本發(fā)明涉及電力分析，尤其涉及基于跳蛛算法的發(fā)電站低電壓穿越模型整定及驗證方法。

背景技術(shù)：

1、光伏發(fā)電站接入電力系統(tǒng)中規(guī)定：當電力系統(tǒng)事故或擾動引起光伏電站并網(wǎng)點電壓跌落時，在一定的電壓跌落范圍和時間范圍內(nèi)，光伏電站能夠保證不脫網(wǎng)連續(xù)運行，這就需要用到光伏電站低壓穿越機電模型進行驗證；

2、光伏電站低壓穿越機電模型的參數(shù)主要來源于現(xiàn)場試驗、硬件在環(huán)電磁仿真試驗，現(xiàn)場進行低壓穿越試驗最能真實反映新能源發(fā)電機組在電網(wǎng)中的運行情況，但試驗難度大、工況有限、獲得的數(shù)據(jù)信息少，還需要花費較大的人力、物力、財力，而硬件在環(huán)電磁仿真試驗能夠獲得的工況多，節(jié)省人力、物力、財力，同時試驗數(shù)據(jù)通常比較可靠，由此，光伏電站低壓穿越機電模型的參數(shù)大多來源于硬件在環(huán)試驗，psd-bpa是光伏電站低電壓穿越機電建模的仿真軟件之一，根據(jù)硬件在環(huán)試驗得到的數(shù)據(jù)進行參數(shù)辨識，但辨識結(jié)果往往不能完全兼容所有故障工況，且在實際仿真項目中，對光伏發(fā)電仿真驗證的方式方法、數(shù)據(jù)來源及負責人認知的不一致，造成仿真驗證實施起來各有偏差，因此，本發(fā)明提出基于跳蛛算法的發(fā)電站低電壓穿越模型整定及驗證方法以解決現(xiàn)有技術(shù)中存在的問題。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明提出基于跳蛛算法的發(fā)電站低電壓穿越模型整定及驗證方法，該基于跳蛛算法的發(fā)電站低電壓穿越模型整定及驗證方法以psd-bpa為基礎(chǔ)進行機電態(tài)建模，結(jié)合跳蛛優(yōu)化算法，針對各種故障工況多組參數(shù)進行參數(shù)辨識，辨識的結(jié)果兼容性較好，且能夠滿足規(guī)定的偏差。

2、為實現(xiàn)本發(fā)明的目的，本發(fā)明通過以下技術(shù)方案實現(xiàn)：基于跳蛛算法的發(fā)電站低電壓穿越模型整定及驗證方法，包括以下步驟：

3、s1：讀取收資資料，填寫光伏發(fā)電模型、有功無功電流限制、故障穿越故障判斷、正常狀態(tài)有功控制、正常狀態(tài)下無功控制、低壓穿越有功控制、低壓穿越無功控制模型卡；

4、s2：獲得不同工況下的硬件在環(huán)測試曲線數(shù)據(jù)，并對參數(shù)進行初步辨識，將辨識結(jié)果生成光伏發(fā)電模型參數(shù)，寫入psd-bpa模型卡中；

5、s3：構(gòu)造跳蛛優(yōu)化算法的初始函數(shù)，將大電網(wǎng)提供的有功、無功功率及變壓器變比、風機機組有功功率及接地故障阻抗的解作為初始解；

6、s4：基于psd-bpa的光伏發(fā)電模型構(gòu)建低壓穿越測試潮流模型，將psd-bpa仿真初始電壓與硬件在環(huán)電磁仿真試驗的初始電壓下進行偏差驗證；

7、s5：基于psd-bpa的光伏發(fā)電模型構(gòu)建低壓穿越測試暫態(tài)模型，將psd-bpa仿真故障穩(wěn)態(tài)電壓與硬件在環(huán)電磁仿真故障穩(wěn)態(tài)電壓下進行偏差驗證；

8、s6：運行低壓穿越測試暫態(tài)模型，得到各工況下psd-bpa仿真數(shù)據(jù)與硬件在環(huán)電磁仿真數(shù)據(jù)的有功功率、無功功率、有功電流、無功電流，分別按行業(yè)規(guī)范進行偏差值驗證；

9、s7：通過跳蛛優(yōu)化算法對所有滿足偏差值驗證的控制參數(shù)進行分類，得到不大于兩套的控制參數(shù)，滿足所有工況下的偏差要求。

10、進一步改進在于：所述s2中，在matlab中讀取硬件，在環(huán)電磁仿真試驗數(shù)據(jù)，統(tǒng)計電壓故障前和故障穩(wěn)態(tài)期間的有功功率、無功功率、無功電流、有功電流，計算故障恢復期間的電流恢復速率，同時校驗統(tǒng)一組內(nèi)不同次測試數(shù)據(jù)的一致性，當數(shù)據(jù)不一致，表明逆變器無法在同樣的測試條件下保持相同的響應(yīng)特性，試驗無法重復和再現(xiàn)。

11、進一步改進在于：所述s2包括以下步驟：

12、s21：光伏逆變器模型參數(shù)，通過各工況下的無功功率大小，辨識進出低電壓穿越的電壓門檻值；

13、s22：電壓穿越控制參數(shù)，通過對各工況下的數(shù)據(jù)進行分析，考慮過流保護作為邊界條件，將故障電壓穿越期間無功電流或有功電流與電壓之間的關(guān)系進行參數(shù)辨識；

14、s23：將以上物理參數(shù)、運行參數(shù)及初始整定的控制參數(shù)辨識結(jié)果生成光伏發(fā)電模型參數(shù)，寫入psd-bpa模型卡中。

15、進一步改進在于：所述s22中，故障穿越期間，無功電流指令的擬合公式如下所示：

16、iqlvrt＝k1_iq_lv(ulin-ut)+k2_iq_lviq0+iqset_lv

17、其中，k1_iq_lv：無功電流計算系數(shù)1；k2_iq_lv：無功電流計算系數(shù)2；iqset_lv：無功電流設(shè)定值3；iq0：初始無功電流；ut：端電壓幅值；ulin：進入低電壓穿越閾值；

18、有功電流指令的擬合公式如下：

19、iplvrt＝ki_ip_lvut+k2_ip_lvipo+ipset_lv。

20、進一步改進在于：所述s3中，構(gòu)造跳蛛優(yōu)化算法的初始函數(shù)，選擇各個工況初始電壓、無功電流、有功電流、無功功率、有功功率值與各工況電壓值作為初始值，通過跳蛛優(yōu)化算法初始函數(shù)的作用，將得到的大電網(wǎng)提供的有功、無功功率及變壓器變比、風機機組有功功率及接地故障阻抗的解作為初始解。

21、進一步改進在于：初始值的分布如下所示：

22、

23、其中xi為跟隨蜘蛛的位置，t為時間，vo為初始速度，a為加速度，a＝v/t，v＝x一x0，對于優(yōu)化算法，每次迭代為一段時間，設(shè)置每次迭代時間為1，初始速度設(shè)置為0，由此將上式改為：

24、

25、其中xi(g+1)代表個體迭代后的新位置，xi(g)代表個體當前位置，xr(g)為隨機選擇個體的位置。

26、進一步改進在于：所述s4中，當不滿足偏差，調(diào)整變壓器變比再次運行低壓穿越測試潮流模型，將psd-bpa仿真電壓與硬件在環(huán)電磁仿真試驗的初始電壓限制在偏差范圍內(nèi)。

27、進一步改進在于：所述s5中，當不滿足偏差，通過跳蛛優(yōu)化算法進行局部控制參數(shù)優(yōu)化，直到psd-bpa仿真故障穩(wěn)態(tài)電壓與硬件在環(huán)電磁仿真故障穩(wěn)態(tài)電壓限制在偏差范圍內(nèi)。

28、進一步改進在于：跳蛛優(yōu)化算法的尋優(yōu)過程包括以下步驟：

29、跳蛛跳上獵物，跳蛛撲向獵物的行為表示為初速度為v0，與水平夾角為φ的拋物線運動，每次迭代的時間為1，可以得到，該拋物線運動水平方向速度與豎直方向速度為：

30、

31、

32、式中，xi(g+1)為第i只跳蛛在迭代第g+1次的位置，xi(g)表示第i只跳蛛在迭代g次的位置，v0＝100mm/seg，g＝9.80665m/s2，α由在(0，1)區(qū)間產(chǎn)生的隨機值φ計算獲得；

33、搜索獵物，跳蛛在周圍環(huán)境進行隨機搜索以找到獵物，包括局部搜索和全局搜索兩個表達式，局部搜索的表達式如下:

34、

35、式中，xi(g+1)為第i只跳蛛在迭代第g+1次的位置，xbest(g)是歷史以來適應(yīng)度最小的位置，walk是(-2，2)范圍內(nèi)的隨機數(shù)，ε是(0，1)范圍內(nèi)的隨機數(shù)；

36、全局搜索的表達式如下:

37、

38、式中，xi(g+1)為第i只跳蛛在迭代第g+1次的位置，xbest(g)是歷史以來適應(yīng)度最小的位置，xworst(g)是當前最差個體位置，λ為0，θ為1的柯西隨機數(shù)；

39、信息素，第i只跳蛛信息素的計算公式為：

40、

41、式中，fitnessmax為最大適應(yīng)度，fitnessmin為最小適應(yīng)度，fitness(i)為個體i的適應(yīng)度；

42、當信息素小于或等于0.3時，使用如下的位置更新公式：

43、

44、式中，xi(g)是信息素低于閾值的個體位置，xbest(g)是歷史以來適應(yīng)度最小的位置，r1、r2是在從1到最大搜索個體數(shù)之間的隨機整數(shù)，且r1≠r2，xr1、xr2分別是第r1、r2個被選中的個體。

45、進一步改進在于：所述s6中，當驗證不滿足，則通過跳蛛優(yōu)化算法進行優(yōu)化，重復s5的流程。

46、本發(fā)明的有益效果為：

47、1、本發(fā)明以psd-bpa為基礎(chǔ)進行機電態(tài)建模，結(jié)合跳蛛優(yōu)化算法，針對各種故障工況多組參數(shù)進行參數(shù)辨識，辨識的結(jié)果兼容性較好，且能夠滿足規(guī)定的偏差。

48、2、本發(fā)明基于跳蛛優(yōu)化算法架構(gòu)對仿真驗證類型、數(shù)據(jù)來源、工況種類、工況數(shù)量全部兼容，可以依據(jù)測試數(shù)據(jù)完成光伏大點的機電態(tài)參數(shù)辨識+模型驗證，也可以依據(jù)測試數(shù)據(jù)+建模報告完成模型驗證或數(shù)據(jù)校核，該算法具有較強的局部搜索能力、全局搜索能力以及原理簡單易實現(xiàn)等優(yōu)點，對psd-bpa搭建的光伏發(fā)電建模中相關(guān)參數(shù)的辨識問題有很好的處理能力。