本發明屬于配電網技術領域，特別涉及一種配電網分布式光儲發電系統電壓波動抑制指數預測方法。
背景技術：
配電網電力系統中分布式光伏發電設備和儲能設備組成了一個復雜的系統，如何根據分布式光儲系統及配電網運行特點進行配電網分布式光儲發電系統電壓波動抑制指數預測評估，使每個光儲聯合發電系統及其所接入的配電網能夠安全、穩定、高效運行，以往配電網分布式光儲發電系統電壓波動抑制指數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間的相互作用關系，由區域電網或光儲聯合發電系統內各個系統獨立進行電壓波動分析，不能有效利用電網和分布式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，本發明提供一種配電網分布式光儲發電系統電壓波動抑制指數預測方法，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，本發明提供一種配電網分布式光儲發電系統電壓波動抑制指數預測方法，從而獲得配電網分布式光儲發電系統電壓波動抑制指數。
本發明所采用的技術方案是：一種配電網分布式光儲發電系統電壓波動抑制指數預測方法，其特征在于，包括如下步驟：
步驟1：建立配電網分布式光儲發電系統電壓波動抑制指數演化系統的時間序列：
在固定時間間隔對并網點電壓、并網點無功、pm2.5、濕度、風速進行測量，并網點最大電壓變化率與電壓變化率測量值之差除以配電網電壓變化率最大值作為配電網分布式光儲發電系統電壓波動抑制指數，即：
則，在一系列時刻tyz1,tpc2,...,tpcn，n為自然數，n＝1,2,…，得到并網點電壓uyz，并網點無功qyz，pm2.5pmyz，濕度wyz，風速vyz的測量數據序列：
步驟2：構建測量數據序列的m維相空間：
設測量數據的時間序列為{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；
步驟3：相空間重構后的神經網絡粒子群算法處理：
步驟3.1：建立帶有懲罰因子和約束函數的目標函數：
yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)
其中，式中yzxi為優化變量，fmb(yzxi)為目標函數，gcf(yzxi)為目標函數的懲罰因子，rys(yzxi)為目標函數的約束項，yyz為待求的配電網分布式光儲發電系統電壓波動抑制指數；
步驟3.2：神經網絡預測模型的建立：
根據時間序列輸入輸出參數個數構建bp神經網，隨機生成的一個初始種群粒子，輸入訓練樣本進行神經網絡訓練，達到設定的精度得到一個網絡訓練輸出值
其中，
步驟3.3：目標函數粒子群算法處理：
根據輸入輸出樣本計算每個粒子位置對應的適應度值，根據如下迭代公式進行粒子速度與位置的更新，即：
其中，
步驟4：配電網分布式光儲發電系統電壓波動抑制指數預測計算：
當粒子群算法滿足最大迭代次數nmax后，將改進粒子群算法得到的最優粒子對神經網絡連接權值和閾值進行賦值，神經網絡預測模型經訓練后，預測最優解輸出，得到yyz即為配電網分布式光儲發電系統電壓波動抑制指數預測值。
本發明的有益效果是：本發明為配電網提供了一種配電網分布式光儲發電系統電壓波動抑制指數預測方法，對配電網及其內光儲系統運行參數及氣象環境參數進行實時監測，并根據監測參數對配電網分布式光儲發電系統電壓波動抑制指數進行預測計算，根據計算結果實時地對光儲聯合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儲接入帶來的電壓等問題，顯著提高配電網電力系統在光儲聯合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配電網分布式光儲發電系統電壓波動抑制指數預測方法，包括如下步驟：
步驟1：建立配電網分布式光儲發電系統電壓波動抑制指數演化系統的時間序列：
在固定時間間隔對并網點電壓、并網點無功、pm2.5、濕度、風速進行測量，并網點最大電壓變化率與電壓變化率測量值之差除以配電網電壓變化率最大值作為配電網分布式光儲發電系統電壓波動抑制指數，即：
則，在一系列時刻tyz1,tpc2,...,tpcn，n為自然數，n＝1,2,…，得到并網點電壓uyz，并網點無功qyz，pm2.5pmyz，濕度wyz，風速vyz的測量數據序列：
步驟2：構建測量數據序列的m維相空間：
設測量數據的時間序列為{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。
在本實施例中，τ＝5，m＝7。
步驟3：相空間重構后的神經網絡粒子群算法處理：
步驟3.1：建立帶有懲罰因子和約束函數的目標函數：
yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)
其中，式中yzxi為優化變量，fmb(yzxi)為目標函數，gcf(yzxi)為目標函數的懲罰因子，rys(yzxi)為目標函數的約束項，yyz為待求的配電網分布式光儲發電系統電壓波動抑制指數。
步驟3.2：神經網絡預測模型的建立：
根據時間序列輸入輸出參數個數構建bp神經網，隨機生成的一個初始種群粒子，輸入訓練樣本進行神經網絡訓練，達到設定的精度得到一個網絡訓練輸出值
其中，
步驟3.3：目標函數粒子群算法處理：
根據輸入輸出樣本計算每個粒子位置對應的適應度值，根據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：配電網分布式光儲發電系統電壓波動抑制指數預測計算：
當粒子群算法滿足最大迭代次數nmax＝300后，將改進粒子群算法得到的最優粒子對神經網絡連接權值和閾值進行賦值，其中神經網絡閾值為γ＝0.01，神經網絡預測模型經訓練后，預測最優解輸出，解得yyz即為配電網分布式光儲發電系統電壓波動抑制指數預測值。
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。