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
一种光伏电站并网点逆变器谐振概率指数预测方法 Download PDFInfo
- Publication number
- CN106655251A CN106655251A CN201610929547.9A CN201610929547A CN106655251A CN 106655251 A CN106655251 A CN 106655251A CN 201610929547 A CN201610929547 A CN 201610929547A CN 106655251 A CN106655251 A CN 106655251A
- Authority
- CN
- China
- Prior art keywords
- connection point
- probability index
- parameter
- station grid
- point inverter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000007935 neutral effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
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
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,...,txzn,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{xzi},其中(i=1,2,...,k5n),并利用此特征量构造一组m维向量
VXZi=(xzi,xzi-τ,...,xzi-(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:
yxz=minfmb(xzxi)+gcf(xzxi)+rys(xzxi) (3)
式(3)中,xzxi为优化变量,(i=1,2,...,w5n,)fmb(xzxi)为目标函数,gcf(xzxi)为目标函数的惩罚因子,rys(xzxi)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θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,与θi对应的yxz计算值记为yi,待求的yxz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ffit:
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yxz。
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,...,txzn(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{xzi},其中(i=1,2,...,k5n),并利用此特征量构造一组m维向量
VXZi=(xzi,xzi-τ,...,xzi-(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:
yxz=minfmb(xzxi)+gcf(xzxi)+rys(xzxi) (3)
其中,式中xzxi(i=1,2,...,w5n)为优化变量,fmb(xzxi)为目标函数,gcf(xzxi)为目标函数的惩罚因子,rys(xzxi)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θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,与θi对应的yxz计算值记为yi,待求的yxz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ffit:
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yxz。
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,...,txzn,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{xzi},其中(i=1,2,...,k5n),并利用此特征量构造一组m维向量
VXZi=(xzi,xzi-τ,...,xzi-(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:
yxz=min fmb(xzxi)+gcf(xzxi)+rys(xzxi) (3)
式(3)中,xzxi为优化变量i=1,2,...,w5n,fmb(xzxi)为目标函数,gcf(xzxi)为目标函数的惩罚因子,rys(xzxi)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θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,与θi对应的yxz计算值记为yi,待求的yxz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ffit:
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yxz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610929547.9A CN106655251A (zh) | 2016-10-31 | 2016-10-31 | 一种光伏电站并网点逆变器谐振概率指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610929547.9A CN106655251A (zh) | 2016-10-31 | 2016-10-31 | 一种光伏电站并网点逆变器谐振概率指数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106655251A true CN106655251A (zh) | 2017-05-10 |
Family
ID=58820361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610929547.9A Pending CN106655251A (zh) | 2016-10-31 | 2016-10-31 | 一种光伏电站并网点逆变器谐振概率指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106655251A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821597A (zh) * | 2015-05-08 | 2015-08-05 | 无锡上能新能源有限公司 | 抑制光伏电站***并网振荡的方法 |
CN104866918A (zh) * | 2015-05-07 | 2015-08-26 | 国家电网公司 | 带有水电站的配电网短期负荷预测方法 |
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN105375874A (zh) * | 2015-10-30 | 2016-03-02 | 国家电网公司 | 一种光伏发电最大功率跟踪性能指数预测方法 |
-
2016
- 2016-10-31 CN CN201610929547.9A patent/CN106655251A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN104866918A (zh) * | 2015-05-07 | 2015-08-26 | 国家电网公司 | 带有水电站的配电网短期负荷预测方法 |
CN104821597A (zh) * | 2015-05-08 | 2015-08-05 | 无锡上能新能源有限公司 | 抑制光伏电站***并网振荡的方法 |
CN105375874A (zh) * | 2015-10-30 | 2016-03-02 | 国家电网公司 | 一种光伏发电最大功率跟踪性能指数预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qais et al. | Enhanced whale optimization algorithm for maximum power point tracking of variable-speed wind generators | |
Zhang et al. | Wind speed prediction of IPSO-BP neural network based on lorenz disturbance | |
Gomez-Gonzalez et al. | Optimization of distributed generation systems using a new discrete PSO and OPF | |
Xue | Prediction of daily diffuse solar radiation using artificial neural networks | |
CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN105023070A (zh) | 一种光伏***输出功率预测方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电***输出功率预测方法 | |
CN106126906A (zh) | 基于c‑c与elm的短期风速预测方法 | |
Fidan et al. | Harmonic analysis based hourly solar radiation forecasting model | |
Safari et al. | Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm | |
CN106374531A (zh) | 一种主动配电网光储能量交换指数评估方法 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
Hammid et al. | Optimal long-term hydro generation scheduling of small hydropower plant (SHP) using metaheuristic algorithm in Himreen Lake Dam | |
Khanahmadi et al. | A novel economic method of battery modeling in stand-alone renewable energy systems to reduce life cycle costs | |
Tang et al. | Eagle arithmetic optimization algorithm for renewable energy-based load frequency stabilization of power systems | |
Yao et al. | Optimized active power dispatching of wind farms considering data-driven fatigue load suppression | |
CN106557834A (zh) | 一种主动配电网光储发电***无功支撑能力指数预测方法 | |
CN105868916A (zh) | 基于相似日聚类的微电网光伏出力空间预测方法 | |
CN108846529A (zh) | 一种发电量预测*** | |
CN106771847B (zh) | 一种35kV配电网输电线路雷击风险预测方法 | |
CN106655187A (zh) | 一种svg消除离网光伏逆变器谐波能力指数预测方法 | |
Maan et al. | Economic load dispatch optimization of six interconnected generating units using particle swarm optimization | |
CN106655251A (zh) | 一种光伏电站并网点逆变器谐振概率指数预测方法 | |
Sharma et al. | Optimal design of renewable energy based hybrid system considering weather forecasting using machine learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |