[发明专利]一种光伏电站集群的高精度动态建模方法

说明书

本发明公开了一种光伏电站集群的高精度动态建模方法，在分析已有聚类等值建模方法局限性的基础上，提出误差修正方法，并引入了长短时记忆(LSTM)网络构成误差修正系统，以对已有聚类等值模型的误差进行建模。本发明综合误差修正系统与基于聚类的等值方法，最终提出了深度学习‑聚类(DL‑Clustering)混合建模框架。本发明所提出的混合建模框架在保留聚类等值模型的阶数低和仿真耗时少等优点的同时，大幅提高了等值模型的精度。本发明框架可以拓展应用至其他高渗透率的可再生能源配网的建模等问题中。

技术领域

本发明属于可再生能源并网建模与仿真的技术领域，尤其涉及一种光伏电站集群的高精度动态建模方法。

背景技术

近些年，伴随着人类社会对能源的依赖性增长以及传统化石能源的日益枯竭，像光伏这种具有低碳环保、资源丰富等优点的可再生能源已经成为多国能源发展的重要手段，预计在2050年全球总电量消耗中光伏发电的占比将达到16％。归功于光伏技术的逐渐成熟以及政府政策的鼓励，具有双级式结构的中小型光伏电站在如工业区的屋顶以及农村地区的荒地等应用环境中大量且集中地出现，从而在局部配网中形成了光伏电站集群。

一个光伏电站集群可能含有几十个甚至上百个中小型光伏电站，由于光伏电站为高度非线性系统并且其发电具有随机性，因此光伏集群的高渗透率属性无疑会增加如电能质量、稳定性等电力系统问题发生的概率。所以，有必要建立一个可以刻画整个光伏集群在公共耦合点(PCC)处动态响应的高精度模型。最直接的方法是对光伏集群中的每个光伏电站进行详细建模，但这会导致模型复杂度过高(数学模型中微分方程的总阶数过高)，以至于在仿真计算中耗费的时间和精力难以承受。另一种方法是用一个容量与光伏集群相等的光伏电站代替整个集群进行建模。这种单电站等值建模方法可以大幅降低模型的复杂度，但由于制造商和设计方案不同，集群中不同光伏电站的系统参数可能千差万别，此时用单个等值电站来综合地反映整个光伏集群的动态特性难免会产生很大误差。因此，研究能够同时兼顾精度高和仿真耗时少的光伏集群动态等值建模方法为相关研究的关键挑战。

目前，已有的研究大多围绕光伏系统的元器件及单个光伏电站的建模展开，但相比于可再生能源领域中较为成熟的高渗透率风场建模，光伏集群的建模研究仍处于起步阶段。为此，之前已有技术将风场中的多机等值概念引入光伏集群建模，并提出了一种基于动态近邻传播(DAP)聚类算法的多电站等值建模方法，该法可以决定等值光伏电站的数量和参数。相比于详细模型，该法以尽量少的几台等值电站对光伏集群进行建模，从而大幅降低了模型的总阶数。此外，相比于单电站等值模型，该法考虑了不同光伏电站之间参数的差异，将动态特性最为相似的光伏电站聚为一类并用单个光伏电站等值，从而获得了相对单电站模型较为准确的等值模型。

然而，在实际中，这种光伏集群的聚类等值模型对动态特性的拟合性能会随着集群中不同光伏电站的动态参数趋于均匀分布而下降。这很容易导致聚类等值模型的精度在更一般的情况下无法满足实际应用的需求，并且该关键缺陷由聚类算法的固有属性所致，其难以通过对算法本身进行改进来实现，从而大程度上限制了聚类等值建模方法的应用。

所以，需要引入聚类之外的技术，并用之来构建误差修正系统以拟合聚类等值模型与详细模型之间的误差，以大幅提高光伏集群聚类等值模型的精度。目前正面临我国能源生产消费方式和能源结构调整变革的关键时期，对于新能源发电及其并网技术而言，将会迎来更加广阔的发展前景和发展机遇。光伏电站集群的高精度动态建模将会为高光伏渗透率配网相关问题的分析和处理铺平道路，有助于加快我国智能、绿色、坚强的能源互联网的建设。

发明内容

发明目的：针对以上问题，本发明提出一种光伏电站集群的高精度动态建模方法，针对聚类等值建模方法的局限性，提出基于长短时记忆(LSTM)网络的误差修正系统，消除基于聚类等值模型无法消除的误差，并给出相应的模型优化训练方法，综合聚类等值建模方法，提出深度学习-聚类(DL-Clustering)混合建模框架，以满足光伏集群的高精度动态建模要求。该框架可以拓展应用至其他高渗透率的可再生能源配网的建模等问题中。