一種SVG消除離網光伏逆變器諧波能力指數預測方法與流程
本發明屬于光伏發電技術領域，特別涉及一種并網光伏逆變器交流側阻抗平衡指數評估方法。
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，需要根據光伏系統運行特點利用SVG來消除離網光伏逆變器諧波，使光伏發電系統能夠安全、穩定、高效地運行。現有的SVG對離網光伏逆變器諧波消除和抑制效果的計算往往忽略了光伏與外界環境的相互作用關系，由光伏發電系統內各個組件獨立進行諧波分析，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較低。因此，對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SVG消除離網光伏逆變器諧波能力指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，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。
技術實現要素：
針對現有技術的不足，本發明的目的在于提供一種SVG消除離網光伏逆變器諧波能力指數預測方法，包括以下步驟：
a、建立SVG消除離網光伏逆變器諧波能力指數演化系統的時間序列，在固定時間間隔對逆變器輸出有功功率、逆變器輸出電流值、電壓值、電流變化率、溫度、光照進行測量；
b、根據建立的時間序列進行測量數據的蟻群遺傳算法神經網絡處理，得到神經網絡參數的最優值初始參數；
c、依據步驟b得到神經網絡參數最優值初始參數訓練神經網絡至滿足精度要求，進而計算得到SVG消除離網光伏逆變器諧波能力指數。
步驟a中建立的時間序列包括逆變器輸出有功功率pxnl、逆變器輸出電流值ixnl、電壓值uxnl、電流變化率dixnl、光照強度sxnl。
步驟a中建立的時間序列還包括溫度Txnl測量數據序列。
所述的步驟b中，包括建立帶有懲罰因子和約束函數的目標函數：yxnl＝minfmb(xnlxi)+gcf(xnlxi)+rys(xnlxi)，
其中，式中xnlxi(i＝1，2，...w6n)為w6n個優化變量，fmb(xnlxi)為目標函數，gcf(xnlxi)為目標函數的懲罰因子，rys(xnlxi)為目標函數的約束項。
步驟b中，所述的神經網絡參數為θi，并按二進制編碼方式編碼并排序，將所有參數θi設為非零隨機值從而對參數進行初始化，形成集合Sθi。
步驟b中還包括有目標函數蟻群遺傳算法處理方式，在原有蟻群算法流程的基礎上，將遺傳算法引入到了蟻群的每一次迭代中；然后經過遺傳算法的選擇、交叉、變異，若干次迭代進化，產生一組新解。
將遺傳算法產生的解群體中的最優解與蟻群算法的全局最優解進行比較，取二者之中最優的作為蟻群算法新的全局最優解，然后進行信息素的更新。
其中，fmax為種群中最大的適應度值，favg為每代種群的平均適應度值，f1為要交叉的2個個體中較大的適應度值，Pc1、Pc2為交叉率，0＜Pc2＜Pc1＜1；
蟻群狀態轉移矩陣為：
信息素更新方式為：τi,j＝(1-ρ)τi,j+ρτ0，式中，τ0為信息素初始值，ρ為[0,1]區間上的可調參數。
本發明的有益效果是，本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法，通過以下步驟建立SVG消除離網光伏逆變器諧波能力指數演化系統的時間序列，在固定時間間隔對逆變器輸出有功功率、逆變器輸出電流值、電壓值、電流變化率、溫度、光照進行測量；根據建立的時間序列進行測量數據的蟻群遺傳算法神經網絡處理，得到神經網絡參數的最優值初始參數；依據步驟b得到神經網絡參數最優值初始參數訓練神經網絡至滿足精度要求，進而計算得到SVG消除離網光伏逆變器諧波能力指數。能夠對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SVG消除離網光伏逆變器諧波能力指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，顯著提高了配電網電力系統在光伏系統接入后的可靠性與經濟性。
本發明相對于現有技術能夠取得以下有益技術效果：本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法，通過以下步驟建立SVG消除離網光伏逆變器諧波能力指數演化系統的時間序列，在固定時間間隔對逆變器輸出有功功率、逆變器輸出電流值、電壓值、電流變化率、溫度、光照進行測量；根據建立的時間序列進行測量數據的蟻群遺傳算法神經網絡處理，得到神經網絡參數的最優值初始參數；依據步驟b得到神經網絡參數最優值初始參數訓練神經網絡至滿足精度要求，進而計算得到SVG消除離網光伏逆變器諧波能力指數。能夠對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SVG消除離網光伏逆變器諧波能力指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，顯著提高了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為本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法的流程框圖；
圖2為本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法的目標函數迭代運算。
具體實施方式
下面結合實施例對本發明作進一步地詳細說明，但本實發明的實施方式不限于此。
本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法，包括如下步驟：
a、建立SVG消除離網光伏逆變器諧波能力指數演化系統的時間序列，
在固定時間間隔對逆變器輸出有功功率、逆變器輸出電流值、電壓值、電流變化率、溫度、光照進行測量；
b、根據建立的時間序列進行測量數據的蟻群遺傳算法神經網絡處理，得到神經網絡參數的最優值初始參數；
c、依據步驟b得到神經網絡參數最優值初始參數訓練神經網絡至滿足精度要求，進而計算得到SVG消除離網光伏逆變器諧波能力指數。
能夠對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SVG消除離網光伏逆變器諧波能力指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，顯著提高了配電網電力系統在光伏系統接入后的可靠性與經濟性。
進一步的，步驟a中建立的時間序列包括逆變器輸出有功功率pxnl、逆變器輸出電流值ixnl、電壓值uxnl、電流變化率dixnl、光照強度sxnl。
更進一步的，步驟a中建立的時間序列還包括溫度Txnl測量數據序列。
所述的步驟b中，包括建立帶有懲罰因子和約束函數的目標函數：
yxnl＝min fmb(xnlxi)+gcf(xnlxi)+rys(xnlxi)，
其中，式中xnlxi(i＝1，2，...w6n)為w6n個優化變量，fmb(xnlxi)為目標函數，gcf(xnlxi)為目標函數的懲罰因子，rys(xnlxi)為目標函數的約束項。
作為優選的，步驟b中，所述的神經網絡參數為θi，并按二進制編碼方式編碼并排序，將所有參數θi設為非零隨機值從而對參數進行初始化，形成集合Sθi。
作為優選的，步驟b中還包括有目標函數蟻群遺傳算法處理方式，在原有蟻群算法流程的基礎上，將遺傳算法引入到了蟻群的每一次迭代中；然后經過遺傳算法的選擇、交叉、變異，若干次迭代進化，產生一組新解。
將遺傳算法產生的解群體中的最優解與蟻群算法的全局最優解進行比較，取二者之中最優的作為蟻群算法新的全局最優解，然后進行信息素的更新。
其中，fmax為種群中最大的適應度值，favg為每代種群的平均適應度值，f1為要交叉的2個個體中較大的適應度值，Pc1、Pc2為交叉率，0＜Pc2＜Pc1＜1；
蟻群狀態轉移矩陣為：
信息素更新方式為：τi,j＝(1-ρ)τi,j+ρτ0，式中，τ0為信息素初始值，ρ為[0,1]區間上的可調參數。
作為一種優選的實施方式，本發明的一種SVG消除離網光伏逆變器諧波能力指數預測方法，包括步驟1：建立SVG消除離網光伏逆變器諧波能力指數時間序列：
步驟2：測量數據的蟻群遺傳算法神經網絡處理：
步驟2.1：建立帶有懲罰因子和約束函數目標函數：
yxnl＝minfmb(xnlxi)+gcf(xnlxi)+rys(xnlxi)
步驟2.2：蟻群遺傳算法神經網絡參數初始化
步驟2.3：目標函數蟻群遺傳算法處理
自適應交叉、變異算子為：
蟻群狀態轉移矩陣為：
信息素更新方式為：
τi,j＝(1-ρ)τi,j+ρτ0
步驟3：SVG消除離網光伏逆變器諧波能力指數計算：
當優化蟻群遺傳算法達到終止條件時，得到神經網絡參數最優值初始參數，訓練神經網絡，當神經網絡滿足精度要求Γ＝0.01后，得到SVG消除離網光伏逆變器諧波能力指數預測值。
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應以所述權利要求的保護范圍為準。
- 還沒有人留言評論。精彩留言會獲得點贊！