一種離網光伏電站直流側諧波的SVC抑制指數預測方法與流程
2023-05-29 14:22:36 2
本發明屬於光伏發電技術領域，特別涉及一種離網光伏電站直流側諧波的SVC抑制指數預測方法。
背景技術：
電力系統中光伏發電設備的接入為電網帶來更多的諧波，需要根據光伏電池運行特點進行離網光伏電站直流側諧波的SVC抑制指數預測評估，使光伏發電系統能夠安全、穩定、高效地運行，以往離網光伏電站直流側諧波的SVC抑制指數計算方法的特點是忽略光伏與環境的相互作用關係，由光伏發電系統內各個組件獨立進行諧波分析，不能有效利用電網和光伏發電運行數據資源，評估準確度和光伏利用效率不高，因此，對光伏發電系統運行參數及氣象環境參數進行實時監測，並根據監測參數對離網光伏電站直流側諧波的SVC抑制指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，顯著提高配電網電力系統在光伏系統接入後的可靠性與經濟性。
技術實現要素：
本發明的目的在於：提供一種離網光伏電站直流側諧波的SVC抑制指數預測方法，包括以下步驟：
a、建立離網光伏電站直流側諧波的SVC抑制演化系統的時間序列；
b、根據步驟a中的時間序列測量數據歸一化處理；
c、時間序列測量數據的支持向量機算法處理；
d、離網光伏電站直流側諧波的SVC抑制指數計算。
進一步的，所述的步驟a中，所述的時間序列在一系列時刻tnyz1,tnyz2,...,tnyzn(n為自然數，n＝1,2,…)得到逆變器輸出有功功率pnyz，逆變器輸出無功功率qnyz，溼度wnyz，溫度Tnyz，光照強度snyz測量值。
進一步的，所述的步驟b中採用公式：
計算，其中設測量數據為nyzi(i＝1,2,...,k5n)，k5n為前述公式中測量數據個數，為統一數據量綱和變化範圍，nyzmax、nyzmin分別為輸入量的上下界。
進一步的，所述的步驟c中包括建立帶有懲罰因子和約束函數的目標函數ynyz＝min fmb(ynyzxi)+gcf(ynyzxxi)+rys(ynyzxi)。
進一步的，所述的步驟c中還包括支持向量機算法核函數的選取，採用如下公式其中|ynyzxj-ynyzxi|為兩個向量間的距離，σ為不等於零的常數，j＝1,2,...,w5n。
進一步的，所述的步驟c中還包括基於遺傳-蟻群算法的支持向量機參數尋優步驟。
進一步的，所述的SVC抑制指數的計算公式為：
本發明與現有技術相比，具有以下優點及有益效果：
本發明的一種離網光伏電站直流側諧波的SVC抑制指數預測方法，通過建立離網光伏電站直流側諧波的SVC抑制演化系統的時間序列；根據時間序列測量數據歸一化處理；時間序列測量數據的支持向量機算法處理；離網光伏電站直流側諧波的SVC抑制指數計算。能夠對光伏發電系統運行參數及氣象環境參數進行實時監測，並根據監測參數對離網光伏電站直流側諧波的SVC抑制指數進行預測計算，根據計算結果實時地對光伏發電系統進行控制，能夠有效提高電能質量，顯著提高配電網電力系統在光伏系統接入後的可靠性與經濟性。
附圖說明
圖1預測流程圖。
具體實施方式
下面結合實施例對本發明作進一步地詳細說明，但本發明的實施方式不限於此。一種離網光伏電站直流側諧波的SVC抑制指數預測方法，其特徵在於包括以下步驟：
a、建立離網光伏電站直流側諧波的SVC抑制演化系統的時間序列；
b、根據步驟a中的時間序列測量數據歸一化處理；
c、時間序列測量數據的支持向量機算法處理；
d、離網光伏電站直流側諧波的SVC抑制指數計算。
進一步的，所述的步驟a中，所述的時間序列在一系列時刻tnyz1,tnyz2,...,tnyzn(n為自然數，n＝1,2,…)得到逆變器輸出有功功率pnyz，逆變器輸出無功功率qnyz，溼度wnyz，溫度Tnyz，光照強度snyz測量值。
進一步的，所述的步驟b中採用公式：
計算，其中設測量數據為nyzi(i＝1,2,...,k5n)，k5n為公式(1)中測量數據個數，為統一數據量綱和變化範圍，nyzmax、nyzmin分別為輸入量的上下界。
進一步的，所述的步驟c中包括建立帶有懲罰因子和約束函數的目標函數ynyz＝min fmb(ynyzxi)+gcf(ynyzxxi)+rys(ynyzxi)。
進一步的，所述的步驟c中還包括支持向量機算法核函數的選取，採用如下公式其中|ynyzxj-ynyzxi|為兩個向量間的距離，σ為不等於零的常數，j＝1,2,...,w5n。
進一步的，所述的步驟c中還包括基於遺傳-蟻群算法的支持向量機參數尋優步驟。
進一步的，所述的SVC抑制指數的計算公式為：
在固定時間間隔對逆變器輸出有功功率、逆變器輸出無功功率、光照強度、溫度、溼度進行測量，定義如下離網光伏電站直流側諧波的SVC抑制指數：
在一系列時刻tnyz1,tnyz2,...,tnyzn(n為自然數，n＝1,2,…)得到逆變器輸出有功功率pnyz，逆變器輸出無功功率qnyz，溼度wnyz，溫度Tnyz，光照強度snyz測量值：
設測量數據為nyzi(i＝1,2,...,k5n)，k5n為測量數據個數，為統一數據量綱和變化範圍，對數據進行如下歸一化處理：
其中，nyzmax、nyzmin分別為輸入量的上下界。
時間序列測量數據的支持向量機算法處理：
建立帶有懲罰因子和約束函數目標函數：
ynyz＝min fmb(ynyzxi)+gcf(ynyzxxi)+rys(ynyzxi)
其中，式中ynyzxi(i＝1,2,...,w5n)為w5n個優化變量，fmb(ynyzxi)為目標函數，gcf(ynyzxi)為目標函數的懲罰因子，rys(ynyzxi)為目標函數的約束項。
支持向量機算法核函數的選取：
根據本專利數據特點，經過分析比較，選取高斯徑向基核函數為該算法的核函數，其定義如下：
其中|ynyzxj-ynyzxi|為兩個向量間的距離，σ為不等於零的常數，j＝1,2,...,w5n
基於遺傳-蟻群算法的支持向量機參數尋優
針對支持向量機存在的模型參數，首先初始化模型參數，對參數進行二進位編碼，隨機確定模型參數的初始種群，對支持向量機模型進行訓練。在原有蟻群算法流程的基礎上，將遺傳算法引入到了蟻群的每一次迭代中。遺傳算法的初始種群由蟻群每一次迭代產生的解及其全局最優解共同組成。然後經過遺傳算法的選擇、交叉、變異，若干次迭代進化，產生一組新解。將遺傳算法產生的解群體中的最優解與蟻群算法的全局最優解進行比較，取二者之中最優的作為蟻群算法新的全局最優解，然後進行信息素的更新。
離網光伏電站直流側諧波的SVC抑制指數計算：
根據尋優參數構建離網光伏電站直流側諧波的SVC抑制指數最優支持向量機模型，將數據輸入模型中，即可得到離網光伏電站直流側諧波的SVC抑制指數預測值。
根據尋優參數構建離網光伏電站直流側諧波的SVC抑制指數最優支持向量機模型，其中尋優結果σ＝0.6884，將數據輸入模型中，即可得到離網光伏電站直流側諧波的SVC抑制指數預測值。
以上所述，僅是本發明的較佳實施例，並非對本發明做任何形式上的限制，凡是依據本發明的技術實質對以上實施例所作的任何簡單修改、等同變化，均落入本發明的保護範圍之內。