一種光伏電站并網點逆變器諧振概率指數預測方法與流程
本發明屬于光伏發電技術領域，特別涉及一種光伏電站并網點逆變器諧振概率指數預測方法。
背景技術：
電力系統中光伏發電設備的接入為電網帶來更多的諧波即諧振過電壓，對電網造成損害，如何根據光伏電池運行特點進行光伏電站并網點逆變器諧振概率指數預測評估，使光伏發電系統能夠安全、穩定、高效運行，以往光伏電站并網點逆變器諧振概率指數計算方法的特點是忽略光伏與配電網間的相互作用關系，由區域電網或光伏發電系統內各個系統獨立進行諧振分析，不能有效利用電網和光伏發電運行數據資源，評估準確度和光伏利用效率不高。
有鑒于此，本發明提供一種光伏電站并網點逆變器諧振概率指數預測方法，以滿足實際應用需要。
技術實現要素：
本發明的目的是：為克服現有技術的不足，本發明提供一種光伏電站并網點逆變器諧振概率指數預測方法，從而獲得光伏電站并網點逆變器諧振概率指數。
本發明所采用的技術方案是：一種光伏電站并網點逆變器諧振概率指數預測方法，其特征在于，包括如下步驟：
步驟1：建立光伏電站并網點逆變器諧振概率指數演化系統時間序列：
在固定時間間隔對并網點電壓值、并網點電流值、電壓變化率、溫度、光照強度進行測量，定義如下光伏電站并網點逆變器諧振概率指數，即：
則，在一系列時刻txz1,txz2,...,txzn，n為自然數，n＝1,2,…，得到并網點電壓值uxz、并網點電流值ixz、電壓變化率duxz、溫度Txz、光照強度sxz測量數據序列：
步驟2：構建測量數據時間序列的m維相空間：
設測量數據的時間序列為{xzi}，其中(i＝1,2,...,k5n)，并利用此特征量構造一組m維向量
VXZi＝(xzi,xzi-τ,...,xzi-(m-1)τ) (2)
式(2)中，τ為延遲時間，m為嵌入維數；
步驟3：測量數據相空間重構后的遺傳算法優化神經網絡處理：
步驟3.1：建立帶有懲罰因子和約束函數目標函數：
yxz＝minfmb(xzxi)+gcf(xzxi)+rys(xzxi) (3)
式(3)中，xzxi為優化變量，(i＝1,2,...,w5n，)fmb(xzxi)為目標函數，gcf(xzxi)為目標函數的懲罰因子，rys(xzxi)為目標函數的約束項；
步驟3.2：神經網絡適應度函數的建立：
將神經網絡參數θi排序，并將所有參數θi設為非零隨機值從而對參數進行初始化，與θi對應的yxz計算值記為yi，待求的yxz真值記為對參數進行二進制編碼；構建神經網絡的適應度函數ffit：
步驟3.3：基于遺傳算法的參數最優個體的尋找：
通過遺傳算法計算出最優參數后，判斷是否為全局最優解，如果滿足條件的話，所確定的參數作為最優參數納入到神經網絡模型的訓練中，反之，迭代地進行種群再生、選擇、交義、變異，直到滿足終止條件為止；
步驟4：光伏電站并網點逆變器諧振概率指數計算：
當遺傳算法滿足結束要求時，得到神經網絡參數最優值參數納入到神經網絡模型的訓練中，當神經網絡滿足精度要求Γ后，神經網絡訓練結束，得到光伏電站并網點逆變器諧振概率指數預測值yxz。
本發明的有益效果是：本發明為光伏電網提供了一種光伏電站并網點逆變器諧振概率指數預測方法，對配電網及其光伏發電系統運行參數及氣象環境參數進行實時監測，并根據監測參數對光伏電站并網點逆變器諧振概率指數進行預測計算，根據計算結果實時地對光伏發電系統及配電網進行控制，能夠有效避免配電網系統因光伏電站接入帶來的諧振過電壓等問題，顯著提高配電網電力系統在光伏系統接入后的可靠性與經濟性。
附圖說明
圖1為本發明實施例的目標函數迭代運算圖。
具體實施方式
為了更好地理解本發明，下面結合實施例進一步闡明本發明的內容，但本發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，本發明實施例提供的一種光伏電站并網點逆變器諧振概率指數預測方法，步驟如下：
步驟1：建立光伏電站并網點逆變器諧振概率指數演化系統時間序列：
在固定時間間隔對并網點電壓值、并網點電流值、電壓變化率、溫度、光照強度進行測量，定義如下光伏電站并網點逆變器諧振概率指數，即：
則，在一系列時刻txz1,txz2,...,txzn(n為自然數，n＝1,2,…)得到并網點電壓值uxz、并網點電流值ixz、電壓變化率duxz、溫度Txz、光照強度sxz測量數據序列：
步驟2：構建測量數據時間序列的m維相空間：
設測量數據的時間序列為{xzi}，其中(i＝1,2,...,k5n)，并利用此特征量構造一組m維向量
VXZi＝(xzi,xzi-τ,...,xzi-(m-1)τ) (2)
其中，τ為延遲時間，m為嵌入維數。
在本實施例中，m＝12，τ＝6。
步驟3：測量數據相空間重構后的遺傳算法優化神經網絡處理：
步驟3.1：建立帶有懲罰因子和約束函數目標函數：
yxz＝minfmb(xzxi)+gcf(xzxi)+rys(xzxi) (3)
其中，式中xzxi(i＝1,2,...,w5n)為優化變量，fmb(xzxi)為目標函數，gcf(xzxi)為目標函數的懲罰因子，rys(xzxi)為目標函數的約束項。
步驟3.2：神經網絡適應度函數的建立
將神經網絡參數θi排序，并將所有參數θi設為非零隨機值從而對參數進行初始化，與θi對應的yxz計算值記為yi，待求的yxz真值記為對參數進行二進制編碼；構建神經網絡的適應度函數ffit：
步驟3.3：基于遺傳算法的參數最優個體的尋找：
通過遺傳算法計算出最優參數后，判斷是否為全局最優解，如果滿足條件的話，所確定的參數作為最優參數納入到神經網絡模型的訓練中，反之，迭代地進行種群再生、選擇、交義、變異，直到滿足終止條件為止。
步驟4：光伏電站并網點逆變器諧振概率指數計算：
當遺傳算法滿足結束要求時，得到神經網絡參數最優值參數納入到神經網絡模型的訓練中，當神經網絡滿足精度要求Γ＝0.0015后，神經網絡訓練結束，得到光伏電站并網點逆變器諧振概率指數預測值yxz。
以上僅為本發明的實施例而已，并不用于限制本發明，因此，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的權利要求范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！