能源资源综合配电网络中用于电压提升的模型识别

《Smart Energy》：Model Identification for Voltage Improvement in Energy Resources Integrated Distribution Network

电压动态建模与稳定性分析在光伏并网配电网中的应用研究。提出基于数值子空间状态空间系统识别（N4SID）和神经网络（NN）的模型识别方法，通过实验微电网和IEEE 37节点系统仿真验证，表明N4SID模型在拟合精度（达92.7%）和稳定性分析（主导极点跟踪）方面优于传统ARX、阻抗基模型及神经网络方法，且能物理可解释，为提升可再生能源渗透电网的电压调节和稳定性评估提供实用路径。

　　在现代电力系统中，随着可再生能源技术的迅速发展，尤其是分布式光伏发电（PV）和电池储能系统（BESS）的广泛应用，对配电网（DN）的电压调节和稳定性评估提出了新的挑战。传统的电力系统模型和控制策略在面对这些新兴技术带来的动态变化时，往往表现出一定的局限性。因此，研究如何有效建模和分析这些系统的动态特性，成为当前电力工程领域的重要课题。本文旨在探讨一种新的模型识别方法，以更准确地捕捉由逆变器控制输入变化引起的电压波动，并评估其在提高配电网电压稳定性和调节能力方面的有效性。

### 研究背景与意义

随着大规模分布式光伏系统和电池储能系统的集成，配电网的运行特性变得更加复杂。这些可再生能源设备的接入，使得配电网面临诸如电压上升、频率波动和功率失衡等问题。特别是在高太阳发电量和低负荷需求的情况下，电压上升可能对电网设备造成损害，影响系统的安全运行。传统的集中式控制策略虽然在精度上具有优势，但往往需要详细的网络模型和高带宽通信系统，这在实际部署中存在一定的限制。相比之下，分布式控制策略，如基于电压-功率（VWC）和电压-无功（VVC）的控制方法，虽然减少了通信需求，但其固定曲线或启发式方法在面对快速变化的光伏发电条件时，可能无法有效应对。

因此，有必要开发一种能够适应复杂网络动态特性的模型识别方法。本文提出了一种结合子空间状态空间系统识别（N4SID）和传递函数（TF）建模的方法，以更准确地表示电压动态变化。该方法通过实验数据和仿真数据进行验证，并与传统的模型识别方法进行对比，以评估其在实际系统中的表现。

### 研究方法与技术

在本文中，我们采用N4SID算法来识别电压动态模型。N4SID是一种用于从输入-输出数据中识别线性、时不变（LTI）状态空间模型的算法，适用于多种网络结构和控制策略。此外，我们还比较了基于神经网络（NN）的模型识别方法，包括使用MATLAB工具箱进行的NN建模和基于差分对数求和指数（DLSE）的NN结构。这两种方法各有优劣，其中N4SID在模型精度和稳定性分析方面表现更优，而基于NN的方法则在处理非线性动态和噪声数据时更具鲁棒性。

为了评估模型的准确性，我们使用了多个指标，包括相关系数（R）和均方误差（MSE）。相关系数R用于衡量模型输出与目标输出之间的线性关系，其值越接近1，表示模型越准确。均方误差MSE则用于评估模型的预测误差，数值越小表示模型越精确。通过这些指标，我们可以对不同模型的性能进行量化分析。

此外，我们还使用了主导极点分析（dominant pole analysis）来评估模型的稳定性。主导极点是系统动态响应的主要因素，其位置和变化可以反映系统的稳定性和振荡特性。通过分析主导极点的变化，我们可以更好地理解系统在不同控制策略下的行为，并为控制器设计提供指导。

### 实验与仿真

在实验部分，我们使用了一个包含光伏系统、电池储能系统和可变负载的微电网进行测试。该微电网的结构基于Ricerca sul Sistema Energetico（RSE）的测试设施，具有800 kVA变压器，能够支持岛式和并网运行。我们通过改变电池储能系统的有功和无功功率，来观察其对节点电压的影响，并利用N4SID和NN方法进行建模。实验数据显示，N4SID方法在电压变化的建模方面表现出更高的精度，其MSE值显著低于基于MATLAB NN工具的模型。

在仿真部分，我们使用了IEEE 37节点配电网模型，模拟了在不同负载曲线和太阳能辐射条件下的电压动态变化。通过将光伏系统和电池储能系统接入该配电网，并应用不同的控制策略（如VWC和VVC），我们评估了系统在不同条件下的稳定性。仿真结果表明，N4SID方法在建模精度和主导极点分析方面具有明显优势，能够更准确地捕捉电压变化的动态特性，并为系统稳定性提供直观的分析。

### 结果与讨论

通过实验和仿真数据的对比分析，我们可以得出以下结论：

1. **N4SID方法在建模精度方面表现优异**：N4SID方法能够更准确地表示电压动态变化，其相关系数（R）值接近1，均方误差（MSE）也显著低于基于MATLAB NN工具的模型。这表明N4SID方法在处理实际微电网数据时，具有更高的可靠性和准确性。

2. **主导极点分析揭示了系统稳定性特征**：通过分析主导极点的位置变化，我们发现，在光伏系统功率注入较低时，主导极点更接近虚轴，这表明系统的阻尼能力下降，存在振荡风险。而在光伏系统功率注入较高时，主导极点的位置变化较小，系统表现出较好的稳定性。

3. **基于NN的方法具有良好的适应性**：尽管基于NN的方法在建模精度上略逊于N4SID，但其在处理非线性动态和噪声数据时表现出更强的鲁棒性。这使得NN方法在某些复杂条件下更具优势。

4. **VWC和VVC控制策略的影响**：在光伏系统和电池储能系统的控制中，VWC和VVC策略对系统稳定性的影响不同。VVC策略在低光伏功率注入时，能够更有效地调整无功功率，从而减少电压波动。而VWC策略则在高光伏功率注入时，表现出更好的稳定性。

5. **模型的多相能力**：N4SID和基于NN的方法能够处理多相电压动态变化，这对于现代微电网的复杂运行条件具有重要意义。相比之下，传统的ARX和ARMAX模型在多相动态建模方面存在局限性。

### 实际应用与未来研究方向

本文提出的方法在实际应用中具有重要的意义。首先，它为电力系统运营商和微电网设计者提供了一种实用的工具，用于分析和预测在不同功率注入条件下电压的变化。其次，通过准确的模型识别和主导极点分析，该方法能够指导控制器的设计和调优，提高电压稳定性和系统可靠性。此外，该方法还支持实时决策，使得在智能电网环境中能够更高效地管理分布式能源资源（DER）的接入。

未来的研究方向包括：扩展模型识别方法，使其能够处理非线性和时变系统的动态特性；将随机负荷和发电曲线纳入模型中，以提高其在复杂环境下的适应性；以及在更大、更复杂的配电网中进行验证，以评估其在实际部署中的效果。此外，还可以进一步研究如何动态调整控制策略，以限制电压波动并提高系统的整体性能。

### 总结

本文提出了一种结合N4SID和NN方法的模型识别框架，用于捕捉由逆变器控制输入变化引起的电压动态变化。通过实验和仿真数据的验证，该方法在建模精度和稳定性分析方面表现出显著的优势。特别是在处理高可再生能源渗透率的配电网时，该方法能够提供更准确的模型和更直观的稳定性分析，为电力系统的设计和运行提供了重要的支持。此外，该方法还具有良好的适应性和鲁棒性，能够应对复杂的运行条件，如非线性动态和噪声干扰。未来的研究将进一步探索该方法在更大规模系统中的应用，并结合先进的控制策略，以提高系统的整体性能和可靠性。