一种基于LSTM的分布式光伏集群调频等值建模方法

本发明涉及分布式光伏集群参与频率调整领域，特别是涉及一种基于lstm的分布式光伏集群调频等值建模方法。

背景技术：

1、自2018年以来，分布式光伏的装机容量呈迅速发展的态势，2022年上半年，光伏新增装机30.88gw，同比上涨130％，其中分布式光伏装机占比达到64％，分布式光伏装机累计超过1亿千瓦。随着分布式光伏装机容量的快速发展，大规模分布式光伏并网对电力系统的影响也越来越大。

2、然而，随着分布式光伏接入电力系统比例的提高，其复杂和差异巨大的动态运行特性对系统遭受扰动之后的动态稳定性造成了很大影响，频率稳定问题日益凸显。分布式光伏发电系统通常运行在最大功率追踪模式下，利用电力电子元件接入电网，其电源侧和电网解耦，难以为其提供惯量，导致电力系统惯量减少、频率响应能力降低。开展分布式光伏并网调频等值建模是研究上述影响的基础，也是保障配电网安全稳定运行的有效工具。目前针对单个光伏电站进行单机建模的方法已经相当成熟，而对分布式光伏大面积接入配电网进行等值建模的研究相对较少。多机等值建模基于分群聚类的思想，选取聚类指标对分布式光伏进行集群划分，然后把具有相似特性的分布式光伏用一台光伏等值，将整个分布式光伏集群用几台差异性较大的光伏进行等值，目前常用的聚类方法有k-means算法、fcm算法以及层次聚类算法，不同的聚类算法各有优劣。现有的研究针对分布式光伏调频等值建模的相关研究还比较少，针对大规模分布式光伏接入的配电网，对每个分布式光伏进行单独建模会导致阶数过高，效率低的问题。因此，开展分布式光伏集群调频等值建模对于保障电网的频率安全稳定运行具有重要意义。

技术实现思路

1、本发明的目的是针对背景技术中存在的不足，提供一种基于lstm的分布式光伏集群调频等值建模方法。本发明在面对大量分布式光伏并网时快速进行聚类分群，为充分发挥分布式光伏的调频能力提供了模型基础。

2、为解决上述技术问题，本发明采用下列技术方案：

3、一种基于lstm的分布式光伏集群调频等值建模方法，具体步骤如下：

4、a、提取分布式光伏的聚类指标，对采集到的聚类指标数据进行归一化处理；

5、b、在步骤a所获取的归一化处理后的聚类指标数据的基础上利用改进的k-means聚类算法对分布式光伏进行聚类分群，得到多个分布式光伏集群；

6、c、通过在分布式光伏集群详细模型的实验得到相应的输入数据集，选择lstm神经网络的输入输出变量；

7、d、使用lstm训练算法构建神经网络，将步骤c中实验得到的数据结果进行训练；

8、e、根据训练得到的lstm神经网络的训练参数构建分布式光伏集群等值模型。

9、进一步的，步骤a所述的对采集到的分布式光伏聚类指标数据进行归一化处理，得到了各分布式光伏聚类指标的时间序列，具体步骤为：

10、a1、采集的分布式光伏聚类指标数据包括但不限于光伏阵列的输出电压、输出电流以及输出功率；

11、a2、对采集到的聚类指标进行归一化处理，得到聚类指标的时间序列，具体公式如下：

12、

13、x’为各个聚类指标数据的归一化数值，x为各个聚类指标数据实际值，xmin为各个聚类指标数据的最小值，xmax为各个聚类指标数据的最大值。

14、进一步的，步骤b中利用改进的k-means聚类算法对分布式光伏进行聚类分群具体过程如下：

15、b1、计算任意两个光伏发电单元聚类指标(x1,y1)、(x2,y2)之间的欧氏距离d，生成距离矩阵d，具体公式如下：

16、

17、x，y为聚类指标数据的实际值；

18、b2、将距离矩阵d中距离最小的两个光伏发电单元归为一个群，将两个聚类指标的均值点作为第一个初始聚类中心点；

19、b3、设定距离阈值a，通过距离矩阵d找出与第一个聚类中心两个聚类指标距离均大于a的聚类指标，并将距离最小的两个聚类指标归为一个群，其均值点作为第二个初始聚类中心点；

20、b4、重复以上步骤，确定k个初始聚类中心点。

21、进一步的，所述步骤c中的通过分布式光伏集群详细模型的实验得到相应的输入数据集，选择lstm神经网络的输入输出变量，具体步骤如下：

22、c1、光照强度从(100k1+1000)w/m2变化到(100k2+1000)w/m2，其中k1，k2＝[0，2，4，……，20]，且k1≠k2，其他条件保持不变，共产生110组数据；

23、c2、环境温度从(n1-10)℃变化到(n2-10)℃，其中n1，n2＝[0，2，4，……，50]，且n1≠n2，其他条件保持不变，共产生650组数据；

24、c3、pcc点电压波动从0.1q1p.u.变化到0.1q2p.u.，其中q1，q2＝[0，1，2，……，11]，且q1≠q2，其他条件保持不变，共产生132组数据；

25、以上3个场景共产生892组数据，从中选取300组数据作为测试数据集，592组数据作为训练数据集，选取分布式光伏的光照强度、环境温度以及光伏的输出电压作为lstm网络的输入变量，pcc点的有功功率和无功功率作为输出变量。

26、进一步的，所述步骤d中的使用lstm训练算法构建神经网络，将步骤c中实验得到的数据结果进行训练。

27、进一步的，所述步骤e中的根据训练得到的lstm神经网络的训练参数构建出分布式光伏集群等值模型。

28、与现有技术相比，本发明具有如下有益效果：

29、(1)本发明提出的一种基于lstm的分布式光伏集群调频等值建模方法是在计及光伏发电系统调频能力的条件下，着眼于分布式光伏侧，建立分布式光伏集群等值模型。更直观的体现了分布式光伏的集群建模过程，采用改进的k-means算法可以更高效的将分布式光伏聚类分群。

30、(2)与传统分布式光伏集群建模相比，本发明基于长短时神经网络(lstm)，可以根据分布式光伏输入变量的扰动情况快速有效的构建分布式光伏集群的等值模型，有助于分布式光伏快速参与电网调频。

技术特征：

1.一种基于lstm的分布式光伏集群调频等值建模方法，具体步骤如下：

2.根据权利要求1所述的一种基于lstm的分布式光伏集群调频等值建模方法，其特征在于，步骤a所述的对采集到的分布式光伏聚类指标数据进行归一化处理，得到了各分布式光伏聚类指标的时间序列，具体步骤为：

3.根据权利要求1所述的一种基于lstm的分布式光伏集群调频等值建模方法，其特征在于，步骤b中利用改进的k-means聚类算法对分布式光伏进行聚类分群具体过程如下：

4.根据权利要求1所述的一种基于lstm的分布式光伏集群调频等值建模方法，其特征在于，所述步骤c中的通过在分布式光伏集群详细模型的实验得到相应的输入数据集，选择lstm神经网络的输入输出变量，具体步骤如下：

5.根据权利要求1所述的一种基于lstm的分布式光伏集群调频等值建模方法，其特征在于，所述步骤d中的使用lstm训练算法构建神经网络，将步骤c中实验得到的数据结果进行训练。

6.根据权利要求1所述的一种基于lstm的分布式光伏集群调频等值建模方法，其特征在于，所述步骤e中的根据训练得到的lstm神经网络的训练参数构建出分布式光伏集群等值模型。

技术总结
本发明公开了一种基于LSTM的分布式光伏集群调频等值建模方法,其步骤为：提取分布式光伏的聚类指标，对采集到的聚类指标数据进行归一化处理；在所获取的聚类指标数据的基础上利用改进的K‑means聚类算法对分布式光伏进行聚类分群，得到K个分布式光伏集群；通过分布式光伏集群详细模型的实验得到相应的输入数据集，选择LSTM神经网络的输入输出变量；使用LSTM训练算法构建神经网络，将实验得到的数据结果进行训练；根据训练得到的LSTM神经网络的训练参数构建分布式光伏集群等值模型。本发明在面对大量分布式光伏并网时快速进行聚类分群，发挥分布式光伏集群的调频能力，很大程度上提高了电力系统的稳定性。

技术研发人员：周涛,王帅,徐妍,权浩
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/14