CN117242665A - 使用测量数据的电力***模型校准 - Google Patents
使用测量数据的电力***模型校准 Download PDFInfo
- Publication number
- CN117242665A CN117242665A CN202180097614.4A CN202180097614A CN117242665A CN 117242665 A CN117242665 A CN 117242665A CN 202180097614 A CN202180097614 A CN 202180097614A CN 117242665 A CN117242665 A CN 117242665A
- Authority
- CN
- China
- Prior art keywords
- model
- power system
- parameters
- output signal
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000010206 sensitivity analysis Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000003381 stabilizer Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003827 upregulation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种用于针对电力***在线校准电力***模型的计算机实现的方法，包括：以顺序优化步骤，围绕由电力***模型的一组校准参数的参数值所定义的移动设计点来迭代地近似该电力***模型。在每个优化步骤，使用近似***模型将动态输入信号变换为模型输出信号，将模型输出信号与从安装在电力***中的测量装置所获得的测量信号进行比较，测量信号定义了响应于动态输入信号而产生的实际电力***输出信号。在一个方向上调整校准参数的参数值，以最小化模型输出信号与实际电力***输出信号之间的误差。基于所得校准参数的最优值针对电力***校准电力***模型。
Description
关于联邦资助开发的声明
本发明的开发部分地由分包协议第DE-AR0001062号支持，由美国能源部运营的高级研究计划署-能源(ARPA-E)授予。因此，美国政府对本发明享有特定权利。
技术领域
本公开涉及电力***模型的验证和校准，以提高用于运营决策的电力***模型的可靠性。
背景技术
随着可再生能源、电动交通工具的不断增长的渗透和气候变化的影响，当今的电力***已经变得动态和随机。电力***操作者非常依赖精确的电力***模型来确定适当的规划和实时控制动作。因此，周期性地验证例如发电机、励磁机、调速器和电力***稳定器的稳定性模型对于电力***操作者是至关重要的。
传统上，已经使用分级测试来实现电力***模型验证和参数校准。虽然对于建立发电厂的模型是有效的和足够准确的，这种方法是非常昂贵和劳动密集型的，因为被测试的发电机需要离线。作为低成本的替代方案，可以在线模式实现模型验证和参数校准，而不使发电机离线。
模型校准实践的目标是减少模型和实际***行为之间的差异。在线模型验证和参数校准涉及在动态模拟期间将诸如电压幅值和频率/相位角的测量信号注入到发电厂终端总线中，从而可以将模型的响应与从电力***获得的实际测量进行比较。这种验证模型的模拟方法被称为“事件回放”，而注入的测量被称为“播放信号”。
许多当前已知的用于状态估计和参数校准的方法基于使用卡尔曼滤波器或其变体。在出版物[1]中描述了示例性方法：Renke Huang、Ruisheng Diao、Yuanyuan Li、JuanSanchez-Gasca、Zhenyu Huang、Brian Thomas、Pavel Etingov等人“使用高级集合卡尔曼滤波器校准电力***稳定性模型的参数(Calibrating parameters of power systemstability models using advanced ensemble Kalman filter)”，电力***33的IEEE事务，第3号(2017)：2895-2905。其他已知的方法包括非线性曲线拟合技术、基于同时扰动随机近似的粒子群优化、基于特征的搜索、基于动态状态估计的发电机参数识别算法、基于规则的方法、使用贝叶斯推理框架、深度强化学习等。
如上所提及的现有技术的方法在计算上可能是密集的，并且可能造成其它问题，例如存在多个解决方案、收敛性或精度差、难以拓展至具有大量发电机的电力***等。
发明内容
简而言之，本公开的各方面提供了一种用于使用从电力***获得的实际测量数据来在线校准电力***模型的改进技术，其解决了上述技术问题中的至少一些。
本公开的第一方面提出了一种用于针对实际电力***在线校准电力***模型的计算机实现的方法。电力***包括连接到电力网络的一个或多个有源发电机子***和安装在电力网络中以动态地测量与每个有源发电机子***相关联的电学量(电气量)的多个测量装置。方法包括迭代地执行一系列步骤，其中每个步骤包括由一个或多个处理器执行模型近似引擎以基于一组模型校准参数的当前参数值生成近似电力***模型的***模型。每个步骤还包括由一个或多个处理器执行模型验证引擎以：使用所生成的***模型来将动态输入信号变换为模型输出信号，并且从测量装置获得测量信号，测量装置定义响应于动态输入信号而生成的实际电力***输出信号。每个步骤还包括由一个或多个处理器执行顺序优化引擎以在最小化模型输出信号和实际电力***输出信号之间的误差的方向上调整模型校准参数的参数值。基于所得到的模型校准参数的最优值，针对电力***来校准电力***模型。
根据本公开的另一方面，通过上述方法校准的电力***模型用于控制电力***。校准的电力***模型被用于运行模拟以预测电力***对一个或多个输入情景的响应。通过产生基于使用校准的电力***模型的模拟所确定的控制动作，经由发电机子***的控制器控制电力***的一个或多个发电机子***。
本公开的其他方面实现计算机程序产品和用于模型校准的计算***中的上述方法的特征。
通过本公开的技术可以实现附加技术特征和益处。本公开的实施例和方面在本文中详细描述并且被认为是所要求保护的主题的一部分。为了更好地理解，参考详细描述和附图。
附图说明
当结合附图阅读时，从下面的详细描述中可以最好地理解本公开的上述和其它方面。为了容易地识别对任何元素或动作的讨论，参考数字中的最高有效数位或多个数位是指元素或动作首先被引入其中的图号。
图1是根据示例性实施例的包括在线模型校准***的电力***的示意图。
图2是示出包括发电机子***的经建模的电力***的一部分的示意图。
图3是示出根据示例性实施例的由灵敏度分析引擎选择校准参数的示意图。
图4是示出根据示例性实施例的模型校准方法的处理流程图。
图5示出了根据本公开的各方面的支持电力***模型的在线校准的计算***的示例。
具体实施方式
现在将参考附图描述与***和方法相关的各种技术，其中相同的附图标记始终表示相同的元件。以下讨论的附图和用于描述本专利文件中的本公开的原理的各种实施例仅作为说明，而不应当以任何方式解释为限制本公开的范围。本领域技术人员将理解，本公开的原理可以在任何适当布置的装置中实现。应当理解，被描述为由某些***元件执行的功能可以由多个元件执行。类似地，例如，元件可以被配置为执行被描述为由多个元件执行的功能性。将参考示例性的非限制性实施例来描述本申请的许多创新教导。
现在转向附图，图1示出了其中可以实现本公开的各方面的电力***100的示例。电力***100包括由通过分支或电力线104连接的多个节点或总线102形成的电力网络。所示的电力网络的拓扑是说明性的和简化的。所公开的方法不限于任何特定类型的网络拓扑。如图所示，一些节点102可以具有连接到它们的一个或多个发电机子***106和/或负载108。发电机子***106可以包括传统的发电厂，但也可以包括分布式能源(DER)，例如风电场、光伏板等。
诸如公用事业公司的电力***操作员可以利用电力***100的电力***模型来确定适当的规划和实时控制动作。电力***模型可以形成电力***100的数字孪生的一部分。例如，可以使用商业软件工具，诸如由Siemens AG开发的E、由通用电气公司开发的等，来建立电力模型。电力***模型的完整性对于可靠且经济地交付给电力消费者来说可能是关键的，因为长期或中期规划和操作决策通常应对使用电力***模型执行的静态和动态模拟。与基于模型的模拟相关联的挑战之一是电力***模型输出与响应于相同输入信号的实际电力***行为之间的差异。通常，这种差异是由于电力***模型中使用的模型参数的不准确性而产生的。
如图1所示，电力***100包括模型校准***110以针对电力***100校准电力***模型。模型校准***110被配置为基于在此描述的方法使用来自电力***100的在线测量数据来校准电力***模型的模型参数。为此，模型校准***110可以与安装在电力网络中的各个位置处的测量装置112通信，以测量与有源(连接的)发电机子***106相关联的电学量，例如电压、频率、有功功率、无功功率等。如图所示，每个单独的测量装置112可以被配置为执行一个或多个发电机子***106的电学量的在线测量。
在一个适当的实现方式中，一个或多个测量装置112可以包括相量测量单元。相量测量单元(PMU)是用于利用用于同步的公共时间源来估计电力网络中的诸如电压或电流的电相量的幅值和相位角的测量装置。典型的商业PMU能够以高时间分辨率记录测量，高达大约每秒120个样本。这种高分辨率数据对于电力***模型的校准非常有用。然而，所公开的方法不限于特定类型的测量装置。
图2示出了经建模的电力***200的一部分，详细示出了连接到电力网络204的发电机子***202的经建模的内部结构。应当注意，所描述的建模仅仅是示例性的，而不是限制性的。发电机子***可以包括发电机和一个或多个控制器。在所示示例中，发电机子***包括同步发电机206和控制器，控制器包括调速器208、电力***稳定器210、励磁机212和自动稳压器214。建模的详细描述可参见出版物[2]：Amer Ulrich Münz、Joachim Bamberger和Rolf Findeisen，“用于改进电力***中的动态安全性的控制器调谐(Controller tuning for the improvement of dynamic security in power systems)”在2018IEEE PES欧洲创新智能电力网络技术会议(ISGT-欧洲)，第1-6页，IEEE，2018。
简而言之，调速器208基于发电机206的角速度控制原动机(例如，涡轮机)进入发电机206的机械动力输出POm。电力***稳定器210接收与标称频率ω-ωs的偏差作为输入，以产生被配置为改进发电机子***202的小信号稳定性的输出Vpss。励磁机212的输入是参考电压Vref、发电机端电压V和来自电力***稳定器210的输入Vpss。励磁机212的输出是场绕组电压Ef。自动电压调节器214控制励磁机212产生的场绕组电压Ef，以调节发电机206的端电压V。可测量的量包括端电压V、电压相量的角度θ、频率f、有功功率P和无功功率Q。
电力***模型的模型参数可以包括一组控制器参数，诸如与各种发电机子***的调速器208、电力***稳定器210、励磁机212和自动电压调节器214相关联的增益、阻尼系数、时间常数等，例如在出版物[2]中所标识的。模型参数还可以包括与发电机子***相关联的物理参数，例如表示诸如涡轮机、轴、发电机等部件的尺寸、惯性和设计(例如，发电机极的数量、绕组的匝数等)的参数。控制器参数和物理参数的集合在本文中被统称为***参数。
电力***100的电力***模型最初可以例如根据从分级测试(以及其他方法)获得的数据来建立，其中工程师可以在单独的发电机子***106(例如发电厂)上运行某些测试，以确定在数学上表征电力***100的行为的***参数值。这些值然后可以用于创建电力***模型。当发电机子***106与电力网络交互时，电力***模型可以给出发电机子***106的行为的准确表示。然而，***参数的最初使用的值可以随着发电厂中的条件改变而改变，例如，当添加或替换装置时。期望并且经常需要通过定期验证和校准来保持电力***模型电流。
所公开的方法提供了一种用于基于测量数据在线校准***参数的技术，***参数可以包括所建模的电力***的控制器参数和/或物理参数，通常包括这两者。电力***模型可以包括描述电力***100的非线性***模型。在一些实施例中，对于模型校准，当前电力***模型(例如：作为E中的模型提供)可被转换为适于执行所公开的方法的不同格式(例如，在/>环境中)。所公开的方法从模型校准参数的初始或原始参数值集合开始。参数值的初始或原始集合可以包括例如电力***操作者(例如公用事业公司)当前在其电力***模型中使用的参数值。随后，在一系列优化步骤中，通过使用来自测量装置112的测量信号的顺序凸优化技术来迭代地调整参数值，使得测量误差最小化。
根据所公开的方法，模型校准***110包括模型近似引擎、模型验证引擎和顺序优化引擎。在每个优化步骤，模型近似引擎基于一组模型校准参数的当前参数值生成近似电力***模型的***模型。模型验证引擎使用在每个优化步骤生成的***模型来将动态输入信号变换为模型输出信号，并且从测量装置获得测量信号，测量装置定义响应于动态输入信号而生成的实际电力***输出信号。顺序优化引擎在使模型输出信号和实际电力***输出信号之间的误差最小化的方向上，在每个优化步骤中调整模型校准参数的参数值。通过迭代地执行模型近似、利用测量信号的验证和通过顺序优化的参数调整的步骤，直到满足收敛标准为止，获得模型校准参数的最优值。所得到的模型校准参数的最优值被传送到电力***模型以针对电力***校准电力***模型。
如这里所示，在每个优化步骤，可以基于在步骤中由模型校准参数的当前参数值定义的移动设计点来生成近似***模型。在一些实施例中，近似***模型可以适当地包括线性***模型。可以基于测量误差的频域积分/求和(或者，时域积分/求和)来适当地确定每个优化步骤处的误差。可以基于具有指定约束的线性矩阵不等式(LMT)来公式化优化问题。
在所描述的示例性实施例中，待最小化的误差被确定为H2范数。H2优化框架可以有效地降低输入-输出噪声放大，在这种情况下，输入-输出噪声放大是频域中模型输出信号和测量信号之间的失配。其他实现方式可以涉及使用不同的优化框架来确定误差的测量，例如使用H∞(H无穷)优化框架等。
本文所描述的引擎(包括其组件)可由计算***以各种方式(例如，作为硬件和编程)来实现。用于引擎的编程可以采用存储在非瞬态机器可读存储介质上的处理器可执行指令的形式，并且用于引擎的硬件可以包括执行这些指令的处理器。下面参照图5说明用于实现所描述引擎的计算***的示例。
在一些实施例中，在校准模型参数之前，可以执行灵敏度分析以从***参数集合中选择高灵敏度参数的子集作为模型校准参数。如图3所示，模型校准***110可以可选地包括灵敏度分析引擎302，其可以确定各个***参数KS1、KS2、...KSns的灵敏度指数S.I.，其中ns是***参数集的大小。基于所确定的灵敏度指数S.I.(KS1)、S.I.(KS2)、...S.I.(KSns)，可以选择***参数K1、...Kn的小子集作为模型校准参数(即，待校准的参数)，其中n是模型校准参数集的大小(n＜ns)。灵敏度分析引擎302可以改进对每个***参数对***动态行为影响的定量理解。灵敏度分析可以确保优化引擎集中在具有较高灵敏度指数的参数上。因此可以降低优化复杂度，使得优化算法更有效地收敛到最优参数值。
灵敏度分析引擎302可以采用各种技术，包括当前已知或可用的技术。通常使用的技术基于轨迹灵敏度算法，其中灵敏度水平可以被确定为轨迹的扰动输入输出比的总和。然而，这种技术可能对确定每个***参数的搜索范围提出挑战。如果范围太大而不能用于校准，则灵敏度分析可能没有意义。例如，虽然***参数KSi可以采取[0，100]内的值，但是有用值可以是大约1(局部属性)。在这种情况下，远离1的探索可能是无意义的，即使它可能显着地影响模拟。因此，算法可能错误地将不稳定情况视为高灵敏度。
根据公开的实施例，灵敏度分析引擎302可以通过使用为每个***参数KSi的M个不同值生成的电力***的线性***模型运行模拟来确定各个***参数的灵敏度指数，在每个实例中保持其余***参数不变。M个不同值可以分布在相应***参数KSi的稳定范围内。可以通过测量线性***模型的模型输出Y线性与从测量装置获得的实际电力***输出Y测量之间的平均时域误差来确定在单独参数KSi的每个值(在所选择的M个值中)处的灵敏度指数(S.I.)，如以下给出的：
其中Tp表示时间步长，N表示时间步长的总数，并且其中Y线性和Y测量可以包括诸如电压、频率、有功功率、无功功率等的量的向量表示。
为了帮助选择模型校准参数，可以将使用等式(1)确定的灵敏度分析指数绘制在条形图上。选择可以基于灵敏度指数的阈值。或者，可以预定义要选择的模型校准参数的数量(例如，每个发电机子***的固定数量的模型校准参数)，使得选择具有最高灵敏度指数值的参数用于校准。
图4示出了根据本公开的各方面的由模型校准***(例如模型校准***110)执行以针对电力***100校准电力***模型402的方法的示例实施例。所描述的方法可被用于使用例如如上描述的灵敏度分析引擎来校准被识别为高灵敏度参数的***参数的子集。在一些实施例中，可以省去灵敏度分析步骤，并且可以执行所描述的方法来校准***参数的完整集合。为了清楚起见，使用所描述方法(具有或不具有灵敏度分析)校准的参数集合在本文中被称为模型校准参数，由向量K表示。
参考图4，电力***模型402可以包括描述电力***100的非线性***模型。在非限制性示例实现方式中，电力***模型402可被得出为环境(例如，)中电力***100的电磁瞬态(EMT)模型。非线性电力***模型402通常可被表示为：
0＝h(x,u,K)(2b)
其中x表示***状态(例如，组合发电厂状态)，u表示包括所有参考值、负载和干扰的输入信号，f描述电力***动力学，并且h表示电力***模型402的功率流方程。
在每个优化步骤Sk处，可以执行模型近似引擎404以生成根据K(即，模型校准参数向量K中的当前参数值)近似电力***模型402的***模型。在步骤S0，例如可以使用电力***操作者当前使用的现有参数值K初始化来初始化模型校准参数向量K。
根据所描述的实施例，模型近似引擎404可以使用模型校准矢量K来生成线性***模型406，该线性***模型至少局部地在指定的工作点周围近似非线性电力***模型402。在其他实施例中，近似的***模型可以是适度非线性的(例如，在实际范围内是线性的)或者可以是非线性的。可以选择使模型线性化所围绕的指定工作点作为定义电力***的稳定状态的工作点。在实施例中，模型近似引擎404可以与由以下给出的线性***模型一起工作：
y＝Cx+Du(3b)
其中y是模型输出信号(例如，包括电压、频率、有功功率、无功功率等)，并且A、B、C和D是线性函数系数(例如，包括矩阵)。
模型近似引擎404可以生成根据K的线性***406的频域传递函数，由以下给出：
可以执行模型验证引擎408，以针对从实际电力***100获得的测量信号来验证在每个优化步骤Sk处生成的近似的***模型。如图4所示，近似的***模型可以是由模型近似引擎404确定的传递函数G(s，K)定义的线性***模型406。模型验证引擎408可以使用线性***模型406来将动态输入信号u变换为模型输出信号y'。模型验证引擎408可以响应于相同的动态输入信号u，将模型输出信号y'与从测量装置112获得的实际电力***输出信号y进行比较，以确定测量误差。动态输入信号u可以包括参考值、负载和干扰中的一个或多个。模型输出信号y'和实际电力***输出信号y可以被映射到多维的输出空间。该输出空间可以由诸如频率、电压、有功功率和无功功率等的量来定义。
在所描述的实施例中，在每个优化步骤Sk处，模型验证引擎408可被用于通过确定频域中的误差界限γi来确定顺序优化引擎410的目标函数。可以基于相应频率点ωi的测量误差E的范数，在多个离散的频率点上在每个频率点ωi处确定误差界限γi。在这种情况下，例如可以通过应用傅立叶变换将输入信号u、模型输出信号y'和实际电力***输出信号y变换到频域。每个频率点的模型输出信号可以在频域中表示为：
Y′(jωi,K)＝G(jωi,K)U(jωi) (5)
其中Y'和U分别是y'和u的傅立叶变换，ωi是第i个频率点，并且j是复数运算符。
在每个频率点ωi的测量误差E因此可以被确定为：
E(jωi,K)＝Y(jωi)-Y′(jωi,K)＝Y(jωi)-G(jωi,K)U(jωi) (6)
其中Y是y的傅立叶变换。
在所描述的实施例中，将测量误差的频域积分(求和)的2范数度量应用于优化问题，以最小化时域中测量误差的能量(利用Parseval等式)。在可选实施例中，在优化问题中可以利用测量误差的时域积分。
根据所描述的实施例，顺序优化引擎410可以基于由以下给出的目标函数来执行：
minK∑iγi(K) (7a)
γi>0,Kmin≤K≤Kmax (7c)
其中γi表示频率点ωi的误差界限，I表示单位矩阵，(*)表示共轭运算，并且Kmax和Kmin表示模型校准参数的最大和最小参数值。
等式(7a)可以确保顺序优化引擎410在被执行时总是在最小化多个离散频率点ωi上的误差界限γi的总和的方向上调整模型校准参数K。可以基于线性矩阵不等式(LMI)来执行优化，如等式(7b)中所指定的。在该实施例中，等式(7b)中的LMI可以通过应用舒尔补来简化为以下关系：
||Y(jωi)-G(jωi,K)U(jωi)||2≤γi (8)
换句话说，等式(7b)中的LMI确保了每个频率点ωi(RHS)的误差界限γi大于或等于在该频率点ωi(LHS)的实际电力***输出信号Y(jωi.)和线性***模型输出信号Y'(jωi.)之间的差的范数(在这种情况下，2-范数)。误差界限的总和(即Σγi)定义了H2范数，其可定义待由顺序优化引擎410最小化的目标函数。
在替代实施例中，可使用H∞优化方法，其中可将多个频率点上的误差界限的最大值确定为H∞范数，其可定义将由顺序优化引擎410最小化的目标函数。因此，可以基于H∞优化框架来制定LMT。
等式(7c)指定优化约束，其包括误差界限γi的正约束以及模型校准参数K的最大值和最小值。
在每个优化步骤Sk，顺序优化引擎410可以基于误差界限、LMI框架和指定约束，利用LMI解算器执行顺序凸优化算法，以确定模型校准参数的调整参数值K。根据所描述的实施例，顺序优化引擎410可以在最小化H2范数的方向上调整参数值K。在可选实施例中，如上所叙述，顺序优化引擎410可以被配置为在最小化H∞范数的方向上调整值K。
然后，调整后的模型校准参数值K可以形成用于模型近似引擎404的新设计点，以基于电力***模型402生成近似的(例如，线性化的)***模型406，用于下一个优化步骤Sk+1。模型校准参数K的最优值可以通过迭代地执行模型近似、利用测量信号的验证和通过顺序优化的参数调整的步骤来获得，直到满足收敛标准为止。收敛标准可以基于例如连续优化步骤之间的参数值K之间的阈值差。或者，收敛标准可以指定待执行的优化步骤的数量。模型校准参数的最终最优参数值Kopt可以被传递到电力***模型402(例如，等式(2a)和(2b))，从而针对电力***100校准电力***模型402。
在其他方面中，可以使用可以由任何公开的实施例校准的电力***模型402来控制电力***100。校准的电力***模型402可被用于运行模拟以预测电力***100对一个或多个输入场景(例如，包括电力网络干扰、电力网络事故等)的响应。使用校准的电力***模型的模拟可被用于例如设置电力***操作限制，基于该限制，可以使用控制信号(例如来自集中式电力网络控制***)来控制发电机子***106的一个或多个控制器以生成实时控制动作。控制动作可以包括控制与发电机子***106配合的一个或多个电学量，例如端子电压、频率、有功功率等。作为示例，控制动作可以被配置为在负载和/或输入功率不确定的情况下，维持各种发电机子***106的可靠操作，以在发电厂退出的情况下维持电力***100的动态安全性，等等。
图5示出了根据本公开的支持电力***模型在线校准的计算***500的示例。计算***500可形成模型校准***的一部分，诸如模型校准***110。计算***500包括至少一个处理器510，其可以采取单个或多个处理器的形式。处理器510可以包括中央处理单元(CPU)、图形处理单元(GPU)、微处理器或适于执行存储在包括机器可读介质的存储器上的指令的任何硬件装置。计算***500还包括机器可读介质520。机器可读介质520可以采取存储可执行指令的任何非瞬态电子、磁、光或其它物理存储装置的形式，该可执行指令诸如模型近似指令522、模型验证指令524和顺序优化指令526，如图5所示。这样，机器可读介质520可以是例如随机存取存储器(RAM)，诸如动态RAM(DRAM)、闪存、自旋转移矩存储器、电可擦除可编程只读存储器(EEPROM)、存储驱动器、光盘等。
计算***500可以通过处理器510执行存储在机器可读介质520上的指令。执行指令(例如，模型近似指令522、模型验证指令524和顺序优化指令526)可以使计算***500执行这里描述的任何技术特征，包括根据上述的模型近似引擎404、模型验证引擎408和顺序优化引擎410的任何特征。
包括模型近似引擎404、模型验证引擎408和顺序优化引擎410的上述***、方法、装置和逻辑可以以存储在机器可读介质上的硬件、逻辑、电路和可执行指令的许多不同组合的许多不同方式来实现。例如，这些引擎可以包括控制器、微处理器或专用集成电路(ASIC)中的电路，或者可以用分立逻辑或组件，或其它类型的模拟或数字电路的组合来实现，组合在单个集成电路上或分布在多个集成电路之间。诸如计算机程序产品的产品可以包括存储介质和存储在介质上的机器可读指令，当在端点、计算机***或其他装置中执行指令时，使得装置执行根据上述描述中的任一个的操作，包括根据模型近似引擎404、模型验证引擎408和顺序优化引擎410的任何特征的操作。这里描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理装置，或者经由网络(例如因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储装置。
这里描述的***、装置和引擎(包括模型近似引擎404、模型验证引擎408和顺序优化引擎410)的处理能力可以分布在多个***组件之间，例如分布在多个处理器和存储器之间，可选地包括多个分布式处理***或云/网络元件。参数、数据库和其它数据结构可以被分开地存储和管理、可以被合并到单个存储器或数据库中、可以以许多不同的方式在逻辑上和物理上组织，并且可以以许多方式实现，包括诸如链接列表、散列表或隐式存储机制的数据结构。程序可以是单个程序的部分(例如，子程序)、分开的程序、分布在几个存储器和处理器上，或者以许多不同的方式实现，诸如以库(例如，共享库)的方式。
附图的***和过程不是唯一性的。可以根据本公开的原理导出其它***、过程和菜单以实现相同的目的。尽管已经参照特定实施例描述了本公开，但是应当理解，这里示出和描述的实施例和变型仅用于说明目的。在不脱离本公开的范围的情况下，本领域技术人员可以实现对当前设计的修改。
Claims (15)
1.一种用于针对电力***在线校准电力***模型的计算机实现的方法，所述电力***具有连接至电力网络的一个或多个有源发电机子***和安装在所述电力网络中以动态测量与所述有源发电机子***中的每一个相关联的电学量的多个测量装置，所述方法包括：
迭代地执行以下一系列步骤：
基于一组模型校准参数的当前参数值，由一个或多个处理器执行模型近似引擎，以生成近似所述电力***模型的***模型，
由所述一个或多个处理器执行模型验证引擎，用于：
使用所生成的***模型将动态输入信号变换为模型输出信号，以及
从所述测量装置获得多个测量信号，所述测量信号定义了响应于所述动态输入信号而产生的实际电力***输出信号，并且
由所述一个或多个处理器执行顺序优化引擎，以在最小化所述模型输出信号与所述实际电力***输出信号之间的误差的方向上，调整所述模型校准参数的参数值，
由此，基于所得到的模型校准参数的最优值针对所述电力***校准所述电力***模型。
2.根据权利要求1所述的方法，
其中，所述电力***的每个有源发电机子***包括发电机和一个或多个控制器，并且
其中，所述模型校准参数包括所述发电机子***的物理参数和/或所述发电机子***的所述控制器的控制器参数。
3.根据权利要求2所述的方法，其中，所述一个或多个控制器选自由以下各项组成的集合：调速器、电力***稳定器、励磁机和电压调节器。
4.根据权利要求1至3中任一项所述的方法，包括由所述一个或多个处理器执行灵敏度分析引擎，以通过确定各个***参数的灵敏度指数来从所述电力***模型的一组***参数中选择所述模型校准参数作为子集。
5.根据权利要求4所述的方法，其中，单个***参数的灵敏度指数通过以下方式来确定：
对于所述一组***参数中的每个***参数，针对每个***参数的M个不同值，保持剩余的***参数不变，使用所述电力***的线性***模型来运行模拟，其中，该M个不同值被分布在相应***参数的一个稳定范围内，并且
通过测量所述线性***模型的模型输出Y线性与从所述测量装置获得的实际电力***输出Y测量之间的平均时域误差，确定在单独的***参数的每个值处的灵敏度指数，如以下给出的：
其中，Tp表示时间步长，N表示时间步长的总数。
6.根据权利要求1至5中任一项所述的方法，其中，所述动态输入信号包括以下中的一个或多个：参考值、负载和干扰。
7.根据权利要求1至6中任一项所述的方法，其中，所述模型输出信号和所述实际电力***输出信号被分别映射到多维的输出空间，其中，所述输出空间由选自由以下各项组成的组的量来定义：频率、电压、有功功率和无功功率。
8.根据权利要求1至7中任一项所述的方法，其中，在每个步骤中生成的所述***模型是线性***模型，所述线性***模型至少在指定的工作点附近局部地近似所述电力***模型。
9.根据权利要求8所述的方法，其中在每个步骤通过确定频域线性传递函数G(s,K)来生成所述线性***模型，其中，K是表示所述步骤中的模型校准参数的当前参数值的校准参数向量。
10.根据权利要求9所述的方法，其中，待最小化的误差通过以下方式确定：
将所述输出信号和所述实际电力***输出信号变换到频域，以及
确定在多个离散频率点的每一个处的误差界限，所述误差界限是基于在相应频率点处的所述实际电力***输出信号与所述模型输出信号之间的差的范数来确定的。
11.根据权利要求10所述的方法，其中，将多个所述频率点上的所述误差界限的总和确定为H2范数，并且其中，执行所述顺序优化引擎以在最小化所述H2范数的方向上调整所述模型校准参数的参数值。
12.根据权利要求10所述的方法，其中，将多个频率点上的所述误差界限的最大值确定为H∞范数，并且其中，执行所述顺序优化引擎以在最小化所述H∞范数的方向上调整所述模型校准参数的参数值。
13.一种用于控制电力***的方法，包括：
通过根据权利要求1至12中任一项所述的方法，针对所述电力***校准电力***模型，
使用经校准的电力***模型来运行模拟，以预测所述电力***对一个或多个输入情景的响应，以及
通过使用经校准的电力***模型产生基于模拟所确定的控制动作，经由发电机子***的控制器控制电力***的一个或多个发电机子***。
14.一种包括指令的非瞬时计算机可读存储介质，所述指令在由计算***处理时，配置所述计算***以执行根据权利要求1至13中任一项所述的方法。
15.一种电力***，包括：
连接到电力网络的一个或多个有源发电机子***，
多个测量装置，被安装在所述电力网络中，以动态地测量与所述有源发电机子***中的每一个相关联的电学量，以及
模型校准***，用于针对电力***校准电力***模型，所述模型校准***包括：
一个或多个处理器，以及
存储器，存储可由所述一个或多个处理器执行的算法模块，所述算法模块包括：
模型近似引擎，被配置为在一系列步骤中的每个步骤处基于一组模型校准参数的当前参数值来生成近似所述电力***模型的***模型，
模型验证引擎，被配置为在每个步骤处：
使用所生成的***模型将动态输入信号变换成模型输出信号，以及
从测量装置获得测量信号，所述测量装置定义响应于所述动态输入信号而生成的实际电力***输出信号，以及
顺序优化引擎，被配置为在每个步骤处在使所述模型输出信号与所述实际电力***输出信号之间的误差最小化的方向上，调整所述模型校准参数的参数值，
由此，基于通过由所述一个或多个处理器迭代地执行所述一系列步骤而获得的所述模型校准参数的最优值，针对所述电力***校准所述电力***模型。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163181992P | 2021-04-30 | 2021-04-30 | |
| US63/181,992 | 2021-04-30 | ||
| PCT/US2021/052503 WO2022231648A1 (en) | 2021-04-30 | 2021-09-29 | Power system model calibration using measurement data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117242665A true CN117242665A (zh) | 2023-12-15 |
Family
ID=78333297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180097614.4A Pending CN117242665A (zh) | 2021-04-30 | 2021-09-29 | 使用测量数据的电力***模型校准 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4315544A1 (zh) |
| CN (1) | CN117242665A (zh) |
| WO (1) | WO2022231648A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024063819A1 (en) | 2022-09-23 | 2024-03-28 | Siemens Corporation | Online calibration of power system model using time series measurement data |
| CN115422851B (zh) * | 2022-11-04 | 2023-06-30 | 南方电网数字电网研究院有限公司 | 电力***元件模型校准方法、装置、设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9239760B2 (en) * | 2013-10-24 | 2016-01-19 | General Electric Company | Systems and methods for detecting, correcting, and validating bad data in data streams |
| US20200293627A1 (en) * | 2019-03-13 | 2020-09-17 | General Electric Company | Method and apparatus for composite load calibration for a power system |
| US11636557B2 (en) * | 2019-05-29 | 2023-04-25 | General Electric Company | Systems and methods for enhanced power system model validation |
| CN112332459B (zh) * | 2020-10-28 | 2022-11-11 | 国网江苏省电力有限公司 | 一种基于灵敏度分析的多机***调差系数优化方法 |
-
2021
- 2021-09-29 EP EP21798219.8A patent/EP4315544A1/en active Pending
- 2021-09-29 CN CN202180097614.4A patent/CN117242665A/zh active Pending
- 2021-09-29 WO PCT/US2021/052503 patent/WO2022231648A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| EP4315544A1 (en) | 2024-02-07 |
| WO2022231648A1 (en) | 2022-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Event‐triggered control for discrete‐time linear systems subject to bounded disturbance | |
| CN117242665A (zh) | 使用测量数据的电力***模型校准 | |
| US20210133376A1 (en) | Systems and methods of parameter calibration for dynamic models of electric power systems | |
| Zhao et al. | Decentralized nonlinear synergetic power system stabilizers design for power system stability enhancement | |
| Ma et al. | A hybrid dynamic equivalent using ANN-based boundary matching technique | |
| WO2020197533A1 (en) | Surrogate of a simulation engine for power system model calibration | |
| Sinyukova et al. | Neural network speed observers | |
| Milla et al. | Predictive optimized adaptive PSS in a single machine infinite bus | |
| Yahagi et al. | Direct tuning method of gain‐scheduled controllers with the sparse polynomials function | |
| Khazeiynasab et al. | Power plant model parameter calibration using conditional variational autoencoder | |
| Wang et al. | A DRL-aided multi-layer stability model calibration platform considering multiple events | |
| Masrob et al. | Design of a neural network based power system stabilizer in reduced order power system | |
| Vasu et al. | Optimal model approximation of linear time-invariant systems using the enhanced DE algorithm and improved MPPA method | |
| Stadler et al. | Application of dynamic REI reduction | |
| Faraji-Niri et al. | Stochastic stability and stabilization of semi-Markov jump linear systems with uncertain transition rates | |
| CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
| Fang et al. | Improvement of wide‐area damping controller subject to actuator saturation: a dynamic anti‐windup approach | |
| CN113937783B (zh) | 基于模型预测控制的风电场无功电压协调控制方法和装置 | |
| Mishra et al. | Physics-informed transient stability assessment of microgrids | |
| WO2024063819A1 (en) | Online calibration of power system model using time series measurement data | |
| CN114421483A (zh) | 一种解析式概率潮流计算方法、装置及存储介质 | |
| Kim et al. | Low-order robust power system stabilizer for single-machine systems: an LMI approach | |
| Thakallapelli et al. | Development and applicability of online passivity enforced wide-band multi-port equivalents for hybrid transient simulation | |
| Wintermeyer-Kallen et al. | Challenges of applying model-based predictive wind turbine control in the field | |
| Ghouraf et al. | Robust H 2-PSS design based on LQG control optimized by genetic algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |