CN117200348B - 一种考虑风光扰动的微电网群状态预测集计算方法 - Google Patents
一种考虑风光扰动的微电网群状态预测集计算方法 Download PDFInfo
- Publication number
- CN117200348B CN117200348B CN202311162705.9A CN202311162705A CN117200348B CN 117200348 B CN117200348 B CN 117200348B CN 202311162705 A CN202311162705 A CN 202311162705A CN 117200348 B CN117200348 B CN 117200348B
- Authority
- CN
- China
- Prior art keywords
- state
- micro
- wind
- matrix
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 97
- 238000004146 energy storage Methods 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种考虑风光扰动的微电网群状态预测集计算方法，首先对微电网群中的分布式电源、网络和负荷进行模块化划分，然后建立各个模块的小信号状态空间模型，接着计算微电网群状态空间模型的不确定输入项，之后利用齐诺多面体对该变化区间进行集合建模，紧接着推导出单个微电网的状态空间模型，整合单个微电网的状态空间模型得到微电网群状态空间模型，最后获得系统在考虑风光扰动下的状态预测集。本发明使用集合的形式来刻画不确定输入量可以实现用一次仿真得到系统状态量在受到扰动后所有可能的运行轨迹，提高了仿真和分析的效率，使用齐诺多面体的建模形式，具有良好的计算效率和精度。
Description
技术领域
本发明涉及微电网技术领域，更具体地，涉及一种考虑风光扰动的微电网群状态预测集计算方法。
背景技术
现代电力系统中风力发电系统、光伏发电系统、燃料电池发电系统、分布式储能系统等分布式可再生发电渗透率不断攀升，正在促进发电、输配电以及电能使用等方式出现巨大变革。分布式发电技术可以通过就地消纳有效降低电能在传输过程中的损耗，增强电力系统供电的稳定性。因此，依靠着可再生能源发电和其他形式的分布式发电以及本地负荷的可靠整合，微电网系统得到了迅速发展。分布式光伏、风电等可再生能源在微电网中的大规模接入，其控制策略的灵活多样性以及其发电的强间歇性和弱支撑性，将会使微电网的安全稳定运行和协调控制面临严峻挑战。而且，当微电网相互连接形成微电网群系统时，稳定性问题可能会随之迅速升级。在对微电网群的分析中，理想化可再生能源机组进行稳定性分析忽视了可再生能源造成的出力不确定性，依据此作出的控制策略无法具备足够响应不确定扰动的能力，对微电网群系统的安全稳定运行造成损害。
相比较传统的电力系统，在自治模式下运行的新能源微电网群系统，其低惯性特性使其在面对扰动时相当敏感。因此，在分析微电网群的稳定性时，考虑太阳辐照度、风速等一次能源扰动的影响尤为重要。由于风光扰动的不确定性和多样性，在分析其对微电网群系统的影响时无法对近乎于无限个场景进行逐个仿真，而现有对不确定性变量的研究中，大多主要关注系统的潮流解，而忽视了系统在不确定扰动下随时间的动态响应过程，无法提供动态过程中频率、电压等运行状态量变化的直观信息。为有效分析风光扰动对微电网群系统运行特性的影响，则需要从系统的动态方程入手，研究系统状态随时间的动态响应。现有的技术中，采用蒙特卡洛法对不确定量进行采样仿真，则计算量十分庞大，且无法保证模拟结果的全面性，因此无法为微电网群的稳定性分析提供最全面的运行数据。
发明内容
本发明为克服上述现有技术所述没有考虑太阳辐照度、风速等一次能源扰动的影响，和对不确定量进行采样仿真，计算量十分庞大，无法为微电网群的稳定性分析提供最全面的运行数据的缺陷，提供一种考虑风光扰动的微电网群状态预测集计算方法。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
本发明第一方面提供了一种考虑风光扰动的微电网群状态预测集计算方法，包括以下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能；
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型；
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项；
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模；
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型；
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
进一步的，在步骤S2中，光伏的小信号状态空间模型为：
其中，为光伏的状态变量，/>为光伏的输入变量，/>为光伏的输出变量，/>为光伏的状态矩阵，/>为光伏的输入矩阵，/>为光伏的输出矩阵；
风力发电机组的小信号状态空间方程为：
其中，、/>、/>分别为风力发电机组的状态变量、输入变量和输出变量，、/>、/>分别为风力发电机组的状态矩阵、输入矩阵和输出矩阵；
储能的状态空间方程为：
其中，、/>、/>分别为储能的状态变量、输入变量和输出变量，/>、、/>分别为储能的状态矩阵、输入矩阵和输出矩阵；
网络的状态空间方程为：
其中，、/>、/>分别为网络的状态变量、输入变量和输出变量，、/>、/>分别为网络的状态矩阵、输入矩阵和输出矩阵；
负荷的状态空间方程为：
其中，、/>、/>分别为负荷的状态变量、输入变量和输出变量，/>、/>、分别为负荷的状态矩阵、输入矩阵和输出矩阵。
进一步的，在步骤S3中，在光伏以及风力发电机组对应的微分方程中，存在变量为太阳辐照度以及风速/>的关系式，将该关系式转化得到与太阳辐照度和风速相联系的关系式。
进一步的，与太阳辐照度相联系的关系式为：
其中，为光伏阵列的输出电流；/>为与光伏阵列并联的直流电容电压；/>、/>、分别是各光伏组件中包含的串联电池数量、光伏阵列中光伏组件的串联数量、光伏阵列中光伏组件的并联数量；/>是每串光伏组件的短路电流；/>是p-n结反向饱和电流；/>是单位荷电常数；/>是玻尔兹曼常数；/>是p-n结温度；/>是理想因子；/>为一个光伏电池在辐照水平和参考温度下的短路电流；/>为温度系数；/>为光伏参考温度；/>为环境实际温度；为太阳辐照度；取环境实际温度等于光伏参考温度，则光伏短路电流/>与太阳辐照度/>成正比关系：
使用来反映太阳辐照度的变化；在建模的过程中，在对/>求对时间的全微分时，将/>视为状态量并对/>求对时间的偏导并线性化后得到/>作为不确定输入；此处表示风速与所选取的线性化点的差值。
进一步的，与风速相联系的关系式为：
其中，为机械转矩；/>、/>分别为空气密度和叶片半径；/>为风力机叶片风能利用系数；/>为风力机转动的机械角速度；/>为风速；在建模过程中，在对/>求全微分时，将/>视为状态量并对/>求对时间的偏导，将/>提出并线性化后以/>作为不确定输入；此处/>表示风速与所选取的线性化点的差值。
进一步的，在步骤S4中，太阳辐照度和风速的变化范围可表示为：
其中，、/>分别为当前太阳辐照度和当前风速；/>、/>分别为太阳辐照度变化下限和风速变化下限；/>、/>分别为太阳辐照度变化上限和风速变化上限；
齐诺多面体定义为：
其中，为齐诺多面体中心；/>为生成元；/>为生成元个数；/>为生成元变化系数；风光扰动范围利用齐诺多面体表示，风光扰动范围即太阳辐照度和风速的变化范围，其中太阳辐照度和风速的变化范围的中心可作为齐诺多面体中心，公式表示为：
其中，、/>分别为太阳辐照度和风速的变化范围中心；其生成元可分别表示为：
其中，、/>分别为太阳辐照度和风速的生成元。
进一步的，在步骤S5中，单个微电网的状态空间模型为：
其中，为第i个单微电网状态矩阵；/>为不确定输入矩阵，/>、/>分别为S3中对与太阳辐照度成正比关系的变量以及风速求偏导后不确定量的系数，/>和/>分别为第i个单微电网状态变量和不确定输入变量；/>、/>分别为光伏短路电流和风速的改变范围；
最后将多个单微电网整合形成微电网群状态空间模型；
微电网群状态空间模型可表示为：
其中，为微电网群模型的状态矩阵；/>为微电网群的状态变量。
进一步的，在步骤S6中，考虑风光扰动下的状态预测集的计算过程如下：
第一步：利用第时刻的状态预测集/>，初始时刻则利用预先设计好的初始集，计算第/>时刻的状态预测集/>，表达式为：
其中，为不确定输入造成的增量变化；/>为时间步长；/>为自然对数；/>为闵可夫斯基加法；
第二步：计算到/>这一时间段的状态预测集/>：
其中，表示第n个时间段；/>为从/>到/>这一时间段的轨迹曲率给状态预测集造成的误差；/>为集合凸包运算；
第三步：将每个时间段取并集，得到在仿真时间内的状态预测集为：
其中，为仿真结束时间。
本发明第二方面提供了一种考虑风光扰动的微电网群状态预测集计算系统，该系统包括：存储器、处理器，所述存储器中包括一种考虑风光扰动的微电网群状态预测集计算方法程序，所述一种考虑风光扰动的微电网群状态预测集计算方法程序被所述处理器执行时实现如下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能；
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型；
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项；
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模；
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型；
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括考虑风光扰动的微电网群状态预测集计算方法程序，所述考虑风光扰动的微电网群状态预测集计算方法程序被处理器执行时，实现所述的一种考虑风光扰动的微电网群状态预测集计算方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：
本发明考虑了太阳辐照度、风速等一次能源波动对系统动态的影响，对风光扰动进行建模；利用齐诺多面体将不确定输入项构建为集合的形式，该集合包含了风速和太阳辐照度变化的所有情况，并将其带入到可达性分析中，计算出系统在这些情况下的状态预测集，即得到了系统在这些情况下所有可能会出现的动态轨迹，提高了仿真和分析的效率。
附图说明
图1为本发明实施例提供的一种考虑风光扰动的微电网群状态预测集计算方法流程图。
图2为本发明实施例提供的微电网群系统拓扑图。
图3为本发明实施例提供的二维齐诺多面体构建方法示意图。
图4为本发明实施例提供的每个时间点状态预测集的组成图。
图5为本发明实施例提供的每个时间段状态预测集的组成图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，本发明第一方面提供了一种考虑风光扰动的微电网群状态预测集计算方法，包括以下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能。
如图2所示的的微电网群系统的拓扑图，微电网群系统由n个子微电网组成。在对微电网群系统进行建模时，将微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能，网络包括母线和馈线。
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型。
光伏的小信号状态空间模型为：
其中，为光伏的状态变量，/>为光伏的输入变量，/>为光伏的输出变量，/>为光伏的状态矩阵，/>为光伏的输入矩阵，/>为光伏的输出矩阵。
风力发电机组的小信号状态空间方程为：
其中，、/>、/>分别为风力发电机组的状态变量、输入变量和输出变量，、/>、/>分别为风力发电机组的状态矩阵、输入矩阵和输出矩阵。
储能的状态空间方程为：
其中，、/>、/>分别为储能的状态变量、输入变量和输出变量，/>、、/>分别为储能的状态矩阵、输入矩阵和输出矩阵。
网络的状态空间方程为：
其中，、/>、/>分别为网络的状态变量、输入变量和输出变量，、/>、/>分别为网络的状态矩阵、输入矩阵和输出矩阵。
负荷的状态空间方程为：
其中，、/>、/>分别为负荷的状态变量、输入变量和输出变量，/>、/>、分别为负荷的状态矩阵、输入矩阵和输出矩阵。
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项。
在光伏模块中，利用与太阳辐照度成正比的光伏短路电流作为反映太阳辐照度变化的状态量，并将其看作状态量，在建模的过程中对光伏短路电流/>求偏导，将其作为不确定输入量。在风力发电机组模块中，可以直接在机械转矩/>中找到风速/>，并直接将作为状态量，在建模的过程中对其求偏导，将其作为不确定输入量。在对/>、/>求偏导后，为了得到状态空间方程，需将他们分别线性化处理，得到/>、/>，并将其对应项的系数提出并用矩阵的形式表示，形成输出矩阵/>。
在光伏以及风力发电机组对应的微分方程中，存在变量为太阳辐照度以及风速的关系式，将该关系式转化得到与太阳辐照度和风速相联系的关系式。
与太阳辐照度相联系的关系式为：
其中，为光伏阵列的输出电流；/>为与光伏阵列并联的直流电容电压；/>、/>、分别是各光伏组件中包含的串联电池数量、光伏阵列中光伏组件的串联数量、光伏阵列中光伏组件的并联数量；/>是每串光伏组件的短路电流；/>是p-n结反向饱和电流；/>是单位荷电常数；/>是玻尔兹曼常数；/>是p-n结温度；/>是理想因子；/>为一个光伏电池在辐照水平和参考温度下的短路电流；/>为温度系数；/>为光伏参考温度；/>为环境实际温度；为太阳辐照度。取环境实际温度等于光伏参考温度，则光伏短路电流/>与太阳辐照度/>成正比关系：
于是此处使用来反映太阳辐照度的变化。根据上式即可通过/>反映太阳辐照度的变化。随后在建模的过程中，在对/>求对时间的全微分时，将/>视为状态量并对/>求对时间的偏导并线性化后得到/>作为不确定输入。此处/>表示风速与所选取的线性化点的差值。
与风速相联系的关系式为：
其中，为机械转矩；/>、/>分别为空气密度和叶片半径；/>为风力机叶片风能利用系数；/>为风力机转动的机械角速度；/>为风速。在建模过程中，在对/>求全微分时，将/>视为状态量并对/>求对时间的偏导，将/>提出并线性化后以/>作为不确定输入。此处/>表示风速与所选取的线性化点的差值。
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模。
根据所要研究的风速和太阳辐照度的波动范围来调整不确定输入项的变化范围，即确定太阳辐照度和风速的变化区间，根据这个变化区间，利用齐诺多面体进行集合建模，如图3所示，以多面体的形式表示该变化区间，方便后面将其带入到状态预测集的计算中。
太阳辐照度和风速的变化范围可表示为：
其中，、/>分别为当前太阳辐照度和当前风速；/>、/>分别为太阳辐照度变化下限和风速变化下限；/>、/>分别为太阳辐照度变化上限和风速变化上限。
齐诺多面体定义为：
其中，为齐诺多面体中心；/>为生成元；/>为生成元个数；/>为生成元变化系数。风光扰动范围利用齐诺多面体表示，风光扰动范围即太阳辐照度和风速的变化范围，其中太阳辐照度和风速的变化范围的中心可作为齐诺多面体中心，公式表示为：
其中，、/>分别为太阳辐照度和风速的变化范围中心；其生成元可分别表示为：
其中，、/>分别为太阳辐照度和风速的生成元。至此，以集合的方式完成了对风光波动的不确定建模。
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型。
对各个模块的状态方程和输出方程进行线性化处理，形成状态空间模型形式。根据状态空间模型的输入输出关系推导出单个微电的状态空间模型，最后将多个单微电网的状态空间模型整合形成微电网群状态空间模型。
推导出的单个微电网的状态空间模型为：
其中，为第i个单微电网状态矩阵；/>为不确定输入矩阵，/>、/>分别为S3中对与太阳辐照度成正比关系的变量以及风速求偏导后不确定量的系数，/>和/>分别为第i个单微电网状态变量和不确定输入变量。/>、/>分别为光伏短路电流和风速的改变范围。
最后将多个单微电网整合形成微电网群状态空间模型。
微电网群状态空间模型可表示为：
其中，为微电网群模型的状态矩阵；/>为微电网群的状态变量。
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
利用微电网群的状态空间模型中的状态矩阵和输入矩阵/>以及根据齐诺多面体构建的不确定输入项的集合模型，计算系统在考虑风光扰动下的状态预测集，状态预测集的构成如图4、图5所示，得到的状态预测集包含了系统在受到扰动后各个状态量所有可能的动态运行轨迹，完成微电网群系统在受到风光扰动后的状态预测。
在考虑风光扰动下的状态预测集的计算过程如下：
第一步：利用第时刻的状态预测集/>（初始时刻则利用预先设计好的初始集）计算第/>时刻的状态预测集/>，表达式为：
其中，为不确定输入造成的增量变化；/>为时间步长；/>为自然对数；/>为闵可夫斯基加法。
第二步：计算到/>这一时间段的状态预测集/>：
其中，表示第n个时间段；/>为从/>到/>这一时间段的轨迹曲率给状态预测集造成的误差；/>为集合凸包运算。
第三步：将每个时间段取并集，得到在仿真时间内的状态预测集为：
其中，为仿真结束时间。至此，计算状态预测集的过程即为对微电网群的可达性分析，完成了微电网群系统在受到风光扰动后的状态预测。
本发明第二方面提供了一种考虑风光扰动的微电网群状态预测集计算系统，该系统包括：存储器、处理器，所述存储器中包括一种考虑风光扰动的微电网群状态预测集计算方法程序，所述一种考虑风光扰动的微电网群状态预测集计算方法程序被所述处理器执行时实现如下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能；
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型；
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项；
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模；
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型；
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括考虑风光扰动的微电网群状态预测集计算方法程序，所述考虑风光扰动的微电网群状态预测集计算方法程序被处理器执行时，实现所述的一种考虑风光扰动的微电网群状态预测集计算方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种考虑风光扰动的微电网群状态预测集计算方法，其特征在于，包括以下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能；
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型；
光伏的小信号状态空间模型为：
其中，为光伏的状态变量，/>为光伏的输入变量，/>为光伏的输出变量，/>为光伏的状态矩阵，/>为光伏的输入矩阵，/>为光伏的输出矩阵；
风力发电机组的小信号状态空间方程为：
其中，、/>、/>分别为风力发电机组的状态变量、输入变量和输出变量，/>、、/>分别为风力发电机组的状态矩阵、输入矩阵和输出矩阵；
储能的状态空间方程为：
其中，、/>、/>分别为储能的状态变量、输入变量和输出变量，/>、、/>分别为储能的状态矩阵、输入矩阵和输出矩阵；
网络的状态空间方程为：
其中，、/>、/>分别为网络的状态变量、输入变量和输出变量，/>、/>、/>分别为网络的状态矩阵、输入矩阵和输出矩阵；
负荷的状态空间方程为：
其中，、/>、/>分别为负荷的状态变量、输入变量和输出变量，/>、/>、/>分别为负荷的状态矩阵、输入矩阵和输出矩阵；
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项；
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模；
太阳辐照度和风速的变化范围可表示为：
其中，、/>分别为当前太阳辐照度和当前风速；/>、/>分别为太阳辐照度变化下限和风速变化下限；/>、/>分别为太阳辐照度变化上限和风速变化上限；
齐诺多面体定义为：
其中，为齐诺多面体中心；/>为生成元； />为生成元个数；/>为生成元变化系数；风光扰动范围利用齐诺多面体表示，风光扰动范围即太阳辐照度和风速的变化范围，其中太阳辐照度和风速的变化范围的中心可作为齐诺多面体中心，公式表示为：
其中，、/>分别为太阳辐照度和风速的变化范围中心；其生成元可分别表示为：
其中，、/>分别为太阳辐照度和风速的生成元；
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型；
单个微电网的状态空间模型为：
其中，为第i个单微电网状态矩阵；/>为不确定输入矩阵，/>、/>分别为S3中对与太阳辐照度成正比关系的变量以及风速求偏导后不确定量的系数，/>和/>分别为第i个单微电网状态变量和不确定输入变量；/>、/>分别为光伏短路电流和风速的改变范围；
最后将多个单微电网整合形成微电网群状态空间模型；
微电网群状态空间模型可表示为：
其中，为微电网群模型的状态矩阵；/>为微电网群的状态变量；
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
2.根据权利要求1所述的一种考虑风光扰动的微电网群状态预测集计算方法，其特征在于，在步骤S3中，在光伏以及风力发电机组对应的微分方程中，存在变量为太阳辐照度以及风速/>的关系式，将该关系式转化得到与太阳辐照度和风速相联系的关系式。
3.根据权利要求2所述的一种考虑风光扰动的微电网群状态预测集计算方法，其特征在于，与太阳辐照度相联系的关系式为：
其中，为光伏阵列的输出电流；/>为与光伏阵列并联的直流电容电压；/>、/>、/>分别是各光伏组件中包含的串联电池数量、光伏阵列中光伏组件的串联数量、光伏阵列中光伏组件的并联数量；/>是每串光伏组件的短路电流；/>是p-n结反向饱和电流；/>是单位荷电常数；/>是玻尔兹曼常数；/> 是p-n结温度；
是理想因子；/>为一个光伏电池在辐照水平和参考温度下的短路电流；/>为温度系数；/>为光伏参考温度；/>为环境实际温度；/>为太阳辐照度；取环境实际温度等于光伏参考温度，则光伏短路电流/>与太阳辐照度/>成正比关系：
使用来反映太阳辐照度的变化；在建模的过程中，在对/>求对时间的全微分时，将视为状态量并对/>求对时间的偏导并线性化后得到/>作为不确定输入；此处/>表示风速与所选取的线性化点的差值。
4.根据权利要求2所述的一种考虑风光扰动的微电网群状态预测集计算方法，其特征在于，与风速相联系的关系式为：
其中，为机械转矩；/>、/>分别为空气密度和叶片半径；/>为风力机叶片风能利用系数；/>为风力机转动的机械角速度；/>为风速；在建模过程中，在对/>求全微分时，将视为状态量并对/>求对时间的偏导，将/>提出并线性化后以/>作为不确定输入；此处/>表示风速与所选取的线性化点的差值。
5.根据权利要求1所述的一种考虑风光扰动的微电网群状态预测集计算方法，其特征在于，在步骤S6中，考虑风光扰动下的状态预测集的计算过程如下：
第一步：利用第时刻的状态预测集/>，初始时刻则利用预先设计好的初始集，计算第/>时刻的状态预测集/>，表达式为：
其中，为不确定输入造成的增量变化；/>为时间步长；/>为自然对数；/>为闵可夫斯基加法；
第二步：计算到/>这一时间段的状态预测集/>：
其中，表示第n个时间段；/>为从/>到/>这一时间段的轨迹曲率给状态预测集造成的误差；/>为集合凸包运算；
第三步：将每个时间段取并集，得到在仿真时间内的状态预测集为：
其中，为仿真结束时间。
6.一种考虑风光扰动的微电网群状态预测集计算系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种考虑风光扰动的微电网群状态预测集计算方法程序，所述一种考虑风光扰动的微电网群状态预测集计算方法程序被所述处理器执行时实现如下步骤：
S1：对微电网群中的分布式电源、网络和负荷进行模块化划分，其中分布式电源包括光伏、风力发电机组和储能；
S2：根据划分后各个模块的实际电路，基于基尔霍夫定理得出各自对应的微分方程，并根据各个模块对应的微分方程建立各个模块的小信号状态空间模型；
光伏的小信号状态空间模型为：
其中，为光伏的状态变量，/>为光伏的输入变量，/>为光伏的输出变量，/>为光伏的状态矩阵，/>为光伏的输入矩阵，/>为光伏的输出矩阵；
风力发电机组的小信号状态空间方程为：
其中，、/>、/>分别为风力发电机组的状态变量、输入变量和输出变量，/>、、/>分别为风力发电机组的状态矩阵、输入矩阵和输出矩阵；
储能的状态空间方程为：
其中，、/>、/>分别为储能的状态变量、输入变量和输出变量，/>、、/>分别为储能的状态矩阵、输入矩阵和输出矩阵；
网络的状态空间方程为：
其中，、/>、/>分别为网络的状态变量、输入变量和输出变量，/>、/>、/>分别为网络的状态矩阵、输入矩阵和输出矩阵；
负荷的状态空间方程为：
其中，、/>、/>分别为负荷的状态变量、输入变量和输出变量，/>、/>、/>分别为负荷的状态矩阵、输入矩阵和输出矩阵；
S3：由光伏以及风力发电机组对应的微分方程，得到与太阳辐照度和风速相联系的关系式，并对与太阳辐照度成正比关系的变量以及风速求偏导，将求偏导的结果作为微电网群状态空间模型的不确定输入项；
S4：根据风速和太阳辐照度的波动范围来调整不确定输入项的变化区间，利用齐诺多面体对该变化区间进行集合建模；
太阳辐照度和风速的变化范围可表示为：
其中，、/>分别为当前太阳辐照度和当前风速；/>、/>分别为太阳辐照度变化下限和风速变化下限；/>、/>分别为太阳辐照度变化上限和风速变化上限；
齐诺多面体定义为：
其中，为齐诺多面体中心；/>为生成元； />为生成元个数；/>为生成元变化系数；风光扰动范围利用齐诺多面体表示，风光扰动范围即太阳辐照度和风速的变化范围，其中太阳辐照度和风速的变化范围的中心可作为齐诺多面体中心，公式表示为：
其中，、/>分别为太阳辐照度和风速的变化范围中心；其生成元可分别表示为：
其中，、/>分别为太阳辐照度和风速的生成元；
S5：根据S2的状态空间方程，加入虚拟电阻将原有的输入矩阵和输入变量归入到状态矩阵中，并加入S4中推导的不确定输入项，推导出单个微电网的状态空间模型，最后整合单个微电网的状态空间模型得到微电网群状态空间模型；
单个微电网的状态空间模型为：
其中，为第i个单微电网状态矩阵；/>为不确定输入矩阵，/>、/>分别为S3中对与太阳辐照度成正比关系的变量以及风速求偏导后不确定量的系数，/>和/>分别为第i个单微电网状态变量和不确定输入变量；/>、/>分别为光伏短路电流和风速的改变范围；
最后将多个单微电网整合形成微电网群状态空间模型；
微电网群状态空间模型可表示为：
其中，为微电网群模型的状态矩阵；/>为微电网群的状态变量；
S6：利用微电网群状态空间模型中的状态矩阵和不确定输入矩阵以及S4中根据齐诺多面体构建的不确定输入项的集合模型，获得系统在考虑风光扰动下的状态预测集。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括考虑风光扰动的微电网群状态预测集计算方法程序，所述考虑风光扰动的微电网群状态预测集计算方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种考虑风光扰动的微电网群状态预测集计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311162705.9A CN117200348B (zh) | 2023-09-11 | 2023-09-11 | 一种考虑风光扰动的微电网群状态预测集计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311162705.9A CN117200348B (zh) | 2023-09-11 | 2023-09-11 | 一种考虑风光扰动的微电网群状态预测集计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117200348A CN117200348A (zh) | 2023-12-08 |
| CN117200348B true CN117200348B (zh) | 2024-03-22 |
Family
ID=89001153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311162705.9A Active CN117200348B (zh) | 2023-09-11 | 2023-09-11 | 一种考虑风光扰动的微电网群状态预测集计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200348B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118040789B (zh) * | 2024-01-30 | 2024-08-16 | 广东工业大学 | 一种考虑稳定性约束的新能源微电网群调度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737993A (zh) * | 2019-10-24 | 2020-01-31 | 国网山东省电力公司济南供电公司 | 计及负荷不确定性的多能互补系统运行边界分析方法 |
| CN111396246A (zh) * | 2019-11-27 | 2020-07-10 | 浙江运达风电股份有限公司 | 基于叶轮等效风速修正的激光雷达辅助控制方法 |
| CN113644680A (zh) * | 2021-10-14 | 2021-11-12 | 中国科学院电工研究所 | 一种交直流混联配电系统不确定扰动下的可达性分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8682495B2 (en) * | 2010-10-21 | 2014-03-25 | The Boeing Company | Microgrid control system |
-
2023
- 2023-09-11 CN CN202311162705.9A patent/CN117200348B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737993A (zh) * | 2019-10-24 | 2020-01-31 | 国网山东省电力公司济南供电公司 | 计及负荷不确定性的多能互补系统运行边界分析方法 |
| CN111396246A (zh) * | 2019-11-27 | 2020-07-10 | 浙江运达风电股份有限公司 | 基于叶轮等效风速修正的激光雷达辅助控制方法 |
| CN113644680A (zh) * | 2021-10-14 | 2021-11-12 | 中国科学院电工研究所 | 一种交直流混联配电系统不确定扰动下的可达性分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于双层凸多面体的风力机LPV控制器设计;张晓林;吴定会;宋锦;纪志成;;系统仿真学报;20170108(第01期);第221-228页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117200348A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adetokun et al. | Reactive power-voltage-based voltage instability sensitivity indices for power grid with increasing renewable energy penetration | |
| Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
| CN105354655B (zh) | 计及功率相关性的光伏电站群置信容量评估方法 | |
| CN102012956A (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
| Ahmed et al. | Optimum efficiency of PV panel using genetic algorithms to touch proximate zero energy house (NZEH) | |
| CN114725982B (zh) | 一种分布式光伏集群精细化划分及建模方法 | |
| CN115017854A (zh) | 一种基于多维评估指标体系的配电网dg最大准入容量计算方法 | |
| CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
| CN117200348B (zh) | 一种考虑风光扰动的微电网群状态预测集计算方法 | |
| CN111367171A (zh) | 太阳能与天然气耦合冷热电联供系统多目标优化方法及系统 | |
| Peng et al. | Research on inter-regional renewable energy accommodation assessment method based on time series production simulation | |
| WO2023071300A1 (zh) | 一种微能网多适应性μPMU最优布点方法 | |
| Liu et al. | A comprehensive control strategy for photovoltaic virtual synchronous generator considering frequency regulation capability | |
| CN117748622B (zh) | 一种微电网多态协调控制方法及系统 | |
| CN113285655A (zh) | 一种风光互补优化配比方法 | |
| Ignat et al. | Renewable Energy Microgrid Model using MATLAB—Simulink | |
| Wang et al. | Photovoltaic data cleaning method based on DBSCAN clustering, quartile algorithm and Pearson correlation coefficient interpolation method | |
| Benahmida et al. | An accurate analytical model for predicting the maximum power of photovoltaic module operating outdoor under varying conditions | |
| Ioakimidis et al. | Solar power forecasting of a residential location as part of a smart grid structure | |
| CN114221334B (zh) | 一种基于图神经网络的快速状态估计方法 | |
| CN113609686B (zh) | 一种新能源置信容量分析方法及系统 | |
| CN110544958A (zh) | 一种电力系统消纳随机出力电源能力的确定方法及装置 | |
| CN113904338A (zh) | 风电并网系统计及频率特性的概率潮流计算方法及系统 | |
| Chiu et al. | Improved particle swarm optimization algorithm for photovoltaic system under local shading | |
| Mishra et al. | MPPT for a Solar PV Array: ANN and P&O Comparison |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |