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
一种大型光伏电站直流系统过电压风险指数预测方法 Download PDFInfo
- Publication number
- CN106655250A CN106655250A CN201610928767.XA CN201610928767A CN106655250A CN 106655250 A CN106655250 A CN 106655250A CN 201610928767 A CN201610928767 A CN 201610928767A CN 106655250 A CN106655250 A CN 106655250A
- Authority
- CN
- China
- Prior art keywords
- ygux
- risk index
- gux
- overvoltage risk
- tgu
- 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 14
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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]
-
- 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)
- Hybrid Cells (AREA)
- Photovoltaic Devices (AREA)
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
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guxi,(i=1,2,...,k5n,)k5n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,guxmax、guxmin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:
ygu=minfmb(yguxi)+gcf(yguxi)+rys(yguxi) (3)
式(3)中,yguxi为w5n个优w化n变yg量ux,i(i=1,2,...,w5n),fmb(yguxi)为目标函数,gcf(yguxi)为目标函数的惩罚因子,rys(yguxi)为目标函数的约束项,ygu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,|yguxj-yguxi|为两个向量间的距离,σ为不等于零的常数,j=1,2,...,w5n;
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pi,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,τi,j、τi,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:
τi,j=(1-ρ)τi,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ygu。
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guxi,(i=1,2,...,k5n),k5n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,guxmax、guxmin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:
ygu=minfmb(yguxi)+gcf(yguxi)+rys(yguxi) (3)
其中,式中yguxi(i=1,2,...,w5n)为w5n个优化变量,fmb(yguxi)为目标函数,gcf(yguxi)为目标函数的惩罚因子,rys(yguxi)为目标函数的约束项,ygu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|yguxj-yguxi|为两个向量间的距离,σ为不等于零的常数,j=1,2,...,w5n
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pi,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,τi,j、τi,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:
τi,j=(1-ρ)τi,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ygu。
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:
步骤2:数据归一化处理:
设测量数据为guxi,i=1,2,...,k5n,k5n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,guxmax、guxmin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:
ygu=minfmb(yguxi)+gcf(yguxi)+rys(yguxi) (3)
式(3)中,yguxi为w5n个优化变量,i=1,2,...,w5n,fmb(yguxi)为目标函数,gcf(yguxi)为目标函数的惩罚因子,rys(yguxi)为目标函数的约束项,ygu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,|yguxj-yguxi|为两个向量间的距离,σ为不等于零的常数,j=1,2,...,w5n;
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pi,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,τi,j、τi,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:
τi,j=(1-ρ)τi,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ygu。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610928767.XA CN106655250A (zh) | 2016-10-31 | 2016-10-31 | 一种大型光伏电站直流系统过电压风险指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610928767.XA CN106655250A (zh) | 2016-10-31 | 2016-10-31 | 一种大型光伏电站直流系统过电压风险指数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106655250A true CN106655250A (zh) | 2017-05-10 |
Family
ID=58821289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610928767.XA Pending CN106655250A (zh) | 2016-10-31 | 2016-10-31 | 一种大型光伏电站直流系统过电压风险指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106655250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105279768A (zh) * | 2015-02-03 | 2016-01-27 | 常熟理工学院 | 基于多模式蚁群系统的变密度细胞跟踪方法 |
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
-
2016
- 2016-10-31 CN CN201610928767.XA patent/CN106655250A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105279768A (zh) * | 2015-02-03 | 2016-01-27 | 常熟理工学院 | 基于多模式蚁群系统的变密度细胞跟踪方法 |
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
CN114935721B (zh) * | 2022-05-30 | 2023-03-24 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
Zhou et al. | Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine | |
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
Zhang et al. | A hybrid prediction model for forecasting wind energy resources | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN108876039A (zh) | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN106384186A (zh) | 一种分布式新能源并网电能质量监控方法及系统 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
Babakmehr et al. | Smart-grid topology identification using sparse recovery | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN105760997A (zh) | 基于模糊评价的配电网异常电压评估方法 | |
CN105046593A (zh) | 一种符合低碳能源政策的智能配用电评价方法 | |
Guo et al. | A Short‐Term Load Forecasting Model of LSTM Neural Network considering Demand Response | |
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 | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
Burianek et al. | Solar irradiance forecasting model based on extreme learning machine | |
Chahboun et al. | Novel comparison of machine learning techniques for predicting photovoltaic output power | |
CN106655187B (zh) | 一种svg消除离网光伏逆变器谐波能力指数预测方法 | |
CN106655250A (zh) | 一种大型光伏电站直流系统过电压风险指数预测方法 |
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: 20170510 |