[发明专利]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

摘要

本发明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，通过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，构建测量数据时间序列的m维相空间，对测量数据进行相空间重构后的神经网络粒子群算法处理，进而进行配电网分布式光储发电系统电压波动抑制指数预测计算，得到配电网分布式光储发电系统电压波动抑制指数预测值。该方法能够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。

主权项

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：uyz1,uyz2,...,uyznqyz1,qyz2,...,qyznpmyz1,pmyz2,...,pmyznwyz1,wyz2,...,wyznvyz1,vyz2,...,vyzn---(1)]]>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：fbest=minΣi=1m(y^i-yi)2---(4)]]>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：viDk+1=ωviDk+c1rand()(pbiDk-xiDk)+c2rand()(gbiDk-xiDk)xiDk+1=xiDk+viDk+1---(5)]]>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。