一種配電網光儲發電主動頻率波動抑制係數預測方法與流程
2023-10-11 11:38:54 2
本發明屬於配電網技術領域，特別涉及一種配電網光儲發電主動頻率波動抑制係數預測方法。
背景技術：
配電網電力系統中分布式光伏發電設備和儲能設備組成了一個複雜的系統，如何根據分布式光儲系統及配電網運行特點進行配電網光儲發電主動頻率波動抑制係數預測評估，使每個光儲聯合發電系統及其所接入的配電網能夠安全、穩定、高效運行，以往配電網頻率波動抑制係數計算方法的特點是忽略分布式光伏及光伏儲能與配電網間的相互作用關係，由區域電網或光儲聯合發電系統內各個系統獨立進行頻率波動分析，不能有效利用電網和分布式光伏發電運行數據資源，評估準確度和光伏利用效率不高。
有鑑於此，本發明提供一種配電網光儲發電主動頻率波動抑制係數預測方法，以滿足實際應用需要。
技術實現要素：
本發明的目的是：為克服現有技術的不足，本發明提供一種配電網光儲發電主動頻率波動抑制係數預測方法，從而獲得配電網光儲發電主動頻率波動抑制係數。
本發明所採用的技術方案是：一種配電網光儲發電主動頻率波動抑制係數預測方法，其特徵在於，包括如下步驟：
步驟1：建立配電網光儲發電主動頻率波動抑制係數演化系統的時間序列：
在固定時間間隔對併網點電壓頻率、併網點電壓值、電壓變化率、併網點有功、溫度、溼度進行測量，電壓額定頻率值與實際電壓頻率測量值之差除以歷史電壓頻率最大值與歷史電壓頻率最小值作為光儲發電主動頻率波動抑制係數，即：
則，在一系列時刻tayz1,tayz2,...,tayzn，n為自然數，n＝1,2,…，得到併網點電壓頻率fayz、併網點電壓值uayz、電壓變化率duayz、併網點有功payz，溫度tayz、溼度wayz測量數據序列：
步驟2：構建測量數據時間序列的m維相空間：
設測量數據的時間序列為{yayzi}，其中(i＝1,2,...,6n)，並利用此特徵量構造一組m維向量：
xyayzi＝(yayzi,yayzi-τ,...,yayzi-(m-1)τ)(2)
其中，τ為延遲時間，m為嵌入維數；
步驟3：測量數據相空間重構後的神經網絡粒子群算法處理：
步驟3.1：建立帶有懲罰因子和約束函數的目標函數：
yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)
其中，式中ayzxi為優化變量，fmb(ayzxi)為目標函數，gcf(ayzxi)為目標函數的懲罰因子，rys(ayzxi)為目標函數的約束項，yayz為待求的配電網光儲發電主動頻率波動抑制係數；
步驟3.2：神經網絡評價函數的建立：
將神經網絡參數θi排序，並將所有參數θi設為非零隨機值從而對參數進行初始化，構建神經網絡的評價函數fpj：
式中，yi為神經網絡實際輸出值，為輸出期望值；
步驟3.3：目標函數粒子群算法處理：
將重構後的向量帶入如下迭代公式，即：
其中，為第k次迭代下，粒子i的速度，表示每個粒子目前為止所出現的最佳位置，表示所有粒子目前為止所出現的最佳位置，表示每個粒子當前所在位置，c1、c2表示學習常數，rand隨機函數為0～1之間的隨機數，慣性權重ω起著權衡局部最優能力和全局最優能力的作用；
步驟3.4：慣性權重的修正：
為了提高算法的收斂性，將慣性權重進入神經網絡進行訓練：
式中，yi為神經網絡實際輸出值，為輸出期望值，h為慣性係數，是一個定值；
步驟4：配電網光儲發電主動頻率波動抑制係數計算：
當粒子群算法的迭代次數達到設定最大迭代次數nmax，粒子群算法終止，得到神經網絡參數最優值初始參數，根據評價函數fpj確定最優神經網絡，當神經網絡滿足精度要求γ後，得到yayz即為配電網光儲發電主動頻率波動抑制係數預測值。
本發明的有益效果是：本發明為配電網提供了一種配電網光儲發電主動頻率波動抑制係數預測方法，對配電網及其內光儲系統運行參數及氣象環境參數進行實時監測，並根據監測參數對光儲發電主動頻率波動抑制係數進行預測計算，根據計算結果實時地對光儲聯合發電系統及配電網進行控制，能夠有效避免配電網系統因光儲接入帶來的頻率波動等問題，顯著提高配電網電力系統在光儲聯合系統接入後的可靠性與經濟性。
附圖說明
圖1為本發明實施例的目標函數迭代運算圖。
具體實施方式
為了更好地理解本發明，下面結合實施例進一步闡明本發明的內容，但本發明的內容不僅僅局限於下面的實施例。本領域技術人員可以對本發明作各種改動或修改，這些等價形式同樣在本申請所列權利要求書限定範圍之內。
如圖1所示，本發明實施例提供的一種配電網光儲發電主動頻率波動抑制係數預測方法，包括如下步驟：
步驟1：建立配電網光儲發電主動頻率波動抑制係數演化系統的時間序列：
在固定時間間隔對併網點電壓頻率、併網點電壓值、電壓變化率、併網點有功、溫度、溼度進行測量，電壓額定頻率值與實際電壓頻率測量值之差除以歷史電壓頻率最大值與歷史電壓頻率最小值作為光儲發電主動頻率波動抑制係數，即：
則，在一系列時刻tayz1,tayz2,...,tayzn(n為自然數，n＝1,2,…)得到併網點電壓頻率fayz、併網點電壓值uayz、電壓變化率duayz、併網點有功payz，溫度tayz、溼度wayz測量數據序列：
步驟2：構建測量數據時間序列的m維相空間：
設測量數據的時間序列為{yayzi}，其中(i＝1,2,...,6n)，並利用此特徵量構造一組m維向量：
xyayzi＝(yayzi,yayzi-τ,...,yayzi-(m-1)τ)(2)
其中，τ為延遲時間，m為嵌入維數。
在本實施例中，τ＝4，m＝9。
步驟3：測量數據相空間重構後的神經網絡粒子群算法處理：
步驟3.1：建立帶有懲罰因子和約束函數的目標函數：
yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)
其中，式中ayzxi為優化變量，fmb(ayzxi)為目標函數，gcf(ayzxi)為目標函數的懲罰因子，rys(ayzxi)為目標函數的約束項，yayz為待求的配電網光儲發電主動頻率波動抑制係數。
步驟3.2：神經網絡評價函數的建立：
將神經網絡參數θi排序，並將所有參數θi設為非零隨機值從而對參數進行初始化，構建神經網絡的評價函數fpj：
式中，yi為神經網絡實際輸出值，為輸出期望值。
步驟3.3：目標函數粒子群算法處理：
將重構後的向量帶入如下迭代公式，即：
其中，為第k次迭代下，粒子i的速度，表示每個粒子目前為止所出現的最佳位置，表示所有粒子目前為止所出現的最佳位置，表示每個粒子當前所在位置，c1、c2表示學習常數，rand隨機函數為0～1之間的隨機數，慣性權重ω起著權衡局部最優能力和全局最優能力的作用。
在本實施例中，c1＝3.3329,c2＝4.8632。
步驟3.4：慣性權重的修正：
為了提高算法的收斂性，將慣性權重進入神經網絡進行訓練：
式中，yi為神經網絡實際輸出值，為輸出期望值，h為慣性係數，是一個定值。
在本實施例中，h＝0.65873。
步驟4：配電網光儲發電主動頻率波動抑制係數計算：
當粒子群算法的迭代次數達到設定最大迭代次數nmax＝50000，粒子群算法終止，得到神經網絡參數最優值初始參數，根據評價函數fpj確定最優神經網絡，當神經網絡滿足精度要求γ＝0.01後，得到yayz即為光儲聯合發電系統最大功率係數光儲發電主動頻率波動抑制係數預測值。
以上僅為本發明的實施例而已，並不用於限制本發明，因此，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的權利要求範圍之內。