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)光儲發(fā)電主動頻率波動抑制系數(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)光儲發(fā)電主動頻率波動抑制系數(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)頻率波動抑制系數(shù)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)獨立進行頻率波動分析，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)光儲發(fā)電主動頻率波動抑制系數(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)光儲發(fā)電主動頻率波動抑制系數(shù)預(yù)測方法，從而獲得配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)。

本發(fā)明所采用的技術(shù)方案是：一種配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(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)光儲發(fā)電主動頻率波動抑制系數(shù)演化系統(tǒng)的時間序列：

在固定時間間隔對并網(wǎng)點電壓頻率、并網(wǎng)點電壓值、電壓變化率、并網(wǎng)點有功、溫度、濕度進行測量，電壓額定頻率值與實際電壓頻率測量值之差除以歷史電壓頻率最大值與歷史電壓頻率最小值作為光儲發(fā)電主動頻率波動抑制系數(shù)，即：

則，在一系列時刻tayz1,tayz2,...,tayzn，n為自然數(shù)，n＝1,2,…，得到并網(wǎng)點電壓頻率fayz、并網(wǎng)點電壓值uayz、電壓變化率duayz、并網(wǎng)點有功payz，溫度tayz、濕度wayz測量數(shù)據(jù)序列：

步驟2：構(gòu)建測量數(shù)據(jù)時間序列的m維相空間：

設(shè)測量數(shù)據(jù)的時間序列為{yayzi}，其中(i＝1,2,...,6n)，并利用此特征量構(gòu)造一組m維向量：

xyayzi＝(yayzi,yayzi-τ,...,yayzi-(m-1)τ)(2)

其中，τ為延遲時間，m為嵌入維數(shù)；

步驟3：測量數(shù)據(jù)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)：

yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)

其中，式中ayzxi為優(yōu)化變量，fmb(ayzxi)為目標(biāo)函數(shù)，gcf(ayzxi)為目標(biāo)函數(shù)的懲罰因子，rys(ayzxi)為目標(biāo)函數(shù)的約束項，yayz為待求的配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)；

步驟3.2：神經(jīng)網(wǎng)絡(luò)評價函數(shù)的建立：

將神經(jīng)網(wǎng)絡(luò)參數(shù)θi排序，并將所有參數(shù)θi設(shè)為非零隨機值從而對參數(shù)進行初始化，構(gòu)建神經(jīng)網(wǎng)絡(luò)的評價函數(shù)fpj：

式中，yi為神經(jīng)網(wǎng)絡(luò)實際輸出值，為輸出期望值；

步驟3.3：目標(biāo)函數(shù)粒子群算法處理：

將重構(gòu)后的向量帶入如下迭代公式，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()隨機函數(shù)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3.4：慣性權(quán)重的修正：

為了提高算法的收斂性，將慣性權(quán)重進入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練：

式中，yi為神經(jīng)網(wǎng)絡(luò)實際輸出值，為輸出期望值，h為慣性系數(shù)，是一個定值；

步驟4：配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)計算：

當(dāng)粒子群算法的迭代次數(shù)達到設(shè)定最大迭代次數(shù)nmax，粒子群算法終止，得到神經(jīng)網(wǎng)絡(luò)參數(shù)最優(yōu)值初始參數(shù)，根據(jù)評價函數(shù)fpj確定最優(yōu)神經(jīng)網(wǎng)絡(luò)，當(dāng)神經(jīng)網(wǎng)絡(luò)滿足精度要求γ后，得到y(tǒng)ayz即為配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(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)光儲發(fā)電主動頻率波動抑制系數(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)對光儲發(fā)電主動頻率波動抑制系數(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)因光儲接入帶來的頻率波動等問題，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)光儲發(fā)電主動頻率波動抑制系數(shù)預(yù)測方法，包括如下步驟：

步驟1：建立配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)演化系統(tǒng)的時間序列：

在固定時間間隔對并網(wǎng)點電壓頻率、并網(wǎng)點電壓值、電壓變化率、并網(wǎng)點有功、溫度、濕度進行測量，電壓額定頻率值與實際電壓頻率測量值之差除以歷史電壓頻率最大值與歷史電壓頻率最小值作為光儲發(fā)電主動頻率波動抑制系數(shù)，即：

則，在一系列時刻tayz1,tayz2,...,tayzn(n為自然數(shù)，n＝1,2,…)得到并網(wǎng)點電壓頻率fayz、并網(wǎng)點電壓值uayz、電壓變化率duayz、并網(wǎng)點有功payz，溫度tayz、濕度wayz測量數(shù)據(jù)序列：

步驟2：構(gòu)建測量數(shù)據(jù)時間序列的m維相空間：

設(shè)測量數(shù)據(jù)的時間序列為{yayzi}，其中(i＝1,2,...,6n)，并利用此特征量構(gòu)造一組m維向量：

xyayzi＝(yayzi,yayzi-τ,...,yayzi-(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＝4，m＝9。

步驟3：測量數(shù)據(jù)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)：

yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)

其中，式中ayzxi為優(yōu)化變量，fmb(ayzxi)為目標(biāo)函數(shù)，gcf(ayzxi)為目標(biāo)函數(shù)的懲罰因子，rys(ayzxi)為目標(biāo)函數(shù)的約束項，yayz為待求的配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)。

步驟3.2：神經(jīng)網(wǎng)絡(luò)評價函數(shù)的建立：

將神經(jīng)網(wǎng)絡(luò)參數(shù)θi排序，并將所有參數(shù)θi設(shè)為非零隨機值從而對參數(shù)進行初始化，構(gòu)建神經(jīng)網(wǎng)絡(luò)的評價函數(shù)fpj：

式中，yi為神經(jīng)網(wǎng)絡(luò)實際輸出值，為輸出期望值。

步驟3.3：目標(biāo)函數(shù)粒子群算法處理：

將重構(gòu)后的向量帶入如下迭代公式，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()隨機函數(shù)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＝3.3329,c2＝4.8632。

步驟3.4：慣性權(quán)重的修正：

為了提高算法的收斂性，將慣性權(quán)重進入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練：

式中，yi為神經(jīng)網(wǎng)絡(luò)實際輸出值，為輸出期望值，h為慣性系數(shù)，是一個定值。

在本實施例中，h＝0.65873。

步驟4：配電網(wǎng)光儲發(fā)電主動頻率波動抑制系數(shù)計算：

當(dāng)粒子群算法的迭代次數(shù)達到設(shè)定最大迭代次數(shù)nmax＝50000，粒子群算法終止，得到神經(jīng)網(wǎng)絡(luò)參數(shù)最優(yōu)值初始參數(shù)，根據(jù)評價函數(shù)fpj確定最優(yōu)神經(jīng)網(wǎng)絡(luò)，當(dāng)神經(jīng)網(wǎng)絡(luò)滿足精度要求γ＝0.01后，得到y(tǒng)ayz即為光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)光儲發(fā)電主動頻率波動抑制系數(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)。