一种光伏电站阻抗数据有效性指数预测方法与流程

本发明属于光伏发电技术领域，特别涉及一种光伏电站阻抗数据有效性指数预测方法。

背景技术：

光伏电站并网点阻抗是光伏电站的重要参数，对潮流计算和系统状态评估有重要意义。现有技术中存在因为现场测试中常常由于检测设备故障或者传输故障导致数据传输错误，不能根据已有历史数据对检测数据有效性进行评估可以对上传数据进行初步的筛选和清洗，从而降低了数据库的准确性的技术问题。本发明采取对光伏电站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阻抗数据有效性指数进行预测计算，根据计算结果实时地对光伏电站电抗数据进行在线筛选，能够有效减少由于故障导致的数据污染，显著提高数据的准确性和可靠性，为以后数据建模的准确性提供了保障。

技术实现要素：

本发明提供一种光伏电站阻抗数据有效性指数预测方法，解决了现有技术中存在因为现场测试中常常由于检测设备故障或者传输故障导致数据传输错误，不能根据已有历史数据对检测数据有效性进行评估可以对上传数据进行初步的筛选和清洗，从而降低了数据库的准确性的技术问题。

本发明通过下述技术方案实现，所述方法包括所述方法包括：(1)根据实时监测获得的参数，建立光伏电站阻抗数据有效性指数演化系统时间序列；(2)根据支持向量机算法对光伏电站测量数据的时间序列进行处理；(3)根据最优超平面计算光伏电站阻抗数据有效性指数。

进一步地，为更好的实现本发明,所述实时监测获得的参数为配电网及配电网内光伏系统运行参数及气象环境参数。

进一步地，所述步骤(1)中演化时间序列是在固定时间间隔下建立的演化时间序列。

进一步地，所述演化时间序列包括所述光伏电站接入点等效阻抗测量值，接入点电压，接入点有功值，环境温度，环境光照强度。

步骤(1)中所述演化系统时间序列在一系列时刻t₁,t₂,t₃,...t_zi为

其中，n为自然数，n＝1,2,...，U_z为电网接入点电压值，Z_z为接入点等效阻抗值，P_z为接入点有功功率，S_z为环境光照强度，T_z为环境温度。

进一步地，所述步骤(2)包括以下步骤：

(A)建立支持向量机目标函数maxR_a(x_z1,x_z2,..x_zi.,x_z5n)；

(B)构建光伏电站测量数据分类的最优超平面；

(C)选取光伏电站阻抗数据有效性指数支持向量机算法核函数；

进一步地，构建如步骤(B)中所述的最优超平面的过程如下：

设样本集为x_zi，其中i＝1,2,...k_5n，将输入量x_zi通过非线性变换从原输入空间转为高维特征空间，通过公式f_r(x)＝w_zφ(x_z)+b_z构建最优超平面，其中，w_z是选取的各测量量的权重，bz为超平面的截距，两条边界端f_r(x)＝1和f_r(x)＝-1中间的最大间隔来确定最优超平面。

进一步地，选取如步骤(C)支持向量机算法核函数的方法如下：

选取高斯径向基核函数为该算法的核函数，其定义如下：

其中|x_zj-x_zi|为两个向量间的距离，σ为不等于零的常数,j＝1,2,...k_5n。

进一步地，所述步骤(3)包括以下步骤：

将光伏电站测量数据经过支持向量方法机处理，引入支持向量机目标函数的修正函数，支持向量机目标模型优化为y_a＝max R_a(x_zi)+g_a(x_zi)，对新的支持向量机目标模型进行求解；

其中，g_a(x_zi)为支持向量机目标模型的修正项，g_a(x_zi)≥0。

进一步地，所述方法用于检测光伏发电系统。

附图说明

图1数据有效性指数预测流程图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本实发明的实施方式不限于此。

实施例1：

采用上述一种光伏电站阻抗数据有效性指数预测方法，流程如图1，包括如下步骤：

定义如下光伏电站阻抗数据有效性指数：

步骤1：根据实时监测获得的参数，建立光伏电站阻抗数据有效性指数演化系统时间序列，所述演化系统时间序列在一系列时刻t₁,t₂,t₃,...t_zi为

其中，n为自然数，n＝1,2,...，U_z为电网接入点电压值，Z_z为接入点等效阻抗值，P_z为接入点有功功率，S_z为环境光照强度，T_z为环境温度。

步骤2：根据支持向量机算法对光伏电站测量数据的时间序列进行处理；

步骤A：建立支持向量机目标函数maxR_a(x_z1,x_z2,..x_zi.,x_z5n)；

步骤B：构建光伏电站测量数据分类的最优超平面；

设样本集为x_zi，其中i＝1,2,...k_5n，将输入量x_zi通过非线性变换从原输入空间转为高维特征空间，通过f_r(x)＝w_zφ(x_z)+b_z构建最优超平面，其中，w_z是选取的各测量的权重，bz为超平面的截距，两条边界端f_r(x)＝1和f_r(x)＝-1中间的最大间隔来确定最优超平面。

步骤C：选取光伏电站阻抗数据有效性指数支持向量机算法核函数；

选取高斯径向基核函数为该算法的核函数，其定义如下：

其中|x_zj-x_zi|为两个向量间的距离，σ＝0.6994,j＝1,2,...k_5n。

步骤3：根据最优超平面进行光伏电站阻抗数据有效性指数计算光伏电站阻抗数据有效性指数；

对优化后得到的新支持向量机目标函数y_a＝max R_a(x_zi)+g_a(x_zi)进行求解，y_a为光伏电站阻抗数据有效性指数预测值。

其中，修正模型g_a(x_zi)为支持向量机目标模型的修正项，g_a(x_zi)≥0。

实施例2

本实施例在实施例1的基础上进一步说明σ的取值：

步骤2：根据支持向量机算法对光伏电站测量数据的时间序列进行处理；

步骤A：建立支持向量机目标函数maxR_a(x_z1,x_z2,..x_zi.,x_z5n)；

步骤B：构建光伏电站测量数据分类的最优超平面；

设样本集为x_zi，其中i＝1,2,...k_5n，将输入量x_zi通过非线性变换从原输入空间转为高维特征空间，通过f_r(x)＝w_zφ(x_z)+b_z构建最优超平面，其中，w_z是选取的各测量的权重，bz为超平面的截距，两条边界端f_r(x)＝1和f_r(x)＝-1中间的最大间隔来确定最优超平面。

步骤C：选取光伏电站阻抗数据有效性指数支持向量机算法核函数；

选取高斯径向基核函数为该算法的核函数，其定义如下：

其中|x_zj-x_zi|为两个向量间的距离，σ＝0.7964,j＝1,2,...k_5n。

步骤3：根据最优超平面进行光伏电站阻抗数据有效性指数计算光伏电站阻抗数据有效性指数；

对优化后得到的新支持向量机目标函数y_a＝max R_a(x_zi)+g_a(x_zi)进行求解，y_a为光伏电站阻抗数据有效性指数预测值。

其中，修正模型g_a(x_zi)为支持向量机目标模型的修正项，g_a(x_zi)≥0。

本发明相对于现有技术能够取得以下有益技术效果：(1)提高数据库的准确性，(2)有效减少数据污染，(3)提高数据的准确性，(4)提高数据的可靠性，(5)提高配电网电力系统在光伏系统接入后的可靠性与经济性。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围。