【技術實現步驟摘要】
本專利技術涉及光伏電力電子，具體涉及一種基于bka-bilstm模型的新能源gci?dq阻抗獲取方法。
技術介紹
1、近年來，風電、光伏等新能源在電網中的滲透率不斷提高，引發了一系列寬頻振蕩問題，造成了大量新能源機組脫網、設備損壞等后果，嚴重影響了新能源可靠供電和電力系統安全穩定運行。其中，并網逆變器阻抗的準確獲取是進行系統穩定性分析的關鍵前提之一，常用的阻抗獲取方法可分為白箱機理建模和黑箱測量2種方法。白箱機理建模方法包括狀態空間平均法、諧波線性化方法、諧波狀態空間分析方法等，但所用方法要求新能源并網逆變器(grid-connected?inverter，gci)的結構、參數、控制方式等內部信息已知，而在實際工程中，受商業技術保密的限制，這些關鍵信息往往具有未知性，因此上述這種白箱式建模方法不再適用。為了有效應對上述問題，采用黑箱式建模方法可以克服白箱式建模方法需要獲取gci內部參數的問題，這類方法的基本原理是：在gci并網點串接電壓擾動源或并接電流擾動源，電壓/電流擾動經逆變器回路產生電流/電壓響應，采集并網逆變器端口電壓及電流數據，計算得到相應阻抗值。但黑箱式建模方法計算結果比較隨機且通常會缺乏實際的物理意義，而有效地結合兩種方法可以不用獲取gci的內部參數信息，還能確保結果具有實際物理意義，同時結合人工智能算法擬合輸入輸出變量間非線性能力強的優勢，以白箱式建模結果為輸出標簽，以黑箱掃頻得到的大數據作為輸入特征，通過訓練人工智能算法模型，從而獲得gci的實際阻抗特性。
2、根據上述背景，提出一種基于人工智能算法
技術實現思路
1、本專利技術的目的是為了克服現有技術的不足，為有效地對gci?dq阻抗進行精確辨識，提出了一種基于bka-bilstm模型的新能源gci?dq阻抗獲取方法。bilstm——雙向長短期記憶(bi-directional?long?short-term?memory)。
2、本專利技術采用的技術方案為：一種基于bka-bilstm模型的新能源gci?dq阻抗獲取方法，包括如下步驟：
3、s1：基于諾頓定理對新能源gci進行機理建模，分析新能源gci等效dq阻抗zdq與端口特性之間的非線性映射關系；
4、s2：基于bilstm神經網絡建立并網逆變器的dq阻抗辨識模型；
5、s3：利用bka對bilstm神經網絡的超參數進行尋優；
6、s4：對模型的辨識效果進行評價。
7、具體的，所述s1，根據諾頓定理，將新能源機組gci等效為直流電流源io和阻抗zo的并聯形式，電網連接處公共耦合點位置的電壓和電流分別用upcc和i2表示，電網的阻抗用zg表示，根據kvl，可以列寫dq坐標系下端口電壓和電流的頻域表達式為：i2dq(s)表示dq坐標系下gci的s域端口電流，iodq(s)表示dq坐標系下的s域直流電流大小，表示gci的s域等效導納，upccdq(s)表示dq坐標系下公共耦合點s域電壓大小；
8、根據上式可知，輸出阻抗zo(s)和dq坐標系下d軸并網點電壓upccd、q軸并網點電壓upccq、d軸并網點電流i2d、q軸并網點電流i2q以及頻率f之間存在復雜的非線性映射關系，可以用函數通式表示為：zo(s)＝f(f,upccd,upccq,i2d,i2q)，式中，f(·)表示輸入變量f、upccd、upccq、i2d、i2q與輸出變量zo(s)之間的非線性映射函數，給定五個輸入變量后可以通過f(·)求出輸出變量zo(s)在四個通道上的阻抗元素。
9、在新能源機組gci的控制結構與參數均已明確給出的情況下，可以直接采用“白箱”式建模獲得非線性映射關系f的精確解析表達式。然而，由于商業化新能源機組所固有的技術保密性以及gci控制結構與參數的未知性，無法直接建立映射關系f的解析表達式，針對此問題，可以采用基于數據驅動的人工智能算法模型，通過分析訓練數據集中輸入和輸出數據之間的數據特征，從而可以較為準確地建立非線性映射關系f。
10、具體的，所述步驟s2，具體過程如下：
11、步驟s21：數據獲取，為了準確建立bilstm辨識模型，需要以gci?dq阻抗數據作為基礎，因此首先需要在matlab/simulink中搭建仿真模型，通過設置新能源機組在不同頻率下的有功、無功出力情況來改變并網點電壓和電流，利用阻抗掃描模塊獲取gci在多種運行工況下的dq阻抗數據集。
12、步驟s22：數據處理：為了提高bilstm模型的訓練效率，首先對獲取的數據進行歸一化處理，通常將數據縮放到(0,1)范圍內，隨后按照8:2的比例將數據劃分為訓練集和測試集，供辨識模型訓練后將數據反歸一化，使其具有實際的物理含義。歸一化和反歸一化計算公式分別下式所示：
13、
14、xi(k)＝xi*(k)(xi,max-xi,min)+xi,min
15、式中，xi(k)為特征i的第k個樣本的原始數據；xi,max、xi,min分別為序列中的最大、最小值；xi*(k)則為歸一化值。
16、步驟s23：模型構建：將f、upccd、upccq、i2d、i2q作為模型訓練的輸入變量，gci?dq阻抗作為輸出變量構建阻抗辨識的bilstm模型。
17、步驟s24：辨識校驗：基于rt-lab軟件搭建半實物仿真平臺，采用小擾動法測試不同工況下gci的dq阻抗，從而形成模型辨識校驗的驗證數據集，采用小擾動法得到的gci阻抗可以表示為：
18、
19、式中，下標1、2表示測試時兩次擾動注入，ud1、ud2表示dq坐標系下d軸兩次擾動的電壓，uq1、uq2表示dq坐標系下q軸兩次擾動的電壓，id1、id2表示dq坐標系下d軸兩次擾動的電流，iq1、iq2表示dq坐標系下q軸兩次擾動的電流。
20、實驗過程中注入的小信號干擾源為電壓信號，擾動電壓源以串聯的方式接入，考慮pll動態影響，將單一頻率的信號作為每次擾動的注入量，并確保擾動信號的幅度適中，否則會對系統穩態測試結果造成干擾，或擾動信號不明顯導致的阻抗測量精度偏低，綜合考慮，本專利技術中注入的小信號干擾源電壓幅值選取為并網點電壓的3％。
21、具體的，所述步驟s3，利用bka對bilstm神經網絡的超參數進行尋優。bka具有獨特的生物啟發特征，不僅捕捉了黑翅鳶在自然界中的飛行和捕食行為，還深入模擬了它們對環境變化和目標位置的高適應性。對這種生物機制的模仿為算法提供了魯棒的動態搜索能力，使其能夠有效地應對不斷變化的優化環境。算法的具體過程如下：
22、(1)種群初始化
23、設黑翅鳶的種群數為n，待優化的問題維度為d，則所有個體可以用以下矩陣表示：
24、n為大于1的自然數，
25、隨機初始化第i個個體：
26、xi本文檔來自技高網...
【技術保護點】
1.一種基于BKA-BiLSTM模型的新能源GCI?dq阻抗獲取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于BKA-BiLSTM模型的新能源GCI?dq阻抗獲取方法，其特征在于，根據步驟S1，由諾頓定理，將新能源機組GCI等效為直流電流源Io和阻抗Zo的并聯形式，電網連接處公共耦合點位置的電壓和電流分別用UPCC和I2表示，電網的阻抗用Zg表示，根據KVL，列寫dq坐標系下端口電壓和電流的頻域表達式為：I2dq(s)表示dq坐標系下GCI的s域端口電流，Iodq(s)表示dq坐標系下的s域直流電流大小，表示GCI的s域等效導納，UPCCdq(s)表示dq坐標系下公共耦合點s域電壓大小；
3.根據權利要求1所述的一種基于BKA-BiLSTM模型的新能源GCI?dq阻抗獲取方法，其特征在于，所述步驟S2，具體過程如下：
4.根據權利要求3所述的一種基于BKA-BiLSTM模型的新能源GCI?dq阻抗獲取方法，其特征在于，注入的小信號干擾源電壓幅值選取為并網點電壓的3％。
5.根據權利要求1所述的一種基于BKA-Bi
6.根據權利要求1所述的一種基于BKA-BiLSTM模型的新能源GCI?dq阻抗獲取方法，其特征在于，所述步驟S4，采用平均絕對百分比誤差MAPE、均方根誤差RMSE對模型的辨識效果進行評價，具體計算公式為：式中，y(k)、Y(k)和分別為樣本的辨識值、真實值；m為數據樣本數。
...【技術特征摘要】
1.一種基于bka-bilstm模型的新能源gci?dq阻抗獲取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于bka-bilstm模型的新能源gci?dq阻抗獲取方法，其特征在于，根據步驟s1，由諾頓定理，將新能源機組gci等效為直流電流源io和阻抗zo的并聯形式，電網連接處公共耦合點位置的電壓和電流分別用upcc和i2表示，電網的阻抗用zg表示，根據kvl，列寫dq坐標系下端口電壓和電流的頻域表達式為：i2dq(s)表示dq坐標系下gci的s域端口電流，iodq(s)表示dq坐標系下的s域直流電流大小，表示gci的s域等效導納，upccdq(s)表示dq坐標系下公共耦合點s域電壓大小；
3.根據權利要求1所述的一種基于bka-bil...
【專利技術屬性】
技術研發人員：徐宏雷，張旭軍，楊勇，劉文飛，李毓中，李德龍，陳仕彬，韓杰祥，韓永，武藝，南巖瑋，祁瑩，李延棟，王新煒，牛浩明，邊暉，趙進國，楊瑞，王世偉，牛甄，謝映洲，
申請(專利權)人：國網甘肅省電力公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。