本發明屬于光伏發電技術領域，特別涉及一種大型光伏電站直流系統過電壓風險指數預測方法。

背景技術：

電力系統中光伏發電設備的接入為電網帶來更多的諧波，如何根據光伏電池運行特點進行光伏電站直流系統過電壓風險指數預測評估，使光伏發電系統能夠安全、穩定、高效運行，以往光伏電站直流系統過電壓風險指數計算方法的特點是忽略光伏與配電網間的相互作用關系，由區域電網或光伏發電系統內各個系統獨立進行諧波過電壓分析，不能有效利用電網和光伏發電運行數據資源，評估準確度和光伏利用效率不高。

有鑒于此，本發明提供一種大型光伏電站直流系統過電壓風險指數預測方法，以滿足實際應用需要。

技術實現要素：

本發明的目的是：為克服現有技術的不足，本發明提供一種大型光伏電站直流系統過電壓風險指數預測方法，從而獲得大型光伏電站直流系統過電壓風險指數。

本發明所采用的技術方案是：一種大型光伏電站直流系統過電壓風險指數預測方法，其特征在于，包括如下步驟：

步驟1：建立大型光伏電站直流系統過電壓風險指數演化系統時間序列：

在固定時間間隔對并網點總電壓、并網點基波電壓、基波電壓變化率、溫度、光照進行測量，定義如下大型光伏電站直流系統過電壓風險指數：

則，在一系列時刻tgu₁,tgu₂,...,tgu₃，n為自然數，n＝1,2,…，得到并網點總電壓ugu、并網點基波電壓bugu、基波電壓變化率dbugu、溫度Tgu、光照sgu測量值：

步驟2：數據歸一化處理：

設測量數據為gux_i，(i＝1,2,...,k_5n，)k_5n為公式(1)中測量數據個數，為統一數據量綱和變化范圍，對數據進行如下歸一化處理：

式(2)中，gux_max、gux_min分別為輸入量的上下界；

步驟3：測量數據的支持向量機算法處理：

步驟3.1建立帶有懲罰因子和約束函數目標函數：

y_gu＝minf_mb(ygux_i)+gc_f(ygux_i)+r_ys(ygux_i) (3)

式(3)中，ygux_i為w_5n個優w化_n變yg量ux，_i(i＝1,2,...,w_5n)，f_mb(ygux_i)為目標函數，g_cf(ygux_i)為目標函數的懲罰因子，r_ys(ygux_i)為目標函數的約束項，y_gu即為大型光伏電站直流系統過電壓風險指數；

步驟3.2：支持向量機算法核函數的選取：

根據數據特點，經過分析比較，選取高斯徑向基核函數為該算法的核函數，其定義如下：

式(4)中，|ygux_j-ygux_i|為兩個向量間的距離，σ為不等于零的常數，j＝1,2,...,w_5n；

步驟3.3：基于蟻群算法的支持向量機參數尋優：

粒子當前結點i到下一節點j的狀態轉移概率p_i,j的計算公式為：

式(5)中，I為當前螞蟻能選擇的節點，下標i表示為當前螞蟻能選擇的元素，分別為i、j及i、s元素間的啟發信息值，τ_i,j、τ_i,s為i、j及i、s兩元素間的信息素濃度，B為啟發因子；

采用實時信息素更新，在每一只螞蟻選擇某個節點后，該節點的信息素進行如下更新：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀ (6)

式(6)中，τ₀為信息素初始值，ρ為[0,1]區間上的可調參數；

步驟4：大型光伏電站直流系統過電壓風險指數計算：

根據尋優參數構建大型光伏電站直流系統過電壓風險指數最優支持向量機模型，將數據輸入模型中，即可求解得到大型光伏電站直流系統過電壓風險指數預測值y_gu。

本發明的有益效果是：本發明為光伏電網提供了一種大型光伏電站直流系統過電壓風險指數預測方法，對配電網及其光伏發電系統運行參數及氣象環境參數進行實時監測，并根據監測參數對光伏電站直流系統過電壓風險指數進行預測計算，根據計算結果實時地對光伏發電系統及配電網進行控制，能夠有效避免配電網系統因光伏電站接入帶來的諧波過電壓等問題，顯著提高配電網電力系統在光伏系統接入后的可靠性與經濟性。

附圖說明

圖1為本發明實施例的預測流程圖。

具體實施方式

為了更好地理解本發明，下面結合實施例進一步闡明本發明的內容，但本發明的內容不僅僅局限于下面的實施例。本領域技術人員可以對本發明作各種改動或修改，這些等價形式同樣在本申請所列權利要求書限定范圍之內。

如圖1所示，本發明實施例提供的一種大型光伏電站直流系統過電壓風險指數預測方法，步驟如下：

步驟1：建立大型光伏電站直流系統過電壓風險指數演化系統時間序列：

在固定時間間隔對并網點總電壓，并網點基波電壓，基波電壓變化率，溫度，光照進行測量，定義如下大型光伏電站直流系統過電壓風險指數：

則，在一系列時刻tgu₁,tgu₂,...,tgu₃(n為自然數，n＝1,2,…)得到并網點總電壓ugu，并網點基波電壓bugu，基波電壓變化率dbugu，溫度Tgu，光照sgu測量值：

步驟2：數據歸一化處理

設測量數據為gux_i，(i＝1,2,...,k_5n)，k_5n為公式(1)中測量數據個數，為統一數據量綱和變化范圍，對數據進行如下歸一化處理：

其中，gux_max、gux_min分別為輸入量的上下界。

步驟3：測量數據的支持向量機算法處理

步驟3.1建立帶有懲罰因子和約束函數目標函數：

y_gu＝minf_mb(ygux_i)+g_cf(ygux_i)+r_ys(ygux_i) (3)

其中，式中ygux_i(i＝1,2,...,w_5n)為w_5n個優化變量，f_mb(ygux_i)為目標函數，g_cf(ygux_i)為目標函數的懲罰因子，r_ys(ygux_i)為目標函數的約束項，y_gu即為大型光伏電站直流系統過電壓風險指數。

步驟3.2：支持向量機算法核函數的選取

根據本專利數據特點，經過分析比較，選取高斯徑向基核函數為該算法的核函數，其定義如下：

其中|ygux_j-ygux_i|為兩個向量間的距離，σ為不等于零的常數，j＝1,2,...,w_5n

步驟3.3：基于蟻群算法的支持向量機參數尋優

粒子當前結點i到下一節點j的狀態轉移概率p_i,j的計算公式為：

其中，I為當前螞蟻能選擇的節點，，下標i表示為當前螞蟻能選擇的元素，分別為i、j及i、s元素間的啟發信息值，τ_i,j、τ_i,s為i、j及i、s兩元素間的信息素濃度，B為啟發因子。

在本實施例中，B＝0.5398。

采用實時信息素更新，在每一只螞蟻選擇某個節點后，該節點的信息素進行如下更新：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀ (6)

式中，τ₀為信息素初始值，ρ為[0,1]區間上的可調參數。

在本實施例中，τ₀＝0.1289，ρ＝0.1903。

步驟4：大型光伏電站直流系統過電壓風險指數計算：

根據尋優參數構建大型光伏電站直流系統過電壓風險指數最優支持向量機模型，其中尋優結果σ＝0.7128，將數據輸入模型中，即可求解得到大型光伏電站直流系統過電壓風險指數預測值y_gu。

以上僅為本發明的實施例而已，并不用于限制本發明，因此，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的權利要求范圍之內。