CN106655250A - 一种大型光伏电站直流系统过电压风险指数预测方法 - Google Patents

Abstract

本发明提供了一种大型光伏电站直流系统过电压风险指数预测方法，通过建立大型光伏电站直流系统过电压风险指数演化系统时间序列，对时间序列测量数据进行数据归一化处理，并进行测量数据的支持向量机算法处理，进而进行大型光伏电站直流系统过电压风险指数计算，得到大型光伏电站直流系统过电压风险指数预测值。该方法能够根据监测参数对光伏电站直流系统过电压风险指数进行预测计算，根据计算结果实时地对光伏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伏电站接入带来的谐波过电压等问题，显著提高配电网电力系统在光伏系统接入后的可靠性与经济性。

Description

一种大型光伏电站直流系统过电压风险指数预测方法

技术领域

本发明属于光伏发电技术领域，特别涉及一种大型光伏电站直流系统过电压风险指数预测方法。

背景技术

电力系统中光伏发电设备的接入为电网带来更多的谐波，如何根据光伏电池运行特点进行光伏电站直流系统过电压风险指数预测评估，使光伏发电系统能够安全、稳定、高效运行，以往光伏电站直流系统过电压风险指数计算方法的特点是忽略光伏与配电网间的相互作用关系，由区域电网或光伏发电系统内各个系统独立进行谐波过电压分析，不能有效利用电网和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，本发明提供一种大型光伏电站直流系统过电压风险指数预测方法，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，本发明提供一种大型光伏电站直流系统过电压风险指数预测方法，从而获得大型光伏电站直流系统过电压风险指数。

本发明所采用的技术方案是：一种大型光伏电站直流系统过电压风险指数预测方法，其特征在于，包括如下步骤：

步骤1：建立大型光伏电站直流系统过电压风险指数演化系统时间序列：

在固定时间间隔对并网点总电压、并网点基波电压、基波电压变化率、温度、光照进行测量，定义如下大型光伏电站直流系统过电压风险指数：

则，在一系列时刻tgu₁,tgu₂,...,tgu₃，n为自然数，n＝1,2,…，得到并网点总电压ugu、并网点基波电压bugu、基波电压变化率dbugu、温度Tgu、光照sgu测量值：

步骤2：数据归一化处理：

设测量数据为gux_i，(i＝1,2,...,k_5n，)k_5n为公式(1)中测量数据个数，为统一数据量纲和变化范围，对数据进行如下归一化处理：

式(2)中，gux_max、gux_min分别为输入量的上下界；

步骤3：测量数据的支持向量机算法处理：

步骤3.1建立带有惩罚因子和约束函数目标函数：

y_gu＝minf_mb(ygux_i)+gc_f(ygux_i)+r_ys(ygux_i) (3)

式(3)中，ygux_i为w_5n个优w化_n变yg量ux，_i(i＝1,2,...,w_5n)，f_mb(ygux_i)为目标函数，g_cf(ygux_i)为目标函数的惩罚因子，r_ys(ygux_i)为目标函数的约束项，y_gu即为大型光伏电站直流系统过电压风险指数；

步骤3.2：支持向量机算法核函数的选取：

根据数据特点，经过分析比较，选取高斯径向基核函数为该算法的核函数，其定义如下：

式(4)中，|ygux_j-ygux_i|为两个向量间的距离，σ为不等于零的常数，j＝1,2,...,w_5n；

步骤3.3：基于蚁群算法的支持向量机参数寻优：

粒子当前结点i到下一节点j的状态转移概率p_i,j的计算公式为：

式(5)中，I为当前蚂蚁能选择的节点，下标i表示为当前蚂蚁能选择的元素，分别为i、j及i、s元素间的启发信息值，τ_i,j、τ_i,s为i、j及i、s两元素间的信息素浓度，B为启发因子；

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：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀ (6)

式(6)中，τ₀为信息素初始值，ρ为[0,1]区间上的可调参数；

步骤4：大型光伏电站直流系统过电压风险指数计算：

根据寻优参数构建大型光伏电站直流系统过电压风险指数最优支持向量机模型，将数据输入模型中，即可求解得到大型光伏电站直流系统过电压风险指数预测值y_gu。

本发明的有益效果是：本发明为光伏电网提供了一种大型光伏电站直流系统过电压风险指数预测方法，对配电网及其光伏发电系统运行参数及气象环境参数进行实时监测，并根据监测参数对光伏电站直流系统过电压风险指数进行预测计算，根据计算结果实时地对光伏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伏电站接入带来的谐波过电压等问题，显著提高配电网电力系统在光伏系统接入后的可靠性与经济性。

附图说明

图1为本发明实施例的预测流程图。

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大型光伏电站直流系统过电压风险指数预测方法，步骤如下：

步骤1：建立大型光伏电站直流系统过电压风险指数演化系统时间序列：

在固定时间间隔对并网点总电压，并网点基波电压，基波电压变化率，温度，光照进行测量，定义如下大型光伏电站直流系统过电压风险指数：

则，在一系列时刻tgu₁,tgu₂,...,tgu₃(n为自然数，n＝1,2,…)得到并网点总电压ugu，并网点基波电压bugu，基波电压变化率dbugu，温度Tgu，光照sgu测量值：

步骤2：数据归一化处理

设测量数据为gux_i，(i＝1,2,...,k_5n)，k_5n为公式(1)中测量数据个数，为统一数据量纲和变化范围，对数据进行如下归一化处理：

其中，gux_max、gux_min分别为输入量的上下界。

步骤3：测量数据的支持向量机算法处理

步骤3.1建立带有惩罚因子和约束函数目标函数：

y_gu＝minf_mb(ygux_i)+g_cf(ygux_i)+r_ys(ygux_i) (3)

其中，式中ygux_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(ygux_i)为目标函数，g_cf(ygux_i)为目标函数的惩罚因子，r_ys(ygux_i)为目标函数的约束项，y_gu即为大型光伏电站直流系统过电压风险指数。

步骤3.2：支持向量机算法核函数的选取

根据本专利数据特点，经过分析比较，选取高斯径向基核函数为该算法的核函数，其定义如下：

其中|ygux_j-ygux_i|为两个向量间的距离，σ为不等于零的常数，j＝1,2,...,w_5n

步骤3.3：基于蚁群算法的支持向量机参数寻优

粒子当前结点i到下一节点j的状态转移概率p_i,j的计算公式为：

其中，I为当前蚂蚁能选择的节点，，下标i表示为当前蚂蚁能选择的元素，分别为i、j及i、s元素间的启发信息值，τ_i,j、τ_i,s为i、j及i、s两元素间的信息素浓度，B为启发因子。

在本实施例中，B＝0.5398。

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：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀ (6)

式中，τ₀为信息素初始值，ρ为[0,1]区间上的可调参数。

在本实施例中，τ₀＝0.1289，ρ＝0.1903。

步骤4：大型光伏电站直流系统过电压风险指数计算：

根据寻优参数构建大型光伏电站直流系统过电压风险指数最优支持向量机模型，其中寻优结果σ＝0.7128，将数据输入模型中，即可求解得到大型光伏电站直流系统过电压风险指数预测值y_gu。

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)

1.一种大型光伏电站直流系统过电压风险指数预测方法，其特征在于，包括如下步骤：

步骤1：建立大型光伏电站直流系统过电压风险指数演化系统时间序列：

在固定时间间隔对并网点总电压、并网点基波电压、基波电压变化率、温度、光照进行测量，定义如下大型光伏电站直流系统过电压风险指数：

则，在一系列时刻tgu₁,tgu₂,...,tgu₃，n为自然数，n＝1,2,…，得到并网点总电压ugu、并网点基波电压bugu、基波电压变化率dbugu、温度Tgu、光照sgu测量值：

$\left\{\begin{array}{c}{\mathrm{ugu}}_1,{\mathrm{ugu}}_2,\mathrm{...},{\mathrm{ugu}}_n\\ {\mathrm{bugu}}_1,{\mathrm{bugu}}_2,\mathrm{...},{\mathrm{bugu}}_n\\ {\mathrm{dbugu}}_1,{\mathrm{dbugu}}_2,\mathrm{...},{\mathrm{dbugu}}_n\\ {\mathrm{sgu}}_1,{\mathrm{sgu}}_2,\mathrm{...}{\mathrm{sgu}}_n\\ {\mathrm{Tgu}}_1,{\mathrm{Tgu}}_2,\mathrm{...},{\mathrm{Tgu}}_n\end{array}\right.---\left(1\right)$

步骤2：数据归一化处理：

设测量数据为gux_i，i＝1,2,...,k_5n，k_5n为公式(1)中测量数据个数，为统一数据量纲和变化范围，对数据进行如下归一化处理：

${{\mathrm{gux}}_i}^{\′}=\frac{{\mathrm{gux}}_i-{\mathrm{gux}}_{min}}{{\mathrm{gux}}_{\max }-{\mathrm{gux}}_{\min }}---\left(2\right)$

式(2)中，gux_max、gux_min分别为输入量的上下界；

步骤3：测量数据的支持向量机算法处理：

步骤3.1建立带有惩罚因子和约束函数目标函数：

y_gu＝minf_mb(ygux_i)+gc_f(ygux_i)+r_ys(ygux_i) (3)

式(3)中，ygux_i为w_5n个优化变量，i＝1,2,...,w_5n，f_mb(ygux_i)为目标函数，g_cf(ygux_i)为目标函数的惩罚因子，r_ys(ygux_i)为目标函数的约束项，y_gu即为大型光伏电站直流系统过电压风险指数；

步骤3.2：支持向量机算法核函数的选取：

根据数据特点，经过分析比较，选取高斯径向基核函数为该算法的核函数，其定义如下：

$h({\mathrm{ygux}}_j,{\mathrm{ygux}}_i)=e^{\frac{|{\mathrm{ygux}}_j-{\mathrm{ygux}}_i{|}^2}{2{\mathrm{\σ}}^2}}---\left(4\right)$

式(4)中，|ygux_j-ygux_i|为两个向量间的距离，σ为不等于零的常数，j＝1,2,...,w_5n；

步骤3.3：基于蚁群算法的支持向量机参数寻优：

粒子当前结点i到下一节点j的状态转移概率p_i,j的计算公式为：

$p_{i,j}=\frac{{\mathrm{\τ}}_{i,j}{\mathrm{\η}}_{i,j}^B}{\underset{s\∈I}{\Σ}{\mathrm{\τ}}_{i,s}{\mathrm{\η}}_{i,s}^B}---\left(5\right)$

式(5)中，I为当前蚂蚁能选择的节点，下标i表示为当前蚂蚁能选择的元素，分别为i、j及i、s元素间的启发信息值，τ_i,j、τ_i,s为i、j及i、s两元素间的信息素浓度，B为启发因子；

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：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀ (6)

式(6)中，τ₀为信息素初始值，ρ为[0,1]区间上的可调参数；

步骤4：大型光伏电站直流系统过电压风险指数计算：

根据寻优参数构建大型光伏电站直流系统过电压风险指数最优支持向量机模型，将数据输入模型中，即可求解得到大型光伏电站直流系统过电压风险指数预测值y_gu。