本發(fā)明屬于配電網(wǎng)技術領域，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)預測方法。
背景技術：
配電網(wǎng)電力系統(tǒng)中分布式光伏發(fā)電設備和儲能設備組成了一個復雜的系統(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)間的相互作用關系，由區(qū)域電網(wǎng)或光儲聯(lián)合發(fā)電系統(tǒng)內各個系統(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)預測方法，以滿足實際應用需要。
技術實現(xiàn)要素：
本發(fā)明的目的是：為克服現(xiàn)有技術的不足，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，風速vyz的測量數(shù)據(jù)序列：
步驟2：構建測量數(shù)據(jù)序列的m維相空間：
設測量數(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：相空間重構后的神經(jīng)網(wǎng)絡粒子群算法處理：
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)為目標函數(shù)，gcf(yzxi)為目標函數(shù)的懲罰因子，rys(yzxi)為目標函數(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)絡預測模型的建立：
根據(jù)時間序列輸入輸出參數(shù)個數(shù)構建bp神經(jīng)網(wǎng)，隨機生成的一個初始種群粒子，輸入訓練樣本進行神經(jīng)網(wǎng)絡訓練，達到設定的精度得到一個網(wǎng)絡訓練輸出值
其中，
步驟3.3：目標函數(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的適應度值，根據(jù)如下迭代公式進行粒子速度與位置的更新，即：
其中，
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)預測計算：
當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)絡連接權值和閾值進行賦值，神經(jīng)網(wǎng)絡預測模型經(jīng)訓練后，預測最優(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)預測方法，對配電網(wǎng)及其內光儲系統(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)進行預測計算，根據(jù)計算結果實時地對光儲聯(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，下面結合實施例進一步闡明本發(fā)明的內容，但本發(fā)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(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利要求書限定范圍之內。
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，風速vyz的測量數(shù)據(jù)序列：
步驟2：構建測量數(shù)據(jù)序列的m維相空間：
設測量數(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：相空間重構后的神經(jīng)網(wǎng)絡粒子群算法處理：
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)為目標函數(shù)，gcf(yzxi)為目標函數(shù)的懲罰因子，rys(yzxi)為目標函數(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)絡預測模型的建立：
根據(jù)時間序列輸入輸出參數(shù)個數(shù)構建bp神經(jīng)網(wǎng)，隨機生成的一個初始種群粒子，輸入訓練樣本進行神經(jīng)網(wǎng)絡訓練，達到設定的精度得到一個網(wǎng)絡訓練輸出值
其中，
步驟3.3：目標函數(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的適應度值，根據(jù)如下迭代公式進行粒子速度與位置的更新，即：
其中，
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)預測計算：
當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)絡連接權值和閾值進行賦值，其中神經(jīng)網(wǎng)絡閾值為γ＝0.01，神經(jīng)網(wǎng)絡預測模型經(jīng)訓練后，預測最優(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，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的權利要求范圍之內。