CN106655251A - 一种光伏电站并网点逆变器谐振概率指数预测方法 - Google Patents

Abstract

本发明提供了一种光伏电站并网点逆变器谐振概率指数预测方法，通过建立光伏电站并网点逆变器谐振概率指数演化***时间序列，构建测量数据时间序列的m维相空间，并进行测量数据相空间重构后的遗传算法优化神经网络处理，进而进行光伏电站并网点逆变器谐振概率指数计算，得到光伏电站并网点逆变器谐振概率指数预测值。该方法能够根据监测参数对光伏电站并网点逆变器谐振概率指数进行预测计算，根据计算结果实时地对光伏发电***及配电网进行控制，能够有效避免配电网***因光伏电站接入带来的谐振过电压等问题，显著提高配电网电力***在光伏***接入后的可靠性与经济性。

Description

一种光伏电站并网点逆变器谐振概率指数预测方法

技术领域

本发明属于光伏发电技术领域，特别涉及一种光伏电站并网点逆变器谐振概率指数预测方法。

背景技术

电力***中光伏发电设备的接入为电网带来更多的谐波即谐振过电压，对电网造成损害，如何根据光伏电池运行特点进行光伏电站并网点逆变器谐振概率指数预测评估，使光伏发电***能够安全、稳定、高效运行，以往光伏电站并网点逆变器谐振概率指数计算方法的特点是忽略光伏与配电网间的相互作用关系，由区域电网或光伏发电***内各个***独立进行谐振分析，不能有效利用电网和光伏发电运行数据资源，评估准确度和光伏利用效率不高。

有鉴于此，本发明提供一种光伏电站并网点逆变器谐振概率指数预测方法，以满足实际应用需要。

发明内容

本发明的目的是：为克服现有技术的不足，本发明提供一种光伏电站并网点逆变器谐振概率指数预测方法，从而获得光伏电站并网点逆变器谐振概率指数。

本发明所采用的技术方案是：一种光伏电站并网点逆变器谐振概率指数预测方法，其特征在于，包括如下步骤：

步骤1：建立光伏电站并网点逆变器谐振概率指数演化***时间序列：

在固定时间间隔对并网点电压值、并网点电流值、电压变化率、温度、光照强度进行测量，定义如下光伏电站并网点逆变器谐振概率指数，即：

则，在一系列时刻txz₁,txz₂,...,txz_n，n为自然数，n＝1,2,…，得到并网点电压值uxz、并网点电流值ixz、电压变化率duxz、温度Txz、光照强度sxz测量数据序列：

步骤2：构建测量数据时间序列的m维相空间：

设测量数据的时间序列为{xz_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

VXZ_i＝(xz_i,xz_i-τ,...,xz_i-(m-1)τ) (2)

式(2)中，τ为延迟时间，m为嵌入维数；

步骤3：测量数据相空间重构后的遗传算法优化神经网络处理：

步骤3.1：建立带有惩罚因子和约束函数目标函数：

y_xz＝minf_mb(xzx_i)+g_cf(xzx_i)+r_ys(xzx_i) (3)

式(3)中，xzx_i为优化变量，(i＝1,2,...,w_5n，)f_mb(xzx_i)为目标函数，g_cf(xzx_i)为目标函数的惩罚因子，r_ys(xzx_i)为目标函数的约束项；

步骤3.2：神经网络适应度函数的建立：

将神经网络参数θ_i排序，并将所有参数θ_i设为非零随机值从而对参数进行初始化，与θ_i对应的y_xz计算值记为y_i，待求的y_xz真值记为对参数进行二进制编码；构建神经网络的适应度函数f_fit：

步骤3.3：基于遗传算法的参数最优个体的寻找：

通过遗传算法计算出最优参数后，判断是否为全局最优解，如果满足条件的话，所确定的参数作为最优参数纳入到神经网络模型的训练中，反之，迭代地进行种群再生、选择、交义、变异，直到满足终止条件为止；

步骤4：光伏电站并网点逆变器谐振概率指数计算：

当遗传算法满足结束要求时，得到神经网络参数最优值参数纳入到神经网络模型的训练中，当神经网络满足精度要求Γ后，神经网络训练结束，得到光伏电站并网点逆变器谐振概率指数预测值y_xz。

本发明的有益效果是：本发明为光伏电网提供了一种光伏电站并网点逆变器谐振概率指数预测方法，对配电网及其光伏发电***运行参数及气象环境参数进行实时监测，并根据监测参数对光伏电站并网点逆变器谐振概率指数进行预测计算，根据计算结果实时地对光伏发电***及配电网进行控制，能够有效避免配电网***因光伏电站接入带来的谐振过电压等问题，显著提高配电网电力***在光伏***接入后的可靠性与经济性。

附图说明

图1为本发明实施例的目标函数迭代运算图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。

如图1所示，本发明实施例提供的一种光伏电站并网点逆变器谐振概率指数预测方法，步骤如下：

步骤1：建立光伏电站并网点逆变器谐振概率指数演化***时间序列：

在固定时间间隔对并网点电压值、并网点电流值、电压变化率、温度、光照强度进行测量，定义如下光伏电站并网点逆变器谐振概率指数，即：

则，在一系列时刻txz₁,txz₂,...,txz_n(n为自然数，n＝1,2,…)得到并网点电压值uxz、并网点电流值ixz、电压变化率duxz、温度Txz、光照强度sxz测量数据序列：

步骤2：构建测量数据时间序列的m维相空间：

设测量数据的时间序列为{xz_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

VXZ_i＝(xz_i,xz_i-τ,...,xz_i-(m-1)τ) (2)

其中，τ为延迟时间，m为嵌入维数。

在本实施例中，m＝12，τ＝6。

步骤3：测量数据相空间重构后的遗传算法优化神经网络处理：

步骤3.1：建立带有惩罚因子和约束函数目标函数：

y_xz＝minf_mb(xzx_i)+g_cf(xzx_i)+r_ys(xzx_i) (3)

其中，式中xzx_i(i＝1,2,...,w_5n)为优化变量，f_mb(xzx_i)为目标函数，g_cf(xzx_i)为目标函数的惩罚因子，r_ys(xzx_i)为目标函数的约束项。

步骤3.2：神经网络适应度函数的建立

将神经网络参数θ_i排序，并将所有参数θ_i设为非零随机值从而对参数进行初始化，与θ_i对应的y_xz计算值记为y_i，待求的y_xz真值记为对参数进行二进制编码；构建神经网络的适应度函数f_fit：

步骤3.3：基于遗传算法的参数最优个体的寻找：

通过遗传算法计算出最优参数后，判断是否为全局最优解，如果满足条件的话，所确定的参数作为最优参数纳入到神经网络模型的训练中，反之，迭代地进行种群再生、选择、交义、变异，直到满足终止条件为止。

步骤4：光伏电站并网点逆变器谐振概率指数计算：

当遗传算法满足结束要求时，得到神经网络参数最优值参数纳入到神经网络模型的训练中，当神经网络满足精度要求Γ＝0.0015后，神经网络训练结束，得到光伏电站并网点逆变器谐振概率指数预测值y_xz。

以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (1)

1.一种光伏电站并网点逆变器谐振概率指数预测方法，其特征在于，包括如下步骤：

步骤1：建立光伏电站并网点逆变器谐振概率指数演化***时间序列：

在固定时间间隔对并网点电压值、并网点电流值、电压变化率、温度、光照强度进行测量，定义如下光伏电站并网点逆变器谐振概率指数，即：

则，在一系列时刻txz₁,txz₂,...,txz_n，n为自然数，n＝1,2,…，得到并网点电压值uxz、并网点电流值ixz、电压变化率duxz、温度Txz、光照强度sxz测量数据序列：

$\left\{\begin{array}{c}{\mathrm{uxz}}_1,{\mathrm{uxz}}_2,\mathrm{...},{\mathrm{uxz}}_n\\ {\mathrm{ixz}}_1,{\mathrm{ixz}}_2,\mathrm{...},{\mathrm{ixz}}_n\\ {\mathrm{duxz}}_1,{\mathrm{duxz}}_2,\mathrm{...},{\mathrm{duxz}}_n\\ {\mathrm{Txz}}_1,{\mathrm{Txz}}_2,\mathrm{...},{\mathrm{Txz}}_n\\ {\mathrm{sxz}}_1,{\mathrm{sxz}}_2,\mathrm{...},{\mathrm{sxz}}_n\end{array}\right.---\left(1\right)$

步骤2：构建测量数据时间序列的m维相空间：

设测量数据的时间序列为{xz_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

VXZ_i＝(xz_i,xz_i-τ,...,xz_i-(m-1)τ) (2)

式(2)中，τ为延迟时间，m为嵌入维数；

步骤3：测量数据相空间重构后的遗传算法优化神经网络处理：

步骤3.1：建立带有惩罚因子和约束函数目标函数：

y_xz＝min f_mb(xzx_i)+g_cf(xzx_i)+r_ys(xzx_i) (3)

式(3)中，xzx_i为优化变量i＝1,2,...,w_5n，f_mb(xzx_i)为目标函数，g_cf(xzx_i)为目标函数的惩罚因子，r_ys(xzx_i)为目标函数的约束项；

步骤3.2：神经网络适应度函数的建立：

将神经网络参数θ_i排序，并将所有参数θ_i设为非零随机值从而对参数进行初始化，与θ_i对应的y_xz计算值记为y_i，待求的y_xz真值记为对参数进行二进制编码；构建神经网络的适应度函数f_fit：

步骤3.3：基于遗传算法的参数最优个体的寻找：

通过遗传算法计算出最优参数后，判断是否为全局最优解，如果满足条件的话，所确定的参数作为最优参数纳入到神经网络模型的训练中，反之，迭代地进行种群再生、选择、交义、变异，直到满足终止条件为止；

步骤4：光伏电站并网点逆变器谐振概率指数计算：

当遗传算法满足结束要求时，得到神经网络参数最优值参数纳入到神经网络模型的训练中，当神经网络满足精度要求Γ后，神经网络训练结束，得到光伏电站并网点逆变器谐振概率指数预测值y_xz。