选地，所述采用多目标改进型海洋捕食算法对待辨识参数集中的待辨识参数进行参数辨识之后，还包括：

42、获取参数辨识输出的pareto最优参数集中各个电气量的均方根误差的最大值和最小值；

43、对于所述pareto最优参数集中的任意一组候选参数，将所述电气量的均方根误差的最大值与所述候选参数在所述电气量的均方根误差上的函数值之差，除以所述最大值与最小值之差，得到所述候选参数在所述电气量的均方根误差上的线性隶属度；

44、将所述候选参数在有功功率均方根误差上的线性隶属度与在无功功率均方根误差上的线性隶属度求平均，得到所述候选参数的综合满意度；

45、选取所述综合满意度最大的候选参数作为最优折衷参数，利用所述最优折衷参数和通过分群结果进行参数聚合后的其余参数生成所述有源配电网多机等值模型。

46、本发明还提出基于多目标参数辨识的有源配电网等值建模系统，包括模型构建模块、数据采集模块、分群模块、参数筛选与聚合模块、参数辨识模块和等值建模模块，其特征在于：

47、模型构建模块，基于有源配电网确定等值边界，采集全量电气参数，构建含分布式光伏的配电网详细模型；

48、数据采集模块，对有源配电网详细模型进行潮流计算和暂态计算，采集等值边界处的稳态和暂态期间的功率和电压值；

49、分群模块，以各分布式光伏的退出低压穿越时间作为分群特征指标，对分布式光伏进行分群，通过轮廓系数确定最优聚类数；

50、参数筛选与聚合模块，从所述全量电气参数中提取待定参数，构成待筛选参数集；基于配电网详细模型，对待筛选参数集中的每个参数计算轨迹灵敏度，根据轨迹灵敏度对参数进行筛选，将满足条件的参数构成待辨识参数集，其余参数直接通过分群结果进行参数聚合；

51、参数辨识模块，基于等值边界处的稳态和暂态时序数据，构建参数辨识目标函数；基于参数辨识目标函数，采用多目标改进型海洋捕食算法对待辨识参数集中的待辨识参数进行参数辨识；

52、等值建模模块，根据分群结果和参数辨识结果，构建有源配电网多机等值模型。

53、本发明还提出计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据上述方法步骤。

54、本发明还提出一种终端，包括处理器及存储介质：

55、所述存储介质用于存储指令；

56、所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。

57、与现有技术相比，本发明的有益效果在于：

58、1、本发明采用轨迹灵敏度分析量化各参数对暂态影响程度，实现关键参数和非关键参数的精准分离，降低了参数辨识的计算复杂度，显著提高计算收敛速度。

59、2、本发明采用改进型海洋捕食算法优化有功和无功的拟合精度，解决了单目标参数辨识固有精度失衡问题，结合模糊综合评价法科学选取pareto最优折衷参数，提高了等值模型的拟合精度。