CN106374531A - 一种主动配电网光储能量交换指数评估方法 - Google Patents

Abstract

本发明提供了一种主动配电网光储能量交换指数评估方法，通过建立配电网光储能量交换指数演化系统的时间序列，构建时间序列测量数据的m维相空间，对测量数据进行相空间重构后的粒子群—贝叶斯算法处理，进而进行主动配电网光储能量交换指数预测计算，得到主动配电网光储能量交换指数预测值。该方法能够根据监测参数对主动配电网光储能量交换指数进行预测计算，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能量不平衡及电压频率波动等问题，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。

Description

一种主动配电网光储能量交换指数评估方法

技术领域

本发明属于配电网技术领域，特别涉及一种主动配电网光储能量交换指数评估方法。

背景技术

配电网电力系统中分布式光伏发电设备和储能设备组成了一个复杂的系统，如何根据分布式光储系统及配电网运行特点进行主动配电网主动配电网光储能量交换指数预测评估，使每个光储联合发电系统及其所接入的配电网能够安全、稳定、高效运行，以往配电网分布式光储发电系统能量交换指数评估方法的特点是忽略分布式光伏及光伏储能与配电网间的相互作用关系，由区域电网或光储联合发电系统内各个系统独立进行能量交换分析，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高。

有鉴于此，本发明提供一种主动配电网光储能量交换指数评估方法，以满足实际应用需要。

发明内容

本发明的目的是：为克服现有技术的不足，本发明提供一种主动配电网光储能量交换指数评估方法，从而获得主动配电网光储能量交换指数。

本发明所采用的技术方案是：一种主动配电网光储能量交换指数评估方法，其特征在于，包括如下步骤：

步骤1：建立配电网光储能量交换指数演化系统的时间序列：

在固定时间间隔对并网点有功功率、并网点无功功率、并网点电压、温度、光照强度进行测量，并网点总输出功率与光伏输出功率之差除以并网点总输出功率与储能输出功率之差作为主动配电网光储能量交换指数，即：

则，在一系列时刻tjh₁,tjh₂,...,tjh_n，n为自然数，n＝1,2,…，得到并网点有功功率pjh，并网点无功功率qjh，并网点电压ujh，温度Tjh，光照强度sjh的测量数据序列：

$\left\{\begin{array}{c}{\mathrm{pjh}}_1,{\mathrm{pjh}}_2,...,{\mathrm{pjh}}_n\\ {\mathrm{qjh}}_1,{\mathrm{qjh}}_2,...,{\mathrm{qjh}}_n\\ {\mathrm{ujh}}_1,{\mathrm{ujh}}_2,...,{\mathrm{ujh}}_n\\ {\mathrm{Tjh}}_1,{\mathrm{Tjh}}_2,...,{\mathrm{Tjh}}_n\\ {\mathrm{wjh}}_1,{\mathrm{wjh}}_2,...,{\mathrm{wjh}}_n\end{array}\right.---\left(1\right)$

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{jh_i}，其中(i＝1,2,...,k_5n，)并利用此特征量构造一组m维向量

XJH_i＝(jh_i,jh_i-τ,...,jh_i-(m-1)τ) (2)

其中，τ为延迟时间，m为嵌入维数；

步骤3：相空间重构后的粒子群—贝叶斯算法处理：

步骤3.1：建立带有惩罚因子的目标函数：

y_jh＝min f_mb(jhx_i)+g_cf(jhx_i) (3)

其中，式中jhx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(jhx_i)为目标函数，g_cf(jhx_i)为目标函数的惩罚因子，y_jh为待求的主动配电网光储能量交换指数；

步骤3.2：粒子群—贝叶斯网络的打分函数的建立：

打分机制就是引入相应的打分函数f(G，B)，由它来评价每个候选贝叶斯网络结构G与数据集B的拟合程度，贝叶斯网络学习问题就转化为根据打分函数寻找最好的贝叶斯网络这一优化问题；

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：

$\left\{\begin{array}{c}{v}_{iD}^{k+1}={\mathrm{wv}}_{iD}^k+c_{1}rand\left(\right)({\mathrm{pb}}_{iD}^k-x_{iD}^k)+c_{2}rand\left(\right)({\mathrm{gb}}_{iD}^k-x_{iD}^k)\\ x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}\end{array}\right.---\left(4\right)$

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之间的随机函数，惯性权重w起着权衡局部最优能力和全局最优能力的作用；

步骤3.4：打分函数引入粒子群算法：

将粒子当前位置的计分记作sx_i，当前第i个粒子个体最佳位置记作sp_i，当前整个粒子群全局最优位置记作sg_i，将系数c₁设为关于sp_i的函数，将系数c₂设为关于sg_i的函数，即：

步骤4：主动配电网光储能量交换指数预测计算：

当粒子群算法满足精度要求Γ后，预测最优解输出，得到主动配电网光储能量交换指数预测值y_jh。

本发明的有益效果是：本发明为配电网提供了一种主动配电网光储能量交换指数评估方法，对配电网及其内光储系统运行参数及气象环境参数进行实时监测，并根据监测参数对主动配电网光储能量交换指数进行预测计算，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能量不平衡及电压频率波动等问题，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。

附图说明

图1为本发明实施例的目标函数迭代运算图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。

如图1所示，本发明实施例提供的一种主动配电网光储能量交换指数评估方法，包括如下步骤：

步骤1：建立配电网光储能量交换指数演化系统的时间序列：

在固定时间间隔对并网点有功功率、并网点无功功率、并网点电压、温度、光照强度进行测量，并网点总输出功率与光伏输出功率之差除以并网点总输出功率与储能输出功率之差作为主动配电网光储能量交换指数，即：

则，在一系列时刻tjh₁,tjh₂,...,tjh_n(n为自然数，n＝1,2,…)得到并网点有功功率pjh，并网点无功功率qjh，并网点电压ujh，温度Tjh，光照强度sjh的测量数据序列：

$\left\{\begin{array}{c}{\mathrm{pjh}}_1,{\mathrm{pjh}}_2,...,{\mathrm{pjh}}_n\\ {\mathrm{qjh}}_1,{\mathrm{qjh}}_2,...,{\mathrm{qjh}}_n\\ {\mathrm{ujh}}_1,{\mathrm{ujh}}_2,...,{\mathrm{ujh}}_n\\ {\mathrm{Tjh}}_1,{\mathrm{Tjh}}_2,...,{\mathrm{Tjh}}_n\\ {\mathrm{wjh}}_1,{\mathrm{wjh}}_2,...,{\mathrm{wjh}}_n\end{array}\right.---\left(1\right)$

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{jh_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

XJH_i＝(jh_i,jh_i-τ,...,jh_i-(m-1)τ) (2)

其中，τ为延迟时间，m为嵌入维数。

在本实施例中，τ＝4，m＝6。

步骤3：相空间重构后的粒子群—贝叶斯算法处理：

步骤3.1：建立带有惩罚因子的目标函数：

y_jh＝min f_mb(jhx_i)+g_cf(jhx_i) (3)

其中，式中jhx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(jhx_i)为目标函数，g_cf(jhx_i)为目标函数的惩罚因子，y_jh为待求的主动配电网光储能量交换指数。

步骤3.2：粒子群—贝叶斯网络的打分函数的建立：

打分机制就是引入相应的打分函数f(G，B)，由它来评价每个候选贝叶斯网络结构G与数据集B的拟合程度，贝叶斯网络学习问题就转化为根据打分函数寻找最好的贝叶斯网络这一优化问题。

在本实施例中，打分函数f(G，B)其中，

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：

$\left\{\begin{array}{c}{v}_{iD}^{k+1}={\mathrm{wv}}_{iD}^k+c_{1}rand\left(\right)({\mathrm{pb}}_{iD}^k-x_{iD}^k)+c_{2}rand\left(\right)({\mathrm{gb}}_{iD}^k-x_{iD}^k)\\ x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}\end{array}\right.---\left(4\right)$

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之间的随机函数，惯性权重w起着权衡局部最优能力和全局最优能力的作用。

在本实施例中，c₁＝3.298,c₂＝2.065。

步骤3.4：打分函数引入粒子群算法：

将粒子当前位置的计分记作sx_i，当前第i个粒子个体最佳位置记作sp_i，当前整个粒子群全局最优位置记作sg_i，将系数c₁设为关于sp_i的函数，将系数c₂设为关于sg_i的函数，即：

其中，为sigmoid()函数。

步骤4：主动配电网光储能量交换指数预测计算：

当粒子群算法满足精度要求Γ≤0.0021后，预测最优解输出，得到y_jh即为主动配电网光储能量交换指数预测值。

以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (1)

1.一种主动配电网光储能量交换指数评估方法，其特征在于，包括如下步骤：

步骤1：建立配电网光储能量交换指数演化系统的时间序列：

在固定时间间隔对并网点有功功率、并网点无功功率、并网点电压、温度、光照强度进行测量，并网点总输出功率与光伏输出功率之差除以并网点总输出功率与储能输出功率之差作为主动配电网光储能量交换指数，即：

则，在一系列时刻tjh₁,tjh₂,...,tjh_n，n为自然数，n＝1,2,…，得到并网点有功功率pjh，并网点无功功率qjh，并网点电压ujh，温度Tjh，光照强度sjh的测量数据序列：

$\left\{\begin{array}{c}{\mathrm{pjh}}_1,{\mathrm{pjh}}_2,\mathrm{...},{\mathrm{pjh}}_n\\ {\mathrm{qjh}}_1,{\mathrm{qjh}}_2,\mathrm{...},{\mathrm{qjh}}_n\\ {\mathrm{ujh}}_1,{\mathrm{ujh}}_2,\mathrm{...},{\mathrm{ujh}}_n\\ {\mathrm{Tjh}}_1,{\mathrm{Tjh}}_2,\mathrm{...},{\mathrm{Tjh}}_n\\ {\mathrm{wjh}}_1,{\mathrm{wjh}}_2,\mathrm{...},{\mathrm{wjh}}_n\end{array}\right.---\left(1\right)$

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{jh_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

XJH_i＝(jh_i,jh_i-τ,...,jh_i-(m-1)τ) (2)

其中，τ为延迟时间，m为嵌入维数；

步骤3：相空间重构后的粒子群—贝叶斯算法处理：

步骤3.1：建立带有惩罚因子的目标函数：

y_jh＝min f_mb(jhx_i)+g_cf(jhx_i) (3)

其中，式中jhx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(jhx_i)为目标函数，g_cf(jhx_i)为目标函数的惩罚因子，y_jh为待求的主动配电网光储能量交换指数；

步骤3.2：粒子群—贝叶斯网络的打分函数的建立：

打分机制就是引入相应的打分函数f(G，B)，由它来评价每个候选贝叶斯网络结构G与数据集B的拟合程度，贝叶斯网络学习问题就转化为根据打分函数寻找最好的贝叶斯网络这一优化问题；

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：

$\left\{\begin{array}{c}{v}_{iD}^{k+1}={\mathrm{wv}}_{iD}^k+c_{1}rand\left(\right)({\mathrm{pb}}_{iD}^k-x_{iD}^k)+c_{2}rand\left(\right)({\mathrm{gb}}_{iD}^k-x_{iD}^k)\\ x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}\end{array}\right.---\left(4\right)$

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之间的随机函数，惯性权重w起着权衡局部最优能力和全局最优能力的作用；

步骤3.4：打分函数引入粒子群算法：

将粒子当前位置的计分记作sx_i，当前第i个粒子个体最佳位置记作sp_i，当前整个粒子群全局最优位置记作sg_i，将系数c₁设为关于sp_i的函数，将系数c₂设为关于sg_i的函数，即：

步骤4：主动配电网光储能量交换指数预测计算：

当粒子群算法满足精度要求Γ后，预测最优解输出，得到主动配电网光储能量交换指数预测值y_jh。