一种基于改进粒子群算法的微网惯性常数估计方法技术

本发明专利技术公开了一种基于改进粒子群算法的微网惯性常数估计方法，包括：获取正常运行时发电机出口侧的有功功率和频率波动并进行预处理；构建ARMAX辨识模型；将辨识模型得到的离散采样函数转换为高阶传递函数；通过AIBPSO算法将高阶传递函数降为一阶；将一阶传递函数和转子摆动方程转换得到的传递函数进行系数对比获取阻尼系数和惯性常数。本发明专利技术准确反映微电网运行下惯量的动态变化，通过实时数据更新评估结果，有利于帮助微电网预防不稳定因素以及故障发生时快速解决，加强了平衡全局探索能力和局部开发能力，丰富了粒子群体的多样性，其大范围变异能力可改善收敛速度，能较好的找到全局极值点，使测得的惯性常数更加精准，更有利于微网稳定运行。有利于微网稳定运行。有利于微网稳定运行。

【技术实现步骤摘要】
一种基于改进粒子群算法的微网惯性常数估计方法


[0001]本专利技术涉及一种微电网的电力系统惯性常数估计方法，尤其是涉及一种基于改进粒子群算法的微网惯性常数估计方法。

技术介绍

[0002]惯性是电力系统的固有属性，具体表现为电力系统对扰动引起频率波动的阻抗作用，是系统稳定运行的基本条件。惯量是用来衡量电力系统惯性大小的物理量，表现为系统受到扰动所吸收或注入有功功率能力的参数。电力系统稳定运行时需要将系统频率维持在一定的范围。当系统受到扰动后，系统频率变化率受系统惯性时间常数的影响，惯性时间常数越大，系统频率变化率越小，系统频率下降得越慢，系统抗扰动能力越强。因此，惯性常数是表征系统惯量大小，体现系统稳定性的重要参数。
[0003]传统的惯性常数估计方法一般采用发电机摇摆方程来计算惯性常数。虽然传统的惯量估计方法准确性较高，但需要电网中大扰动的激励，例如线路短路，发电机组退出运行等，不利于电网的稳定运行，不能实现惯量的实时评估，而且适用性较低。
[0004]基于改进粒子群算法的微网惯性常数估计方法利用微网正常运行时的有功功率与频率变化，使用ARMAX系统辨识，建立由发电机有功功率变化到频率变化的模型，将模型的离散函数转换为连续函数，利用改进粒子群算法降阶，由降阶结果和摆动方程的传递函数形式对比获取惯性常数。和传统惯量评估方法相比较，该方法只需利用微网正常运行时的数据就可以进行惯量评估，不需要大扰动。传统评估方法需要确定大扰动发生时刻，并且在调频过程中无法区分惯量响应与一次调频响应，而该方法在电力系统正常运行时进行惯量评估，一次调频不参与调频过程，由此可以避免一次调频对惯量评估的影响，从而提高惯量评估准确性。

技术实现思路

[0005]为解决电网运行过程中新能源渗透率提高导致的电网频率安全问题，本专利技术可以准确反映微电网运行下惯量的动态变化，为微电网的稳定运行提供参考，可以通过实时数据更新评估结果，有利于帮助微电网预防不稳定因素以及故障发生时快速解决。其次，采用的粒子群算法拥有强大的全局搜索和局部搜索能力、良好的寻优精度和收敛速度能使测得的惯性常数更加精准，最后将其运用到微网上，这对微网的稳定运行具有重大意义。
[0006]本专利技术具体采用以下技术方案：
[0007]1、一种基于改进粒子群算法的微网惯性常数估计方法：包括以下步骤：
[0008]Step1：获取微网正常运行时发电机出口侧的有功功率与频率波动。
[0009]Step2：对有功功率和频率波动数据进行预处理，预处理包括以下步骤：
[0010](1)标幺化，除以各自的基准值，将信号从有名值转化为标幺值；
[0011](2)去均值，对于仿真系统数据，通过去均值的方法去除信号的直流分量；
[0012](3)预滤波，对信号进行预滤波，从而滤除影响惯性常数辨识的高频分量；
[0013](4)重复采样，为了防止执行辨识程序时数值不稳定，将信号的采样率降低再重新采样。
[0014]Step3：构建ARMAX辨识模型，并求得辨识模型的离散采样函数；
[0015]ARMAX辨识模型其结构如下：
[0016]y(k)+a1y(k
‑
1)+a2y(k
‑
2)+
…
+a
na
y(k
‑
na)
[0017]＝b1u(k
‑
1)+b2u(k
‑
2)+
…
+b
nb
u(k
‑
nb)
[0018]+e(k)+c1e(k
‑
1)+c2e(k
‑
2)+
…
+c
nc
e(k
‑
nc)
[0019]其中k＝n+1，n+2，
…
，t，n＝max{na，nb，nc}，y(k)表示系统k时刻的输出，u(k)表示系统k时刻的输入，e(k)表示噪声项。
[0020]ARMAX辨识模型由参数向量θ确定：
[0021]θ＝[a1,a2,
…
,a
na
,b1,b2,
…
,b
nb
,c1,c2,
…
,c
nc
][0022]其中n
a
是自回归模型的阶数，n
b
是输入模型的阶数，n
c
是移动平均模型的阶数，a1…
a
na
，b1…
b
nb
，c1…
c
nc
为所需求解的辨识模型的系数；
[0023]所述ARMAX辨识模型是一个为多项式模型，可以表示为传递函数的形式：
[0024][0025]多项式A(q)，B(q)，C(q)分别为：
[0026]A(q)＝1+a1q
‑1+
…
+a
na
q
‑
na
[0027]B(q)＝b1q
‑1+
…
+b
nb
q
‑
nb
[0028]C(q)＝1+c1q
‑1+
…
+c
nc
q
‑
nc
[0029]其中q
‑1是一个后向移位算子；
[0030]ARMAX辨识模型由两部分组成，确定性部分由传递函数B(q)/A(q)描述，其表示系统对一个已知输入信号的响应；随机性部分由传递函数C(q)/A(q)描述，其表示不可测的噪声对确定性部分状态的影响。
[0031]在辨识ARMAX模型时，首先需要确定模型的阶数，模型的阶数足够大才能保证系统的动态特性，但也不能太大导致模型过拟合。在惯性常数辨识时，可以设置一个较小的搜索范围，辨识得到一个低阶模型。尽管辨识模型的阶数会比实际系统的阶数低，但足以保证系统惯量响应的动态特性。通常可以将模型的阶数设置在10以内，并采用AIC准则确定模型的阶数，AIC准则函数如下：
[0032][0033]式中，表示残差方差，N表示信号长度，p(p＝n
a
+n
b
+n
c
)表示模型阶数。AIC值取最小时对应的阶数即为ARMAX模型的阶数。
[0034]Step4：对ARMAX模型进行参数求解，模型阶数确定后，可采用最小二乘法求解ARMAX模型的参数θ。为了确定预测误差，构建了如下的伪线性预测模型：
[0035][0036]式中表示系统k时刻的预测输出；由于噪声项是无法直接测量的，故是一个伪测量向量，表示如下：
[0037][0038]u(k
‑
1),
…
,u(k
‑
nb)
[0039]e(k
‑
1|θ),
…...

【技术保护点】

【技术特征摘要】
1.一种基于改进粒子群算法的微网惯性常数估计方法，其特征在于，包括以下步骤：S1：获取微网正常运行时发电机出口侧的有功功率与频率波动，并对有功功率和频率波动数据进行预处理；S2：将S1预处理后的有功功率变化作为输入，预处理后的频率变化作为输出，构建由有功功率变化到频率变化的ARMAX辨识模型，并求得所述ARMAX辨识模型的离散采样函数；ARMAX辨识模型由确定性和随机性两部分组成，描述确定性部分的传递函数B(q)/A(q)为ARMAX辨识模型的离散采样函数；S3：将S2求得的所述ARMAX辨识模型的离散采样函数转换成连续的高阶传递函数；S4：根据S3求得高阶传递函数，通过改进的自适应免疫双态粒子群算法降为一阶传递方程的传递函数；S5：将S4得到的一阶传递方程和同步发电机的摇摆方程的传递函数形式对比获取阻尼系数和惯性时间常数。2.根据权利要求1所述的一种基于改进粒子群算法的微网惯性常数估计方法，其特征在于：所述S1中有功功率和频率波动数据预处理包括以下步骤：(1)标幺化，除以各自的基准值，将信号从有名值转化为标幺值；(2)去均值，对于仿真系统数据，通过去均值的方法去除信号的直流分量；(3)预滤波，对信号进行预滤波，从而滤除影响惯性常数辨识的高频分量；(4)重复采样，为了防止执行辨识程序时数值不稳定，将信号的采样率降低再重新采样。3.根据权利要求1所述的一种基于改进粒子群算法的微网惯性常数估计方法，其特征在于，所述S2构建的ARMAX辨识模型，其结构如下：y(k)+a1y(k
‑
1)+a2y(k
‑
2)+
…
+a
na
y(k
‑
na)＝b1u(k
‑
1)+b2u(k
‑
2)+
…
+b
nb
u(k
‑
nb)+e(k)+c1e(k
‑
1)+c2e(k
‑
2)+
…
+c
nc
e(k
‑
nc)其中k＝n+1，n+2，
…
，t，n＝max{na，nb，nc}，y(k)表示系统k时刻的输出，u(k)表示系统k时刻的输入，e(k)表示噪声项；ARMAX辨识模型由参数向量θ确定：θ＝[a1,a2,
…
,a
na
,b1,b2,
…
,b
nb
,c1,c2,
…
,c
nc
]其中n
a
是自回归模型的阶数，n
b
是输入模型的阶数，n
c
是移动平均模型的阶数，a1…
a
na
，b1…
b
nb
，c1…
c
nc
为所需求解的辨识模型的系数；所述ARMAX辨识模型是一个为多项式模型，可以表示为传递函数的形式：多项式A(q)，B(q)，C(q)分别为：A(q)＝1+a1q
‑1+
…
+a
na
q
‑
na
B(q)＝b1q
‑1+
…
+b
nb
q
...

【专利技术属性】
技术研发人员：聂晓华，郑华健，匡龙辉，
申请(专利权)人：南昌大学，
类型：发明
国别省市：