基于改進Canopy-FCM的光伏電站動態(tài)特性聚類算法

郭易鑫 韓 霞 倪光捷 賀鵬遠 孫惠娟

1(國網(wǎng)山西省電力公司 山西 太原 030021) 2(國網(wǎng)信通億力科技有限責任公司 福建 福州 350003) 3(福建網(wǎng)能科技開發(fā)有限責任公司 福建 福州 350003) 4(華東交通大學 江西 南昌 330000)

0 引 言

隨著全球化石能源的逐漸枯竭，可再生能源已受到人們的廣泛關注。大型光伏電站并網(wǎng)建設成為全世界發(fā)展的趨勢[1]。光伏發(fā)電系統(tǒng)通過具有快速響應特性的電力電子器件實現(xiàn)功率輸出，其動態(tài)特性完全取決于逆變器及其控制系統(tǒng)的性能。隨著電網(wǎng)磁導率的增加，電網(wǎng)的動態(tài)特性會發(fā)生變化[2-4]，進而影響電網(wǎng)的安全穩(wěn)定運行和故障后保護裝置的配置。因此，對并網(wǎng)光伏電站進行精確建模和動態(tài)性能分析具有重要意義。

詳細的設備級模型[5-7]可以精確地模擬光伏電站的動態(tài)特性。然而，該電站包含了大量的電力電子設備，詳細模型過于復雜且求解效率不高。為此，研究人員對光伏電站等效建模進行了大量的研究。文獻[8]在所有光伏電池的工作模式和負荷分布相同的條件下，得到了光伏電站的雙機等效模型。文獻[9-10]在所有逆變器類型相同的理想情況下，建立了光伏電站等效模型。考慮到光伏電站逆變器種類繁多，負荷分布不均，文獻[11]將并網(wǎng)逆變器的控制參數(shù)和濾波參數(shù)作為聚類指標，計算它們之間的距離，具有相似距離的光伏單元被合并到一個等效體中。文獻[12]基于K-means聚類算法的聚類指標考慮了靈敏度問題，有效地提高了聚類精度。此外，光伏電站的動態(tài)性能也會受到特殊裝置的影響。考慮到逆變器中同步功率控制裝置的動態(tài)特性，文獻[13]提出了一種大型光伏電站等效模型。文獻[14]基于有功、無功的自適應控制方法估計了逆變器與電網(wǎng)之間的等效電阻和電抗，可用于光伏電站聚類后等效建模。

大多數(shù)光伏電站的動態(tài)特性主要由逆變器及其控制回路決定[15]。逆變器的控制參數(shù)和濾波參數(shù)對光伏電站的動態(tài)特性起著重要的作用。對光伏電站進行聚類時，聚類參數(shù)歐氏距離較小的光伏機組往往被歸為一類，聚類結果不準確。一些學者采用更復雜的K-means和FCM算法進行聚類，以提高聚類的準確性。由于初始聚類中心的隨機選擇和聚類的數(shù)目可能導致算法陷入局部最優(yōu)，需要對聚類結果進行重復驗證，增加了計算復雜度。為了在不損失精度的前提下減小計算規(guī)模，迫切需要探索更能準確表征光伏電站動態(tài)性能的聚類參數(shù)。同時，有必要研究和應用更有效的聚類方法。

本文深入分析了并網(wǎng)光伏電站的建模方法和控制策略原理，通過推導控制系統(tǒng)的傳遞函數(shù)，確定了并網(wǎng)光伏電站的聚類參數(shù)。首先，采用Canopy算法處理初始聚類中心的數(shù)據(jù)和聚類數(shù)目。然后，結合傳統(tǒng)的FCM聚類算法得到聚類結果。接著，使用等效方法對一個類別中的PV單元進行建模。最后，通過仿真實例，比較了等效模型和詳細模型在不同故障條件下的動態(tài)特性，驗證了本文所提的大型光伏電站等效建模方法的有效性。

1 并網(wǎng)光伏發(fā)電的聚類指標

1.1 并網(wǎng)光伏發(fā)電的數(shù)學模型

大型光伏電站設備眾多，元件性能各異，典型的并網(wǎng)光伏電站結構如圖1所示。為了實現(xiàn)太陽能的有效利用，并網(wǎng)逆變器經(jīng)常采用MPPT單元功率因數(shù)控制來實現(xiàn)有功功率的最大輸出。為了便于分析，將三相靜態(tài)abc坐標系中的數(shù)學模型轉(zhuǎn)換為同步旋轉(zhuǎn)dq軸上的模型[16]。典型的控制策略如圖2所示。其中：R和T分別表示照明強度和溫度。采用單電感濾波輸出[17]，Lf為濾波電感，if為流過濾波電感的電流，則ug為電網(wǎng)側(cè)電壓，ui為逆變器交流側(cè)電壓，r為等效電阻，計及濾波電感內(nèi)阻和逆變器開關。

圖1 并網(wǎng)光伏電站的結構

圖2 逆變器控制策略示意圖

頻域內(nèi)逆變器的輸出電壓方程為：

(1)

圖3中，系統(tǒng)模型耦合在d、q軸上。為了便于控制系統(tǒng)的設計，采用了前饋解耦策略削弱耦合。在逆變器的交流側(cè)，分別將-Lfωifq和-Lfωifd添加到d軸和q軸中，以抵消耦合項。解耦后的系統(tǒng)模型為兩個獨立的等效部分，如圖4所示。

圖3 并網(wǎng)光伏系統(tǒng)模型

圖4 解耦后的系統(tǒng)模型

由于逆變器的開關頻率遠大于電網(wǎng)頻率，逆變器的放大特性可以用比例增益kpwm表示[18]。采用電壓前饋補償，消除電網(wǎng)電壓對并網(wǎng)電流控制的不利影響。解耦后的電流環(huán)d軸控制結構如圖5所示。

圖5 電流環(huán)的控制結構

PI調(diào)節(jié)器的傳遞函數(shù)為：

(2)

因此，電流環(huán)的閉環(huán)傳遞函數(shù)如下：

(3)

由于電流環(huán)的閉環(huán)傳遞函數(shù)在d軸和q軸上是一致的，本文僅對d軸電流的動態(tài)特性進行了分析。等效電阻r相對較小，可忽略不計。

1.2 聚類指標的選擇方法

完成不同光伏單元的聚類是光伏電站等效建模的前提。并網(wǎng)逆變器的控制參數(shù)能在一定程度上反映系統(tǒng)的動態(tài)特性，但逆變器的控制參數(shù)和濾波參數(shù)未知，僅以控制參數(shù)作為聚類指標的聚類方法不嚴格。當給出各參數(shù)的靈敏度系數(shù)和權重系數(shù)以區(qū)分不同參數(shù)對動態(tài)性能的影響程度時，也存在仿真誤差和人工判斷誤差。系統(tǒng)傳遞函數(shù)是對其動態(tài)特性最直觀的數(shù)學表達。通過推導并網(wǎng)光伏系統(tǒng)的傳遞函數(shù)，建立了等效聚類指標，并通過算例比較，驗證了等效聚類指標的有效性。由式(3)得到的d軸閉環(huán)傳遞函數(shù)的零點和極點如下：

(4)

隨機改變kp、ki和Lf值后，零點和極點的分布如表1所示。在表1中，第2、第3和第4組僅在kp、ki和Lf上與第1組不同，其他參數(shù)相同，但系統(tǒng)中零點和極點的分布差異很大。第5組kp、ki和Lf值與第1組差異較大，但它們的零點和極點分布幾乎相同。根據(jù)五組數(shù)據(jù)表示的傳遞函數(shù)，繪制相應系統(tǒng)的單位階躍響應曲線，如圖6所示。由圖6可知，具有相似零點和極點的系統(tǒng)具有相似的動態(tài)響應曲線。

表1 系統(tǒng)零極點分布

圖6 系統(tǒng)動態(tài)響應曲線

上述分析表明，系統(tǒng)閉環(huán)傳遞函數(shù)的零、極點與其動態(tài)特性密切相關。本文采用閉環(huán)傳遞函數(shù)的零極點表達式作為聚類指標對并網(wǎng)光伏系統(tǒng)進行聚類，對于上述描述系統(tǒng)，聚類指標是一個三維向量，即X=[x1，x2，x3]，其中:

(5)

2 聚類算法與等效模型

2.1 傳統(tǒng)FCM算法

FCM算法以樣本點到聚類中心的歐氏距離之和為目標函數(shù)，建立滿足約束條件的迭代方程，根據(jù)隸屬度矩陣確定樣本屬性。假設有n個樣本[x1,x2,…,xn]，每個樣本空間的維數(shù)為s，傳統(tǒng)FCM算法中，首先確定c個初始聚類中心[v1,v2,…,vn]，(c

(6)

式中：uij表示第j個樣本相對于第i個聚類中心的隸屬度值。m是模糊系數(shù)，通常取2。dij=‖xj-vi‖表示從第j個樣本到第i個聚類中心的歐氏距離。采用拉格朗日乘子法求出式(6)的極值，隸屬度和聚類中心的迭代公式分別為：

(7)

(8)

迭代計算式(7)和式(8)，直到迭代誤差滿足‖v(k+1)-vk‖<ε(k為迭代次數(shù))，停止迭代，輸出聚類中心和隸屬度矩陣，將每個樣本的最大隸屬度值對應的聚類中心作為樣本的歸屬屬性，得到聚類結果。

2.2 Canopy-FCM算法

傳統(tǒng)FCM算法的初始聚類中心是隨機生成的。如果初始聚類中心選擇不合理，算法很容易陷入局部最優(yōu)解。此外，還對FCM的聚類數(shù)目進行了人為確定。在圖7中，聚類的數(shù)量被設定為2，并且所有數(shù)據(jù)被分為兩類。點K和兩個聚類中心之間的距離分別為d1和d2，d1

圖7 FCM聚類示例圖

圖8 初始聚類過程示意圖

Canopy算法的具體步驟如下：

(1) 獲取初始聚類數(shù)據(jù)集M，確定兩個距離閾值T1和T2，使T1>T2。T1和T2通過交叉檢驗方法確定。

(2) 從M中隨機選擇一個未分類的數(shù)據(jù)點P作為聚類中心。計算M中其他數(shù)據(jù)點到P點的歐氏距離d。

(3) 如果d≤T2，將數(shù)據(jù)點和P點歸為一類，從M中刪除數(shù)據(jù)點；如果T1≤d≤T2，將數(shù)據(jù)點和P點歸為一類，并保留該數(shù)據(jù)點。

(4) 重復步驟(2)和步驟(3)，直到M為空。數(shù)據(jù)經(jīng)Canopy算法預處理后，用FCM進行聚類。這避免了盲目選擇初始聚類中心和聚類數(shù)目，并大大降低了計算復雜度。

2.3 光伏系統(tǒng)的聚類與等效模型

完成光伏系統(tǒng)聚類后，需要將光伏單元等效處理。參考文獻[19]描述的等效后計算系統(tǒng)參數(shù)的方法。聚類和等效過程如圖9所示。

圖9 聚類和等效流程圖

在對光伏電站的等效性進行重新計算后，建立了光伏電站的等效模型。將等效模型的動力響應特性曲線與原模型進行比較。為了量化動態(tài)響應曲線的固有誤差，建立誤差量化指標，其計算式表示為：

(9)

3 實驗與結果分析

3.1 算例介紹

為了驗證上述聚類和等價方法，本文在PSCAD/EMTDC平臺上建立了一個2 MW光伏電站的詳細模型。光伏電站共有15個光伏陣列，容量130 kW。光伏陣列通過逆變器、變壓器和電纜連接至PCC點，通過單回架空線路送至110 kV變電站，然后通過架空線路連接至電網(wǎng)。并網(wǎng)逆變器采用MPPT單位功率因數(shù)控制策略。聚類后建立光伏電站多機等效模型，如圖10所示。等效對象的數(shù)量隨聚類指標和聚類方法的不同而變化。各光伏機組的基本參數(shù)及等效聚類指標見表2。

圖10 并網(wǎng)光伏電站的仿真模型

表2 光伏機組基本參數(shù)

續(xù)表2

3.2 聚類結果

為了驗證本文提出的聚類指標和聚類方法的正確性，本文采用以下四種方法對上述實例系統(tǒng)進行聚類：

方法1：選取逆變器控制參數(shù)kp、ki和濾波參數(shù)Lf作為聚類指標，采用傳統(tǒng)的FCM算法進行聚類，聚類數(shù)目被人為設置為2，隨機選擇初始聚類中心。

方法2：選取逆變器控制參數(shù)kp、ki和濾波參數(shù)Lf作為聚類指標，采用Canopy-FCM算法進行聚類。

方法3：選擇基于系統(tǒng)閉環(huán)傳遞函數(shù)的零點和極點獲得的等價聚類指標，采用傳統(tǒng)的FCM算法進行聚類，聚類數(shù)目定為2。

方法4：基于系統(tǒng)閉環(huán)傳遞函數(shù)的零極點獲得的等價聚類指標，采用Canopy-FCM算法進行聚類。

為了得到比較可靠的結果，在使用FCM算法進行聚類時，本文多次運行程序，直到兩次運行的結果相同。聚類結果如表3所示。

表3 聚類結果

無論使用哪種聚類指標，Canopy-FCM算法都將第5組數(shù)據(jù)判斷為離群值，這些離群值聚集成一個組，整個光伏系統(tǒng)聚集成三個組。由表3可知，初始聚類中心的隨機選擇導致程序運行次數(shù)大量增加。

3.3 仿真分析

根據(jù)聚類結果，在PSCAD中建立了四種聚類方法對應的光伏電站等效模型。此外，建立了詳細模型進行比較。

3.3.1三相短路

系統(tǒng)工作正常，在2 s時，PCC點發(fā)生三相短路，0.1 s后短路消除。系統(tǒng)有功和無功功率的變化如圖11所示。

(a) 有功功率

(b) 無功功率圖11 功率曲線

在圖11中，基于等效聚類指標和Canopy-FCM聚類算法的等效模型在三相短路情況下的功率變化曲線更接近于原模型。從模擬操作的2 s到3 s，等距采樣50個點。通過式(9)計算了等效模型與詳細模型之間的有功功率和無功功率誤差。為了證明該算法在效率上的優(yōu)越性，記錄的系統(tǒng)運行時間包括聚類時間和仿真時間。對于使用FCM算法的聚類，聚類時間是多次運行時間的總和，結果見表4。

表4 三相短路情況下的誤差和運行時間

方法2的等效模型誤差小于方法1，說明Canopy-FCM聚類方法具有較好的聚類效果。方法3中等效模型的誤差小于方法1，說明等效聚類指標比原聚類指標更有效。方法4將等效聚類指標與Canopy-FCM聚類方法相結合，建立的模型誤差相對較小。此外，可以看出，模型經(jīng)過聚類和等價后，可以大大縮短仿真時間。在總體運行時間上，Canopy-FCM算法優(yōu)于FCM算法，進一步驗證了本文提出的聚類指標和聚類方法在提高仿真效率的同時，在一定程度上減小了聚類誤差，提高了等效模型的精度。

3.3.2單相短路

為了驗證模型在不對稱故障下的有效性，在系統(tǒng)中加入了單相短路故障擾動。系統(tǒng)運行正常至2 s時，PCC點發(fā)生單相短路(A相)，0.1 s后故障消除。A相的電壓和電流如圖12所示。與三相故障類似，在單相故障情況下，用方法4建立的等效模型的A相電壓、電流曲線與原模型更加一致。仿真誤差及運行時間見表5。結果再次表明了本文所提聚類指標和聚類方法在仿真精度和運行時間上的優(yōu)越性。

(a) A相電壓

(b) A相電流圖12 電壓曲線和電流曲線

表5 單相短路情況下的誤差和運行時間

3.3.3電壓干擾

為了分析本文提出的聚類指標和聚類方法在小擾動下的有效性，將電壓擾動應用于穩(wěn)定運行系統(tǒng)。系統(tǒng)正常運行至2 s時，PCC點電壓從10 kV降至9 kV，0.3 s后恢復正常。光伏系統(tǒng)有功功率輸出的變化如圖13所示。從模擬操作的1.9 s到2.5 s，等距采樣50個點，所得誤差和運行時間如表6所示。

圖13 有功功率曲線

表6 電壓擾動情況下的誤差和運行時間

通過對有功功率曲線誤差和運行時間的比較，證明了本文提出的聚類指標和聚類方法在小擾動情況下的有效性。

綜上所述，與傳統(tǒng)的聚類指標和FCM聚類算法相比，本文提出的表征光伏系統(tǒng)動態(tài)特性的參數(shù)選取方法更加科學。Canopy-FCM算法避免了初始聚類中心和聚類數(shù)目的盲目選擇。基于等效聚類指標和Canopy-FCM算法的光伏電站等效模型能更準確地描述不同類型擾動下光伏電站的動態(tài)特性。

4 結 語

本文詳細介紹了光伏并網(wǎng)發(fā)電系統(tǒng)的數(shù)學建模方法，基于并網(wǎng)逆變器及其控制系統(tǒng)的數(shù)學模型，建立了基于閉環(huán)傳遞函數(shù)零極點表達式的等效聚類指標。通過仿真驗證了所選指標的合理性。為了改善傳統(tǒng)的FCM聚類算法，采用低復雜度的Canopy算法生成FCM聚類的初始聚類中心和聚類數(shù)目，從而提高聚類精度，減少計算量。

算例結果表明，本文建立的等效聚類指標能夠更準確地表征光伏電站的動態(tài)性能。與傳統(tǒng)的FCM聚類算法相比，本文提出的Canopy-FCM算法避免了聚類中心和聚類數(shù)隨機選擇的缺陷。為了簡化分析，本文建立的等效聚類指標是基于MPPT單位功率因數(shù)控制策略的光伏并網(wǎng)逆變器。對于其他控制策略，可以使用類似的方法進行分析。本文在研究光伏電站的聚類指標時，進行了部分簡化，后續(xù)可進行更加詳細的分析。