一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法与流程

1.本发明涉及电力系统领域，特别是一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法。


背景技术：

2.近年来，大量分布式新能源并网引入了大量逆变器等非线性负荷大量接入电力系统，使得电力系统的谐波问题愈加严重。建立适当的谐波源模型来表征谐波污染用户的运行特性，可以评估谐波污染的危害程度，明确谐波责任，并对已有的谐波问题进行分析和治理。
3.目前电能质量监测装置在电力系统中应用广泛，谐波监测系统已经积累了大量的谐波监测数据，但是考虑到目前电能质量监测装置为了减小数据储存的压力，只储存了一个监测时段内的统计型数据，如最大值、最小值、95％概率大值等。而谐波电流和谐波电压的统计量在同一监测时段内不存在时刻上的同步性，因而无法通过用确定性的数值来建立直接的物理联系。此外，电能质量测量点通常安装在公共连接点上，系统运行状态的改变、用户负荷行为和与新能源发电有关的气象条件变化等不确定性行为会使谐波特性是动态变化的，但除了随机性之外，由于用户的生产周期、生活规律和气象条件等又存在一定规律性，因此可以将谐波特性划分为几类典型场景。本文基于谐波监测统计量，利用聚类和线性综合变点检测方法构建了考虑分布式新能源的分场景的诺顿等效谐波源模型，为分析谐波用户的注入污染，治理方案的设计，治理设备的选型提供依据，同时也有助于开展准确的用户接入预测评估工作。
4.目前用于谐波建模的数据类型基本均为精确值，但为了减小数据储存的压力，谐波监测数据通常为统计量，而谐波电流和谐波电压的统计量在同一监测时段内不存在时刻上的同步性，因而无法通过用确定性的数值来建立直接的物理联系。此外，在分布式能源高渗透率的背景下，目前的研究极少考虑气象条件、系统运行状态的改变和用户负荷行为等不确定性行为所导致谐波特性的变化，如果忽略其变化，会导致所建立的模型不能反应真实的谐波特性，且误差较大。


技术实现要素：

5.有鉴于此，本发明的目的是提供一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法，能够识别出系统和用户的谐波特性的变化以及气象条件对分布式新能源谐波特性的影响。
6.本发明采用以下方案实现：一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法，包括以下步骤：
7.步骤s1：基于谐波监测数据和气象数据所生成的区间型数据，利用密度聚类和线性综合变点检测的方法划分考虑分布式新能源发电特性的用户典型谐波场景下的用户侧
分场景诺顿等效谐波源模型，并用粒子群寻优算法求解最优参数；
8.步骤s2：利用核密度估计求出用户典型谐波场景下的系统侧谐波阻抗模值的概率密度函数；
9.步骤s3：利用步骤s1中得到的用户侧分场景诺顿等效谐波源模型的数学表达式和系统侧谐波阻抗模值的概率密度函数，组合成基于谐波监测统计量和气象数据的考虑分布式新能源的分场景诺顿等效谐波源模型。
10.进一步地，步骤s1中所述生成区间数据的具体内容为：
11.谐波监测数据包括各次谐波电流i
h
、谐波电压u
h
、基波电流i1和基波电压u1的某一段监测时段内的最大值和最小值；h＝2,3,...,25，利用这些数据将统计量转化为区间型数据，记为：
[0012][0013]
与分布式新能源即光伏、风电发电特性相关的气象数据类型包括风速、气温、辐照强度；收集谐波监测装置所监测的供电馈线所供电范围内的所有气象站点的风速、气温、辐照强度这三项监测数据，取某一段监测时段内所有气象站点的风速、气温、辐照强度的最大值和最小值构成区间型数据，分别记为：
[0014][0015]
为一段时间内监测数据的最大值和最小值构成的区间型数据，为最大值，x为最小值；记第i个监测时段的监测数据样本为i＝1,2,...,i；m为样本维度数。
[0016]
进一步地，步骤s1中所述密度聚类具体包括以下步骤：
[0017]
步骤1：将区间型数据集x＝{x1,x2,...,x
n
}作为密度聚类的样本,设定区间半径eps和区间阈值minpts；
[0018]
步骤2：计算数据集中的样本距离，生成距离分布矩阵dist
n
×
n
；
[0019]
步骤3：从i＝1(i＝1,2,3,...,n)开始，对于每个未处理的样本x
i
,若该样本eps邻域内的样本数不小于minpts，则记样本x
i
为核心对象，并建立新簇c
i
；否则记样本x
i
为噪声点；
[0020]
步骤4：根据距离分布矩阵，将核心对象x
i
区间半径eps邻域内的所有样本，即直接区间密度可达的对象加入簇c
i
中；
[0021]
其中，所述直接区间密度可达为：在给定的(eps，minpts)下，对某一个核心对象x
i
，如果监测数据样本x
j
离x
i
的距离小于eps，则称x
j
从x
i
出发关于(eps，minpts)直接区间密度可达；
[0022]
步骤5：将与核心对象x
i
区间密度可达的核心对象x
j
及其eps邻域内所有区间密度相连的样本加入簇c
i
中；
[0023]
所述区间密度可达为：如果区间型数据集存在一个对象链x1,x2,...,x
n
，x1＝o,x
n
＝z且从x
i
,1≤i≤n
‑
1到x
i 1
直接区间密度可达，则称o到z是区间密度可达的；
[0024]
所述区间密度相连为：对于如果使从x
i
到x
j
，从x
i
到x
k
都是关于
(eps，minpts)密度可达的，则称x
j
和x
k
关于(eps，minpts)是区间密度相连的；
[0025]
步骤6：若i＞n，结束并输出聚类簇x＝{c1,c2,...,c
k
}；否则返回步骤6，其中i为第i个正在处理的样本，n为样本总数。
[0026]
进一步地，步骤2的具体内容为：
[0027]
区间数的距离dist(x
i
,x
j
)：
[0028]
对于给定的两个监测数据样本x
i
和x
j
，第m个维度的区间数用中点c
m
和半径r
m
来表示,和其区间数距离用表示，其中：
[0029][0030][0031]
上式中，和分别为在第m维度上的第i个和第j个区间数；c
im
和c
jm
分别为区间数和的中点，r
im
和r
jm
分别为区间数和的半径；为两个区间数和之间的距离，其中和d
m
分别为的上下区间；
[0032]
则两个监测数据样本x
i
和x
j
之间的区间数距离为其中其中引入相关参数λ，用以能够用确定的参数定量表达不确定数据之间的相似性并将区间数之间距离的最小值和最大值结合起来；样本x
i
和x
j
之间的距离
[0033][0034]
距离分布矩阵dist
n
×
n
：
[0035]
dist
n
×
n
＝{dist(x
i
，x
j
)|1≤i≤n，1≤j≤n}。
[0036]
式中n为监测样本的个数，dist
n
×
n
是n行n列的实对称矩阵，每个元素表示第i个监测数据样本到第j个监测数据样本的距离。
[0037]
进一步地，步骤s1中所述利用线性综合变点检测的方法的具体内容为：
[0038]
根据聚类算法得到的每个簇c
i
中的样本按照时间顺序排列好，取每个簇c
i
时间边界的样本作为谐波典型场景切换的时刻，若两个时刻相邻，则取后一个时刻，即变点，记变点集合为t＝{t0，t1，t2，...，t
e
，t
e 1
}，其中t0＝0、t
e 1
＝t
n
；用参数化可选参考点方法和变点检测模型构建基于区间型数据的用户侧分场景诺顿等效谐波源模型的数学表达式，分别对的上下界建模，为第h次谐波电流的区间数，和分别为的上界和下界；用户侧分场景诺顿等效谐波源模型的数学表达式如下：
[0039][0040][0041]
上式中：为第h次谐波的第j个区间型谐波数据的上界，i
hj
为第h次谐波的第j个区间型谐波数据的下界，下标j为第j个谐波监测样本；和分别为第i个典型场景下谐波电流上界的耦合导纳参数；和为第i个典型场景下谐波电流下界的耦合导纳参数；和分别为第i个典型场景下谐波电流上、下界的固定发射量，为恒定电流源；i(t
i
‑1≤j≤t
i
)为示性函数，仅当满足括号中条件时，其值为1，否则为0；和为第i个典型场景下上界的可选参考点参数，其值在0到1之间，用以将区间型数据转化为点值数据；
[0042]
记上界参数集合分别为
[0043][0044]
下界参数集合为：
[0045][0046]
进一步地，步骤s1中采用粒子群寻优算法求解最优参数的具体内容如下：
[0047]
采用粒子群优化算法对参数集θ＝{eps，minpts，θ
u
，θ
l
}进行寻优，其目标是最小化适应度函数argmin{f(θ)}；其中，和为在参数集θ下的用户侧分场景诺顿等效谐波源模型求解出的第h次的j个谐波电流值的上下界，和i
hj
为真实谐波电流值的第h次的j个谐波电流值的上下界；粒子群优化算法的步骤如下：
[0048]
步骤sa：设定粒子群算法的参数：学习率c1、c2，初始惯性系数w
ini
,最小惯性系数w
end
,最大迭代次数m，误差阈值ε,r1和r2为0到1间的随机数；
[0049]
步骤sb：随机生成n个初始粒子位置θ＝{eps
n
，minpts
n
，θ
un
，θ
in
}，及其粒子速度v
n
，粒子速度的维度和粒子位置的维度相同；
[0050]
步骤sc：对n个粒子分别在对应参数(eps
n
，minpts
n
)下实行密度聚类，找出变点；
[0051]
步骤sd：求解出n个粒子的适应度函数值f(θ
n
)，记其中适应度函数值最小的粒子为最优粒子，其位置为p
best
；并更新每个粒子自身历史适应度函数值最小的位置为历史最优位置g
best n
；
[0052]
步骤se：若最优粒子的适应度函数小于ε，或达到最大迭代次数，则输出最优粒子位置并结束；否则转步骤sf；
[0053]
步骤sf：记当前迭代次数为m，按照如下公式更新每一个粒子的位置：
[0054][0055]
步骤sg：更新完所有粒子的位置后，转步骤sd；
[0056]
通过粒子群优化算法能够得到适应度函数argmin{f(θ)}最小时的参数θ＝{eps，minpts，θ
u
，θ
l
}，此时的参数即最优参数。
[0057]
进一步地，步骤s2的具体内容为：
[0058]
根据求解出的最优粒子的位置，实施密度聚类后得到变点集合t＝{t0，t1，t2，...，t
e
，t
e 1
}，相邻的两个变点之间即为一个典型谐波场景，由此得到划分后的几类典型谐波场景；
[0059]
利用区间型数据的核密度估计即可求解出系统侧谐波阻抗模值的概率分布；第i个典型场景下的第h次谐波，该典型场景下的第h次谐波电压和电流的监测数据集合分别为和每个集合中分别有j个区间型数据；
[0060]
在忽略背景谐波的假设下，计算系统侧阻抗模值区间：
[0061][0062]
得到第i个典型场景下的第h次系统侧谐波阻抗模值区间数集合则用核密度估计方法得出的系统侧谐波阻抗模值的概率密度即核密度估计的具体公式为：
[0063][0064]
上式中：j为第j个区间型样本；h为核密度估计的窗宽；和z
hj
分别为的上界和下界。
[0065]
进一步地，步骤s3的具体内容为：
[0066]
通过步骤s1和步骤s2得到基于监测统计量的第i个典型场景下的考虑分布式新能源的分场景诺顿等效谐波源模型；和分别为公共连接点处第h次谐波电流和谐波电压统计量构成的区间型数据，f(z
hi
)为谐波典型场景下的系统侧第h次谐波阻抗模值的概率密度函数，其数学表达式如下式所示：
[0067][0068]
用户侧为区间型的诺顿等效谐波源模型，端口的谐波电流和谐波电压的关系通过步骤s1得到，其具体表达式如下所示，其参数和通过粒子群优化算法辨识得到，变点集合{t0，t1，t2，...，t
e
，t
e 1
}由密度聚类得到；
[0069][0070][0071]
与现有技术相比，本发明具有以下有益效果：
[0072]
本发明对数据类型的要求较低，仅需谐波监测数据和气象数据的统计量。且本发明能够识别出系统和用户的谐波特性的变化以及气象条件对分布式新能源谐波特性的影响，构建考虑分布式新能源的分场景诺顿等效谐波源模型，为分析谐波用户的注入污染，治理方案的设计，治理设备的选型提供依据，同时也有助于开展准确的用户接入预测评估工作。
附图说明
[0073]
图1为本发明实施例的用户侧分场景诺顿等效谐波源模型参数辨识方法流程图。
[0074]
图2为本发明实施例的基于谐波监测统计量的分场景诺顿模型图。
具体实施方式
[0075]
下面结合附图及实施例对本发明做进一步说明。
[0076]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0077]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0078]
本实施例提供一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法，包括以下步骤：
[0079]
步骤s1：基于谐波监测数据和气象数据所生成的区间型数据，利用密度聚类和线性综合变点检测的方法划分考虑分布式新能源发电特性的用户典型谐波场景下的用户侧分场景诺顿等效谐波源模型，并用粒子群寻优算法求解最优参数；
[0080]
步骤s2：利用核密度估计求出用户典型谐波场景下的系统侧谐波阻抗模值的概率密度函数；
[0081]
步骤s3：利用步骤s1中得到的用户侧分场景诺顿等效谐波源模型的数学表达式和系统侧谐波阻抗模值的概率密度函数，组合成基于谐波监测统计量和气象数据的考虑分布式新能源的分场景诺顿等效谐波源模型。
[0082]
在本实施例中，步骤s1中所述生成区间数据的具体内容为：
[0083]
谐波监测数据包括各次谐波电流i
h
、谐波电压u
h
、基波电流i1和基波电压u1的某一段监测时段内的最大值和最小值；h＝2,3,...,25，利用这些数据将统计量转化为区间型数据，记为：
[0084][0085]
与分布式新能源即光伏、风电发电特性相关的气象数据类型包括风速、气温、辐照强度；收集谐波监测装置所监测的供电馈线所供电范围内的所有气象站点的风速、气温、辐照强度这三项监测数据，取某一段监测时段内所有气象站点的风速、气温、辐照强度的最大值和最小值构成区间型数据，分别记为：
[0086][0087]
为一段时间内监测数据的最大值和最小值构成的区间型数据，为最大值，x为最小值；记第i个监测时段的监测数据样本为i＝1,2,...,i；m为样本维度数。
[0088]
在本实施例中，步骤s1中所述密度聚类具体包括以下步骤：
[0089]
步骤1：将区间型数据集x＝{x1,x2,...,x
n
}作为密度聚类的样本,设定区间半径eps和区间阈值minpts；
[0090]
步骤2：计算数据集中的样本距离，生成距离分布矩阵dist
n
×
n
；
[0091]
步骤3：从i＝1(i＝1,2,3,...,n)开始，对于每个未处理的样本x
i
,若该样本eps邻域内的样本数不小于minpts，则记样本x
i
为核心对象，并建立新簇c
i
；否则记样本x
i
为噪声点；
[0092]
步骤4：根据距离分布矩阵，将核心对象x
i
区间半径eps邻域内的所有样本，即直接区间密度可达的对象加入簇c
i
中；
[0093]
其中，所述直接区间密度可达为：在给定的(eps，minpts)下，对某一个核心对象x
i
，如果监测数据样本x
j
离x
i
的距离小于eps，则称x
j
从x
i
出发关于(eps，minpts)直接区间密度可达；
[0094]
步骤5：将与核心对象x
i
区间密度可达的核心对象x
j
及其eps邻域内所有区间密度相连的样本加入簇c
i
中；
[0095]
所述区间密度可达为：如果区间型数据集存在一个对象链x1,x2,...,x
n
，x1＝o,x
n
＝z且从x
i
,1≤i≤n
‑
1到x
i 1
直接区间密度可达，则称o到z是区间密度可达的；
[0096]
所述区间密度相连为：对于如果使从x
i
到x
j
，从x
i
到x
k
都是关于(eps，minpts)密度可达的，则称x
j
和x
k
关于(eps，minpts)是区间密度相连的；
[0097]
步骤6：若i＞n，结束并输出聚类簇x＝{c1,c2,...,c
k
}；否则返回步骤6，其中i为第i个正在处理的样本，n为样本总数。
[0098]
较佳的，在本实施例中，
[0099]
区间半径eps和区间阈值minpts：
[0100]
区间半径eps和区间阈值minpts均为密度聚类的可调参数。
[0101]
核心对象：
[0102]
在给定的(eps，minpts)下，若离监测数据样本x
i
的距离小于eps的样本数不小于
minpts个，则称x
i
为核心对象。
[0103]
在本实施例中，步骤2的具体内容为：
[0104]
区间数的距离dist(x
i
,x
j
)：
[0105]
对于给定的两个监测数据样本x
i
和x
j
，第m个维度的区间数用中点c
m
和半径r
m
来表示,和其区间数距离可用表示，其中：
[0106][0107][0108]
上式中，和分别为在第m维度上的第i个和第j个区间数；c
im
和c
jm
分别为区间数和的中点，r
im
和r
jm
分别为区间数和的半径；为两个区间数和之间的距离，其中和d
m
分别为的上下区间；
[0109]
则两个监测数据样本x
i
和x
j
之间的区间数距离为其中其中引入相关参数λ，用以能够用确定的参数定量表达不确定数据之间的相似性并将区间数之间距离的最小值和最大值结合起来；样本x
i
和x
j
之间的距离
[0110][0111]
距离分布矩阵dist
n
×
n
：
[0112]
dist
n
×
n
＝{dist(x
i
，x
j
)|1≤i≤n，1≤j≤n}。
[0113]
式中n为监测样本的个数，dist
n
×
n
是n行n列的实对称矩阵，每个元素表示第i个监测数据样本到第j个监测数据样本的距离。
[0114]
在本实施例中，步骤s1中所述利用线性综合变点检测的方法的具体内容为：
[0115]
根据聚类算法得到的每个簇c
i
中的样本按照时间顺序排列好，取每个簇c
i
时间边界的样本作为谐波典型场景切换的时刻，若两个时刻相邻，则取后一个时刻，即变点，记变点集合为t＝{t0，t1，t2，...，t
e
，t
e 1
}，其中t0＝0、t
e 1
＝t
n
；用参数化可选参考点方法和变点检测模型构建基于区间型数据的用户侧分场景诺顿等效谐波源模型的数学表达式，分别对的上下界建模，为第h次谐波电流的区间数，和分别为的上界和下界；用户侧分场景诺顿等效谐波源模型的数学表达式如下：
[0116][0117]
[0118]
上式中：为第h次谐波的第j个区间型谐波数据的上界，i
hj
为第h次谐波的第j个区间型谐波数据的下界，下标j为第j个谐波监测样本；和分别为第i个典型场景下谐波电流上界的耦合导纳参数；和为第i个典型场景下谐波电流下界的耦合导纳参数；和分别为第i个典型场景下谐波电流上、下界的固定发射量，为恒定电流源；i(t
i
‑1≤j≤t
i
)为示性函数，仅当满足括号中条件时，其值为1，否则为0；和为第i个典型场景下上界的可选参考点参数，其值在0到1之间，用以将区间型数据转化为点值数据；
[0119]
记上界参数集合分别为
[0120][0121]
下界参数集合为：
[0122][0123]
在本实施例中，步骤s1中采用粒子群寻优算法求解最优参数的具体内容如下：
[0124]
采用粒子群优化算法对参数集θ＝{eps，minpts，θ
u
，θ
l
}进行寻优，其目标是最小化适应度函数argmin{f(θ)}；其中，和为在参数集θ下的用户侧分场景诺顿等效谐波源模型求解出的第h次的j个谐波电流值的上下界，和为真实谐波电流值的第h次的j个谐波电流值的上下界；如图1所示，粒子群优化算法的步骤如下：
[0125]
步骤sa：设定粒子群算法的参数：学习率c1、c2，初始惯性系数w
ini
，最小惯性系数w
end
，最大迭代次数m，误差阈值ε，r1和r2为0到1间的随机数；
[0126]
步骤sb：随机生成n个初始粒子位置θ＝{eps
n
，minpts
n
，θ
un
，θ
ln
}，及其粒子速度v
n
，粒子速度的维度和粒子位置的维度相同；
[0127]
步骤sc：对n个粒子分别在对应参数(eps
n
，minpts
n
)下实行密度聚类，找出变点；
[0128]
步骤sd：求解出n个粒子的适应度函数值f(θ
n
)，记其中适应度函数值最小的粒子为最优粒子，其位置为p
best
；并更新每个粒子自身历史适应度函数值最小的位置为历史最优位置g
best n
；
[0129]
步骤se：若最优粒子的适应度函数小于ε，或达到最大迭代次数，则输出最优粒子位置并结束；否则转步骤sf；
[0130]
步骤sf：记当前迭代次数为m，按照如下公式更新每一个粒子的位置：
[0131][0132]
步骤sg：更新完所有粒子的位置后，转步骤sd；
[0133]
通过粒子群优化算法能够得到适应度函数argmin{f(θ)}最小时的参数θ＝{eps，minpts，θ
u
，θ
l
}，此时的参数即最优参数。
[0134]
在本实施例中，步骤s2的具体内容为：
[0135]
根据求解出的最优粒子的位置，实施密度聚类后得到变点集合t＝{t0，t1，t2，...，t
e
，t
e 1
}，相邻的两个变点之间即为一个典型谐波场景，由此得到划分后的几类典型谐波场景；最优粒子的位置包括了实施密度聚类的最优参数信息。
[0136]
利用区间型数据的核密度估计即可求解出系统侧谐波阻抗模值的概率分布；第i个典型场景下的第h次谐波，该典型场景下的第h次谐波电压和电流的监测数据集合分别为和每个集合中分别有j个区间型数据；
[0137]
在忽略背景谐波的假设下，计算系统侧阻抗模值区间：
[0138][0139]
得到第i个典型场景下的第h次系统侧谐波阻抗模值区间数集合
[0140]
则用核密度估计方法得出的系统侧谐波阻抗模值的概率密度即核密度估计的具体公式为：
[0141][0142]
上式中：j为第j个区间型样本；h为核密度估计的窗宽；和z
hj
分别为的上界和下界。
[0143]
步骤s3的具体内容为：
[0144]
通过步骤s1和步骤s2得到基于监测统计量的第i个典型场景下的考虑分布式新能源的分场景诺顿等效谐波源模型；和分别为公共连接点处第h次谐波电流和谐波电压统计量构成的区间型数据，f(z
hi
)为谐波典型场景下的系统侧第h次谐波阻抗模值的概率密度函数，其数学表达式如下式所示：
[0145][0146]
用户侧为区间型的诺顿等效谐波源模型，端口的谐波电流和谐波电压的关系通过步骤s1得到，其具体表达式如下所示，其参数和通过粒子群优化算法辨识得到，变点集合{t0，t1，t2，...，t
e
，t
e 1
}由密度聚类得到；
[0147][0148][0149]
通过上述算法，得到基于监测统计量的第i个典型场景下的考虑分布式新能源的分场景诺顿等效谐波源模型。如图2所示，和分别为公共连接点处第h次谐波电流和谐波电压统计量构成的区间型数据，f(z
hi
)为谐波典型场景下的系统侧第h次
谐波阻抗模值的概率密度函数；右侧为区间型的诺顿等效谐波源模型，端口的谐波电流和谐波电压的关系如上文的线性综合变点检测模型所示，其参数和通过粒子群优化算法辨识得到。
[0150]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。