CN106786579A - 一种离网光伏电站内部谐波负荷指数预测方法 - Google Patents

Abstract

本发明公开了光伏发电领域的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，主要用于光伏电站运行策略进行控制。本发明技术方案包括：对光伏电站运行参数及气象环境参数进行实时监测，建立离网光伏电站内部谐波负荷指数演化时间序列；构建测量数据时间序列的m维相空间；相空间重构后的遗传‑蚁群混合算法处理；离网光伏电站内部谐波负荷指数计算。四个步骤的相互配合，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。

Description

一种离网光伏电站内部谐波负荷指数预测方法

技术领域

本发明属于光伏发电技术领域，特别涉及一种离网光伏电站内部谐波负荷指数预测方法。

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

本发明要解决的技术问题是提供一种评估准确度高，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，具有更高可靠性和经济性的离网光伏电站内部谐波负荷指数预测方法。

为解决上述技术问题，本发明的技术方案包括以下步骤：

a、建立离网光伏电站内部谐波负荷指数演化时间序列；

b、构建测量数据时间序列的m维相空间；

c、相空间重构后的遗传-蚁群混合算法处理；

d、离网光伏电站内部谐波负荷指数计算。

为有效实施本发明，进一步地，所述的步骤a中所述的时间序列在一系列时刻toxb₁,toxb₂，...,toxb_n，得到逆变器输出电压变化率oxb1、逆变器等效阻抗oxb2、直流侧电压变化率oxb3、温度oxb4、光照强度oxb5：

其中，n为自然数，n＝1,2,…。

进一步地，所述的步骤b中，构造一组m维向量。

yoxb_i+1＝ψ(yoxb_i,yoxb_i-τ,...,yoxb_i-(m-1)τ)，其中，τ为延迟时间，其中(i＝1,2,...,k_5n)，m为嵌入维数。

进一步地，所述的步骤c中，建立带有惩罚因子和约束函数目标函数：

y_oxb＝min f_mb(oxbx_i)+g_cf(oxbx_i)+r_ys(oxbx_i)

其中，式中oxbx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(oxbx_i)为目标函数，g_cf(oxbx_i)为目标函数的惩罚因子，r_ys(oxbx_i)为目标函数的约束项。

进一步地，所述的步骤c中，还包括采用遗传算法寻找初始源点到所有节点的初始次优路径。

进一步地，所述的步骤c中采用蚁群算法模型解的表示：P_i(h_i)＝P_i ⁰+(P_i ¹-P_i ⁰)×h_i,h_i∈[0,1]

其中，设P₁,P₂,...,P_d为次优路径经过的节点，节点对应的自由连接线依次为L_i，设P_i ⁽⁰⁾和P_i ⁽ⁱ⁾为L_i的两个端点h_i为比例参数，d为节点数。蚁群算法的解即表示为(h₁,h₂,...,h_d)。

进一步地，所述的步骤c中还包括当前结点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为为当前蚂蚁能选择的节点，为启发信息值，τ_i,j为信息素，B为启发信息的相对重要性指数。

进一步地，所述的步骤c还包括信息素更新，公式为：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀

其中，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：

本发明的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，通过建立离网光伏电站内部谐波负荷指数演化时间序列；构建测量数据时间序列的m维相空间；相空间重构后的遗传-蚁群混合算法处理；离网光伏电站内部谐波负荷指数计算，四个步骤的相互配合。(1)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，提高评估准确度；(2)能够提高光伏参数利用率；(3)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；(3)能够显著提高区域电力系统可靠性与经济性。

附图说明

图1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电站内部谐波负荷指数预测方法指数预测方法，其特征在于包括以下步骤：

a、建立离网光伏电站内部谐波负荷指数演化时间序列；

b、构建测量数据时间序列的m维相空间；

c、相空间重构后的遗传-蚁群混合算法处理；

d、离网光伏电站内部谐波负荷指数计算。

所述的步骤a中所述的时间序列在一系列时刻toxb₁,toxb₂，...,toxb_n(n为自然数，n＝1,2,…)得到逆变器输出电压变化率oxb1、逆变器等效阻抗oxb2、直流侧电压变化率oxb3、温度oxb4、光照强度oxb5：

所述的步骤b中，构造一组m维向量

yoxb_i+1＝ψ(yoxb_i,yoxb_i-τ,...,yoxb_i-(m-1)τ)，其中，τ为延迟时间，其中(i＝1,2,...,k_5n)，m为嵌入维数。

所述的步骤c中，建立带有惩罚因子和约束函数目标函数：

y_oxb＝min f_mb(oxbx_i)+g_cf(oxbx_i)+r_ys(oxbx_i)

其中，式中oxbx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(oxbx_i)为目标函数，g_cf(oxbx_i)为目标函数的惩罚因子，r_ys(oxbx_i)为目标函数的约束项。

所述的步骤c中，还包括采用遗传算法寻找初始源点到所有节点的初始次优路径。

所述的步骤c中采用蚁群算法模型解的表示：P_i(h_i)＝P_i ⁰+(P_i ¹-P_i ⁰)×h_i,h_i∈[0,1]

其中，设P₁,P₂,...,P_d为次优路径经过的节点，节点对应的自由连接线依次为L_i，设P_i ⁽⁰⁾和P_i ⁽ⁱ⁾为L_i的两个端点h_i为比例参数，d为节点数。蚁群算法的解即表示为(h₁,h₂,...,h_d)。

所述的步骤c中还包括当前结点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为为当前蚂蚁能选择的节点，为启发信息值，τ_i,j为信息素，B为启发信息的相对重要性指数。

所述的步骤c还包括信息素更新，公式为：

τ_i,j＝(1-ρ)τ_i,j+ρτ₀

其中，τ₀为信息素初始值，ρ为[0,1]区间上的可调参数。

作为一种优选的实施方式，步骤1：建立离网光伏电站内部谐波负荷指数演化时间序列

在固定时间间隔对逆变器输出电压变化率、逆变器等效阻抗、直流侧电压变化率、温度、光照进行测量，并定义如下离网光伏电站内部谐波负荷指数，即：

则，在一系列时刻toxb₁,toxb₂，...,toxb_n(n为自然数，n＝1,2,…)得到逆变器输出电压变化率oxb1、逆变器等效阻抗oxb2、直流侧电压变化率oxb3、温度oxb4、光照强度oxb5：

步骤2：构建测量数据时间序列的m维相空间：

设测量数据的时间序列为{yoxb_i}，其中(i＝1,2,...,k_5n)，并利用此特征量构造一组m维向量

yoxb_i+1＝ψ(yoxb_i,yoxb_i-τ,...,yoxb_i-(m-1)τ)，

其中，τ为延迟时间，m为嵌入维数。

步骤3：相空间重构后的遗传-蚁群混合算法处理

步骤3.1：建立带有惩罚因子和约束函数目标函数：

y_oxb＝min f_mb(oxbx_i)+g_cf(oxbx_i)+r_ys(oxbx_i) (3)

其中，式中oxbx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(oxbx_i)为目标函数，g_cf(oxbx_i)为目标函数的惩罚因子，r_ys(oxbx_i)为目标函数的约束项。

步骤3.2：采用遗传算法寻找初始源点到所有节点的初始次优路径

首先初始化模型参数，对参数进行二进制编码，随机确定模型参数的初始种群，通过遗传算法计算出适应度函数后，判断是否为全局最优解，如果满足条件的话，所获得的一组最优解作为蚁群算法的初始路径；反之，迭代地进行种群再生、选择、交义、变异，直到满足终止条件为止。

步骤3.3：采用蚁群算法模型解的表示：

设P₁,P₂,...,P_d为次优路径经过的节点，节点对应的自由连接线依次为L_i，设P_i ⁽⁰⁾和P_i ⁽ⁱ⁾为L_i的两个端点，则其他点表示方法为：

P_i(h_i)＝P_i ⁰+(P_i ¹-P_i ⁰)×h_i,h_i∈[0,1] (4)

其中，h_i为比例参数，d为节点数。蚁群算法的解即表示为(h₁,h₂,...,h_d)。

步骤3.4：状态转移概率的计算

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为为当前蚂蚁能选择的节点，为启发信息值，τ_i,j为信息素，B为启发信息的相对重要性指数。

步骤3.5：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：

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。

步骤4：离网光伏电站内部谐波负荷指数计算：

当遗传算法满足结束条件，生成一组最优解作为蚁群算法的初始路径，蚁群算法的迭代次数达到设定最大迭代次数n_max，算法终止，得到离网光伏电站内部谐波负荷指数预测值。

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 (8)

1.一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于包括以下步骤：

a、建立离网光伏电站内部谐波负荷指数演化时间序列；

b、构建测量数据时间序列的m维相空间；

c、相空间重构后的遗传-蚁群混合算法处理；

d、离网光伏电站内部谐波负荷指数计算。

2.根据权利要求1所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，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toxb₁,toxb₂,...,toxb_n，得到逆变器输出电压变化率oxb1、逆变器等效阻抗oxb2、直流侧电压变化率oxb3、温度oxb4、光照强度oxb5：

$\left\{\begin{array}{c}oxb{1}_1,oxb{1}_2,...,oxb{1}_n\\ oxb{2}_1,oxb{2}_2,...,oxb{2}_n\\ oxb{3}_1,oxb{3}_2,...,oxb{3}_n\\ oxb{4}_1,oxb{4}_2,...,oxb{4}_n\\ oxb{5}_1,oxb{5}_2,...,oxb{5}_n\end{array}\right.$

其中n为自然数，n＝1,2,…。

3.根据权利要求1所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于：所述的步骤b中，构造一组m维向量：

yoxb_i+1＝ψ(yoxb_i,yoxb_i-τ,...,yoxb_i-(m-1)τ)

其中，τ为延迟时间，其中(i＝1,2,...,k_5n)，m为嵌入维数。

4.根据权利要求1所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于：所述的步骤c中，包括建立带有惩罚因子和约束函数目标函数：

y_oxb＝min f_mb(oxbx_i)+g_cf(oxbx_i)+r_ys(oxbx_i)

其中，式中oxbx_i(i＝1,2,...,w_5n)为w_5n个优化变量，f_mb(oxbx_i)为目标函数，g_cf(oxbx_i)为目标函数的惩罚因子，r_ys(oxbx_i)为目标函数的约束项。

5.根据权利要求4所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于：所述的步骤c中，还包括采用遗传算法寻找初始源点到所有节点的初始次优路径。

6.根据权利要求5所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于：所述的步骤c，中采用蚁群算法模型解的表示：P_i(h_i)＝P_i ⁰+(P_i ¹-P_i ⁰)×h_i,h_i∈[0,1]

其中，设P₁,P₂,...,P_d为次优路径经过的节点，节点对应的自由连接线依次为L_i，设P_i ⁽⁰⁾和P_i ⁽ⁱ⁾为L_i的两个端点h_i为比例参数，d为节点数。

7.根据权利要求6所述的一种离网光伏电站内部谐波负荷指数预测方法指数预测方法，其特征在于：所述的步骤c中还包括当前结点i到下一节点j的状态转移概率p_i,j的计算，公式为：

$p_{i,j}=\frac{{\mathrm{\τ}}_{i,j}{\mathrm{\η}}_{i,j}^B}{\underset{s\∈I}{\Σ}{\mathrm{\τ}}_{i,s}{\mathrm{\η}}_{i,s}^B}$

其中，I为为当前蚂蚁能选择的节点，为启发信息值，τ_i,j为信息素，B为启发信息的相对重要性指数。

8.权利要求7所述的一种离网光伏电站内部谐波负荷指数预测方法

指数预测方法，其特征在于：所述的步骤c还包括信息素更新，公式为：τ_i,j＝(1-ρ)τ_i,j+ρτ₀

其中，τ₀为信息素初始值，0≤ρ≤1。