[发明专利]一种含大型光伏电站电网的谐波潮流概率指数预测方法

摘要

本发明提供了一种含大型光伏电站电网的谐波潮流概率指数预测方法，通过建立含大型光伏电站电网的谐波潮流概率指数演化系统时间序列，对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，进而进行含大型光伏电站电网的谐波潮流概率指数计算，得到含大型光伏电站电网的谐波潮流概率指数预测值。该方法能够根据监测参数对伏电站电网的谐波潮流概率进行预测计算，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。

主权项

一种含大型光伏电站电网的谐波潮流概率指数预测方法，其特征在于，包括如下步骤：步骤1：建立含大型光伏电站电网的谐波潮流概率指数演化系统时间序列：在固定时间间隔对电网母线总电压、总电压变化率、基波电压、基波电压变化率、温度、光照进行测量，定义如下电网的谐波潮流概率指数：则，在一系列时刻tgl1,tgl2,...,tgln，n为自然数，n＝1,2,…，得到电网母线总电压ugl、总电压变化率dugl、基波电压bugl、基波电压变化率dbugl、温度Tgl、光照sgl测量值：ugl1,ugl2,...uglndugl1,dugl2,...duglnbugl1,bugl2,...buglndbugl1,dbugl2,...dbuglnsgl1,sgl2,...sglnTgl1,Tgl2,...,Tgln---(1)]]>步骤2：数据归一化处理：设测量数据为glxi，i＝1,2,...,k6n，k6n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：glxi′=glxi-glxminglxmax-glxmin---(2)]]>式(2)中，glxmax、glxmin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的目标函数：yayz＝min fmb(glxi)+gcf(glxi)+rys(glxi)  (3)式(3)中，glxi为w6n个优化变量，i＝1,2,...,w6n，fmb(glxi)为目标函数，gcf(glxi)为目标函数的惩罚因子，rys(glxi)为目标函数的约束项，yayz即为待求的含大型光伏电站电网的谐波潮流概率指数；步骤3.2：支持向量机算法核函数的选取：根据数据特点，选取高斯径向基核函数为该算法的核函数，其定义如下：h(glxj,glxi)=e|glxj-glxi|22σ2---(4)]]>式(4)中，|glxj‑glxi|为两个向量间的距离，σ为不等于零的常数；步骤3.3：基于粒子群算法的支持向量机参数寻优：根据输入输出样本计算每个粒子位置对应的适应度值，根据如下迭代公式进行粒子速度与位置的更新，即：viDk+1=wviDk+c1rand()(pbiDk-xiDk)+c2rand()(gbiDk-xiDk)xiDk+1=xiDk+viDk+1---(5)]]>式(5)中，为第k次迭代下，粒子i的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，随机函数rand()为0～1之间的随机数，惯性权重w起着权衡局部最优能力和全局最优能力的作用；步骤4：含大型光伏电站电网的谐波潮流概率指数计算：根据寻优参数构建光伏电站电网的谐波潮流概率指数最优支持向量机模型，将数据输入模型中，即可得到大型光伏电站电网的谐波潮流概率指数预测值yayz。