本發(fā)明屬于電氣自動化領域，具體涉及一種vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法及系統(tǒng)。

背景技術：

1、隨著經(jīng)濟技術的發(fā)展和人們生活水平的提高，電能已經(jīng)成為了人們生產(chǎn)和生活中必不可少的二次能源，給人們的生產(chǎn)和生活帶來了無盡的便利。因此，保障電能的穩(wěn)定可靠供應，就成為了電力系統(tǒng)最重要的任務之一。

2、目前，環(huán)境問題越來越嚴重，因此越來越多的新能源發(fā)電系統(tǒng)開始并入電網(wǎng)并發(fā)電。隨著高比例新能源發(fā)電系統(tǒng)的接入，電力系統(tǒng)的動態(tài)性能面臨著越來越嚴峻的考驗。此外，新能源發(fā)電系統(tǒng)對外表現(xiàn)的電流源外特性、依賴鎖相環(huán)、缺乏阻尼慣量支撐能力、無法獨立孤島運行等問題，也使得電力系統(tǒng)面臨著越來越嚴重的穩(wěn)定運行壓力。

3、虛擬同步發(fā)電機(virtual?synchronous?generator，vsg)控制技術，具有電壓源外特性、良好的阻尼與慣性支撐能力、可獨立孤島運行等優(yōu)點，已經(jīng)被廣泛應用于光伏，風機等新能源發(fā)電系統(tǒng)。同時，研究人員也已經(jīng)提出，將vsg應用于儲能系統(tǒng)，能夠是的儲能系統(tǒng)克服傳統(tǒng)控制方式的缺點，有助于儲能電站的安全穩(wěn)定運行，同時為電力系統(tǒng)提供更加可靠、更優(yōu)質的調壓、調頻、應急服務。

4、為了對vsg型儲能系統(tǒng)進行更加深入的研究，對vsg型儲能系統(tǒng)的建模顯得尤為重要。因此，準確獲取模型參數(shù)是建立vsg型儲能系統(tǒng)模型的前提。目前，常用的模型參數(shù)辨識方案，主要有理論解析法、數(shù)值計算法、智能優(yōu)化算法：理論解析法是基于系統(tǒng)運行機理，將電化學過程與等效模型中的電路元件進行對應，通過對模型的v-i特性曲線進行微分求導等運算，確定模型中的未知參數(shù)；但是，隨著系統(tǒng)結構越來越復雜，理論解析法的參數(shù)辨識的準確性正在不斷下降。數(shù)值計算法本質是通過迭代的方式使模型輸出的仿真曲線盡可能接近實測曲線，進而求得模型參數(shù)最優(yōu)解；但是，數(shù)值法的性能取決于目標函數(shù)和參數(shù)初值設定，人為因素大，而且該方案并不適用于復雜非線性模型的參數(shù)辨識。智能優(yōu)化算法是通過模擬自然現(xiàn)象規(guī)律和生物群體社會性行為的一種尋優(yōu)算法，該方案通過逐步尋優(yōu)策略辨識出模型參數(shù)的最優(yōu)解；但是，智能優(yōu)化算法在求解非線性、多極值的復雜系統(tǒng)的參數(shù)辨識時，易陷入早熟困境，可靠性和精確性都較差。

技術實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種可靠性高且精確性好的vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法。

2、本發(fā)明的目的之二在于提供一種實現(xiàn)所述vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法的系統(tǒng)。

3、本發(fā)明提供的這種vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法，包括如下步驟：

4、s1.獲取vsg型儲能系統(tǒng)的數(shù)據(jù)信息；

5、s2.基于vsg控制原理和步驟s1獲取的數(shù)據(jù)信息，建立vsg型儲能系統(tǒng)仿真模型，并選定待辨識的控制參數(shù)；

6、s3.基于粒子群優(yōu)化算法和差分進化算法，對步驟s2選定的控制參數(shù)進行辨識，完成vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識。

7、所述的vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法，還包括如下步驟：

8、s4.根據(jù)辨識得到的vsg型儲能系統(tǒng)仿真模型的控制參數(shù)，對vsg型儲能系統(tǒng)仿真模型的仿真數(shù)據(jù)和真實數(shù)據(jù)進行偏差計算，完成對辨識結果的校驗。

9、所述的對vsg型儲能系統(tǒng)仿真模型的仿真數(shù)據(jù)和真實數(shù)據(jù)進行偏差計算，具體包括如下步驟：

10、采用如下算式計算得到偏差值f：

11、

12、式中wr為第r工況下的權重值；d為試驗測試的工況個數(shù)；n為測試數(shù)據(jù)的長度；ir,j,sim為第r工況下的第j個數(shù)據(jù)點的仿真值；ir,j,meas為第r工況下的第j個數(shù)據(jù)點的真實值。

13、所述的完成對辨識結果的校驗，具體包括如下步驟：

14、若偏差值f大于設定值，則校驗不合格，認定辨識結果無效；

15、若偏差值f小于或等于設定值，則校驗合格，認定辨識結果有效；

16、偏差值f越小，則辨識結果越好。

17、步驟s2所述的基于vsg控制原理和步驟s1獲取的數(shù)據(jù)信息，建立vsg型儲能系統(tǒng)仿真模型，具體包括如下步驟：

18、轉子方程通過功率差控制機械轉矩的輸出，從而調節(jié)頻率；同時，采用阻尼功率抑制功率振蕩；表示為：

19、

20、式中j為虛擬轉動慣量；w為vsg輸出電壓角頻率；wn為電網(wǎng)額定頻率；pref為有功功率參考值；p為有功功率；d為阻尼系數(shù)；θ為vsg與電網(wǎng)電壓相位差；

21、vsg無功功率控制為虛擬勵磁調節(jié)器，通過母線電壓差值和無功功率差值作為反饋，模擬勵磁系統(tǒng)得到vsg內(nèi)電勢；表示為：

22、

23、式中e為vsg勵磁電動勢；qref為無功功率參考值；q為無功功率；kq為無功電壓比例系數(shù)；δu為電壓差值；kpe為無功功率比列系數(shù)；kie為無功功率積分系數(shù)；uref為電壓參考值；u為并網(wǎng)點電壓值。

24、步驟s2所述的選定待辨識的控制參數(shù)，具體包括如下步驟：

25、選定的待辨識的控制參數(shù)包括虛擬轉動慣量j、阻尼系數(shù)d、無功電壓比例系數(shù)kq、無功功率比列系數(shù)kpe和無功功率積分系數(shù)kie。

26、步驟s3所述的基于粒子群優(yōu)化算法和差分進化算法，對步驟s2選定的控制參數(shù)進行辨識，具體包括如下步驟：

27、a.針對粒子群優(yōu)化算法，初始化算法參數(shù)；

28、b.計算當前種群中每個個體的適應度值；

29、c.基于粒子群優(yōu)化算法，更新每個粒子的位置和速度，并更新得到粒子群種群最優(yōu)解；同時，基于差分進化算法，對每個粒子進行變異，對變異粒子進行雜交以產(chǎn)生子代個體，并更新得到差分進化種群最優(yōu)解；

30、d.將步驟c得到的粒子群種群最優(yōu)解和差分進化種群最優(yōu)解進行融合，得到當前的種群最優(yōu)解；

31、e.判斷是否達到設定的條件：

32、若達到設定的條件，則終止迭代，將迭代過程中得到的當前的種群最優(yōu)解中的最優(yōu)值，作為最終的輸出結果，完成對步驟s2選定的控制參數(shù)進行辨識；

33、若未達到設定的條件，則返回步驟b，進行下一輪迭代。

34、步驟a所述的初始化算法參數(shù)，具體包括如下步驟：

35、初始化粒子群優(yōu)化算法的算法參數(shù)；所述的算法參數(shù)包括種群大小、粒子的維度、粒子的位置取值范圍、粒子的速度取值范圍、總迭代次數(shù)、慣性權重、交叉概率和搜索精度。

36、步驟c所述的更新每個粒子的位置和速度，具體包括如下步驟：

37、采用如下算式對粒子的速度進行更新：

38、vs,k+1＝wvs,k+c1r1(xbest,k-xs,k)+c2r2(xgbest-xs,k)

39、式中vs,k+1為粒子s在第k+1輪迭代時的粒子速度；w為慣性權重；vs,k為粒子s在第k輪迭代時的粒子速度；c1為第一學習因子；r1為第一隨機數(shù)，且取值范圍為[0,1]；xbest,k為在第k輪迭代時的粒子個體最佳位置；xs,k為粒子s在第k輪迭代時的粒子個體位置；c2為第一學習因子；r2為第二隨機數(shù)，且取值范圍為[0,1]；xgbest為當前的種群最優(yōu)解所對應的粒子全局最佳位置；

40、采用如下算式對粒子的位置進行更新：

41、xs,k+1＝xs,k+vs,k+1

42、式中xs,k+1為粒子s在第k+1輪迭代時的粒子個體位置。

43、所述的慣性權重，具體包括如下步驟：

44、采用如下算式計算得到慣性權重w：

45、

46、式中wmin為慣性權重的最小值；wmax為慣性權重的最大值；α為設定的控制因子；k為當前的迭代次數(shù)；m為最大迭代次數(shù)；wave為慣性權重的平均值。

47、步驟c所述的對每個粒子進行變異，對變異粒子進行雜交以產(chǎn)生子代個體，具體包括如下步驟：

48、采用如下算式進行變異操作：

49、hs,k+1＝xp1,k+f(xp2,k+xp3,k)

50、式中hs,k+1為粒子s在第k+1輪迭代時變異后的粒子位置；xp1,k為粒子p1在第k輪迭代時的粒子個體位置；xp2,k為粒子p2在第k輪迭代時的粒子個體位置；xp3,k為粒子p3在第k輪迭代時的粒子個體位置；f為變異因子；

51、采用如下算式對變異個體進行二項分布雜交，以產(chǎn)生子代個體：

52、

53、式中l(wèi)為第三隨機數(shù)，且取值范圍為[0,1]；cr為交叉概率；

54、在選擇操作中，采用貪婪策略：只有產(chǎn)生的子代個體的適應度值優(yōu)于父代個體時，才保留產(chǎn)生的子代個體；否則，不保留產(chǎn)生的子代個體，并將父代個體保留。

55、所述的交叉概率，具體包括如下步驟：

56、采用如下算式計算得到交叉概率cr：

57、

58、式中crmax為交叉概率的最大值；js為當前粒子s的適應度值；jmin為當前種群的最小適應度值；jmax為當前種群的最大適應度值；crmin為交叉概率的最小值。

59、步驟d所述的將步驟c得到的粒子群種群最優(yōu)解和差分進化種群最優(yōu)解進行融合，得到當前的種群最優(yōu)解，具體包括如下步驟：

60、根據(jù)步驟c得到的粒子群種群最優(yōu)解pgbset和差分進化種群最優(yōu)解dgbset，計算粒子群種群最優(yōu)解適應度值fpg和差分進化種群最優(yōu)解適應度值fdg；

61、若fdg＜fpg，則將差分進化種群最優(yōu)解dgbset中的粒子按適應度值進行排序，同時將粒子群種群最優(yōu)解pgbset中的粒子以相同的規(guī)則按適應度值進行排序，并依次比較兩個種群最優(yōu)解中的各個粒子的適應度值：

62、若差分進化種群最優(yōu)解dgbset中的粒子適應度值大于粒子群種群最優(yōu)解pgbset中的粒子適應度值，則將差分進化種群最優(yōu)解dgbset中的對應粒子替換粒子群種群最優(yōu)解pgbset中的對應粒子；

63、若差分進化種群最優(yōu)解dgbset中的粒子適應度值小于或等于粒子群種群最優(yōu)解pgbset中的粒子適應度值，則不進行替換；

64、若fdg≥fpg，則直接將粒子群種群最優(yōu)解pgbset替換為差分進化種群最優(yōu)解dgbset；

65、將最終得到的粒子群種群最優(yōu)解作為當前的種群最優(yōu)解。

66、步驟e所述的判斷是否達到設定的條件，具體包括如下步驟：

67、所述的設定的條件，包括是否達到最大迭代次數(shù)，以及是否滿足設定的搜索精度；

68、達到設定的條件，具體為達到最大迭代次數(shù)或者滿足設定的搜索精度；

69、未達到設定的條件，具體為未達到最大迭代次數(shù)且未滿足設定的搜索精度。

70、本發(fā)明還提供了一種實現(xiàn)所述vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法的系統(tǒng)，包括數(shù)據(jù)獲取模塊、參數(shù)確定模塊、參數(shù)辨識模塊和參數(shù)校驗模塊；數(shù)據(jù)獲取模塊、參數(shù)確定模塊、參數(shù)辨識模塊和參數(shù)校驗模塊依次串聯(lián)；數(shù)據(jù)獲取模塊用于獲取vsg型儲能系統(tǒng)的數(shù)據(jù)信息，并將數(shù)據(jù)信息上傳參數(shù)確定模塊；參數(shù)確定模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于vsg控制原理和獲取的數(shù)據(jù)信息，建立vsg型儲能系統(tǒng)仿真模型，選定待辨識的控制參數(shù)，并將數(shù)據(jù)信息上傳參數(shù)辨識模塊；參數(shù)辨識模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于粒子群優(yōu)化算法和差分進化算法，對選定的控制參數(shù)進行辨識，完成vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識，并將數(shù)據(jù)信息上傳參數(shù)校驗模塊；參數(shù)校驗模塊用于根據(jù)接收到的數(shù)據(jù)信息，根據(jù)辨識得到的vsg型儲能系統(tǒng)仿真模型的控制參數(shù)，對vsg型儲能系統(tǒng)仿真模型的仿真數(shù)據(jù)和真實數(shù)據(jù)進行偏差計算，完成對辨識結果的校驗。

71、本發(fā)明提供的這種vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識方法及系統(tǒng)，基于粒子群優(yōu)化算法和差分進化算法進行控制參數(shù)的識別，因此本發(fā)明不僅能夠完成vsg型儲能系統(tǒng)仿真模型的控制參數(shù)辨識，而且可靠性更高，精確性更好。