本發(fā)明屬于配電網(wǎng)技術(shù)領(lǐng)域，特別涉及一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法。

背景技術(shù)：

配電網(wǎng)電力系統(tǒng)中分布式光伏發(fā)電設(shè)備和儲能設(shè)備組成了一個復(fù)雜的系統(tǒng)，如何根據(jù)分布式光儲系統(tǒng)及配電網(wǎng)運行特點進行配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測評估，使每個光儲聯(lián)合發(fā)電系統(tǒng)及其所接入的配電網(wǎng)能夠安全、穩(wěn)定、高效運行，以往配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測計算方法的特點是忽略分布式光伏及光伏儲能與配電網(wǎng)間的相互作用關(guān)系，由區(qū)域電網(wǎng)或光儲聯(lián)合發(fā)電系統(tǒng)內(nèi)各個系統(tǒng)獨立進行電壓波動分析，不能有效利用電網(wǎng)和分布式光伏發(fā)電運行數(shù)據(jù)資源，評估準(zhǔn)確度和光伏利用效率不高。

有鑒于此，本發(fā)明提供一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法，以滿足實際應(yīng)用需要。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是：為克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法，從而獲得配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)。

本發(fā)明所采用的技術(shù)方案是：一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法，其特征在于，包括如下步驟：

步驟1：建立配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)演化系統(tǒng)的時間序列：

在固定時間間隔對并網(wǎng)點電壓、并網(wǎng)點無功、pm2.5、濕度、風(fēng)速進行測量，并網(wǎng)點最大電壓變化率與電壓變化率測量值之差除以配電網(wǎng)電壓變化率最大值作為配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)，即：

則，在一系列時刻tyz1,tpc2,...,tpcn，n為自然數(shù)，n＝1,2,…，得到并網(wǎng)點電壓uyz，并網(wǎng)點無功qyz，pm2.5pmyz，濕度wyz，風(fēng)速vyz的測量數(shù)據(jù)序列：

步驟2：構(gòu)建測量數(shù)據(jù)序列的m維相空間：

設(shè)測量數(shù)據(jù)的時間序列為{yzi}(i＝1,2,...,5n)，并利用此特征量構(gòu)造一組m維向量

xvyzi＝(yzi,yzi-τ,...,yzi-(m-1)τ)(2)

其中，τ為延遲時間，m為嵌入維數(shù)；

步驟3：相空間重構(gòu)后的神經(jīng)網(wǎng)絡(luò)粒子群算法處理：

步驟3.1：建立帶有懲罰因子和約束函數(shù)的目標(biāo)函數(shù)：

yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)

其中，式中yzxi為優(yōu)化變量，fmb(yzxi)為目標(biāo)函數(shù)，gcf(yzxi)為目標(biāo)函數(shù)的懲罰因子，rys(yzxi)為目標(biāo)函數(shù)的約束項，yyz為待求的配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)；

步驟3.2：神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立：

根據(jù)時間序列輸入輸出參數(shù)個數(shù)構(gòu)建bp神經(jīng)網(wǎng)，隨機生成的一個初始種群粒子，輸入訓(xùn)練樣本進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達到設(shè)定的精度得到一個網(wǎng)絡(luò)訓(xùn)練輸出值得到粒子的最佳適應(yīng)度fbest：

其中，為實際輸出值，yi為期望值，m為重構(gòu)相空間中相點數(shù)；

步驟3.3：目標(biāo)函數(shù)粒子群算法處理：

根據(jù)輸入輸出樣本計算每個粒子位置對應(yīng)的適應(yīng)度值，根據(jù)如下迭代公式進行粒子速度與位置的更新，即：

其中，為第k次迭代下，粒子i的速度，表示每個粒子目前為止所出現(xiàn)的最佳位置，表示所有粒子目前為止所出現(xiàn)的最佳位置，表示每個粒子當(dāng)前所在位置，c1、c2表示學(xué)習(xí)常數(shù)，rand()為0～1之間的隨機數(shù)，慣性權(quán)重ω起著權(quán)衡局部最優(yōu)能力和全局最優(yōu)能力的作用；

步驟4：配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測計算：

當(dāng)粒子群算法滿足最大迭代次數(shù)nmax后，將改進粒子群算法得到的最優(yōu)粒子對神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值進行賦值，神經(jīng)網(wǎng)絡(luò)預(yù)測模型經(jīng)訓(xùn)練后，預(yù)測最優(yōu)解輸出，得到y(tǒng)yz即為配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測值。

本發(fā)明的有益效果是：本發(fā)明為配電網(wǎng)提供了一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法，對配電網(wǎng)及其內(nèi)光儲系統(tǒng)運行參數(shù)及氣象環(huán)境參數(shù)進行實時監(jiān)測，并根據(jù)監(jiān)測參數(shù)對配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)進行預(yù)測計算，根據(jù)計算結(jié)果實時地對光儲聯(lián)合發(fā)電系統(tǒng)及配電網(wǎng)進行控制，能夠有效避免配電網(wǎng)系統(tǒng)因光儲接入帶來的電壓等問題，顯著提高配電網(wǎng)電力系統(tǒng)在光儲聯(lián)合系統(tǒng)接入后的可靠性與經(jīng)濟性。

附圖說明

圖1為本發(fā)明實施例的目標(biāo)函數(shù)迭代運算圖。

具體實施方式

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

如圖1所示，本發(fā)明實施例提供的一種配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測方法，包括如下步驟：

步驟1：建立配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)演化系統(tǒng)的時間序列：

在固定時間間隔對并網(wǎng)點電壓、并網(wǎng)點無功、pm2.5、濕度、風(fēng)速進行測量，并網(wǎng)點最大電壓變化率與電壓變化率測量值之差除以配電網(wǎng)電壓變化率最大值作為配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)，即：

則，在一系列時刻tyz1,tpc2,...,tpcn，n為自然數(shù)，n＝1,2,…，得到并網(wǎng)點電壓uyz，并網(wǎng)點無功qyz，pm2.5pmyz，濕度wyz，風(fēng)速vyz的測量數(shù)據(jù)序列：

步驟2：構(gòu)建測量數(shù)據(jù)序列的m維相空間：

設(shè)測量數(shù)據(jù)的時間序列為{yzi}(i＝1,2,...,5n)，并利用此特征量構(gòu)造一組m維向量

xvyzi＝(yzi,yzi-τ,...,yzi-(m-1)τ)(2)

其中，τ為延遲時間，m為嵌入維數(shù)。

在本實施例中，τ＝5，m＝7。

步驟3：相空間重構(gòu)后的神經(jīng)網(wǎng)絡(luò)粒子群算法處理：

步驟3.1：建立帶有懲罰因子和約束函數(shù)的目標(biāo)函數(shù)：

yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)

其中，式中yzxi為優(yōu)化變量，fmb(yzxi)為目標(biāo)函數(shù)，gcf(yzxi)為目標(biāo)函數(shù)的懲罰因子，rys(yzxi)為目標(biāo)函數(shù)的約束項，yyz為待求的配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)。

步驟3.2：神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立：

根據(jù)時間序列輸入輸出參數(shù)個數(shù)構(gòu)建bp神經(jīng)網(wǎng)，隨機生成的一個初始種群粒子，輸入訓(xùn)練樣本進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達到設(shè)定的精度得到一個網(wǎng)絡(luò)訓(xùn)練輸出值得到粒子的最佳適應(yīng)度fbest：

其中，為實際輸出值，yi為期望值，m為重構(gòu)相空間中相點數(shù)。

步驟3.3：目標(biāo)函數(shù)粒子群算法處理：

根據(jù)輸入輸出樣本計算每個粒子位置對應(yīng)的適應(yīng)度值，根據(jù)如下迭代公式進行粒子速度與位置的更新，即：

其中，為第k次迭代下，粒子i的速度，表示每個粒子目前為止所出現(xiàn)的最佳位置，表示所有粒子目前為止所出現(xiàn)的最佳位置，表示每個粒子當(dāng)前所在位置，c1、c2表示學(xué)習(xí)常數(shù)，rand()為0～1之間的隨機數(shù)，慣性權(quán)重ω起著權(quán)衡局部最優(yōu)能力和全局最優(yōu)能力的作用。

在本實施例中，c1＝1.9986,c2＝6.9081。

步驟4：配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測計算：

當(dāng)粒子群算法滿足最大迭代次數(shù)nmax＝300后，將改進粒子群算法得到的最優(yōu)粒子對神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值進行賦值，其中神經(jīng)網(wǎng)絡(luò)閾值為γ＝0.01，神經(jīng)網(wǎng)絡(luò)預(yù)測模型經(jīng)訓(xùn)練后，預(yù)測最優(yōu)解輸出，解得yyz即為配電網(wǎng)分布式光儲發(fā)電系統(tǒng)電壓波動抑制指數(shù)預(yù)測值。

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