本发明属于配电网技术领域，特别涉及一种配电网光储发电主动频率波动抑制系数预测方法。
背景技术：
配电网电力系统中分布式光伏发电设备和储能设备组成了一个复杂的系统，如何根据分布式光储系统及配电网运行特点进行配电网光储发电主动频率波动抑制系数预测评估，使每个光储联合发电系统及其所接入的配电网能够安全、稳定、高效运行，以往配电网频率波动抑制系数计算方法的特点是忽略分布式光伏及光伏储能与配电网间的相互作用关系，由区域电网或光储联合发电系统内各个系统独立进行频率波动分析，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高。
有鉴于此，本发明提供一种配电网光储发电主动频率波动抑制系数预测方法，以满足实际应用需要。
技术实现要素：
本发明的目的是：为克服现有技术的不足，本发明提供一种配电网光储发电主动频率波动抑制系数预测方法，从而获得配电网光储发电主动频率波动抑制系数。
本发明所采用的技术方案是：一种配电网光储发电主动频率波动抑制系数预测方法，其特征在于，包括如下步骤：
步骤1：建立配电网光储发电主动频率波动抑制系数演化系统的时间序列：
在固定时间间隔对并网点电压频率、并网点电压值、电压变化率、并网点有功、温度、湿度进行测量，电压额定频率值与实际电压频率测量值之差除以历史电压频率最大值与历史电压频率最小值作为光储发电主动频率波动抑制系数，即：
则，在一系列时刻tayz1,tayz2,...,tayzn，n为自然数，n＝1,2,…，得到并网点电压频率fayz、并网点电压值uayz、电压变化率duayz、并网点有功payz，温度tayz、湿度wayz测量数据序列：
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{yayzi}，其中(i＝1,2,...,6n)，并利用此特征量构造一组m维向量：
xyayzi＝(yayzi,yayzi-τ,...,yayzi-(m-1)τ)(2)
其中，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神经网络粒子群算法处理：
步骤3.1：建立带有惩罚因子和约束函数的目标函数：
yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)
其中，式中ayzxi为优化变量，fmb(ayzxi)为目标函数，gcf(ayzxi)为目标函数的惩罚因子，rys(ayzxi)为目标函数的约束项，yayz为待求的配电网光储发电主动频率波动抑制系数；
步骤3.2：神经网络评价函数的建立：
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，构建神经网络的评价函数fpj：
式中，yi为神经网络实际输出值，
步骤3.3：目标函数粒子群算法处理：
将重构后的向量带入如下迭代公式，即：
其中，
步骤3.4：惯性权重的修正：
为了提高算法的收敛性，将惯性权重进入神经网络进行训练：
式中，yi为神经网络实际输出值，
步骤4：配电网光储发电主动频率波动抑制系数计算：
当粒子群算法的迭代次数达到设定最大迭代次数nmax，粒子群算法终止，得到神经网络参数最优值初始参数，根据评价函数fpj确定最优神经网络，当神经网络满足精度要求γ后，得到yayz即为配电网光储发电主动频率波动抑制系数预测值。
本发明的有益效果是：本发明为配电网提供了一种配电网光储发电主动频率波动抑制系数预测方法，对配电网及其内光储系统运行参数及气象环境参数进行实时监测，并根据监测参数对光储发电主动频率波动抑制系数进行预测计算，根据计算结果实时地对光储联合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储接入带来的频率波动等问题，显著提高配电网电力系统在光储联合系统接入后的可靠性与经济性。
附图说明
图1为本发明实施例的目标函数迭代运算图。
具体实施方式
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。
如图1所示，本发明实施例提供的一种配电网光储发电主动频率波动抑制系数预测方法，包括如下步骤：
步骤1：建立配电网光储发电主动频率波动抑制系数演化系统的时间序列：
在固定时间间隔对并网点电压频率、并网点电压值、电压变化率、并网点有功、温度、湿度进行测量，电压额定频率值与实际电压频率测量值之差除以历史电压频率最大值与历史电压频率最小值作为光储发电主动频率波动抑制系数，即：
则，在一系列时刻tayz1,tayz2,...,tayzn(n为自然数，n＝1,2,…)得到并网点电压频率fayz、并网点电压值uayz、电压变化率duayz、并网点有功payz，温度tayz、湿度wayz测量数据序列：
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{yayzi}，其中(i＝1,2,...,6n)，并利用此特征量构造一组m维向量：
xyayzi＝(yayzi,yayzi-τ,...,yayzi-(m-1)τ)(2)
其中，τ为延迟时间，m为嵌入维数。
在本实施例中，τ＝4，m＝9。
步骤3：测量数据相空间重构后的神经网络粒子群算法处理：
步骤3.1：建立带有惩罚因子和约束函数的目标函数：
yayz＝minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi)(3)
其中，式中ayzxi为优化变量，fmb(ayzxi)为目标函数，gcf(ayzxi)为目标函数的惩罚因子，rys(ayzxi)为目标函数的约束项，yayz为待求的配电网光储发电主动频率波动抑制系数。
步骤3.2：神经网络评价函数的建立：
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，构建神经网络的评价函数fpj：
式中，yi为神经网络实际输出值，
步骤3.3：目标函数粒子群算法处理：
将重构后的向量带入如下迭代公式，即：
其中，
在本实施例中，c1＝3.3329,c2＝4.8632。
步骤3.4：惯性权重的修正：
为了提高算法的收敛性，将惯性权重进入神经网络进行训练：
式中，yi为神经网络实际输出值，
在本实施例中，h＝0.65873。
步骤4：配电网光储发电主动频率波动抑制系数计算：
当粒子群算法的迭代次数达到设定最大迭代次数nmax＝50000，粒子群算法终止，得到神经网络参数最优值初始参数，根据评价函数fpj确定最优神经网络，当神经网络满足精度要求γ＝0.01后，得到yayz即为光储联合发电系统最大功率系数光储发电主动频率波动抑制系数预测值。
以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。