基于轨迹灵敏度的构网型储能黑箱模型参数辨识方法

本发明涉及构网型储能电力系统仿真分析，具体涉及一种基于轨迹灵敏度的构网型储能黑箱模型参数辨识方法。

背景技术：

1、构网型储能系统能够主动构建电网电压和频率，具备良好的惯性与阻尼支撑能力，对于提升高比例新能源电力系统的安全稳定运行水平具有重要意义。然而，由于构网型储能系统在实际运行中呈现高度复杂的动态特性，其内部状态和精确模型往往难以直接观测与解析，呈现出典型的“黑箱”特征，这直接导致其出力与响应行为具有一定的不确定性，如文献[1]中的记载。因此，构网型储能系统接入电网后，其充放电行为的不可完全预测性可能对电网频率、电压等关键运行指标产生不利影响，给电网的安全稳定运行带来新的挑战。

2、为确保含构网型储能电力系统的安全稳定运行，须对系统开展快速、精确的仿真分析，其中，储能单元的模型精度尤为关键。由于储能系统通常涉及电化学、电力电子、热管理等多物理过程，且各厂商的核心控制策略出于技术保密考虑往往不予公开，使得其详细的内部机理模型难以获取，如文献[2]中的记载。因此，建立能够准确反映其外部输入-输出特性的高精度“黑箱”或“灰箱”等效模型，成为系统级仿真分析的重要基础，而获取该等效模型的关键参数则是核心前提。

3、目前，在机电暂态仿真中广泛应用了经过简化的构网型储能等效模型。这些模型通常对内部变流器快速控制动态、电池详细电化学过程等进行合理简化或聚合，但必须确保其在故障穿越等关键工况下的电气响应特性准确、可靠。由于构网型储能设备厂商众多，技术路线与控制系统设计差异显著，其内部控制参数与详细模型通常难以直接通过技术资料获得。因此，基于实测运行数据的参数辨识成为获取构网型储能系统等效模型参数的有效途径。

4、然而，传统参数辨识方法在面对构网型储能系统所呈现的强非线性、多时间尺度动态特性时，存在明显的局限性。例如，文献[3]提出了一种基于加权最小二乘法的储能系统参数辨识方法，该方法在稳态小扰动工况下可获得较高精度，但在处理低电压穿越等大扰动场景时，因未能充分考虑电流限幅、虚拟内电势限幅等强非线性环节，导致辨识参数的物理一致性受损，模型暂态响应与实测数据之间的偏差显著增大。文献[4]采用遗传算法等启发式优化算法对储能模型参数进行全局寻优，虽然在一定程度上适应了模型的非线性特征，但当待辨识参数维度较高且动态响应时间尺度跨越毫秒级控制到秒级机电过程时，算法收敛速度慢、计算耗时长，辨识效率难以满足实际工程的多工况在线应用需求。

5、针对上述问题，一些研究者将轨迹灵敏度分析引入电力系统参数辨识，通过量化各参数对输出轨迹的影响程度，筛选关键参数以降低辨识问题的复杂度。文献[5]基于固定初值点的轨迹灵敏度排序，分步辨识了光伏逆变器的控制参数，取得了较好效果。然而，该类方法用于构网型储能系统时存在明显缺陷：构网型储能系统的动态响应与参数取值密切相关，不同参数初始值下的轨迹灵敏度排序结果差异显著，尤其在虚拟阻抗、虚拟惯量等参数变化幅度较大的情况下，仅依靠单一固定点灵敏度分析无法可靠确定参数的全局影响程度，容易引入错误的辨识优先级，导致后续分步辨识过程陷入局部最优，最终影响整体辨识精度与可靠性。

6、此外，现有方法在确定参数辨识范围时，多依赖于经验法或简单的试凑法，缺乏对短路比、电压跌落程度等实际并网工况影响的系统量化分析，导致参数搜索空间或过于宽泛而降低辨识效率，或过于狭窄而遗漏反映系统关键动态行为的最优参数组，无法有效兼顾辨识精度与计算效率。因此，亟需提出一种能够充分考虑构网型储能系统多工况非线性特征、精确可靠且高效的参数辨识方法。

7、参考文献：

8、文献[1]:王伟，李娜. 构网型储能变流器建模及并网特性分析[j]. 电力系统自动化， 2022， 46(10)：123-130.

9、文献[2]:张强，赵敏. 考虑保密控制的储能系统黑箱参数辨识研究综述[j]. 中国电机工程学报，2021，41(8)：2715-2728.

10、文献[3]:刘洋，陈亮. 基于最小二乘法的电池储能系统机电暂态模型参数辨识[j]. 电力建设， 2020，41(12)：98-104.

11、文献[4]:周明，吴芳. 基于改进遗传算法的储能变流器控制参数辨识[j]. 电力系统保护与控制，2019，47(15)：45-52.

12、文献[5]:杨磊，何静. 基于轨迹灵敏度排序的光伏逆变器分步参数辨识[j]. 电网技术，2021， 45(6)：2187-2194.

技术实现思路

1、解决解决了传统辨识方法在构网型储能系统强非线性、多时间尺度特性下适应性不足、辨识精度低和计算效率低的问题。本发明提供一种基于轨迹灵敏度的构网型储能黑箱模型参数辨识方法，通过虚拟阻抗解析辨识与全域轨迹灵敏度排序分步寻优，实现了低电压穿越工况下黑箱模型参数的高精度、高效率辨识。

2、本发明采取的技术方案为：

3、基于轨迹灵敏度的构网型储能黑箱模型参数辨识方法，包括以下步骤：

4、s1：基于虚拟内电势幅值解析模型的几何特征，辨识构网型储能黑箱模型的虚拟阻抗和限幅值，并划分输出特性的限幅状态；

5、s2：在虚拟内电势限幅和功率约束条件下，根据短路比和电压跌落程度对参数边界的影响，采用控制变量法确定参数辨识范围；

6、s3：在参数辨识范围内对参数-仿真数据进行全域轨迹灵敏度分析，并根据灵敏度排序结果采用粒子群算法分步辨识构网型储能黑箱模型的控制参数。

7、所述s1包括：

8、s1.1：建立虚拟内电势幅值表达式，根据采集的输出数据集中输出电流幅值的变化量是否为零，确定电流限幅状态及电流限幅值；若电流未达到限幅，则执行s1.2；

9、其中，所述虚拟内电势幅值表达式为：

10、；

11、式中，为虚拟内电势幅值，为输出电压幅值，为输出电流幅值，为输出有功功率，为输出无功功率，为虚拟电阻，为虚拟电抗；

12、s1.2：利用输出数据集中任意两组数据，在虚拟内电势保持不变条件下建立关于虚拟电阻和虚拟电抗的圆方程，通过圆轨迹在第一象限的交点辨识虚拟阻抗和；

13、s1.3：基于辨识得到的虚拟阻抗，结合限幅状态下的输出数据，通过将输出数据代入所述虚拟内电势幅值表达式计算虚拟内电势限幅值，完成限幅状态的划分。

14、所述s1.2中，建立关于虚拟电阻和虚拟电抗的圆方程，具体如下：

15、；

16、其中，、、和分别为任意两组输出数据的有功功率、无功功率、输出电压幅值和输出电流幅值的变化量；

17、该圆方程由虚拟内电势变化量方程在虚拟内电势变化量时导出，当时，圆轨迹在第一象限的交点即为虚拟阻抗的真实值；

18、定义为圆心到真实值的距离与圆的实际半径之差，即：

19、；

20、；

21、；

22、通过的取值判定虚拟内电势限幅状态：表示非限幅，表示限幅。

23、所述s2包括：

24、s2.1：采用数值逐点法求解三相短路故障下单机-无穷大系统的潮流方程与虚拟内电势方程，确定在限幅条件下构网型储能黑箱模型型输出的有功-无功功率运行边界；

25、s2.2：在不同短路比和电压跌落程度下，基于功率约束获取各控制参数的上限和下限，提取使上限最小、下限最大的边界工况作为典型工况；

26、s2.3：基于典型工况，调整不同参数组合获取各控制参数的取值包络区间，取其最大包络区间作为参数辨识范围。

27、所述s2.2中，各控制参数的上限和下限的分布规律包括以下类型：

28、第一类，控制参数的上限随短路比和电压跌落程度增加而增大、控制参数的下限随二者增加而减小，选取上限最小值、下限最大值对应的工况，作为典型工况；

29、第二类，控制参数的上限或下限仅随短路比变化、或仅随电压跌落程度变化，选取使上限或下限分别达到其最小或最大值的短路比或电压跌落程度工况，作为典型工况；

30、第三类，控制参数的上限和下限随短路比和压跌落程度无明显变化规律，任选一组工况作为典型工况；

31、第四类，控制参数的上限或下限由功率约束和轨迹灵敏度共同决定，优先选择其中由功率约束决定且符合上述三类规则的工况，作为典型工况。

32、所述s3中，全域轨迹灵敏度分析采用如下轨迹灵敏度计算公式：

33、；

34、式中，为第个控制参数在其辨识范围内的第个取值，和分别为该控制参数的取值下限与上限；为控制参数取时的输出波形，选取机端电压和输出电流作为输出观测量；为参数变化量，取相应控制参数值的5%；为对应的输出波形变化量。

35、对计算得到的时序轨迹灵敏度波形引入范数进行量化，得到各控制参数对应的灵敏度范数值，其中，范数为时序轨迹灵敏度波形在各时间点的绝对值之和。

36、采用各控制参数在所有个取值下的平均范数确定灵敏度排序，所述平均范数为各控制参数在个取值下所述灵敏度范数值的平均值；根据灵敏度排序获取各控制参数对机端电压和输出电流在不同时间区间的影响优先级，按照故障前、故障期间及故障后的时序，对高灵敏度参数和低灵敏度参数分阶段进行辨识。

37、所述s3中，采用粒子群算法进行参数寻优时，构建如下目标函数：

38、；

39、式中，和分别为测试值与仿真值；表示第i时刻测试值；表示第i时刻仿真值；表示仿真时间；表示位于误差计算区间的时间；和分别为误差计算区间内测试数据的起止序号；为稳态区间的平均误差，为暂态区间的平均误差，为稳态区间的最大误差；、和分别表示故障前时段、故障期间时段和故障后时段的值；为稳态区间平均误差的加权平均值。

40、还包括：将辨识得到的控制参数代入机电暂态仿真模型，获得机端电压、无功电流、有功功率和无功功率的仿真响应曲线，与半实物仿真获得的参考测试曲线进行对比，验证辨识结果的准确性。

41、本发明一种基于轨迹灵敏度的构网型储能黑箱模型参数辨识方法，技术效果如下：

42、1）针对构网型储能系统虚拟内电势不可直接量测、传统方法无法有效求解虚拟阻抗和划分限幅状态的技术缺陷。本发明利用虚拟内电势幅值解析模型的几何特征，在电流未达限幅时将辨识问题转化为圆方程的解析求解问题，通过判定圆轨迹在第一象限的交点及其半径差δr，实现了虚拟电阻rv和虚拟电抗xv的高精度辨识，同时依据δr的取值精准划分虚拟内电势限幅状态。该解析方法无需迭代寻优，辨识效率高，且物理意义清晰。

43、2）针对现有方法仅在单一参数初始值点进行轨迹灵敏度分析、排序结果随参数取值变化而波动、容易引入错误辨识优先级的技术缺陷。本发明在参数辨识范围内对所有参数取值进行全域轨迹灵敏度分析，并引入平均l1范数对时序轨迹灵敏度波形进行量化，以各参数在所有取值下的平均灵敏度范数确定最终的灵敏度排序。该方法克服了传统单点灵敏度分析的随机性和片面性，显著提升了灵敏度排序结果的稳定性和可靠性。

44、3）针对构网型储能系统在低电压穿越工况下含电流限幅、虚拟内电势限幅等多种非线性环节，传统最小二乘法等方法无法有效拟合系统强非线性响应特性的技术缺陷。本发明基于时序灵敏度排序结果，将待辨识参数按故障前、故障期间及故障后的影响阶段划分为高灵敏度参数和低灵敏度参数，采用分步辨识策略进行有针对性的参数寻优，同时构建包含稳态误差、暂态误差及其加权平均的多目标优化函数，从而显著提高了大扰动工况下模型参数的辨识精度和对多工况的适应能力。

45、4）针对现有方法多依赖经验法或试凑法确定参数辨识范围，搜索空间可能过于宽泛或过于狭窄的技术缺陷。本发明综合考虑短路比和电压跌落程度对参数边界的影响规律，将参数上下限分布归纳为四种类型，并分别制定典型工况选取规则，通过控制变量法提取各参数的最大包络区间作为辨识范围。该方法在保证不遗漏最优参数组的前提下有效压缩了搜索空间，提高了后续粒子群算法的寻优效率。

46、5）本发明综合运用虚拟阻抗解析辨识、参数范围科学界定、全域轨迹灵敏度排序以及分步粒子群寻优等多种技术手段，在无需获知构网型储能系统内部详细控制结构和参数的前提下，仅基于可量测的输入输出电气量即可完成黑箱模型关键控制参数的辨识。辨识结果代入机电暂态模型后的机端电压、无功电流、有功功率和无功功率仿真响应曲线与实测曲线拟合程度高，在故障穿越等多种工况下均具有良好的适应性，解决了传统方法存在的辨识精度低与计算效率无法兼顾的问题。