本发明属于光伏发电技术领域，特别涉及一种大型光伏逆变器阻抗辨识误差指数评估方法。
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电能质量和安全问题，如何准确掌握大型光伏电站并网光伏逆变器阻抗参数，为电网或光伏电站运行状态控制时提供准确的基础数据，使光伏发电系统能够安全、稳定、高效运行。
现有的光伏逆变器阻抗辨识计算方法忽略了电站运行环境参数及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参数波动分析，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。因此，本发明提供一种大型光伏逆变器阻抗辨识误差指数评估方法，所述方法对配电网及其内光伏系统运行参数及气象环境参数进行实时监测，并根据监测参数对大型光伏逆变器阻抗辨识误差指数进行预测计算，根据计算结果实时地对光伏发电系统及配电网进行控制。
技术实现要素：
本发明提供一种大型光伏逆变器阻抗辨识误差指数评估方法，解决了现有的光伏逆变器电势参数辨识方法存在的忽略分布式光伏及光伏与配电网间的相互作用关系以及检测时刻状态与上一时刻状态之间的相互影响，不能有效利用电网和分布式光伏发电运行数据资源以及评估准确度和光伏利用效率不高的技术问题。
本发明通过下述技术方案实现，所述方法包括(1)根据实时监测获得的参数，建立大型光伏逆变器阻抗辨识误差指数演化系统的时间序列；(2)根据所述演化系统的时间序列对测量数据的遗传神经网络进行优化处理；(3)根据所述遗传神经网络优化处理结果计算大型光伏逆变器阻抗辨识误差指数。
进一步的，为更好的实现本发明,所述实时监测获得的参数为配电网及所述配电网内光伏系统运行参数及气象环境参数。
进一步地，所述步骤(1)中演化时间序列是在固定时间间隔下建立的演化时间序列。
进一步地，所述演化时间序列包括为并网点电压、电流、等效阻抗、温度、光照。
进一步地，所述演化时间序列在一系列时刻tibs1,tibs2,...,tibsn下为
其中，n为自然数，n＝1,2,…；并网点电压uibs、电流iibs、等效阻抗ribs、温度Tibs、辐照强度sibs。
进一步地，所述步骤(2)包括以下步骤：
(A)依据步骤(1)中演化系统的时间序列建立带有惩罚因子、约束函数及目标函数的大型光伏逆变器阻抗辨识误差指数方程；
(B)将神经网络参数θi按二进制编码方式编码并排序，对参数进行初始化，形成集合Sθi，所述θi≥0；
(C)将步骤(A)中的目标函数进行优化遗传算法处理。
进一步地，所述步骤(A)中带有惩罚因子、约束函数及目标函数的大型光伏逆变器阻抗辨识误差指数方程为
yibs＝min fmb(ibsxi)+gcf(ibsxi)+rys(ibsxi)
其中，式中ibsxi(i＝1,2,...,w5n)为数量为w5n的优化变量，fmb(ibsxi)为目标函数，gcf(ibsxi)为目标函数的惩罚因子，rys(ibsxi)为目标函数的约束项，yibs为大型光伏逆变器阻抗辨识误差指数。
进一步地，所述步骤(C)中优化遗传算法处理过程为
在集合中2个个体之间进行算术交叉，交叉运算后生成2个新个体为：
其中，α为一变化的参量，利用粒子群算法的进化公式来重构变异算子，引入变异算子后的粒子群算法粒子公式为：
其中，为第t次迭代下xti累计迭代差的算术平均值，xid表示每个粒子目前为止所出现的最佳位置，xid(t)表示每个粒子当前所在位置，c1、c2表示学习常数，γ1γ2为信息反馈参数。
进一步地，所述步骤(3)中计算过程包括，优化遗传算法达到终止条件时，将得到的神经网络参数最优值初始参数来训练神经网络，神经网络满足精度要求Γ后，得到大型光伏逆变器阻抗辨识误差指数预测值yibs。
进一步地，所述方法用于控制光伏发电系统及配电网。
附图说明
图1目标函数迭代运算流程图。
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，但本实发明的实施方式不限于此。
实施例1：
采用上述一种大型光伏逆变器阻抗辨识误差指数评估方法，流程如图1，包括如下步骤：
定义如下光伏逆变器电势参数辨识误差波动系数：
步骤(1)：根据实时监测获得的参数，建立大型光伏逆变器阻抗辨识误差指数演化系统的时间序列
其中并网点电压uibs、电流iibs、等效阻抗ribs、温度Tibs、辐照强度sibs。
步骤(2)：根据所述演化系统的时间序列对测量数据的遗传神经网络进行优化处理：
(A)依据步骤(1)中演化系统的时间序列建立带有惩罚因子、约束函数及目标函数的大型光伏逆变器阻抗辨识误差指数方程；
yibs＝min fmb(ibsxi)+gcf(ibsxi)+rys(ibsxi)
其中，式中ibsxi(i＝1,2,...,w5n)为w5n个优化变量，fmb(ibsxi)为目标函数，gcf(ibsxi)为目标函数的惩罚因子，rys(ibsxi)为目标函数的约束项，yibs为大型光伏逆变器阻抗辨识误差指数。
(B)将神经网络参数θi按二进制编码方式编码并排序，对参数进行初始化，形成集合Sθi，所述θi＞0；
将神经网络参数θi按二进制编码方式编码并排序，θi设为大于0的随机值从而对参数进行初始化，形成集合Sθi；
(C)将步骤(A)中的目标函数进行优化遗传算法处理
假设在集合中2个个体之间进行算术交叉，则设交叉运算后生成2新个体为：
其中，α为一变化的参量。
利用粒子群算法的进化公式来重构变异算子，让个体依据自身当前最优解和子种群内当前最优解以及个体进化的速度来决定变异方向和幅度，使个体在进化的过程中可以将其进化的历史作为导向标。引入变异算子后的粒子群算法粒子更新公式为：
其中，为第t次迭代下累计迭代差的算术平均值，xid表示每个粒子目前为止所出现的最佳位置，xid(t)表示每个粒子当前所在位置，c1、c2表示学习常数，γ1γ2为信息反馈参数。
实施例2
本实施例在实施例1的基础上对步骤(2)中的步骤(B)进行进一步优化。
步骤(B)，将神经网络参数θi按二进制编码方式编码并排序，对参数进行初始化，形成集合Sθi，所述θi＜0；
将神经网络参数θi按二进制编码方式编码并排序，θi设为小于0的随机值从而对参数进行初始化，形成集合Sθi；
以上实施例所述的方法可用于控制光伏发电系统及配电网。
本发明相对于现有技术能够取得以下有益技术效果：(1)提高光伏逆变器的评估准确度，(2)避免配电网系统因光伏电站接入带来的电能质量的问题，(3)显著提高光伏利用率，(4)显著提高配电网电力系统的可靠性(5)，显著提高配电网电力系统的经济性的。
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。