分布式光储发电出力对空调运行稳定性影响指数预测方法与流程

本发明涉及分布式光储发电技术领域，尤其涉及一种分布式光储发电出力对空调运行稳定性影响指数预测方法。

背景技术：

为高效利用能源，热电联产系统日益发展壮大，热电联产系统中分布式光储设备和空调负荷组成了一个复杂的系统。由于光伏具有波动性和不确定性，光伏发电会给系统引入大量的谐波，从而影响电能质量，现有的研究涉及到分布式光储发电出力对空调运行稳定性影响的方法较少，不能根据电网运行状态数据及地理气象综合数据资源有效评估光储发电能否满足空调负荷的用电需求。

技术实现要素：

针对现有技术的缺陷，本发明提供一种分布式光储发电出力对空调运行稳定性影响指数预测方法，根据分布式光储系统及空调负荷运行特点进行分布式光储发电出力对空调运行稳定性影响指数预测评估，使每个光热联合发电系统及其所接入的空调负荷能够安全、稳定、高效运行。

一种分布式光储发电出力对空调运行稳定性影响指数预测方法，包括以下步骤：

步骤1：建立分布式光储发电出力与空调运行系统参数非线性时间序列，具体方法为：

步骤1.1：根据时间顺序按相同的时间间隔测量风电供冷系统的系统参数，所述系统参数包括：分布式光储发电系统所在环境的风速v、温度T、气压P、湿度W、光照强度S，空调负荷总负荷电流I和系统母线电压平均值V；

步骤1.2：根据测量的系统参数构建如下非线性时间序列：

其中，vgl₁，vgl₂，....，vgl_n表示风速时间序列，Tgl₁，Tgl₂，....，Tgl_n表示温度时间序列，Pgl₁，Pgl₂，....，Pgl_n表示气压时间序列，Wgl₁，Wgl₂，....，Wgl_n表示湿度时间序列，Sgl₁，Sgl₂，....，Sgl_n表示光照强度时间序列，Igl₁，Igl₂，....，Igl_n表示总负荷电流时间序列，Vgl₁，Vgl₂....，Vgl_n表示系统母线电压平均值时间序列；

步骤2：采用坐标延迟法对构建的非线性时间序列进行相空间重构，方法如下：

在n维状态空间中重构风速状态向量vgl_i′、温度状态向量Tgl_i′、气压状态向量Pgl_i′、湿度状态向量Wgl_i′、光照强度状态向量Sgl_i′、总负荷电流状态向量Igl_i′、母线电压状态向量Vgl_i′分别表示为：

vgl_i′＝{vgl_i，vgl_i+τ，...，vgl_i+(m-1)τ}；

Tgl_i′＝{Tgl_i，Tgl_i+τ，...，Tgl_i+(m-1)τ}；

Pgl_i′＝{Pgl_i，Pgl_i+τ，...，Pgl_i+(m-1)τ}；

Wgl_i′＝{Wgl_i，Wgl_i+τ，...，Wgl_i+(m-1)τ}；

Sgl_i′＝{Sgl_i，Sgl_i+τ，...，Sgl_i+(m-1)τ}；

Igl_i′＝{Igl_i，Igl_i+τ，...，Igl_i+(m-1)τ}；

Vgl_i′＝{Vgl_i，Vgl_i+τ，...，Vgl_i+(m-1)τ}；

其中，i＝1，2，...，n，τ为延迟时间，m为嵌入维数；

步骤3：将步骤2重构的相空间中的相点作为样本集，建立含有工况系数的分布式光储发电出力对空调运行稳定性影响指数数学模型，如下式所示：

其中，ygl_i′为分布式光储发电出力对空调运行稳定性影响指数，k_j表示工况j条件下数学模型所对应的工况系数，j为整数，1≤j≤m_gl，m_gl为最优分类数，max()为相空间重构后数据中的最大值，min()为相空间重构后数据中的最小值；

步骤4：采用模糊神经网络求解含有工况系数的分布式光储发电出力对空调运行稳定性影响指数数学模型，针对重构的相空间中的相点对下一时刻的系统稳定性影响指数进行预测，得到分布式光储发电出力对空调运行稳定性影响指数预测值，具体方法为：

步骤4.1：利用粒子群聚类算法对重构后的相空间相点所代表的系统运行工况进行分类，得到最优分类数m_gl，并对得到的系统不同运行工况编号为1～m_gl；粒子群聚类算法的输入为相空间重构后数据构成的样本集，样本集数据个数为N_gl，最大迭代次数为τ_max；

步骤4.2：对工况编号j所对应的重构后相空间中的相点进行提取，采用模糊神经网络对所建立的分布式光储发电出力对空调运行稳定性影响指数数学模型中的工况系数k_j进行求解，即得到工况j条件下分布式光储发电出力对空调运行稳定性影响指数确定的数学模型；

步骤4.3：将求得的对应的工况系数k_j和相空间重构后的数据输入分布式光储发电出力对空调运行稳定性影响指数数学模型，得到该时刻分布式光储发电出力对空调运行稳定性影响指数预测值ygl_i′。

进一步地，所述步骤4.1的具体方法为：

步骤4.1.1：分类数初始化，m_gl＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_gl个值作为聚类中心值，并将这m_gl个聚类中心值作为粒子群初始值；

步骤4.1.3：进行粒子群迭代搜索，得到运行方式分类数m_gl下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力；

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，...，N_gl；

步骤4.1.5：将m_gl加1，若m_gl＜N_gl，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_gl从1到N_gl对应的欧氏距离之和将JP_phm最小值所对应的m_gl作为工况的最优分类数。

进一步地，所述步骤4.2对工况系数k_j进行逐个求解的具体方法为：

步骤4.2.1：对工况参数初始化，令j＝1；

步骤4.2.2：提取工况编号j所对应的重构后相空间中的相点，建立求取该工况所对应的工况系数的神经网络模型，定义神经网络目标函数如下式所示；

其中，为第j种工况下第m次训练后神经网络系统的期望输出，k_j(m)为第j种工况下第m次训练后神经网络系统的实际输出；

步骤4.2.3：进行网络权值训练，计算输出层权值ω′，权值更新公式如下式所示；

ω′(m)＝ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))

其中，ω′(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；网络实际输出的k_j即为工况j下的工况系数；

步骤4.2.4：将j加1，若j＜m_gl，则重复步骤4.2.2至4.2.4，否则，计算结束，得到1～m_gl工况下模型对应的工况系数，执行步骤4.3。

由上述技术方案可知，本发明的有益效果在于：本发明提供的分布式光储发电出力对空调运行稳定性影响指数预测方法，针对光储与空调负荷系统进行实时监测，选取系统运行参数——空调负荷总负荷电流、系统母线电压平均值，以及系统所在环境地理气象环境参数——风速、温度、气压、湿度、光照强度，并根据监测参数对分布式光储发电出力对空调运行稳定性影响指数进行预测，根据计算结果实时地对该系统进行控制，能够有效利用太阳能，显著提高系统运行的可靠性与经济性。

附图说明

图1为本发明实施例提供的分布式光储发电出力对空调运行稳定性影响指数预测方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种分布式风力发电出力与供暖负荷同步指数预测方法，如图1所示，具体方法如下所述。

步骤1：建立分布式光储发电出力与空调运行系统参数非线性时间序列，具体方法为：

步骤1.1：根据时间顺序按相同的时间间隔测量风电供冷系统的系统参数，所述系统参数包括：分布式光储发电系统所在环境的风速v、温度T、气压P、湿度W、光照强度S，空调负荷总负荷电流I和系统母线电压平均值V；

步骤1.2：根据测量的系统参数构建如下非线性时间序列：

其中，vgl₁，vgl₂，....，vgl_n表示风速时间序列，Tgl₁，Tgl₂，....，Tgl_n表示温度时间序列，Pgl₁，Pgl₂，....，Pgl_n表示气压时间序列，Wgl₁，Wgl₂，....，Wgl_n表示湿度时间序列，Sgl₁，Sgl₂，....，Sgl_n表示光照强度时间序列，Igl₁，Igl₂，....，Igl_n表示总负荷电流时间序列，Vgl₁，Vgl₂....，Vgl_n表示系统母线电压平均值时间序列。

步骤2：采用坐标延迟法对构建的非线性时间序列进行相空间重构，方法如下：

在n维状态空间中重构风速状态向量vgl_i′、温度状态向量Tgl_i′、气压状态向量Pgl_i′、湿度状态向量Wgl_i′、光照强度状态向量Sgl_i′、总负荷电流状态向量Igl_i′、母线电压状态向量Vgl_i′分别表示为：

vgl_i′＝{vgl_i，vgl_i+τ，...，vgl_i+(m-1)τ}；

Tgl_i′＝{Tgl_i，Tgl_i+τ，...，Tgl_i+(m-1)τ}；

Pgl_i′＝{Pgl_i，Pgl_i+τ，...，Pgl_i+(m-1)τ}；

Wgl_i′＝{Wgl_i，Wgl_i+τ，...，Wgl_i+(m-1)τ}；

Sgl_i′＝{Sgl_i，Sgl_i+τ，...，Sgl_i+(m-1)τ}；

Igl_i′＝{Igl_i，Igl_i+τ，...，Igl_i+(m-1)τ}；

Vgl_i′＝{Vgl_i，Vgl_i+τ，...，Vgl_i+(m-1)τ}；

其中，i＝1，2，...，n，τ为延迟时间，m为嵌入维数。在本实施例中，选择m＝12，τ＝80ms。

然后计算分布式光储发电出力对空调运行稳定性影响指数的预测值：对相空间重构后的数据进行聚类处理，将数据划分成不同工况下的类别；建立含有工况系数的分布式光储发电出力对空调运行稳定性影响指数数学模型，根据聚类划分后的数据，采用神经网络计算每种工况下的工况系数。利用分布式光储发电出力对空调运行稳定性影响指数数学模型，针对相空间重构后的数据对下一时刻的系统同步性进行预测；所述分布式光储发电出力对空调运行稳定性影响指数数学模型的输入为相空间重构后数据，输出为分布式光储发电出力对空调运行稳定性影响指数，具体如步骤3和步骤4所述。

步骤3：将步骤2重构的相空间中的相点作为样本集，建立含有工况系数的分布式光储发电出力对空调运行稳定性影响指数数学模型，如下式所示；

其中，ygl_i′为分布式光储发电出力对空调运行稳定性影响指数，k_j表示工况j条件下数学模型所对应的工况系数，j为整数，1≤j≤m_gl，m_gl为最优分类数，max()为相空间重构后数据中的最大值，min()为相空间重构后数据中的最小值。

步骤4：采用模糊神经网络求解含有工况系数的分布式光储发电出力对空调运行稳定性影响指数数学模型，针对重构的相空间中的相点对下一时刻的系统稳定性影响指数进行预测，得到分布式光储发电出力对空调运行稳定性影响指数预测值，具体方法为：

步骤4.1：利用粒子群聚类算法对重构后的相空间相点所代表的系统运行工况进行分类，得到最优分类数m_gl，并对得到的系统不同运行工况编号为1～m_gl；粒子群聚类算法的输入为相空间重构后数据构成的样本集，样本集数据个数为N_gl＝700，最大迭代次数τ_max＝50，具体方法如下：

步骤4.1.1：分类数初始化，m_gl＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_gl个值作为聚类中心值，并将这m_gl个聚类中心值作为粒子群初始值；

步骤4.1.3：进行粒子群迭代搜索，得到运行方式分类数m_gl下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力。本实施例中，c₁＝1.8，c₂＝1.3，w＝0.8，当随机数rand()分别为0.4或0.3时，粒子群算法寻优效果最好。

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，...，N_gl；

步骤4.1.5：将m_gl加1，若m_gl＜N_gl，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_gl从1到N_gl对应的欧氏距离之和将JP_phm最小值所对应的m_gl作为工况的最优分类数。本实施例中，最优分类数m_gl＝3。

步骤4.2：对工况编号j所对应的重构后相空间中的相点进行提取，采用模糊神经网络对所建立的分布式光储发电出力对空调运行稳定性影响指数数学模型中的工况系数k_j进行求解，即得到工况j条件下分布式光储发电出力对空调运行稳定性影响指数确定的数学模型，具体方法如下。

步骤4.2.1：对工况参数初始化，令j＝1；

步骤4.2.2：提取工况编号j所对应的重构后相空间中的相点，建立求取该工况所对应的工况系数的神经网络模型，定义神经网络目标函数如下式所示；

其中，为第j种工况下第m次训练后神经网络系统的期望输出，k_j(m)为第j种工况下第m次训练后神经网络系统的实际输出；

步骤4.2.3：进行网络权值训练，计算输出层权值ω′，权值更新公式如下式所示；

ω′(m)＝ω′(m-1)+Δω′(m+a(ω′(m-1)-ω′(m-2))

其中，ω′(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；网络实际输出的k_j即为工况j下的工况系数；本实施例中，设置神经网络隐含层节点数为14；训练结束后，得到ε(m)＝0.0095。

步骤4.2.4：将j加1，若j＜m_gl，则重复步骤4.2.2至4.2.4，否则，计算结束，得到1～m_gl工况下模型对应的工况系数，执行步骤4.3；

按照此方法依次求取三种工况下的工况系数分别为：k₁＝1.1，k₂＝0.8，k₃＝1.35。

步骤4.3：将求得的对应的工况系数k_j和相空间重构后的数据输入分布式光储发电出力对空调运行稳定性影响指数数学模型，得到该时刻分布式光储发电出力对空调运行稳定性影响指数预测值ygl_i′。

本实施例中，当风速为3km/h，温度为25℃，光照强度为1000W/m²，45％RH，母线电压为35kV，总负荷电流为15A时，得到此工况属于第一类，根据k₁＝1.1，得到此时分布式光储发电出力对空调运行稳定性影响指数为2.1。当稳定性影响指数在1～1.5时，光储发电出力对空调运行影响较小，系统维持当前状态，当影响指数超出该范围，光储系统不能维持空调运行，空调运行改为传统电源供电。

本实施例提供的分布式光储发电出力对空调运行稳定性影响指数预测方法，针对光储与空调负荷系统进行实时监测，选取系统运行参数——空调负荷总负荷电流、系统母线电压平均值，以及系统所在环境地理气象环境参数——风速、温度、气压、湿度、光照强度，并根据监测参数对分布式光储发电出力对空调运行稳定性影响指数进行预测，根据计算结果实时地对该系统进行控制，能够有效利用太阳能，显著提高系统运行的可靠性与经济性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。