一种储能系统模型辨识方法和系统技术方案

本发明专利技术公开了一种储能系统模型辨识方法和系统,包括：数据采集模块、模型定义模块、计算执行模块，数据采集模块，对现场采样获得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段；模型定义模块，运用电力系统仿真软件，建立储能系统可变参数仿真模型；计算执行模块，设置改进蚁群优化算法的优化参数；运用改进蚁群优化算法选择相应结构的储能系统仿真模型，任意设定多组模型参数，得到确定的模型，将现场采样所得到的激励信号输入模型，得到相应的输出；最后对模型辨识输出值与实际系统的输出值进行误差分析，以最小化两者之间的误差为目标函数，再运用改进蚁群优化算法进行优化求解，直至获得最优参数模型。优参数模型。优参数模型。

【技术实现步骤摘要】
一种储能系统模型辨识方法和系统


[0001]本专利技术属于储能系统辨识
，尤其涉及一种储能系统模型辨识方法和系统。

技术介绍

[0002]随着我国“双碳”计划的不断推进，传统电网正面临着煤、石油、天然气等化石燃料的过度利用与可持续发展之间的矛盾，以及使用传统能源而造成的全球变暖、臭氧层破坏等生态环境问题。可再生能源作为一种绿色环保的可持续能源，有利于世界经济、社会的可持续发展。然而，新能源的生产效率较低，因此，提高发电效率和发电利用率成为行业技术主要的发展方向，新能源的大规模开发将极大缓解环境污染和用电负荷持续增长的问题，但由于多数清洁能源均受到气象因素影响，具有间歇性、随机性，大规模的新能源并网将会影响电网的电压和频率。储能系统作为解决大规模可再生能源发电接入电网的一种有效技术而受到广泛关注，目前其应用主要涉及(1)配置在电源侧，平滑短时出力波动，跟踪调度计划出力，实现套利运行，提高可再生能源发电的确定性、可预测性和经济性；(2)配置在系统侧，实现削峰填谷、负荷跟踪、调频调压、热备用、电能质量治理等功能，提高系统自身的调节能力；(3)配置在负荷侧，主要是利用电动汽车的储能形成虚拟电厂参与可再生能源发电调控。因此，对于储能系统进行深入研究显得尤为重要。
[0003]综上，本专利技术希望引入改进蚁群优化算法，结合实测数据，选择合适的电气量进行参数辨识，引入储能技术，进而实现以下目标：(1)所有工况升压变高压侧电压偏差不大于国际标准。(2)储能技术的引入可以改善新能源发电的性质、提高电能质量和系统的稳定性。电力行业对储能技术的分析、研究和应用尚处于发展初期，相关技术还不成熟和完善，应用容量较小。而随着新能源发电系统规模的不断增加，储能技术在新能源发电系统中的应用日益受到关注。本文针对储能系统模型辨识系统及其控制策略进行分析和研究，并对相关技术进行探究。

技术实现思路

[0004]本专利技术的目的在于提出一种储能系统模型辨识方法和系统，能够有效的对电力系统故障状态进行参数辨识，以获取储能系统的最优运行参数。
[0005]一方面为实现上述目的，本专利技术提供了一种储能系统模型辨识方法，包括以下步骤：步骤一、对现场采样所得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段，电压穿越前时段、电压穿越时段、电压穿越后时段；
[0006]步骤二、使用电力系统分析软件建立储能系统可变参数仿真模型；
[0007]步骤三、设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化各路径信息素，使其为相等的常数；
[0008]步骤四、运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号x输入
模型，得到相应的输出y
m
，蚁群优化算法进行信息素更新，计算个体最优路径；
[0009]步骤五、对模型辨识输出值与实际系统的输出值进行误差分析，判断误差是否满足要求，若满足要求，则输出结果，若不满足要求，则返回步骤四，重新初始化蚁群后，再运用改进蚁群优化算法进行优化，直至获得最优参数模型，使参数辨识波形与实测波形高度拟合。
[0010]可选的，所构建的储能系统模型辨识系统需要用到现场采样所得的实测数据，针对实测数据，本专利技术使用三次样条插值进行数据预处理，平滑数据曲线；其中现场采样包括以下内容：
[0011]对储能系统进行高、低电压穿越测试，记录高、低电压穿越前至电压恢复正常后的实测数据，其中实测数据包括电压、全电流、无功电流、有功功率、无功功率响应；
[0012]通过三次样条插值对实测数据中的离散点进行数据预处理，在每一子区间x
i
＜x＜x
i+1
内,三次样条插值拟合公式如下：
[0013]f
i
(x)＝a
i
+b
i
(x
‑
x
i
)+c
i
(x
‑
x
i
)2+d
i
(x
‑
x
i
)3[0014]其中，a
i
，b
i
，c
i
，d
i
为待定常数。
[0015]可选的，步骤二中，针对高、低电压穿越工况，建立储能系统可变参数仿真模型，该模型应包含储能电池模型及模型控制卡片，即正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制。
[0016]可选的，运用改进蚁群优化算法，通过比较仿真模型输出与实测数据间的偏差，评价模型的准确度，采用增强较优解，削弱较差解的思想对传统蚁群优化算法进行改进，通过改进蚁群优化算法中信息素更新方式、信息素挥发系数，增大优劣解之间信息素差异，使得蚁群优化算法更易收敛于较优解，提升本专利技术模型辨识的准确度；对于信息素更新方式的改进如下,各蚂蚁个体按照其走过的路径长短排序，
[0017][0018]其中，γ(s，t)为城市s与城市t间的信息素强度，ε0为一参数，L
worst
当前循环中最差蚂蚁的路径长度，L
n
为当前循环中第n只蚂蚁的路径长度；
[0019]对于信息素挥发系数，采用自适应改进方法，通过调整信息素挥发速度，使得优秀蚂蚁个体的信息素挥发速度减慢，差的蚂蚁个体的信息素挥发速度加快，进而拉开信息素强度差距，自适应改进公式如下：
[0020][0021]其中，ε1，ε2为参数，L
worst
当前循环中最差蚂蚁的路径长度，L
n
为当前循环中第n只蚂蚁的路径长度，L
best
为当前循环中最优蚂蚁的路径长度。
[0022]可选的，本专利技术以对比偏差最小为目标函数，将实测输出与仿真输出进行比较，分析的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，以稳态区间平均偏
差、暂态区间平均偏差、稳态区间最大偏差、加权平均绝对偏差为依据，采用J作为目标函数，
[0023]J＝F1+F2+F3+F
G
[0024]其中，F1为稳态区间平均偏差，F2为暂态区间平均偏差，F3为稳态区间最大偏差，F
G
加权平均绝对偏差，J为辨识模型偏差值。
[0025]可选的，所述稳态区间的平均偏差，即模型仿真与试验数据在稳态区间内偏差的算术平均值，计算公式如下：
[0026][0027]其中，F1为稳态区间平均偏差，X
M
(i)为稳态区间内测试数据基波正序分量的标幺值，X
s
(i)为稳态区间内仿真数据基波正序分量的标幺值，K
S
‑
Start
为计算误差区间内模型仿真数据的第一个序号，K<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能系统模型辨识方法，其特征在于，包括以下步骤：步骤一、对现场采样所得的实测数据运用三次样条插值进行数据预处理，并将实测波形划分为A、B、C三个时段，电压穿越前时段、电压穿越时段、电压穿越后时段；步骤二、使用电力系统分析软件建立储能系统可变参数仿真模型；步骤三、设置改进蚁群优化算法中待优化参数、蚁群数量、迭代次数，初始化各路径信息素，使其为相等的常数；步骤四、运用改进蚁群优化算法选择相应结构的储能系统仿真模型，然后任意设定多组模型参数，得到多个结构和参数都确定的模型，将现场采样所得到的激励信号x输入模型，得到相应的输出y
m
，蚁群优化算法进行信息素更新，计算个体最优路径；步骤五、对模型辨识输出值与实际系统的输出值进行误差分析，判断误差是否满足要求，若满足要求，则输出结果，若不满足要求，则返回步骤四，重新初始化蚁群后，再运用改进蚁群优化算法进行优化，直至获得最优参数模型，使参数辨识波形与实测波形高度拟合。2.如权利要求1所述的储能系统模型辨识方法，其特征在于，所构建的储能系统模型辨识系统需要用到现场采样所得的实测数据，针对实测数据，本发明使用三次样条插值进行数据预处理，平滑数据曲线；其中现场采样包括以下内容：对储能系统进行高、低电压穿越测试，记录高、低电压穿越前至电压恢复正常后的实测数据，其中实测数据包括电压、全电流、无功电流、有功功率、无功功率响应；通过三次样条插值对实测数据中的离散点进行数据预处理，在每一子区间x
i
＜x＜x
i+1
内,三次样条插值拟合公式如下：f
i
(x)＝a
i
+b
i
(x
‑
x
i
)+c
i
(x
‑
x
i
)2+d
i
(x
‑
x
i
)3其中，a
i
，b
i
，c
i
，d
i
为待定常数。3.如权利要求1所述的储能系统模型辨识方法，其特征在于，步骤二中，针对高、低电压穿越工况，建立储能系统可变参数仿真模型，该模型应包含储能电池模型及模型控制卡片，即正常运行状态下有功控制、正常运行状态下无功控制、有功无功电流限制、低电压高电压状态判断、低电压穿越状态下有功控制、低电压穿越状态下无功控制、频率控制、虚拟惯量控制。4.如权利要求1所述的储能系统模型辨识方法，其特征在于，运用改进蚁群优化算法，通过比较仿真模型输出与实测数据间的偏差，评价模型的准确度，采用增强较优解，削弱较差解的思想对传统蚁群优化算法进行改进，通过改进蚁群优化算法中信息素更新方式、信息素挥发系数，增大优劣解之间信息素差异，使得蚁群优化算法更易收敛于较优解，提升本发明模型辨识的准确度；对于信息素更新方式的改进如下,各蚂蚁个体按照其走过的路径长短排序，其中，γ(s，t)为城市s与城市t间的信息素强度，ε0为一参数，L
worst
当前循环中最差蚂蚁的路径长度，L
n
为当前循环中第n只蚂蚁的路径长度；对于信息素挥发系数，采用自适应改进方法，通过调整信息素挥发速度，使得优秀蚂蚁个体的信息素挥发速度减慢，差的蚂蚁个体的信息素挥发速度加快，进而拉开信息素强度
差距，自适应改进公式如下：其中，ε1，ε2为参数，L
worst
当前循环中最差蚂蚁的路径长度，L
n
为当前循环中第n只蚂蚁的路径长度，L
best
为当前循环中最优蚂蚁的路径长度。5.如权利要求1所述的储能系统模型辨识方法，其特征在于，本发明以对比偏差最小为目标函数，将实测输出与仿真输出进行比较，分析的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q，以稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、加权平均绝对偏差为依据，采用J作为目标函数，J＝F1+F2+F3+F
G
其中，F1为稳态区间平均偏差，F2为暂态区间平均偏差，F3为稳态区间最大偏差，F
G
加权平均绝对偏差，J为辨识模型偏差值。6.如权利要求5所述的储能系统模型辨识方法，其特征在于，所述稳态区间的平均偏差，即模型仿真与试验数据在稳态区间内偏差的算术平均值，计算公式如下：其中，F1为稳...

【专利技术属性】
技术研发人员：张靖，孙启宸，张昕，古庭赟，李博文，范璐钦，何宇，胡克林，袁梦薇，
申请(专利权)人：贵州大学，
类型：发明
国别省市：