考虑低电压穿越特性的光伏场站一次调频建模方法及系统

本发明涉及一次调频建模，具体地说，是涉及一种考虑低电压穿越特性的光伏场站一次调频建模方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

2、随着光伏发电装机规模的持续扩大，电力系统光伏渗透率不断提高。光伏发电单元通过电力电子变流器并网，不具备同步机天然的转动惯量和阻尼特性。当系统发生负荷突变、机组跳闸或新能源出力波动等扰动时，高比例光伏接入会导致系统等效惯量降低，对电力系统的频率稳定性构成严峻挑战。因此，建立能够准确描述光伏场站一次调频动态响应特性的模型具有重要意义。

3、发明人发现，现有光伏场站一次调频建模方法能够在一定程度上描述光伏场站参与频率调节的总体效果，然而，在聚类建模方面，现有方法多依据人工选取特征量或采用浅层距离度量进行分类，难以充分提取低电压穿越过程中高维、非线性时序特征；在参数辨识方面，递推最小二乘法依赖线性化模型，对包含低电压穿越控制环节的非线性一次调频过程不适用；而粒子群优化算法虽可处理非线性问题，但计算量大且结果稳定性易受参数设置影响，同时传统方法难以显式引入物理约束与不确定性评估，导致辨识结果物理一致性不足、复杂工况泛化能力欠缺。

技术实现思路

1、本发明的目的是克服上述现有技术中存在的不足，提供一种考虑低电压穿越特性的光伏场站一次调频建模方法及系统。

2、为了实现上述目的，本发明是通过如下的技术方案来实现：

3、第一方面，本发明的技术方案提供了一种考虑低电压穿越特性的光伏场站一次调频建模方法，包括：

4、获取光伏场站内各光伏发电单元在低电压穿越及一次调频扰动过程中的有功功率暂态响应数据和无功功率暂态响应数据，并基于对抗对比特征提取网络提取各光伏发电单元的低维潜在动态特征；

5、将低维潜在动态特征输入深度嵌入聚类网络，以特征重构损失约束编码特征保留时序信息，以聚类分布优化损失调整样本软分配概率，得到各光伏发电单元对应的聚类标签，并确定每个聚类簇的中心代表单元；基于每个聚类簇中心代表单元的一次调频扰动输入信号和有功功率响应输出信号，生成用于参数辨识的标准化输入输出时间序列样本；

6、根据光伏发电单元一次调频动态响应机理，建立从扰动输入到有功功率响应输出的聚合等值传递函数模型，并将其转换为状态空间模型，构建物理约束方程；

7、以时间变量为输入、以状态变量预测值为输出构建物理信息神经网络，将待辨识参数以及隐含初始状态设置为贝叶斯随机变量，并基于联合优化目标对其进行训练；训练完成后，对待辨识参数的后验分布进行多次采样，得到各簇参数辨识结果；其中，联合优化目标包括：数据拟合误差、物理方程残差误差、等值传递函数离散仿真误差、初始状态误差以及贝叶斯后验分布与先验分布之间的散度；

8、对于每个聚类簇，基于聚合等值传递函数模型和该簇参数辨识结果构建一次调频等值传递模型；将各聚类簇的一次调频等值模型聚合，得到光伏场站整体一次调频响应模型。

9、在至少一个实施例中，获取光伏场站内各光伏发电单元在低电压穿越及一次调频扰动过程中的有功功率暂态响应数据和无功功率暂态响应数据，并基于对抗对比特征提取网络提取各光伏发电单元的低维潜在动态特征，具体包括：

10、对于各光伏发电单元，将其在低电压穿越及一次调频扰动过程中的有功功率序列和无功功率序列按照通道维度进行堆叠，形成多通道时间序列样本，得到各光伏发电单元的暂态响应样本；

11、对每个原始暂态响应样本进行高斯噪声和幅值缩放增强处理，构造对应的增强暂态响应样本；

12、将原始暂态响应样本及其对应的增强暂态响应样本输入对抗对比特征提取网络提取各光伏发电单元的低维潜在动态特征，并利用对比学习约束同源扰动视图的特征一致性，利用对抗学习约束削弱噪声扰动和工况变化对特征分布的影响。

13、在至少一个实施例中，对抗对比特征提取网络包括一维卷积编码器、对比学习投影头和对抗判别器；

14、其中，一维卷积编码器通过多级一维卷积结构逐步压缩时间维度并扩展特征通道，用于提取低电压穿越初期的快速暂态变化特征、电压恢复阶段的功率恢复特征以及一次调频过程中的动态响应特征；

15、对比学习投影头将编码器输出的特征映射至对比学习空间，通过对比学习损失拉近同一光伏发电单元原始样本与增强样本之间的特征距离，推远不同光伏发电单元或不同响应模式样本之间的特征距离；

16、对抗判别器用于区分原始样本特征和增强样本特征，编码器通过对抗训练使增强样本特征在分布上接近原始样本特征，削弱噪声扰动和工况变化对特征分布的影响；

17、对抗对比特征提取网络的联合优化目标具体可表示为：

18、

19、式中，表示对比学习损失，表示对抗约束损失，表示权重系数。

20、在至少一个实施例中，深度嵌入聚类网络包括特征级自编码器和深度嵌入聚类层；

21、其中，特征级自编码器将潜在动态特征映射到隐空间并将隐空间特征重构回原特征空间，以特征重构损失约束编码特征保留时序信息，具体表示为：

22、

23、式中，表示特征重构损失，表示标准化后的潜在动态特征，表示重构特征；

24、在深度嵌入聚类层中，根据光伏发电单元隐空间特征与各聚类中心之间的距离计算软分配概率，通过聚类分布优化损失调整特征表示和聚类中心；

25、基于特征重构损失和聚类分布优化损失构建深度嵌入聚类网络联合损失，具体可表示为：

26、

27、其中，表示聚类分布优化损失；表示特征重构损失；表示重构约束权重。

28、在至少一个实施例中，聚合等值传递函数模型，具体表示为：

29、

30、式中，表示输出环节等值时间常数，表示下垂通道等值时间常数，表示微分通道等值时间常数，表示下垂通道聚合增益，表示微分通道聚合增益，、、、和构成待辨识参数集合；

31、将聚合等值传递函数模型转换为具有物理含义的状态空间模型，以状态变量构建物理约束方程，具体表示为：

32、

33、式中，表示下垂通道一阶惯性环节的状态变量；表示微分通道一阶惯性环节的状态变量；表示扰动输入；表示光伏发电单元或光伏场站的一次调频有功功率响应输出偏差；、、分别表示、、关于时间的导数。

34、在至少一个实施例中，在物理信息神经网络的网络结构上，先对时间变量进行归一化处理，再构造fourier时间特征，随后采用残差多层感知机对fourier特征进行非线性映射，输出状态变量预测值。

35、在至少一个实施例中，联合优化目标具体表示为：

36、

37、式中，为神经网络预测输出与实测输出之间的数据误差，为由一次调频物理约束方程得到的物理残差误差，为由当前辨识参数构建的等值传递函数仿真输出与实测输出之间的误差，为初始状态约束误差，为后验分布与先验分布之间的散度，、、、和分别为对应损失项的权重。

38、在至少一个实施例中，物理信息神经网络的训练采用分阶段训练策略，具体包括：

39、在第一训练阶段，采用待辨识参数的后验均值进行确定性预热训练，使神经网络优先学习一次调频输入与有功输出之间的基本响应关系，随后逐步引入物理方程残差约束和等值传递函数仿真约束，约束网络输出状态逐渐满足一次调频动态方程的同时更新待辨识参数；

40、在第二训练阶段，启动贝叶斯变分推断，对待辨识参数和隐含初始状态进行后验采样，并逐步增加贝叶斯散度项的权重，使辨识结果在拟合实测响应的同时，受到物理方程和后验分布的共同约束；通过贝叶斯变分推断，模型能够在保持数据拟合和物理一致性的同时，得到参数均值、方差和可信区间。

41、在至少一个实施例中，光伏场站整体一次调频响应模型，具体表示为：

42、

43、式中，表示第个聚类簇的等值容量倍数；表示一次调频扰动输入；表示第个聚类簇的一次调频等值传递模型，具体表示为：

44、

45、式中，表示第个聚类簇输出环节等值时间常数，表示第个聚类簇下垂通道等值时间常数，表示第个聚类簇微分通道等值时间常数，表示第个聚类簇下垂通道聚合增益，表示第个聚类簇微分通道聚合增益。

46、第二方面，本发明的技术方案还提供了一种考虑低电压穿越特性的光伏场站一次调频建模系统，包括：

47、数据获取与特征提取模块，被配置为：获取光伏场站内各光伏发电单元在低电压穿越及一次调频扰动过程中的有功功率暂态响应数据和无功功率暂态响应数据，并基于对抗对比特征提取网络提取各光伏发电单元的低维潜在动态特征；

48、深度聚类模块，被配置为：将低维潜在动态特征输入深度嵌入聚类网络，以特征重构损失约束编码特征保留时序信息，以聚类分布优化损失调整样本软分配概率，得到各光伏发电单元对应的聚类标签，并确定每个聚类簇的中心代表单元；基于每个聚类簇中心代表单元的一次调频扰动输入信号和有功功率响应输出信号，生成用于参数辨识的标准化输入输出时间序列样本；

49、物理约束构建模块，被配置为：根据光伏发电单元一次调频动态响应机理，建立从扰动输入到有功功率响应输出的聚合等值传递函数模型，并将其转换为状态空间模型，构建物理约束方程；

50、贝叶斯不确定性量化模块，被配置为：以时间变量为输入、以状态变量预测值为输出构建物理信息神经网络，将待辨识参数以及隐含初始状态设置为贝叶斯随机变量，并基于联合优化目标对其进行训练；训练完成后，对待辨识参数的后验分布进行多次采样，得到各簇参数辨识结果；其中，联合优化目标包括：数据拟合误差、物理方程残差误差、等值传递函数离散仿真误差、初始状态误差以及贝叶斯后验分布与先验分布之间的散度；

51、等值模型聚合模块，被配置为：对于每个聚类簇，基于聚合等值传递函数模型和该簇参数辨识结果构建一次调频等值传递模型；将各聚类簇的一次调频等值模型聚合，得到光伏场站整体一次调频响应模型。

52、与现有技术相比，本发明的有益效果为：

53、本发明将聚类环节与参数辨识环节作为有机整体进行系统设计，聚类环节以有功、无功原始暂态时序数据直接作为输入，通过对抗对比特征提取网络自动提取低维潜在动态特征，避免传统方法依赖人工特征选取的问题，同时对比学习与对抗判别机制协同增强抗噪性和鲁棒性；在此基础上，通过轮廓系数自动筛选最优聚类簇数，使聚类结果在精度保持与模型简化之间达到最优折中，筛选结果贯穿深度嵌入聚类、中心代表单元选取、参数辨识样本数量及最终聚合项数等全部后续环节；辨识环节针对每个聚类簇的中心代表单元，将聚合等值传递函数转换为状态空间模型并构建物理约束方程，以物理残差形式硬约束贝叶斯物理信息神经网络的输出，确保辨识结果满足光伏一次调频动态响应规律，克服传统方法缺乏物理约束导致辨识结果物理一致性不足的缺陷；同时将待辨识参数建模为贝叶斯随机变量，通过变分推断得到参数后验分布及95%可信区间，克服传统确定性辨识方法无法量化不确定性的问题；采用fourier时间特征编码与残差多层感知机相结合的网络结构，有效提升对低电压穿越后快速暂态过程的拟合能力；最终将各聚类簇的等值模型按容量倍数聚合为光伏场站整体一次调频模型，实现了从实测数据到可用于暂态稳定仿真的等值模型的全流程自动化构建，兼具高精度、强鲁棒性、物理可解释性和不确定性量化能力。

54、本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。