CN106602559A - 一种离网光伏发电系统直流网络谐波汇集指数预测方法 - Google Patents
一种离网光伏发电系统直流网络谐波汇集指数预测方法 Download PDFInfo
- Publication number
- CN106602559A CN106602559A CN201611123723.6A CN201611123723A CN106602559A CN 106602559 A CN106602559 A CN 106602559A CN 201611123723 A CN201611123723 A CN 201611123723A CN 106602559 A CN106602559 A CN 106602559A
- Authority
- CN
- China
- Prior art keywords
- network
- photovoltaic power
- network harmonic
- harmonic wave
- generating system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000010248 power generation Methods 0.000 title abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000013277 forecasting method Methods 0.000 claims description 10
- 239000003016 pheromone Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 241001251068 Formica fusca Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000013486 operation strategy Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了光伏发电技术领域中的一种离网光伏发电系统直流网络谐波汇集指数预测方法,解决了现有技术中评估正确度不高,可靠性和经济性不足的技术问题。本发明技术方案包括建立离网光伏发电系统直流网络谐波汇集指数演化时间序列;根据上述时间序列,测量数据蚁群遗传算法处理;离网光伏发电系统直流网络谐波汇集指数计算。三个步骤的相互配合,能够对光伏电站运行参数及气象环境参数进行实时监测,并根据监测参数对离网光伏发电系统直流网络谐波汇集指数进行预测计算。主要用于实时地对光伏电站运行策略进行控制,能够有效提高光伏系统的电能质量,显著提高区域电力系统可靠性与经济性。
Description
技术领域
本发明属于光伏发电技术领域,特别涉及一种离网光伏发电系统直流网络谐波汇集指数预测方法。
背景技术
电力系统及其中众多的发电和储能设备组成了一个复杂的系统,如何根据光伏电站运行特点进行离网光伏发电系统直流网络谐波汇集指数评估,使光伏电站都能发挥最大效益,同时也使系统都能最有效、最快速的利用电网资源。现有的离网光伏发电系统直流网络谐波汇集指数评估的特点是忽略光伏电站设备的相互作用及其与外界环境的作用过程,光伏电站系统内各个系统独立进行谐波分析。存在互相间的分析不能协调同步,不能有效利用电网资源,评估准确度不高的技术问题。因此,对光伏电站运行参数及气象环境参数进行实时监测,并根据监测参数对离网光伏发电系统直流网络谐波汇集指数进行预测计算,根据计算结果实时地对光伏电站运行策略进行控制,能够有效提高光伏系统的电能质量,显著提高区域电力系统可靠性与经济性。
发明内容
本发明说要解决的技术问题在于,针对现有技术的不足,提供一种具有高评估准确度,能够有效利用电网资源,提高光伏系统电能质量,提高区域店里系统可靠性与经济学的离网光伏发电系统直流网络谐波汇集指数预测方法。
为解决上述技术问题,本发明技术方案包括以下步骤:
a、建立离网光伏发电系统直流网络谐波汇集指数演化时间序列;
b、根据上述时间序列,测量数据蚁群遗传算法处理;
c、离网光伏发电系统直流网络谐波汇集指数计算。
所述的步骤a中所述的时间序列在一系列时刻txhj1,txhj2,...,txhjn(n为自然数,n=1,2,…)得到逆变器输出电压xhj1、电压变化率xhj2、逆变器等效阻抗xhj3、温度xhj4、光照强度xhj5。
所述的步骤b中,包括建立带有惩罚因子和约束函数的目标函数:
yxhj=min fmb(xhjxi)+gcf(xhjxi)+rys(xhjxi)
其中,式中xhjxi(i=1,2,...,w5n)为w5n个优化变量,fmb(xhjxi)为目标函数,gcf(xhjxi)为目标函数的惩罚因子,rys(xhjxi)为目标函数的约束项。
所述的步骤b中,还包括蚁群遗传算法初始化,在原有蚁群算法流程的基础上,将遗传算法引入到了蚁群的每一次迭代中,遗传算法的初始种群由蚁群每一次迭代产生的解及其全局最优解共同组成。
所述的步骤b中,交叉运算采用自适应的交叉率,使得适应度高的个体采用较小的交叉率,适应度低的个体采用较高的交叉率,即有:
其中,fmax为种群中最大的适应度值,favg为每代种群的平均适应度值,f1为要交叉的2个个体中较大的适应度值,Pc1、Pc2为交叉率,0<Pc2<Pc1<1。
所述的步骤b还包括蚁群状态转移矩阵的确定,
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
其中,I为为当前蚂蚁能选择的节点,为启发信息值,τi,j为信息素,B为启发信息的相对重要性指标。
所述的步骤b还包括信息素更新,公式为τi,j=(1-ρ)τi,j+ρτ0
式中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数。
本发明与现有技术相比,具有以下优点及有益效果:
(1)通过建立离网光伏发电系统直流网络谐波汇集指数演化时间序列,测量数据蚁群遗传算法处理,离网光伏发电系统直流网络谐波汇集指数计算,三个步骤的相互配合,能够提高评估准确度;(2)能够提高电网资源的利用率;(3)愣头提高光伏系统电能质量;(4)提高区域电力系统的可靠性;(5)提高区域电力系统的经济性。
附图说明
图1是目标函数迭代算法的逻辑框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
如图1所示,本发明的一种离网光伏发电系统直流网络谐波汇集指数预测方法,步骤1:建立离网光伏发电系统直流网络谐波汇集指数演化时间序列
在固定时间间隔对逆变器输出电压、电压变化率、逆变器等效阻抗、温度、光照进行测量,并定义如下离网光伏发电系统直流网络谐波汇集指数,即:
则,在一系列时刻txhj1,txhj2,...,txhjn(n为自然数,n=1,2,…)得到逆变器输出电压xhj1、电压变化率xhj2、逆变器等效阻抗xhj3、温度xhj4、光照强度xhj5:
步骤2:测量数据蚁群遗传算法处理
步骤2.1:建立带有惩罚因子和约束函数目标函数:
yxhj=min fmb(xhjxi)+gcf(xhjxi)+rys(xhjxi)
其中,式中xhjxi(i=1,2,...,w5n)为w5n个优化变量,fmb(xhjxi)为目标函数,gcf(xhjxi)为目标函数的惩罚因子,rys(xhjxi)为目标函数的约束项。
步骤2.2:算法初始化
初始化蚁群模型,将蚂蚁放置于任意一点上,在原有蚁群算法流程的基础上,将遗传算法引入到了蚁群的每一次迭代中。遗传算法的初始种群由蚁群每一次迭代产生的解及其全局最优解共同组成。
步骤2.3:采用自适应交叉、变异算子。
交叉运算采用自适应的交叉率,使得适应度高的个体采用小的交叉率,适应度低的个体采用高的交叉率,即有:
其中,fmax为种群中最大的适应度值,favg为每代种群的平均适应度值,f1为要交叉的2个个体中较大的适应度值,Pc1、Pc2为交叉率,0<Pc2<Pc1<1。
变异率算子公式:
步骤2.4蚁群状态转移矩阵的确定
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
其中,I为为当前蚂蚁能选择的节点,为启发信息值,τi,j为信息素,B为启发信息的相对重要性指标。
步骤2.5:信息素更新
采用实时信息素更新,在每一只蚂蚁选择某个节点后,该节点的信息素进行如下更新:
τi,j=(1-ρ)τi,j+ρτ0
式中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数。
步骤3:离网光伏发电系统直流网络谐波汇集指数计算:
将遗传算法产生的解群体中的最优解与蚁群算法的全局最优解进行比较,取二者之中最优的作为蚁群算法新的全局最优解,得到离网光伏发电系统直流网络谐波汇集指数预测值。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于包括以下步骤:
a、建立离网光伏发电系统直流网络谐波汇集指数演化时间序列;
b、根据上述时间序列,测量数据蚁群遗传算法处理;
c、离网光伏发电系统直流网络谐波汇集指数计算。
2.根据权利要求1所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤a中所述的时间序列在一系列时刻txhj1,txhj2,...,txhjn得到逆变器输出电压xhj1、电压变化率xhj2、逆变器等效阻抗xhj3、温度xhj4、光照强度xhj5
其中n为自然数。
3.根据权利要求1所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤b中,包括建立带有惩罚因子和约束函数的目标函数:
yxhj=min fmb(xhjxi)+gcf(xhjxi)+rys(xhjxi)
其中,xhjxi(i=1,2,...,w5n)为w5n个优化变量,fmb(xhjxi)为目标函数,gcf(xhjxi)为目标函数的惩罚因子,rys(xhjxi)为目标函数的约束项。
4.根据权利要求3所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤b中,还包括蚁群遗传算法初始化,在原有蚁群算法流程的基础上,将遗传算法引入到了蚁群的每一次迭代中,遗传算法的初始种群由蚁群每一次迭代产生的解及其全局最优解共同组成。
5.根据权利要求4所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤b中,还包括采用自适应交叉、变异算子:交叉运算采用自适应的交叉率,适应度高的个体采用小的交叉率,适应度低的个体采用高的交叉率:
其中,fmax为种群中最大的适应度值,favg为每代种群的平均适应度值,f1为要交叉的2个个体中较大的适应度值,0<Pc2<Pc1<1。
6.根据权利要求5所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤b,还包括蚁群状态转移矩阵的确定,
当前结点i到下一节点j的状态转移概率pi,j的计算公式为:
其中,I为为当前蚂蚁能选择的节点,为启发信息值,τi,j为信息素,B为启发信息的相对重要性指标。
7.根据权利要求6所述的一种离网光伏发电系统直流网络谐波汇集指数预测方法,其特征在于:所述的步骤b,还包括信息素更新,采用公式:
τi,j=(1-ρ)τi,j+ρτ0
其中,τ0为信息素初始值,ρ为[0,1]区间上的可调参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123723.6A CN106602559A (zh) | 2016-12-08 | 2016-12-08 | 一种离网光伏发电系统直流网络谐波汇集指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123723.6A CN106602559A (zh) | 2016-12-08 | 2016-12-08 | 一种离网光伏发电系统直流网络谐波汇集指数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106602559A true CN106602559A (zh) | 2017-04-26 |
Family
ID=58597548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611123723.6A Pending CN106602559A (zh) | 2016-12-08 | 2016-12-08 | 一种离网光伏发电系统直流网络谐波汇集指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106602559A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
WO2015092920A1 (ja) * | 2013-12-20 | 2015-06-25 | 株式会社日立製作所 | 性能予測方法、性能予測システム及びプログラム |
CN105354635A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种配电网不平衡谐波负荷指数预测方法 |
CN105356847A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种分布式光伏孤岛检测动态盲区指数预测方法 |
CN105356500A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种多光伏区域电网电压稳定性裕度预测方法 |
CN105375874A (zh) * | 2015-10-30 | 2016-03-02 | 国家电网公司 | 一种光伏发电最大功率跟踪性能指数预测方法 |
-
2016
- 2016-12-08 CN CN201611123723.6A patent/CN106602559A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
WO2015092920A1 (ja) * | 2013-12-20 | 2015-06-25 | 株式会社日立製作所 | 性能予測方法、性能予測システム及びプログラム |
CN105354635A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种配电网不平衡谐波负荷指数预测方法 |
CN105356847A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种分布式光伏孤岛检测动态盲区指数预测方法 |
CN105356500A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种多光伏区域电网电压稳定性裕度预测方法 |
CN105375874A (zh) * | 2015-10-30 | 2016-03-02 | 国家电网公司 | 一种光伏发电最大功率跟踪性能指数预测方法 |
Non-Patent Citations (2)
Title |
---|
熊和金等: "《智能信息处理》", 31 August 2012, 国防工业出版社 * |
陈祥明等: "《新能源新技术与人才培养》", 31 March 2013, 合肥工业大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
CN105449713B (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN106485365A (zh) | 一种电力系统负荷预测方法及装置 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN104217251A (zh) | 基于k2算法的装备故障贝叶斯网络预测方法 | |
CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
Wang et al. | Ultra-short-term wind power forecasting based on deep belief network | |
CN112819279A (zh) | 分布式能源与配电网扩展适应性的规划评估方法及系统 | |
CN106779175A (zh) | 一种考虑分时段的非线性光伏出力预测方法 | |
CN106557834A (zh) | 一种主动配电网光储发电系统无功支撑能力指数预测方法 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
CN111193295A (zh) | 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法 | |
CN106655187B (zh) | 一种svg消除离网光伏逆变器谐波能力指数预测方法 | |
CN109950933A (zh) | 一种基于改进粒子群算法的风光储联合调峰优化方法 | |
CN106602559A (zh) | 一种离网光伏发电系统直流网络谐波汇集指数预测方法 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
Wang et al. | An LSTM-attention wind power prediction method considering multiple factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |