1.基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于,所述方法包括以下步骤:
步骤(1)建立与SVG实测曲线运行环境相同的SVG接入单机无穷大系统的等值数学模型;
步骤(2)利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度,探究不同观测量下的轨迹灵敏值,设定阈值,筛选出轨迹灵敏度大于设定阈值的参数;
步骤(3)分析筛选出的各个参数对于故障特性的影响;
步骤(4)根据参数对故障特性的影响,使用网格搜索法对各参数进行分段初步辨识,缩小参数范围;
步骤(5)初步辨识后,缩小参数范围,使用粒子群算法对参数进行精确辨识,得到最优参数辨识结果。
2.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:分析筛选出的各个参数对于故障特性的影响,具体为:分别针对参加辨识的每个参数,确定参数上下限及步长,参数从下限开始,每次按固定步长增加,直至上限,记录每一次参数增加时,输出无功功率曲线和电流曲线的变化,对比各无功曲线和电流曲线在参数变化时的变化情况,观察每个参数主要影响的是曲线哪一个分段,探究各个参数对故障特性的影响,确定分别使用仿真结果曲线的哪一段值来辨识各参数;通过分析参数对故障特性的影响,有针对性的取出曲线的某段进行参数辨识,提高辨识精度。
3.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:所述的使用网格搜索法,具体为:将各个参数可能的取值进行排列组合,列出所有可能的组合结果生成“网格”,然后对各组合进行表现评估,找到最佳参数组合;采用网格搜索的方法,确定参数范围及步长后,计算选定参数在不同取值时仿真曲线与实测曲线的分段曲线误差,能够使得计算误差最小的参数值即是初步辨识结果,通过初步辨识结果得到精确辨识的参数范围。
4.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:所述的分段初步辨识,具体为:选定曲线不同分段来辨识各参数;采用的目标函数为:RTDS实测无功和BPA仿真无功的误差平方函数:
式中,EZ为误差计算结果t0和t1为计算误差的起始时间和结束时间,Qbase为实测的RTDS无功数据,Qtest为仿真的BPA无功数据。
5.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:SVG实测曲线为RTDS实测曲线,所使用的仿真工具PSD‑BPA。
6.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度,探究不同观测量下的轨迹灵敏值;具体为:设置短路故障,进行暂态计算,记录接有SVG母线处的无功曲线,电流曲线以及电压曲线;将选定参数在初始值的基础上增加5%,再一次进行暂态计算,得到输出曲线,然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度,计算公式如下:式中: 分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度,N为采样点个数,Q0,I0,U0分别为参数取初始值时得到的无功值、电流值、电压值,Q1,I1,U1分别为参数在初始值的基础上增加5%得到的无功值、电流值、电压值。
7.根据权利要求1所述的基于参数故障特性的SVG动态参数分段优化辨识方法,其特征在于:所述的初步辨识后,缩小参数范围,使用粒子群算法对参数进行精确辨识,具体为:初步辨识参数后,以初步辨识参数的0.9到1.1作为第二次辨识的参数范围,选择辨识参数个数,再使用粒子群算法,对筛选及初始辨识后通过辨识的参数进行综合辨识。