一种配电网分布式光储发电系统电压波动抑制指数预测方法与流程

本发明属于配电网技术领域，特别涉及一种配电网分布式光储发电系统电压波动抑制指数预测方法。

背景技术：

配电网电力系统中分布式光伏发电设备和储能设备组成了一个复杂的系统，如何根据分布式光储系统及配电网运行特点进行配电网分布式光储发电系统电压波动抑制指数预测评估，使每个光储联合发电系统及其所接入的配电网能够安全、稳定、高效运行，以往配电网分布式光储发电系统电压波动抑制指数预测计算方法的特点是忽略分布式光伏及光伏储能与配电网间的相互作用关系，由区域电网或光储联合发电系统内各个系统独立进行电压波动分析，不能有效利用电网和分布式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，本发明提供一种配电网分布式光储发电系统电压波动抑制指数预测方法，以满足实际应用需要。

技术实现要素：

本发明的目的是：为克服现有技术的不足，本发明提供一种配电网分布式光储发电系统电压波动抑制指数预测方法，从而获得配电网分布式光储发电系统电压波动抑制指数。

本发明所采用的技术方案是：一种配电网分布式光储发电系统电压波动抑制指数预测方法，其特征在于，包括如下步骤：

步骤1：建立配电网分布式光储发电系统电压波动抑制指数演化系统的时间序列：

在固定时间间隔对并网点电压、并网点无功、pm2.5、湿度、风速进行测量，并网点最大电压变化率与电压变化率测量值之差除以配电网电压变化率最大值作为配电网分布式光储发电系统电压波动抑制指数，即：

则，在一系列时刻tyz1,tpc2,...,tpcn，n为自然数，n＝1,2,…，得到并网点电压uyz，并网点无功qyz，pm2.5pmyz，湿度wyz，风速vyz的测量数据序列：

步骤2：构建测量数据序列的m维相空间：

设测量数据的时间序列为{yzi}(i＝1,2,...,5n)，并利用此特征量构造一组m维向量

xvyzi＝(yzi,yzi-τ,...,yzi-(m-1)τ)(2)

其中，τ为延迟时间，m为嵌入维数；

步骤3：相空间重构后的神经网络粒子群算法处理：

步骤3.1：建立带有惩罚因子和约束函数的目标函数：

yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)

其中，式中yzxi为优化变量，fmb(yzxi)为目标函数，gcf(yzxi)为目标函数的惩罚因子，rys(yzxi)为目标函数的约束项，yyz为待求的配电网分布式光储发电系统电压波动抑制指数；

步骤3.2：神经网络预测模型的建立：

根据时间序列输入输出参数个数构建bp神经网，随机生成的一个初始种群粒子，输入训练样本进行神经网络训练，达到设定的精度得到一个网络训练输出值得到粒子的最佳适应度fbest：

其中，为实际输出值，yi为期望值，m为重构相空间中相点数；

步骤3.3：目标函数粒子群算法处理：

根据输入输出样本计算每个粒子位置对应的适应度值，根据如下迭代公式进行粒子速度与位置的更新，即：

其中，为第k次迭代下，粒子i的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，rand()为0～1之间的随机数，惯性权重ω起着权衡局部最优能力和全局最优能力的作用；

步骤4：配电网分布式光储发电系统电压波动抑制指数预测计算：

当粒子群算法满足最大迭代次数nmax后，将改进粒子群算法得到的最优粒子对神经网络连接权值和阈值进行赋值，神经网络预测模型经训练后，预测最优解输出，得到yyz即为配电网分布式光储发电系统电压波动抑制指数预测值。

本发明的有益效果是：本发明为配电网提供了一种配电网分布式光储发电系统电压波动抑制指数预测方法，对配电网及其内光储系统运行参数及气象环境参数进行实时监测，并根据监测参数对配电网分布式光储发电系统电压波动抑制指数进行预测计算，根据计算结果实时地对光储联合发电系统及配电网进行控制，能够有效避免配电网系统因光储接入带来的电压等问题，显著提高配电网电力系统在光储联合系统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配电网分布式光储发电系统电压波动抑制指数预测方法，包括如下步骤：

步骤1：建立配电网分布式光储发电系统电压波动抑制指数演化系统的时间序列：

在固定时间间隔对并网点电压、并网点无功、pm2.5、湿度、风速进行测量，并网点最大电压变化率与电压变化率测量值之差除以配电网电压变化率最大值作为配电网分布式光储发电系统电压波动抑制指数，即：

则，在一系列时刻tyz1,tpc2,...,tpcn，n为自然数，n＝1,2,…，得到并网点电压uyz，并网点无功qyz，pm2.5pmyz，湿度wyz，风速vyz的测量数据序列：

步骤2：构建测量数据序列的m维相空间：

设测量数据的时间序列为{yzi}(i＝1,2,...,5n)，并利用此特征量构造一组m维向量

xvyzi＝(yzi,yzi-τ,...,yzi-(m-1)τ)(2)

其中，τ为延迟时间，m为嵌入维数。

在本实施例中，τ＝5，m＝7。

步骤3：相空间重构后的神经网络粒子群算法处理：

步骤3.1：建立带有惩罚因子和约束函数的目标函数：

yyz＝minfmb(yzxi)+gcf(yzxi)+rys(yzxi)(3)

其中，式中yzxi为优化变量，fmb(yzxi)为目标函数，gcf(yzxi)为目标函数的惩罚因子，rys(yzxi)为目标函数的约束项，yyz为待求的配电网分布式光储发电系统电压波动抑制指数。

步骤3.2：神经网络预测模型的建立：

根据时间序列输入输出参数个数构建bp神经网，随机生成的一个初始种群粒子，输入训练样本进行神经网络训练，达到设定的精度得到一个网络训练输出值得到粒子的最佳适应度fbest：

其中，为实际输出值，yi为期望值，m为重构相空间中相点数。

步骤3.3：目标函数粒子群算法处理：

根据输入输出样本计算每个粒子位置对应的适应度值，根据如下迭代公式进行粒子速度与位置的更新，即：

其中，为第k次迭代下，粒子i的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，rand()为0～1之间的随机数，惯性权重ω起着权衡局部最优能力和全局最优能力的作用。

在本实施例中，c1＝1.9986,c2＝6.9081。

步骤4：配电网分布式光储发电系统电压波动抑制指数预测计算：

当粒子群算法满足最大迭代次数nmax＝300后，将改进粒子群算法得到的最优粒子对神经网络连接权值和阈值进行赋值，其中神经网络阈值为γ＝0.01，神经网络预测模型经训练后，预测最优解输出，解得yyz即为配电网分布式光储发电系统电压波动抑制指数预测值。

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。