目录列表可在ScienceDirect上找到
电力和能源系统
j o u r n a l h o m e p a g e: w w w e l s ev i e r .c o m / l o c a t e / i j e p e s
基于动态亲和传播聚类算法的两级光伏电站群动态等效建模
Peixin Li a, Wei Gu a, Liufang Wang b, Bin Xu b, Ming Wu c, Wanxing Shen c
- School of Electrical Engineering, Southeast University, Nanjing 210096, China
- State Grid Anhui Electric Power Corporation Research Institute, Hefei 230000, China
- China Electric Power Research Institute, Beijing 100192, China
文章信息
文章历史：
2017年3月23日收到
2017年6月8日修改后收到
2017年8月25日接受
2017年9月12日在线提供
摘要
本文提出了一种新型的两级光伏（PV）站群的动态聚类等效建模方法，该方法是分析高光伏入口配电网动态响应的关键工具。本文在研究可描述两级光伏电站动态特性的指标后，提出了一种动态亲和传播（DAP）聚类算法。然后根据这些算法的动态特性将该算法用于PV集群中的光伏电站分组。最后，通过同一组内光伏电站的参数聚合和网络简化等效，得到光伏电池组动态等效模型。该方法通过一个具有20个二级光伏电站的光伏集群配电网络进行了验证，仿真结果表明所提出的动态等效模型能准确反映光伏电站的动态响应特性。同时，简化的PV群集模型将显着降低计算复杂度和模拟时间
2017爱思唯尔有限公司保留所有权利
关键词
两级光伏（PV）站,光伏渗透率高,光伏电站集群,动态响应,动态等效建模
- 引言
与传统化石能源相比，光伏发电具有资源丰富，可再生和环保的特点[1]。因此，近年来，光伏产业发展迅速。根据国际能源署（IEA）发布的数据，全球累计装机容量约为230吉瓦[2]。预计到2050年，光伏发电将占全球总电力消耗的16％[3,4]。
由于光伏本身的优势和政府政策的支持，在工业园区的屋顶和荒地等应用环境中建设了两级结构的中小型光伏电站的农村地区，集约和大规模。因此，光伏电站集群在当地的分销网络中形成。随着电力系统光伏渗透率的增加，几十个甚至数百个中小型光伏电站可能被包含在光伏电站集群中[5]。光伏普及率高导致的电力系统问题逐渐增多，如电能质量[6,7]，稳定性，[8,9]等。因此，有必要建立一个精确的模型来表征在公共耦合点（PCC）处的正常和故障操作状态下整个PV组的动态响应的特征。然而，如果详细模拟PV集群中的每个站点，不仅模型复杂度增加，而且在数据准备和仿真计算中需要大量时间和精力。这些缺点无疑限制了详细的建模方法在实际工程中的应用。因此，有必要研究光伏集群的动态等效建模,以简化模型的复杂性,减少模拟计算的时间。
目前有关光伏电站及其组件的建模方面的文献很多[10-13],但目前还没有关于光伏电池组建模的文献。另外，在可再生能源领域，风力发电模型比PV模型更成熟。传统的单机等效方法是用等效风力涡轮机对整个风电场进行建模[14,15]。但是，为了唤醒效果，风电场中的风速通常不均匀。因此，基于将同类风机运行状态划分为同一组的原理的多机同等方法已成为研究热点[16-19]。与风电场不同的是，光伏电站的太阳辐照度一般可以近似一致,目前的光伏电站通常以最大功率跟踪和单位功率因数的模式运行，除了几个大型光伏电站,其中内部光伏电站的参数是不同的[20]，PV单位的一个光伏电台通常工作在相同的状态。因此，每个光伏电站可以用一个等效的光伏电站建模，但由于制造商和设计的差异，光伏电站中不同电台的系统参数差别很大。使用单个等效光伏电站很难全面反映整个光伏电站的动态特性。因此，本文将风电场的多机等价概念引入到PV集群建模中，并基于提出的聚类算法建立了两级PV电站集群动态等价建模方法和PV站的参数。本文采用PV集群系统正常运行状态和故障运行状态的仿真实例验证了该方法的有效性。
本文对研究领域的贡献是：
（1）中国光伏集群的动态等效建模方法首先研究并提出配电网络时间。
（2）基于动态特征的波形聚类指标提出了两级光伏电站。
（3）动态亲和传播（DAP）聚类算法针对PV集群的动态建模提出跟踪光伏电站和能源之间的类似动态特征进一步应用于其他可再生大数据问题能源。
（4）光伏电站参数聚合和网络化的方法提出简化等同物
本文的其余部分安排如下。首先，建立两级光伏系统的数学模型（第2节）。其次，分析了光伏系统动态特性的影响因素，提出了聚类指标和聚类算法（第三节）。接下来，提出了PV参数聚合和简化网络等值的方法（见第4节）。最后，PV集群的等效模型被建立来验证所提出的建模方法的有效性和准确性（第5节）。
- 两级光伏系统的数学模型
两级PV系统由四个子模块组成：光伏阵列作为直流电源; 用于最大功率跟踪（MPPT）和升压的DC-DC升压转换器; 一个用于直流电压控制和无功功率控制的逆变器以及一个用于谐波抑制的滤波器[21,22]，如图1所示。下面的子部分将描述每个子模块的动态模型。
2.1. 光伏阵列建模
光伏阵列建模的研究相当成熟[23,12]。这里选择了一个工程数学模型来描述它的非线性输出特性[24]。除了太阳辐照度和温度外,该型号仅需要制造商直接提供的多个测量值来计算PV模块的输出特性。这些值包括：u0oc，i0sc，u0m和i0m,它们分别是标准测试条件（STC）[25]下PV模块的开路电压，短路电流，最大功率电压和最大功率电流,其中上标“0”表示STC下的测量值。输出特性的计算公式如下：（1），每个参数的具体含义见附
录A.
(1)
可以通过简单地将uoc和um乘以Np并将isc和im除以Ns得到阵列的输出特性。（1）其中Ns和Np是阵列中模块的串联和并联编号。阵列通过阵列电容Cpv连接到DC-DC升压转换器，这可以抑制阵列输出电压的纹波。该连接链路的动态特性可以通过以下方式在拉普拉斯域中给出：
(2)
其中iL是升压转换器的电感电流。
2.2. DC-DC升压转换器建模
DC-DC升压转换器的动态特性可以用开关周期平均模型来描述。拉普拉斯域的平均电感电流方程和平均电容电压方程为[9]：
(3)
(4)
其中，Ldc和Cdc分别是升压转换器的电感和电容，D是开关的占空比,idc和udc分别是升压转换器的输出电流和输出电压。
升压转换器的控制器的任务是控制开关的开关,以使阵列输出电压跟踪阵列的最大电压以实现最大功率跟踪控制器的模型由下式给出：
(5)
其中kp和ki分别是控制器的比例和积分控制增益。
图1.两级光伏电站模型框图。
2.3. 逆变器建模
变频器使用SPWM控制模式。仅考虑基频频率分量，d-q坐标系中的逆变器输出电压可由下式给出：
(6)
(7)
其中uid和uiq分别是反向输出电压的d轴和q轴分量，urd和urq分别是调制波的d轴和q轴分量，Utri分别是调制波的峰值载波。
此外，逆变器的直流侧和交流侧之间的功率守恒方程式补充如下：
(8)
逆变器控制器的模型分为两部分：外部回路和内部回路。外环用于实现对直流侧电压基准udcref和输出无功功率基准qdcref的跟踪。内部循环用于使调整更加精确并生成SPWM调制信号。双回路控制器的模型由下式给出：
(9)
（10）
其中kop和koi分别是外环控制器的比例和积分控制增益，kip和kii分别是内环控制器的比例和积分控制增益，q分别是内环控制器的实际输出无功功率 光伏系统，id和iq是光伏系统实际输出电流的d轴和q轴分量，usd和usq分别是电网电压的d轴和q轴分量，Lf是滤波电感。
2.4. 交流网络建模
交流电网主要由谐波滤波器组成，其动态特性由下式给出：
(11)
(12)
其中x是电网的角频率。
为了清楚地表达两级PV系统的方程和变量之间的关系，两级PV电站模型中的变量关系图如图2所示
图2两级光伏电站模型的变量关系。
3.光伏集群的聚类方法
3.1.两阶段PV聚类指数
影响PV输出特性的因素很多，并且相互耦合[26]。根据太阳能传输和转换的过程，主要影响因素是：太阳辐照度，温度和电效率。太阳辐射和温度都是由气候，气象和地理因素决定的[27]。而电气效率主要指电气设备（如光伏组件和电能转换设备）的效率。前两个因素直接影响光转换成电的转换效率，后两个因素影响从PV模块向电网传输能量的效率。另外，光伏电站的产量也受到光伏电站设计和人为因素等其他因素的影响[28]。对于两级光伏电站的动态特性，主要受控制回路的控制参数影响，包括DC / DC变换器MPPT控制器的PI参数，变频器双回路控制器的PI参数和能量存储元件包括阵列电容，DC / DC转换器和滤波器的储能元件等。
基于以上分析，很容易发现这些储能元件和控制参数适合作为光伏电站的集群指标，但这些参数在实际工程环境中往往难以获得。因此，可以直接或通过添加简单的测量设备（如PT，CT）获得的其他参数作为实际应用中的聚类指标以上参数进行替代。具体指标如下：
（1）阵列的输出电压和输出电流：upv，ipv。
根据光伏阵列的动态模型，阵列输出电压升高和输出电流ipv可以共同反映不同类型光伏模块输出的特性以及阵列电容的动态特性。
（2）变频器的输入电压和电流：udc，idc。
逆变器输入电压udc是连接升压转换器和逆变器的电容电压，而逆变器输入电流idc是升压转换器的输出电流。 根据两级光伏电站的动态模型，这两个变量体现了逆变器上游升压转换器的动态特性，主要包括升压电感Ldc，升压电容Cdc和PI参数 MPPT控制器。 当然，这两个变量也意味着光伏阵列的动态特性。
（3）光伏电站输出功率：p，q。
p和q是光伏电站的最终输出有功和无功功率，而计算公式如方程式所示。（13）和（14），这取决于AC网络的电流：id和iq。
(13)
(14)
根据交流电网和逆变器的模型，p和q可以全面反映整个光伏系统的动态特性，特别是滤波器储能元件，变频器的直流侧电容和双回路控制器的多个PI参数的逆变器。
然而，这些变量在特定系统工作点的瞬时值无法完全反映光伏系统的动态特性，而它们很大程度上受到采样过程中的干扰（如测量误差和通信延迟）。因此，本文选择系统运行状态改变后的一段时间内（如三个周期的持续时间）这些变量的波形作为动态聚类指标。
例如，具有不同动态参数的四个光伏电站（PV6，PV8，PV16和PV18的相关动态参数如第5节表1所示）中的逆变器输入电压波形如图3所示。系统运行在0.3秒和0.6秒的时间变化。PV6和PV8的动态参数非常接近，与其他两个光伏电台有很大不同。然后，根据波形，直观地得出上述相同的结论。
表格1光伏电站主要动态参数：PV1 PV20。
图3.具有不同动态参数的光伏电站的逆变器输入电压比较。
从以上分析可知，由六个变量波形组成的光伏电站的波形聚类指标矩阵定义如下：
上标“#39;”表示该变量是一个“子索引”，例如子索引u〜pv是由n个采样数据组成的向量：。
3.2. AP聚类算法
在光伏入网率较高的电网中，每个光伏电站的采样数据可以看作是样本点，而总数据量大，维数高。本文提出了一种新的聚类算法来降低采样数据的维数。在现阶段，已经有了一些聚类算法，如K均值聚类，FCM聚类和层次聚类[3]。在大多数算法中，有必要提前设置聚类组和群中心的数量，这会带来很多主观因素，其中K-means和FCM对初始值敏感并容易陷入局部最优，其中不同的初始值可能导致不同的聚类结果。它通常需要用K-means进行多次操作，导致它在具有大量数据的系统中不适用。分层方法也存在计算复杂度高的问题。另外，分层方法和K均值不能作为数据中存在的孤立点来处理[29,30]。
亲和传播（AP）聚类算法克服了上述常见聚类算法的这些缺点。在实践中，AP发现聚类组的误差比其他算法低得多，并且它在不到一百分之一的时间内完成[31]。因此，AP算法更适合处理PV群集的大数据问题[32,33]。根据以上背景，本文介绍了AP算法在光伏集群建模中的应用。在对PV站进行聚类的初始阶段，AP算法将每个PV站（初始采样点）视为候选组中心，这与常见的聚类算法不同。为了确定光伏电站的最终聚类结果，两个光伏站之间的两种信息被定义
全文共20825字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10459]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
