CN106058914B - 基于Elman算法的配网发电预测技术的电压优化方法 - Google Patents

Abstract

本发明公开了一种基于Elman算法的配网发电预测技术的电压优化方法，基于相似日选择算法和Elman神经网络完成对分布式光伏电站的输出功率预测，提出基于有功、无功协调控制接有分布式光伏配网电压越限的控制策略，采用改进的智能粒子群优化算法进行寻优计算，完成配电网线路的电压优化控制，具有一定的适用性。

Description

基于Elman算法的配网发电预测技术的电压优化方法

技术领域

本发明涉及一种基于Elman算法的配网发电预测技术的电压优化方法，属于分布式光伏技术领域。

背景技术

分布式光伏接入配电网带来的配网电压波动问题亟待解决，分布式电源作为清洁能源的主要利用形式，其接入配电网的数目日趋增多，一方面，分布式电源有着安装便捷、供电灵活等特点，可以提高能源的利用效率，减少污染物的排放，提高供电可靠性、电能质量和降低网损；另一方面，规模化分布式光伏接入对未来电网的安全可靠运行提出了挑战，电网公司将面对大量井喷式、小容量、分散化的分布式光伏接入，这将对局域电网的安全稳定以及经济运行产生重大影响：分布式电源规模化接入后波动的有功出力影响到电网功率平衡特性，进而造成电网母线电压大幅波动。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于Elman算法的配网发电预测技术的电压优化方法，可提升馈线电压合格率，提高分布式电源有功功率输出，具有较好的适应性。

为解决上述技术问题，本发明提供一种基于Elman算法的配网发电预测技术的电压优化方法，包括以下步骤：

1)根据配网拓扑结构和线路参数，生成节点导纳矩阵，并根据节点实时负荷数据，通过前推回代法潮流算法计算出含有分布式光伏的配网节点电压；

2)查找各节点电压是否越限，如果电压不越限，等待下一个计算周期；如果节点电压越限，记录电压越限节点的节点号并转入步骤3)；

3)对于越限节点的电压，计算越限节点电压对节点注入有功、无功功率的灵敏度矩阵；

4)查找越限节点电压对节点注入有功、无功功率的灵敏度矩阵中与越限节点的节点号对应行的元素，找出对应的每一行中含有分布式光伏并网点的矩阵元素绝对值最大的元素对应的列号，即为需要参与优化的分布式光伏有功调节节点号与无功调节节点号；

5)以步骤4)中求出的有功调节节点号对应的有功调节节点的有功出力，无功调节节点号对应的无功调节节点的无功出力作为控制变量，以分布式光伏有功出力最大、各节点电压偏离额定值最小为目标函数，在满足约束条件后运用智能粒子群算法优化求解，得到对应有功调节节点的有功出力建议值和无功调节节点的无功出力建议值；如果所求得的解不可行或不收敛，则在原有调节节点的基础上再增加灵敏度次大的节点为调节节点进行优化求解。

前述的步骤3)中，越限节点电压对节点注入有功、无功功率的灵敏度矩阵分别为：

P_sense＝((B+Q)(G-P)^-1(B-Q)+(G+P))^-1 (16)

Q_sense＝((G-P)(B+Q)^-1(G+P)+(B-Q))^-1 (17)

其中，P_sense为越限节点电压对节点注入有功功率的灵敏度矩阵，Q_sense为越限节点电压对节点注入无功功率的灵敏度矩阵，G和B分别为节点导纳矩阵的实部和虚部，P和Q均为n阶对角阵。

前述的步骤5)中，约束条件包括：

各节点的有功功率平衡约束和无功功率平衡约束：

其中：P_i与Q_i分别为节点i的有功和无功注入，为节点i的电压相量，Y_ij为导纳矩阵对应元素，N为配网中接入的光伏节点个数；

节点电压约束：

其中，v_i为节点电压幅值，为节点电压最小值，为节点电压最大值；

关口交换功率约束：

其中，P₁，Q₁分别为从根节点流入配网的有功、无功功率，P₁ ^min与P₁ ^max分别为调度中心设置的关口交换有功功率上界和下界，与为关口交换无功功率上界和下界；

分布式光伏模块运行约束：

其中，P_i,DG为节点i上所并接的光伏模块的有功出力控制目标值，为节点i上所并接的光伏模块的有功出力预测值，Q_i,DG为节点i上所并接的光伏模块的无功出力值，S_i,DG为节点i上所并接的光伏模块容量。

前述的步骤5)中，目标函数表示为：

其中，DG_i为配网中光伏接入节点，为节点i上所并接的光伏模块的有功出力预测值，P_i,DG为节点i上所并接的光伏模块的有功出力控制目标值，v_j为节点j电压幅值，为节点j电压幅值额定值，n为配网节点个数，N为配网中接入的光伏节点个数，α为权重系数，且0＜α＜1。

前述的步骤5)中，智能粒子群算法优化求解过程如下：

5-1)随机初始化N个粒子的位置及速度；

5-2)取第一个粒子为当前粒子，根据光伏发电功率预测结果，检查粒子是否满足光伏有功、无功出力约束，即粒子有功、无功须不大于预测值，如果满足，则转入步骤5-3)；如果不满足，则调整粒子位置，使其满足光伏有功、无功出力约束，取第一个粒子为当前粒子，再转入步骤5-3)；

5-3)根据实时负荷及光伏输出数据计算配网潮流；

5-4)根据潮流计算结果，计算当前粒子本次适应度；

5-5)更新单个粒子最优适用度值及其对应的粒子位置，以及全部粒子的最优适应度值及其对应的粒子位置；

5-6)判断本代所有粒子是否已遍历完，遍历完则转入下一步，否则取下一个粒子为当前粒子，转入步骤5-2)；

5-7)判断|Fbest_2-Fbest_1|＜ε是否成立，其中Fbest_2为本轮计算全部粒子的最优适应度值，Fbest_1为上轮计算全部粒子的最优适应度值，ε为结果收敛判据，如果成立，则输出全局最优适应度对应的粒子位置即为光伏输出；如果不成立，则根据式(6)更新粒子位置，根据式(5)更新粒子速度，取第一个粒子为当前粒子，然后转入步骤5-2)，

v_i,d(t+1)＝wv_i,d(t)+c₁rand()(pBest_i,d-x_i,d(t))+c₂rand()(gBest_i,d-x_i,d(t))(5)

x_i,d(t+1)＝x_i,d(t)+v_i,d(t+1) (6)

其中，v_i,d(t+1)表示第i个粒子在d维空间t+1时刻的速度，v_i,d(t)表示第i个粒子在d维空间t时刻的速度，x_i,d(t+1)示第i个粒子在d维空间t+1时刻的位置，x_i,d(t)示第i个粒子在d维空间t时刻的位置，w为惯性系数，c₁、c₂为粒子学习率，rand()为值在0～1之间的随机数，pBest_i为粒子历史最优解，gBest_i为整个粒子群的最优解。

前述的步骤5-2)中，采用相似日选择算法和Elman算法得到光伏发电功率预测结果，具体过程如下：

6-1)采用相似日选择算法筛选与预测日天气情况相似的样本作为预测数据库，设预测日气象特征向量X_i为：

其中，T_imax、T_imin分别为第i日的最高气温、平均气温、最低气温；H_i为第i日的相对湿度；

设X_j为与预测日日类型、季节类型相同的历史日气象特征向量，表示为：

6-2)用欧式距离d_ij描述这两天气象因素总体的差异度：

其中，k为特征向量的序号，即k＝1表示最高气温，k＝2表示平均气温，k＝3表示最低气温，m为特征向量的个数；通过式(2)计算出欧式距离最小的历史日作为预测日的相似日；

6-3)把相似日的发电功率序列作为预测模型的输入样本参与到预测模型的训练和预测过程中来，得到预测日的发电功率。

本发明所达到的有益效果：

(1)本发明方法可以较为准确的预测光伏输出功率，尤其是在面对天气情况突变的时候仍然有着较高的精度，在相似日选择算法中适时加入一些其它气象因子和训练神经网络模型时增大样本的数据和加强对样本的甄别可以提高原有预测模型的精确度，达到比较理想的状态。

(2)本发明方法针对出现的配网电压不合格情况，根据基于有功、无功协调优化配网电压再结合智能粒子群算法对不合格节点电压进行优化，明显地改善了在优化前某些节点电压越上限的情况，使得越限节点电压有明显的降低，且都在在允许的电压偏移范围内。

附图说明

图1为含有分布式光伏的配电网络图。

图2为基于智能粒子群算法的电压优化流程图。

图3为分布式光伏配电网电压越限有功无功协调优化策略流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明是基于有功、无功调节技术对接入分布式光伏的配电网电压越限提出的一种控制策略。考虑到目前实际配电网中一般很少接有调压器和静止无功补偿器(SVC)这些传统的无功补偿装置，面对电压调整，从分布式光伏自身出发，让其参与到调节配网电压上来。但是考虑到分布式光伏自身的特殊性，接有分布式光伏的配网电压波动比较厉害，分析造成配电网电压波动的因素，通过调节光伏有功和无功出力，让其在建议值附近输出功率，而不是按照其原先的情况不加干预的满发。保证在电网安全稳定运行的前提下，提高电压合格率，尽量提高光伏的输出有功。

本发明的解决方案是：基于相似日选择算法和Elman神经网络完成对分布式光伏电站的输出功率预测，提出基于有功、无功协调控制技术接有分布式光伏配网电压越限的控制策略，采用改进的粒子群优化算法进行寻优计算，完成配电网线路的电压优化控制。具体包括以下部分：

(1)基于相似日和Elman神经网络算法的光伏发电功率预测

光伏发电功率影响的要素主要包括：日类型、辐照度、温度、湿度等。

采用相似日选择算法筛选与预测日天气情况相似的样本作为预测数据库。

由于辐射度可以由历史数据直接体现，故选取温度、相对湿度作为影响光伏电站发电功率的主要影响因素。设每日的气象特征向量X_i为：

其中，T_imax、T_imin分别为第i日的最高气温、平均气温、最低气温；H_i为第i日的相对湿度。

若记X_i为预测日的气象特征向量，X_j为与其日类型、季节类型相同的历史日气象特征向量，表示为用“欧式距离”d_ij来描述这两天气象因素总体的差异度：

其中，k为特征向量的序号，即k＝1表示最高气温，k＝2表示平均气温，k＝3表示最低气温，m为特征向量的个数，这里m为4。通过式(2)计算出与预测日相似度最高(欧式距离最小)的历史日作为预测日的相似日。

要预测光伏电站某天的发电功率，可寻找与其日类型、季节类型相同且气象特征向量相似度最高的历史日作为预测日的相似日，因相似日输出功率具有很高的关联度，因此可以把相似日的发电功率序列作为预测模型的输入样本参与到预测模型的训练和预测过程中来，这样针对性更强，提高了模型对光伏发电电站发电功率预测的精度。

(2)基于有功-无功协调优化技术的配电网电压优化

以单个光伏电站接入配网为例来分析接入PV后配网电压的分布情况，见图1所示，根节点上面的电压为U₀，其它节点的电压分别为U₁,U₂……U_N,、输电线路的阻抗分别为R₁+jX₁,R₂+jX₂……R_N+jX_N,，负荷的复功率分别为P₁+jQ₁,P₂+jQ₂……P_N+jQ_N,，PV在p节点并网，其中1≤p≤N，光伏的输出功率为：

光伏发电一般都运行在MPPT状态，即最大功率点，此时其功率因数为1，即Q_PV＝0。光伏并入点p及其之前各节点的电压为：

其中，m表示节点，0＜m≤p，而没有并入光伏之前的各节点电压与上式相似，只是分子上面没有-P_PV一项，这是由于接入光伏后经线路传输的功率减少了P_PV，由此可以看出光伏并网后整体提高了各节点的电压。

由于实际上PV接入的都是中低压配电网，输电线路RX大比值，因此节点m的电压变化量可以简化为：

由上式可知，当时，即ΔU_m＞0，节点电压降低；反之，当时，节点电压升高，这时候会出现末端电压高于首端电压，这是由于节点m及其之后所有节点的有功负荷功率小于PV输出功率，出现配网潮流返送导致的结果。

综上所述可知，当辐射型配网接入分布式光伏时，可以提高配网的整体电压水平，但是当光伏发电的功率达到一定程度时(虽然此例以单个PV接入配网，光伏发电达到一定限额，虽然此限额可能会超出光伏发电的极限，但是当多个PV接入配网时可以简化为单个PV输出功率不受限)会出现相邻节点之间电压升高的现象而不是电压逐渐降低，此时并网点的电压为局部电压最高点，可能使原来在合理范围内的电压越限。

(3)智能粒子群优化算法

PSO的问题模型中，将待优化问题的每一个解映射成在D维搜索空间中的一个粒子i，其位置表示为x_i＝(x_i,1,…,x_i,d,…x_i,D)，速度表示为v_i＝(v_i,1,…,v_i,d,…v_i,D)。在每一次迭代中，粒子通过跟踪个体历史最优解pBest_i和整个粒子群的最优解gBest_i来更新自己，更新公式为：

v_i,d(t+1)＝wv_i,d(t)+c₁rand()(pBest_i,d-x_i,d(t))+c₂rand()(gBest_i,d-x_i,d(t))(5)

x_i,d(t+1)＝x_i,d(t)+v_i,d(t+1) (6)

其中，v_i,d(t+1)表示第i个粒子在d维空间t+1时刻的速度，v_i,d(t)表示第i个粒子在d维空间t时刻的速度，x_i,d(t+1)示第i个粒子在d维空间t+1时刻的位置，x_i,d(t)示第i个粒子在d维空间t时刻的位置，w为惯性系数，c₁、c₂为粒子学习率，rand()为值在0～1之间的随机数。

粒子在不断更新的过程中，要受到搜索空间和速度范围的限制。假定搜索空间的区间为[x_min,x_max]，其中x_min、x_max分别为搜索空间的下限和上限，通过不断修正粒子位置坐标，即通过决定粒子下一步的位置。在搜索过程中，粒子一方面记住自身经验，另一方面借鉴其他同伴经验，进行调整，获得最优。

接有分布式光伏的配网电压优化的目的是满足配电网系统运行约束的条件下，通过调整并网光伏发电的有功和无功，进而调整配网节点电压，提高分布式光伏利用率。优化模型主要分为以下四个部分：输入变量、目标函数、约束条件、粒子群优化计算。

(1)输入变量

含分布式光伏的配电网电压优化问题中的变量可以分为控制变量和状态变量。具有稳定出力的分布式光伏将其有功、无功出力同时作为控制变量协调优化以控制配电网电压水平达到要求，含有分布式光伏的配网节点电压为状态变量。通过Elman神经网络算法得到的光伏发电功率预测结果具有很高的准确率，为下一步电压优化计算提供数据支撑。

(2)目标函数

分布式光伏接入配电网不仅要保证配网节点电压不越限，而且还要使得分布式光伏的有功出力最大化。实际系统中，为尽可能的发挥分布式电源的效率，如提高太阳能的利用率，需要分布式电源在系统允许的情况下尽可能大的向电力系统输送有功。为此可以定义目标函数为：

式中：DG_i为配网中光伏接入节点，为节点i上所并接的光伏模块的有功出力预测值，P_i,DG为节点i上光伏出力有功出力控制目标值，N为配电网中接入的光伏节点个数。

分布式光伏接入配电网后会引起配网中各节点电压的变化，而电压幅值是衡量系统安全和电能质量的一个重要指标，可将实际运行电压与期望电压的偏差作为目标函数使电压保持在合理的范围内。

式中，v_j为节点j电压幅值，为节点j电压幅值额定值，n为配网节点个数，配网中只有部分节点接有光伏。

针对以上两个目标函数，采用加权的方式将多目标的优化模型转变成单目标的优化问题。具体目标函数如下：

其中α为权重系数，且0＜α＜1。

(3)约束条件

在使目标函数最优的同时，应满足系统运行的各项约束条件，包括等式和不等式约束条件，等式约束主要是功率平衡约束，不等式约束主要是控制变量和状态变量的约束。

1)功率平衡约束

为了保证整个系统的安全运行和电能质量，在电压优化的模型中，要考虑各节点的有功功率平衡约束和无功功率平衡约束，即：

式中：P_i与Q_i分别为节点i的有功和无功注入，为节点i的电压相量，Y_ij为系统导纳矩阵对应元素，N为配电网中接入的光伏节点个数。

2)节点电压约束

其中，v_i为节点电压幅值，为节点电压最小值，为节点电压最大值。

3)关口交换功率约束

光伏发电输出功率受天气变化影响较大，因此光伏输出功率具有一定的波动性，这样就会对光伏接入的配电网造成一定的影响，为了抑制这种情况的发生，就需要考虑光伏发电接入区配电网根节点的交换功率，避免造成配网的波动。

其中，P₁，Q₁分别为从根节点流入配电网的有功、无功功率。P₁ ^min与P₁ ^max分别为调度中心设置的关口交换有功功率上界和下界，与为关口交换无功功率上界和下界。

4)分布式光伏模块运行约束

光伏模块稳态运行时采用PQ模型，通过逆变器并网，并网功率可实现有功无功独立控制。DG发出的有功功率是可控的，如果在某时刻DG发出的有功功率为那么DG可以根据控制要求发出之间任意的有功。式中，P_i,DG为节点i光伏模块有功出力值，为节点i光伏有功出力预测值，Q_i,DG为节点i光伏模块无功出力值，S_i,DG为节点i光伏模块容量。

(4)粒子群优化计算

1)含有分布式光伏的配网电压对节点注入功率的灵敏度

当某条母线上的电压出现波动，超出所规定的范围时，对分布式电源的有功和无功同时进行分布式电压控制算法，估算出分布式电源所需增加或减少的有功、无功出力，通过两者之间的协调控制，从而实现对电压的调节。灵敏度分析方法是利用某些变量之间的微小变化，得到变量之间的敏感程度。配网电压对节点注入功率的灵敏度可以通过极坐标下的潮流方程推导而来。详细推导过程如下：

对于具有N节点的电力网络，令n＝N-1，取平衡节点作为参考节点，将PV节点增广到潮流方程式中，可得2n极坐标形式的牛顿法潮流修正方程式：

式中：V_P和V_Q均为n阶节点电压幅值对角阵，ΔP和ΔQ为n维的节点注入功率修正矢量，Δθ和ΔV分别为n维节点电压相角和幅值修正矢量，V为n维节点电压幅值矢量。

式中：G和B分别为节点导纳阵的实部和虚部，Bcosθ为矩阵的一种简化写法，它和B具有相同的结构，其各部分元素为B中对应元素B_ij与cosθ_ij的乘积，其他项类同，另外，上述P和Q均为n阶对角阵，其对角元素分别为P_i/V_i ²和Q_i/V_i ²。正常情况下，θ_ij非常小，故可令cosθ_ij＝1，sinθ_ij＝0，上式可做进一步化简得：考虑到电压幅值标幺值在1.0pu附近，对上式方框部分进行高斯消去，计算得到电压对节点注入功率的灵敏度为：

ΔV＝((B+Q)(G-P)^-1(B-Q)+(G+P))^-1ΔP-((G-P)(B+Q)^-1(G+P)+(B-Q))^-1ΔQ

式中：G和B分别为节点导纳阵的实部和虚部，P和Q均为n阶对角阵，其对角元素分别为P_i/V_i ²和Q_i/V_i ²，ΔP和ΔQ为n维的节点注入功率修正矢量，ΔV为n维节点电压幅值修正矢量。

由上式可得节点电压对节点注入有功、无功的灵敏度矩阵分别为：

P_sense＝((B+Q)(G-P)^-1(B-Q)+(G+P))^-1 (16)

Q_sense＝((G-P)(B+Q)^-1(G+P)+(B-Q))^-1 (17)

式中：P_sense、Q_sense均为n阶矩阵，P_sense为节点电压对节点注入有功功率的灵敏度矩阵，Q_sense为节点电压对节点注入无功功率的灵敏度矩阵，反映了节点电压变化量对有功、无功变化量的灵敏程度，其中第i行第j列元素代表第j个节点有功、无功注入对第i个节点电压幅值的灵敏度。

2)含有分布式光伏的配网电压越限有功无功协调优化求解过程

当含有分布式光伏的配网电压越限时，可以采取综合调节分布式光伏有功、无功出力达到配网电压优化的目的，使得已经越限的电压重新回到合理的限制范围内。分布式光伏的配网电压越限有功无功协调优化策略流程如图3所示：

a.根据配网拓扑结构和线路参数，生成节点导纳矩阵，并根据节点实时负荷数据，通过前推回代法潮流算法计算出含有分布式光伏的配网节点电压；

b.查找各节点电压是否越限，如果电压不越限，等待下一个计算周期；如果节点电压越限，记录电压越限节点的节点号并转入步骤c；

c.对于越限节点的电压，通过式(16)、(17)分别计算越限节点电压对节点注入有功、无功功率的灵敏度矩阵；

d.查找P_sense、Q_sense矩阵中与越限节点的节点号对应行的元素，找出对应的每一行中含有分布式光伏并网点的矩阵元素绝对值最大的元素对应的列号，即为本次需要参与优化的分布式光伏有功调节节点号与无功调节节点号，有功调节节点号与无功调节节点号可能是同一节点号，也可能不是同一节点号，即对应着两个光伏并网点，而这两个光伏并网点就是优化过程中参与调节的节点，其有功、无功出力作为控制变量参与电压优化过程。

e.以步骤d中求出的有功调节节点的有功出力，无功调节节点的无功出力为控制变量，以分布式光伏有功出力最大、各节点电压偏离额定值最小为目标函数，在满足相应的等式约束条件、不等式约束条件后运用智能粒子群算法优化求解，即得对应调节节点的有功、无功出力建议值；如果所求得的含分布式光伏配网电压优化模型的解不可行或不收敛时，可以在原有调节节点的基础上再增加灵敏度次大的节点为调节节点并转入步骤d参与优化过程。

3)智能粒子群优化算法求解过程

使用智能粒子群算法来求解电压优化问题的流程见图2，包括以下步骤：

1)随机初始化N个粒子的位置及速度；

2)取第一个粒子为当前粒子，根据光伏发电功率预测结果，检查粒子是否满足光伏有功、无功出力约束，即粒子有功、无功须不大于预测值，如果满足，则转入步骤3)；如果不满足，则调整粒子位置，使其满足光伏有功、无功出力约束，取第一个粒子为当前粒子，再转入步骤3)；光伏发电功率预测结果即通过Elman神经网络算法得到的光伏发电功率预测结果。

3)根据实时负荷及光伏输出数据计算配网潮流；

4)根据潮流计算结果，计算当前粒子本次适应度；

5)更新单个粒子最优适用度值及其对应的粒子位置，以及全部粒子的最优适应度值及其对应的粒子位置；

6)判断本代所有粒子是否已遍历完，是则转入下一步，否则取下一个粒子为当前粒子，转入步骤2)；

7)判断|Fbest_2-Fbest_1|＜ε是否成立，其中Fbest_2为本轮计算全部粒子的最优适应度值，Fbest_1为上轮计算全部粒子的最优适应度值，ε为结果收敛判据，如果成立，则输出全局最优适应度对应的粒子位置即为光伏输出；如果不成立，则根据式(6)更新粒子位置，根据式(5)更新粒子速度，取第一个粒子为当前粒子，然后转入步骤2)。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，包括以下步骤：

1)根据配网拓扑结构和线路参数，生成节点导纳矩阵，并根据节点实时负荷数据，通过前推回代法潮流算法计算出含有分布式光伏的配网节点电压；

2)查找各节点电压是否越限，如果电压不越限，等待下一个计算周期；如果节点电压越限，记录电压越限节点的节点号并转入步骤3)；

3)对于越限节点的电压，计算越限节点电压对节点注入有功、无功功率的灵敏度矩阵；

4)查找越限节点电压对节点注入有功、无功功率的灵敏度矩阵中与越限节点的节点号对应行的元素，找出对应的每一行中含有分布式光伏并网点的矩阵元素绝对值最大的元素对应的列号，即为需要参与优化的分布式光伏有功调节节点号与无功调节节点号；

5)以步骤4)中求出的有功调节节点号对应的有功调节节点的有功出力，无功调节节点号对应的无功调节节点的无功出力作为控制变量，以分布式光伏有功出力最大、各节点电压偏离额定值最小为目标函数，在满足约束条件后运用智能粒子群算法优化求解，得到对应有功调节节点的有功出力建议值和无功调节节点的无功出力建议值；如果所求得的解不可行或不收敛，则在原有调节节点的基础上再增加灵敏度次大的节点为调节节点进行优化求解。

2.根据权利要求1所述的基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，所述步骤3)中，越限节点电压对节点注入有功、无功功率的灵敏度矩阵分别为：

P_sense＝((B+Q)(G-P)^-1(B-Q)+(G+P))^-1 (16)

Q_sense＝((G-P)(B+Q)^-1(G+P)+(B-Q))^-1 (17)

其中，P_sense为越限节点电压对节点注入有功功率的灵敏度矩阵，Q_sense为越限节点电压对节点注入无功功率的灵敏度矩阵，G和B分别为节点导纳矩阵的实部和虚部，P和Q均为n阶对角阵。

3.根据权利要求1所述的基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，所述步骤5)中，约束条件包括：

各节点的有功功率平衡约束和无功功率平衡约束：

其中：P_i与Q_i分别为节点i的有功和无功注入，为节点i的电压相量，Y_ij为导纳矩阵对应元素，N为配网中接入的光伏节点个数；

节点电压约束：

其中，v_i为节点电压幅值，为节点电压最小值，为节点电压最大值；

关口交换功率约束：

其中，P₁，Q₁分别为从根节点流入配网的有功、无功功率，P₁ ^min与P₁ ^max分别为调度中心设置的关口交换有功功率上界和下界，与为关口交换无功功率上界和下界；

分布式光伏模块运行约束：

其中，P_i,DG为节点i上所并接的光伏模块的有功出力控制目标值，为节点i上所并接的光伏模块的有功出力预测值，Q_i,DG为节点i上所并接的光伏模块的无功出力值，S_i,DG为节点i上所并接的光伏模块容量。

4.根据权利要求1所述的基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，所述步骤5)中，目标函数表示为：

其中，DG_i为配网中光伏接入节点，为节点i上所并接的光伏模块的有功出力预测值，P_i,DG为节点i上所并接的光伏模块的有功出力控制目标值，v_j为节点j电压幅值，为节点j电压幅值额定值，n为配网节点个数，N为配网中接入的光伏节点个数，α为权重系数，且0＜α＜1。

5.根据权利要求1所述的基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，所述步骤5)中，智能粒子群算法优化求解过程如下：

5-1)随机初始化N个粒子的位置及速度；

5-2)取第一个粒子为当前粒子，根据光伏发电功率预测结果，检查粒子是否满足光伏有功、无功出力约束，即粒子有功、无功须不大于预测值，如果满足，则转入步骤5-3)；如果不满足，则调整粒子位置，使其满足光伏有功、无功出力约束，取第一个粒子为当前粒子，再转入步骤5-3)；

5-3)根据实时负荷及光伏输出数据计算配网潮流；

5-4)根据潮流计算结果，计算当前粒子本次适应度；

5-5)更新单个粒子最优适用度值及其对应的粒子位置，以及全部粒子的最优适应度值及其对应的粒子位置；

5-6)判断本代所有粒子是否已遍历完，遍历完则转入下一步，否则取下一个粒子为当前粒子，转入步骤5-2)；

5-7)判断|Fbest_2-Fbest_1|＜ε是否成立，其中Fbest_2为本轮计算全部粒子的最优适应度值，Fbest_1为上轮计算全部粒子的最优适应度值，ε为结果收敛判据，如果成立，则输出全局最优适应度对应的粒子位置即为光伏输出；如果不成立，则根据式(6)更新粒子位置，根据式(5)更新粒子速度，取第一个粒子为当前粒子，然后转入步骤5-2)，

v_i,d(t+1)＝wv_i,d(t)+c₁rand()(pBest_i,d-x_i,d(t))+c₂rand()(gBest_i,d-x_i,d(t)) (5)

x_i,d(t+1)＝x_i,d(t)+v_i,d(t+1) (6)

其中，v_i,d(t+1)表示第i个粒子在d维空间t+1时刻的速度，v_i,d(t)表示第i个粒子在d维空间t时刻的速度，x_i,d(t+1)示第i个粒子在d维空间t+1时刻的位置，x_i,d(t)示第i个粒子在d维空间t时刻的位置，w为惯性系数，c₁、c₂为粒子学习率，rand()为值在0～1之间的随机数，pBest_i为粒子历史最优解，gBest_i为整个粒子群的最优解。

6.根据权利要求5所述的基于Elman算法的配网发电预测技术的电压优化方法，其特征在于，所述步骤5-2)中，采用相似日选择算法和Elman算法得到光伏发电功率预测结果，具体过程如下：

6-1)采用相似日选择算法筛选与预测日天气情况相似的样本作为预测数据库，设预测日气象特征向量X_i为：

其中，T_imax、T_imin分别为第i日的最高气温、平均气温、最低气温；H_i为第i日的相对湿度；

设X_j为与预测日日类型、季节类型相同的历史日气象特征向量，表示为：

6-2)用欧式距离d_ij描述这两天气象因素总体的差异度：

其中，k为特征向量的序号，即k＝1表示最高气温，k＝2表示平均气温，k＝3表示最低气温，m为特征向量的个数；通过式(2)计算出欧式距离最小的历史日作为预测日的相似日；

6-3)把相似日的发电功率序列作为预测模型的输入样本参与到预测模型的训练和预测过程中来，得到预测日的发电功率。