本發(fā)明屬于光伏發(fā)電技術領域，特別涉及一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法。
背景技術：
電力系統(tǒng)中分布式光伏發(fā)電設備和儲能設備組成了一個復雜的系統(tǒng)，如何根據(jù)分布式光儲系統(tǒng)及配電網(wǎng)運行特點進行光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測評估，使每個光儲聯(lián)合發(fā)電系統(tǒng)能夠安全、穩(wěn)定、高效運行，以往光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)計算方法的特點是忽略分布式光伏及光伏儲能與配電網(wǎng)間的相互作用關系，由區(qū)域電網(wǎng)或光儲聯(lián)合發(fā)電系統(tǒng)內各個系統(tǒng)獨立進行功率性分析，不能有效利用電網(wǎng)和分布式光伏發(fā)電運行數(shù)據(jù)資源，評估準確度和光伏利用效率不高。
有鑒于此，本發(fā)明提供一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法，以滿足實際應用需要。
技術實現(xiàn)要素：
本發(fā)明的目的是：為克服現(xiàn)有技術的不足，本發(fā)明提供一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法，從而獲得光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)。
本發(fā)明所采用的技術方案是：一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法，其特征在于，包括如下步驟：
步驟1：建立光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)演化系統(tǒng)的時間序列：
在固定時間間隔對發(fā)電系統(tǒng)有功、發(fā)電系統(tǒng)無功、pm2.5、溫度、輻照強度進行測量，光儲輸出功率最大值與輸出功率測量值之差除以光儲系統(tǒng)總容量作為光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)，即：
則，在一系列時刻tpcp1,tpcp2,...,tpcpn，n為自然數(shù)，n＝1,2,…，得到發(fā)電系統(tǒng)有功ppcp、發(fā)電系統(tǒng)無功qpcp、pm2.5pmp、輻照強度spcp、溫度tpcp測量數(shù)據(jù)序列：
步驟2：測量數(shù)據(jù)的蟻群神經網(wǎng)絡處理：
步驟2.1：建立帶有懲罰因子和約束函數(shù)目標函數(shù)：
ypcp＝minfmb(pcpxi)+gcf(pcpxi)+rys(pcpxi)(2)
其中，式中pcpxi為優(yōu)化變量，i＝1,2,...,w5n)，fmb(pcpxi)為目標函數(shù)，gcf(pcpxi)為目標函數(shù)的懲罰因子，rys(pcpxi)為目標函數(shù)的約束項，ypcp為待求的光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測值；
步驟2.2蟻群神經網(wǎng)絡參數(shù)初始化：
將神經網(wǎng)絡參數(shù)θi排序，并將所有參數(shù)θi設為非零隨機值從而對參數(shù)進行初始化，形成集合sθi，螞蟻的數(shù)目定義為num、蟻群從源點出發(fā)，每只螞蟻從每個集合sθi中選擇一個元素，在所有集合中均選擇一個元素后，該螞蟻即到達了食物源，然后，每只螞蟻按原路返回源點；
步驟2.3：狀態(tài)轉移概率的計算：
針對集合sθi，任意螞蟻根據(jù)如下概率公式選擇第j個元素，直至全部螞蟻達到食物源：
式中，下標i表示為當前螞蟻能選擇的元素，
步驟2.4：信息素更新：
采用全局異步信息素更新，在每一只螞蟻選擇某個節(jié)點后，該節(jié)點的信息素進行如下更新：
τi,j＝(1-ρ)τi,j+ρ△τi,j(4)
式中，ρ為[0,1]區(qū)間上的可調參數(shù)，△τi,j按照如下公式計算：
式中，yi為神經網(wǎng)絡實際輸出值，
步驟3：光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)計算：
當蟻群算法的迭代次數(shù)達到設定最大迭代次數(shù)nmax，蟻群算法終止，得到神經網(wǎng)絡參數(shù)最優(yōu)值初始參數(shù)，當神經網(wǎng)絡滿足精度要求γ后，得到y(tǒng)pcp即為光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測值。
本發(fā)明的有益效果是：本發(fā)明為光伏電網(wǎng)提供了一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法，對配電網(wǎng)及其內光儲系統(tǒng)運行參數(shù)及氣象環(huán)境參數(shù)進行實時監(jiān)測，并根據(jù)監(jiān)測參數(shù)對光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)進行預測計算，根據(jù)計算結果實時地對光儲聯(lián)合發(fā)電系統(tǒng)及配電網(wǎng)進行控制，能夠有效避免配電網(wǎng)系統(tǒng)因光儲接入帶來的電壓等問題，顯著提高配電網(wǎng)電力系統(tǒng)在光儲聯(lián)合系統(tǒng)接入后的可靠性與經濟性。
附圖說明
圖1為本發(fā)明實施例的目標函數(shù)迭代運算圖。
具體實施方式
為了更好地理解本發(fā)明，下面結合實施例進一步闡明本發(fā)明的內容，但本發(fā)明的內容不僅僅局限于下面的實施例。本領域技術人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣在本申請所列權利要求書限定范圍之內。
如圖1所示，本發(fā)明實施例提供的一種光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測方法，包括如下步驟：
步驟1：建立光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)演化系統(tǒng)的時間序列：
在固定時間間隔對發(fā)電系統(tǒng)有功、發(fā)電系統(tǒng)無功、pm2.5、溫度、輻照強度進行測量，光儲輸出功率最大值與輸出功率測量值之差除以光儲系統(tǒng)總容量作為光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)，即：
則，在一系列時刻tpcp1,tpcp2,...,tpcpn，n為自然數(shù)，n＝1,2,…，得到發(fā)電系統(tǒng)有功ppcp、發(fā)電系統(tǒng)無功qpcp、pm2.5pmp、輻照強度spcp、溫度tpcp測量數(shù)據(jù)序列：
步驟2：測量數(shù)據(jù)的蟻群神經網(wǎng)絡處理：
步驟2.1：建立帶有懲罰因子和約束函數(shù)目標函數(shù)：
ypcp＝minfmb(pcpxi)+gcf(pcpxi)+rys(pcpxi)(2)
其中，式中pcpxi為優(yōu)化變量，i＝1,2,...,w5n)，fmb(pcpxi)為目標函數(shù)，gcf(pcpxi)為目標函數(shù)的懲罰因子，rys(pcpxi)為目標函數(shù)的約束項，ypcp為待求的光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測值。
步驟2.2蟻群神經網(wǎng)絡參數(shù)初始化：
將神經網(wǎng)絡參數(shù)θi排序，并將所有參數(shù)θi設為非零隨機值從而對參數(shù)進行初始化，形成集合sθi，螞蟻的數(shù)目定義為num、蟻群從源點出發(fā)，每只螞蟻從每個集合sθi中選擇一個元素，在所有集合中均選擇一個元素后，該螞蟻即到達了食物源，然后，每只螞蟻按原路返回源點。
步驟2.3：狀態(tài)轉移概率的計算：
針對集合sθi，任意螞蟻根據(jù)如下概率公式選擇第j個元素，直至全部螞蟻達到食物源：
式中，下標i表示為當前螞蟻能選擇的元素，
在本實施例中，取b＝0.9678。
步驟2.4：信息素更新：
采用全局異步信息素更新，在每一只螞蟻選擇某個節(jié)點后，該節(jié)點的信息素進行如下更新：
τi,j＝(1-ρ)τi,j+ρ△τi,j(4)
式中，ρ為[0,1]區(qū)間上的可調參數(shù)。在本實施例中，τ0＝0.7465，ρ＝0.1156。
△τi,j按照如下公式計算：
式中，yi為神經網(wǎng)絡實際輸出值，
步驟3：光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)計算：
當蟻群算法的迭代次數(shù)達到設定最大迭代次數(shù)nmax＝40000，蟻群算法終止，得到神經網(wǎng)絡參數(shù)最優(yōu)值初始參數(shù)，當神經網(wǎng)絡滿足精度要求γ＝0.001后，得到y(tǒng)pcp即為光儲聯(lián)合發(fā)電系統(tǒng)最大功率系數(shù)預測值。
以上僅為本發(fā)明的實施例而已，并不用于限制本發(fā)明，因此，凡在本發(fā)明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的權利要求范圍之內。