本发明涉及光伏逆变器的，更具体地说是涉及光伏逆变器谐波抑制方法的。
背景技术：
：：1、随着新能源发电及其配套工程的迅速发展，我国电网结构发生了重要变化，水电、火电等常规电源的主导地位逐渐由光伏和风电等新能源电源代替。另一方面，随着新能源基地和高压直流输电工程的不断投运，电网的电力电子化特征也日益凸显，电网的电能质量问题更加复杂，其中谐波分析及治理措施变得更为复杂，需要新的方法做谐波分类及抑制。2、（1）pmu数据监测3、电力系统中为实现对电网动态过程的实时监测，以相量测量单元（phasormeasurement unit，pmu）为数据采集装置的广域测量系统（wide-area measurementsystem，wams）成为当前电网安全控制和稳定分析的基础数据平台。根据ieeec37.118数据传输标准，若10个相量信息构成1个信息流且以1.8 kb/s的速度传输，则1 000台pmu将同时产生最高1.8 gb数据，大量的数据持续传输易造成通信系统网络拥塞。4、因此，对海量pmu数据进行实时分析并加以信息提取可有效减轻pmu数据存储和传输负担。目前国内电网对pmu数据的应用多在异常动态行为事后监测方面，在实时控制及预测等方面，pmu数据价值尚未得到充分挖掘和利用。当前，借助数据挖掘方法对pmu量测数据进行分析，进而提升新能源出力的快速预测精度以及新能源的实时消纳能力是该领域的研究热点，国内外专家学者提出了许多特定场景下的数据聚类解决方案。5、ramos等提出一种将高压电力用户的消费特征信息进行聚类分析并得到典型负荷曲线的信息发现算法。刘科研等分析了智能配电网的大数据应用场景，提出了基于聚类和分类技术的智能配电网快速数据处理方法。随机矩阵理论（ran dom matrix theory，rmt）主要基于矩阵模型的特征值，通过建立线性特征值统计指标（linear eigenval uestatistics，les）进行系统分析。he等介绍了rmt，并提出数据驱动的电力系统认知方案；为降低数据处理维度，提高pmu数据处理的效率，6、pmu高采样频率造成了其采样数据中不仅包含反映系统故障和非故障的状态数据，还记录了许多介于故障与非故障间过渡态的数据，这部分数据的类别归属是不确定的。7、（2）谐波k-means聚类8、传统的电力系统谐波一般是系统基波频率整数倍的分量。其产生的机理一般是非线性设备产生谐波源，经过电力系统中可能存在的谐振电路放大而产生明显的具有危害的谐波。谐波的源-放大理论经常用来研究光伏和风电场中出现的谐波现象。多个光伏逆变器或风机产生的聚合谐波源，经电网或风电场的阻抗中可能存在的谐振对谐波进行放大，形成严重的谐振现象。9、新能源发电场中的谐波源主要是由电力电子设备的非线性部分、pwm调制或发电机的槽谐波产生。在电力电子设备中，存在大量的开关元件，每一次动作均可产生不同频率下的谐波。从最简单的不可控电路，到半控电路，再到pwm型全控电路，均会产生大量的整次数谐波。10、然后经电网阻抗中的谐振进一步放大存在的谐波源产生严重的谐波问题，影响系统的电能质量。偏远地区的新能源并网系统中还存在长距离传输线缆，以及各种补偿装置。长距离输电线缆除了包含电感特性之外，还一般采用分布式参数，等效为引起谐振放大的电路。11、而对于新能源发电系统产生的振荡问题，根据谐波的源-放大理论分析，将大量的风机或者变流器看成振荡源，经电网的长距离传输线路、串补等其他电气设备中可能存在的谐振电路放大，就产生严重的振荡问题。然而，在风电场和光伏发电场中只存在频率为基波频率整数倍的谐波源，几乎没有任意频率下的振荡源存在。而且，新能源发电系统中存在大量电力电子变流器的控制，传统的谐波源-放大理论忽略了控制其中可能存在的谐振放大电路。ieee电力和能源协会发布了一份关于风电场的谐波和谐振的报告，建议采用诺顿等效电路模型去解释变流器控制产生的影响。通过计算带有变流器控制的阻抗模型，采用诺顿等效电路就可以研究系统中可能存在的谐振放大特征。12、综上所述，谐波的源-放大理论能够很好地解释谐波的产生原因，但只能解释基波整倍数频率的谐波产生，对于近年来由新能源发电系统引起的大多数的任意频率下的振荡问题，不能给出合理的解释。13、现如今随着人工智能时代的快速发展，大量人工智能算法被应用于电力负荷领域，例如前期的神经网络算法、专家系统以及支持向量机等方法，但是传统的人工智能方法也存在一定的局限性，例如面对规模庞大的高维度数据，计算过于复杂，计算时间太长；面对多形状的数据，传统人工智能算法的计算准确度无法保证。20世纪五十年代k-means算法首次被提出，它的优点在于易于实现，并且计算比较简单，但是面对当今社会数据信息多样化、密集化问题，传统的k-means也无法满足当前电力负荷数据的多样性变化，针对传统k-means聚类算法的改进也是层出不穷，主要是从聚类数的确定、初始聚类中心的确定、相似度测量三个角度进行改进，例如ball和hall提出的isodata技术，通过预设的阈值合并拆分集群，通过动态的形式对集群k值进行估计；针对相似度测量问题，李荟娆发明了基于i-divergence测量的k-means算法，通过测量两个集群之间的概率分布对算法进行改进。14、在落实“碳中和”目标、保障能源安全、加快推进能源转型的背景下，我国光伏发电将保持快速发展，电力系统“双高”（高比例可再生能源，高比例电力电子装备）特征日趋显著。电网安全稳定运行和电力电量平衡将面临极大考验。光伏电站接入电网的电气距离较大且无功控制能力相对不足，造成系统电压稳定问题突出。电力系统结构持续性改变导致其可调节资源存量不断下降，抵御故障扰动的能力减弱，电网频率越限风险增加。技术实现思路1、本发明针对电网新能源比例增高引起的网内谐波复杂化多样化的现状，提出基于k-means分群聚类的光伏逆变器谐波抑制方法，以电力系统中的谐波复杂问题为出发点，对pmu采集谐波数据进行参数提取、分群聚类，并据此提高谐波抑制措施的精确度和抑制效率。2、本发明为了解决上述技术问题而采用的技术解决方案如下：3、基于k-means分群聚类的光伏逆变器谐波抑制方法，方法步聚如下：4、第一步，采集pmu数据建立随机矩阵模型5、应用rmt建立pmu数据的随机矩阵模型（random matrix model，rmm），并从中提取包含时空特性的特征信息，针对某区域电网共配备n台pmu设备，选取每个pmu中的m个相量作为分析指标元素，此时共有n×m=n个变量，在时间维度上，选取时间长度为t，则所有采样相量构成一个大小为n×t的原始pmu数据矩阵：6、<mstyledisplaystyle="true"mathcolor="#000000"><mi>x</mi><mi>=</mi><mrow><mo>[</mo><mtable><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>t</mi></mrow></msub></mtd></mtr><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>2</mi><mi>,</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>2</mi><mi>,</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>2</mi><mi>,</mi><mi>t</mi></mrow></msub></mtd></mtr><mtr><mtd><mi>⋮</mi></mtd><mtd><mi>⋮</mi></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>⋮</mi></mtd></mtr><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>t</mi></mrow></msub></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>(1)7、对rmm采用一个大小为nw×tw的滑动时间窗，窗矩阵内为当前时刻量测数据和历史时刻量测数据，当采样时刻为ti时，得到窗矩阵：8、<mstyledisplaystyle="true"mathcolor="#000000"><mi>x</mi><mi>(</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>)</mi><mi>=</mi><mrow><mo>[</mo><mtable><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub></mrow></msub></mtd></mtr><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>2</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>1</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>2</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub></mrow></msub></mtd></mtr><mtr><mtd><mi>⋮</mi></mtd><mtd><mi>⋮</mi></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>⋮</mi></mtd></mtr><mtr><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>1</mi></mrow></msub></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>2</mi></mrow></msub></mtd><mtd><mi>⋯</mi></mtd><mtd><mi>x</mi><msub><mrow/><mrow><mi>n</mi><mi>,</mi><mi>t</mi><msub><mrow/><mi>i</mi></msub></mrow></msub></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>(2)9、t时刻的实时滑动时间窗包含当前时刻的数据和tw-1个相邻的历史数据，即10、<mstyledisplaystyle="true"mathcolor="#000000"><mi>x</mi><msub><mrow/><mi>t</mi></msub><mi>=</mi><mrow><mo>[</mo><mrow><mi>x</mi><msub><mrow/><mrow><mi>t</mi><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>1</mi></mrow></msub><mi>,</mi><mi>x</mi><msub><mrow/><mrow><mi>t</mi><mi>−</mi><mi>t</mi><msub><mrow/><mi>w</mi></msub><mi>+</mi><mi>2</mi></mrow></msub><mi>,</mi><mi>⋯</mi><mi>,</mi><mi>x</mi><msub><mrow/><mi>t</mi></msub></mrow><mo>]</mo></mrow></mstyle>(3)11、式中：xt为t时刻采集到的数据组成的列向量，本发明取nw=n，tw=t；12、第二步，基于les指标对pmu数据进行特征提取13、对一个n维pmu数据矩阵x(xi，j)，矩阵迹定义为14、(4)15、式中：xi，i为矩阵主对角线的元素；λi为矩阵的特征值，其线性特征值统计量可以定义为16、(5)17、式中：φ(λi)为测试函数；18、第三步，针对les指标进行分群聚类19、基于已提取出的pmu特征数据矩阵，采用fcm聚类算法聚类，同时优化寻优得到聚类中心，以便有效处理过渡态pmu数据，根据其隶属度来划分特征数据，fcm聚类分析由pmu数据特征提取和特征数据集fcm聚类两部分组成，整个聚类分析算法的输入条件有pmu数据矩阵、模糊指数m、收敛精度、初始化的聚类中心c；输出有聚类中心p和隶属度矩阵u，二者的元素计算公式如下：20、(7)21、(8)22、式中：ui为节点数据隶属于第i聚类的相似程度；pi为各节点聚类的综合特性；dik为样本xk到第i类聚类中心pi的距离；b为迭代次数，迭代收敛的判定公式为23、(9)24、式中：ε为迭代停止阈值。25、优选的，所述第二步中，采用以下两个测试函数对pmu数据进行特征值提取：26、1）引入第1类切比雪夫多项式的二阶t2=2x2-1作为les指标的测试函数，同时，引入标准矩阵z的样本协方差矩阵s，由此得到了特征值的第二维特征变量kt2；27、2）引入似然比检验函数φ(x)=x-ln(x)-1，同时依然以样本协方差矩阵的特征值作为输入，得到特征值的第三维特征变量klrt，28、上述三维特征变量构成一个特征数据集合：29、(6)30、至此完成了对pmu数据矩阵的特征提取。31、本发明采用上述技术解决方案所能达到的有益效果是：首先提出了把pmu数据采集应用于电网谐波，其次对采集的数据进行参数提取，然后根据提取的参数进行谐波分群聚类，以提高谐波抑制的精确性和效率，本发明对谐波机理分析及抑制措施，具有一定的指导意义。当前第1页12当前第1页12