[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

摘要

本发明提供了一种光伏电站并网点逆变器谐振概率指数预测方法，通过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，构建测量数据时间序列的m维相空间，并进行测量数据相空间重构后的遗传算法优化神经网络处理，进而进行光伏电站并网点逆变器谐振概率指数计算，得到光伏电站并网点逆变器谐振概率指数预测值。该方法能够根据监测参数对光伏电站并网点逆变器谐振概率指数进行预测计算，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振过电压等问题，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。

主权项

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,...,txzn，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：uxz1,uxz2,...,uxznixz1,ixz2,...,ixznduxz1,duxz2,...,duxznTxz1,Txz2,...,Txznsxz1,sxz2,...,sxzn---(1)]]>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{xzi}，其中(i＝1,2,...,k5n)，并利用此特征量构造一组m维向量VXZi＝(xzi,xzi‑τ,...,xzi‑(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：yxz＝min fmb(xzxi)+gcf(xzxi)+rys(xzxi)   (3)式(3)中，xzxi为优化变量i＝1,2,...,w5n，fmb(xzxi)为目标函数，gcf(xzxi)为目标函数的惩罚因子，rys(xzxi)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θi排序，并将所有参数θi设为非零随机值从而对参数进行初始化，与θi对应的yxz计算值记为yi，待求的yxz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ffit：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yxz。