[发明专利]一种光伏电站并网点逆变器谐振概率指数预测方法

权利要求书

1.一种光伏电站并网点逆变器谐振概率指数预测方法，其特征在于，包括如下步骤：

步骤1：建立光伏电站并网点逆变器谐振概率指数演化系统时间序列：

在固定时间间隔对并网点电压值、并网点电流值、电压变化率、温度、光照强度进行测量，定义如下光伏电站并网点逆变器谐振概率指数，即：

则，在一系列时刻txz₁,txz₂,...,txz_n，n为自然数，n＝1,2,…，得到并网点电压值uxz、并网点电流值ixz、电压变化率duxz、温度Txz、光照强度sxz测量数据序列：

$\left\{\begin{array}{c}{\mathrm{uxz}}_1,{\mathrm{uxz}}_2,\mathrm{...},{\mathrm{uxz}}_n\\ {\mathrm{ixz}}_1,{\mathrm{ixz}}_2,\mathrm{...},{\mathrm{ixz}}_n\\ {\mathrm{duxz}}_1,{\mathrm{duxz}}_2,\mathrm{...},{\mathrm{duxz}}_n\\ {\mathrm{Txz}}_1,{\mathrm{Txz}}_2,\mathrm{...},{\mathrm{Txz}}_n\\ {\mathrm{sxz}}_1,{\mathrm{sxz}}_2,\mathrm{...},{\mathrm{sxz}}_n\end{array}\right.---\left(1\right)$

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

VXZ_i＝(xz_i,xz_i-τ,...,xz_i-(m-1)τ) (2)

式(2)中，τ为延迟时间，m为嵌入维数；

步骤3：测量数据相空间重构后的遗传算法优化神经网络处理：

步骤3.1：建立带有惩罚因子和约束函数目标函数：

y_xz＝min f_mb(xzx_i)+g_cf(xzx_i)+r_ys(xzx_i) (3)

式(3)中，xzx_i为优化变量i＝1,2,...,w_5n，f_mb(xzx_i)为目标函数，g_cf(xzx_i)为目标函数的惩罚因子，r_ys(xzx_i)为目标函数的约束项；

步骤3.2：神经网络适应度函数的建立：

将神经网络参数θ_i排序，并将所有参数θ_i设为非零随机值从而对参数进行初始化，与θ_i对应的y_xz计算值记为y_i，待求的y_xz真值记为对参数进行二进制编码；构建神经网络的适应度函数f_fit：

步骤3.3：基于遗传算法的参数最优个体的寻找：

通过遗传算法计算出最优参数后，判断是否为全局最优解，如果满足条件的话，所确定的参数作为最优参数纳入到神经网络模型的训练中，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4：光伏电站并网点逆变器谐振概率指数计算：

当遗传算法满足结束要求时，得到神经网络参数最优值参数纳入到神经网络模型的训练中，当神经网络满足精度要求Γ后，神经网络训练结束，得到光伏电站并网点逆变器谐振概率指数预测值y_xz。