本发明专利技术提供了一种光储联合发电系统动态响应性能指数预测方法，通过建立光储联合发电系统动态响应性能指数演化系统的时间序列，对时间序列测量数据进行贝叶斯前馈人工神经网络处理，进而基于马尔可夫链蒙特卡罗方法对光储联合发电系统动态响应性能指数预测计算，得到光储联合发电系统动态响应性能指数预测值。该方法能够根据监测参数对光储联合发电系统动态响应性能指数进行预测计算，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功率不匹配等问题，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。
【技术实现步骤摘要】
本专利技术属于光伏发电
，特别涉及一种光储联合发电系统动态响应性能指数预测方法。
技术介绍
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光储联合发电系统动态响应性能指数预测评估，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，以往配电网并网点功率平衡指数光储联合发电系统动态响应性能指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动态响应分析，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，本专利技术提供一种光储联合发电系统动态响应性能指数预测方法，以满足实际应用需要。
技术实现思路
本专利技术的目的是：为克服现有技术的不足，本专利技术提供一种光储联合发电系统动态响应性能指数预测方法，从而获得光储联合发电系统动态响应性能指数。本专利技术所采用的技术方案是：一种光储联合发电系统动态响应性能指数预测方法，其特征在于，包括如下步骤：步骤1：建立光储联合发电系统动态响应性能指数演化系统的时间序列：在固定时间间隔对发电系统并网点有功功率、电压、电压变化率、温度、光照强度进行测量，并定义如下光储联合发电系统动态响应性能指数，即：则，在一系列时刻tdt1,tdt2,...,tdtn，n为自然数，n＝1,2,…，得到并网点有功功率pdt、电压vdt、电压变化率vddt、温度Tdt、光照强度sdt的测量数据：步骤2：贝叶斯前馈人工神经网络建立：步骤2.1：建立贝叶斯前馈人工神经模型：以步骤1中测量得到的测量数据为输入训练数据的前馈人工神经模型为：ydt＝f(dtx,θw)(2)式中，θw为前馈人工神经网络中隐层、输出层的权值参数集合；dtx为由测量数据构成的训练样本数据；f(dtx,θw)表示多感知器函数方程，服从高斯分布，ydt为待求的光储联合发电系统动态响应性能指数；步骤2.2：权值参数贝叶斯后验概率分布的确定：将测量得到的样本数据信息进行组合，根据贝叶斯法则可以得到参数的后验分布：p(θw|dtx)～L(θw|dtx)p(θw)(3)式中，p(θw|dtx)为θw在样本的dtx条件下的概率中所有的参数和超参数，L(θw|dtx)为θw在样本的dtx条件下的似然函数，p(θw)为θw的概率；步骤2.3：期望函数的确定：根据模型预测均方误差的最优估计原则，后验预测分布的数学期望通过如下计算公式得到：步骤3：基于马尔可夫链蒙特卡罗方法对光储联合发电系统动态响应性能指数预测值的求取：公式(4)中的积分是函数ydt＝f(dtx,θw)关于参数后验分布p(θw|dtx)的期望，这个数学期望可以用马尔可夫链蒙特卡罗方法来近似，公式如下：其中，n1为被舍弃的一些初始马尔可夫链，n2为来自平衡后验分布的权向量样本数，θs为参数θw后验分布的采样值，解得即为光储联合发电系统动态响应性能指数预测值。本专利技术的有益效果是：本专利技术为光伏电网提供了一种光储联合发电系统动态响应性能指数预测方法，对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联合发电系统动态响应性能指数进行预测计算，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功率不匹配等问题，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为本专利技术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专利技术，下面结合实施例进一步阐明本专利技术的内容，但本专利技术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专利技术作各种改动或修改，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，本专利技术实施例提供的一种光储联合发电系统动态响应性能指数预测方法，包括如下步骤：步骤1：建立光储联合发电系统动态响应性能指数演化系统的时间序列：在固定时间间隔对发电系统并网点有功功率、电压、电压变化率、温度、光照强度进行测量，并定义如下光储联合发电系统动态响应性能指数，即：则，在一系列时刻tdt1,tdt2,...,tdtn，n为自然数，n＝1,2,…，得到并网点有功功率pdt、电压vdt、电压变化率vddt、温度Tdt、光照强度sdt的测量数据：步骤2：贝叶斯前馈人工神经网络建立：步骤2.1：建立贝叶斯前馈人工神经模型，传递函数f为Sigmoid函数：以步骤1中测量得到的测量数据为输入训练数据的前馈人工神经模型为：ydt＝f(dtx,θw)(2)式中，θw为前馈人工神经网络中隐层、输出层的权值参数集合；dtx为由测量数据构成的训练样本数据；f(dtx,θw)表示多感知器函数方程，服从高斯分布，ydt为待求的光储联合发电系统动态响应性能指数。步骤2.2：权值参数贝叶斯后验概率分布的确定：将测量得到的样本数据信息进行组合，根据贝叶斯法则可以得到参数的后验分布：p(θw|dtx)～L(θw|dtx)p(θw)(3)式中，p(θw|dtx)为θw在样本的dtx条件下的概率中所有的参数和超参数，L(θw|dtx)为θw在样本的dtx条件下的似然函数，p(θw)为θw的概率。步骤2.3：期望函数的确定：根据模型预测均方误差的最优估计原则，后验预测分布的数学期望通过如下计算公式得到：步骤3：基于马尔可夫链蒙特卡罗方法对光储联合发电系统动态响应性能指数预测值的求取：公式(4)中的积分是函数ydt＝f(dtx,θw)关于参数后验分布p(θw|dtx)的期望，这个数学期望可以用马尔可夫链蒙特卡罗方法来近似，公式如下：其中，n1为被舍弃的一些初始马尔可夫链，n2为来自平衡后验分布的权向量样本数，θs为参数θw后验分布的采样值，在本实施例中，n1＝10000，n2＝40000，解得即为光储联合发电系统动态响应性能指数预测值。以上仅为本专利技术的实施例而已，并不用于限制本专利技术，因此，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术的权利要求范围之内。本文档来自技高网...
【技术保护点】
一种光储联合发电系统动态响应性能指数预测方法，其特征在于，包括如下步骤：步骤1：建立光储联合发电系统动态响应性能指数演化系统的时间序列：在固定时间间隔对发电系统并网点有功功率、电压、电压变化率、温度、光照强度进行测量，并定义如下光储联合发电系统动态响应性能指数，即：则，在一系列时刻tdt1,tdt2,...,tdtn，n为自然数，n＝1,2,…，得到并网点有功功率pdt、电压vdt、电压变化率vddt、温度Tdt、光照强度sdt的测量数据：pdt1,pdt2,...,pdtnvdt1,vdt2,...,vdtnvddt1,vddt2,...,vddtnTdt1,Tdt2,...,Tdtnsdt1,sdt2,...,sdtn---(1)]]>步骤2：贝叶斯前馈人工神经网络建立：步骤2.1：建立贝叶斯前馈人工神经模型：以步骤1中测量得到的测量数据为输入训练数据的前馈人工神经模型为：ydt＝f(dtx,θw) (2)式中，θw为前馈人工神经网络中隐层、输出层的权值参数集合；dtx为由测量数据构成的训练样本数据；f(dtx,θw)表示多感知器函数方程，服从高斯分布，ydt为待求的光储联合发电系统动态响应性能指数；步骤2.2：权值参数贝叶斯后验概率分布的确定：将测量得到的样本数据信息进行组合，根据贝叶斯法则可以得到参数的后验分布：p(θw|dtx)～L(θw|dtx)p(θw) (3)式中，p(θw|dtx)为θw在样本的dtx条件下的概率中所有的参数和超参数，L(θw|dtx)为θw在样本的dtx条件下的似然函数，p(θw)为θw的概率；步骤2.3：期望函数的确定：根据模型预测均方误差的最优估计原则，后验预测分布的数学期望通过如下计算公式得到：y^=∫f(dtx,θw)p(θw|dtx)dθw---(4)]]>步骤3：基于马尔可夫链蒙特卡罗方法对光储联合发电系统动态响应性能指数预测值的求取：公式(4)中的积分是函数ydt＝f(dtx,θw)关于参数后验分布p(θw|dtx)的期望，这个数学期望可以用马尔可夫链蒙特卡罗方法来近似，公式如下：y^≈1n2Σn1+1n2+n1f(dtx,θs)---(5)]]>其中，n1为被舍弃的一些初始马尔可夫链，n2为来自平衡后验分布的权向量样本数，θs为参数θw后验分布的采样值，解得即为光储联合发电系统动态响应性能指数预测值。...
【技术特征摘要】
1.一种光储联合发电系统动态响应性能指数预测方法，其特征在于，包括如下步骤：步骤1：建立光储联合发电系统动态响应性能指数演化系统的时间序列：在固定时间间隔对发电系统并网点有功功率、电压、电压变化率、温度、光照强度进行测量，并定义如下光储联合发电系统动态响应性能指数，即：则，在一系列时刻tdt1,tdt2,...,tdtn，n为自然数，n＝1,2,…，得到并网点有功功率pdt、电压vdt、电压变化率vddt、温度Tdt、光照强度sdt的测量数据：pdt1,pdt2,...,pdtnvdt1,vdt2,...,vdtnvddt1,vddt2,...,vddtnTdt1,Tdt2,...,Tdtnsdt1,sdt2,...,sdtn---(1)]]>步骤2：贝叶斯前馈人工神经网络建立：步骤2.1：建立贝叶斯前馈人工神经模型：以步骤1中测量得到的测量数据为输入训练数据的前馈人工神经模型为：ydt＝f(dtx,θw)(2)式中，θw为前馈人工神经网络中隐层、输出层的权值参数集合；dtx为由测量数据构成的训练样本数据；f(dtx,θw)表示多感知器函数方程，服从高斯分布，ydt为待求的光储联合发电系统动态响应性能指数；步骤2.2：...
【专利技术属性】
技术研发人员：滕云，李新，宋锐，张海宁，杨立滨，
申请(专利权)人：国家电网公司，国网青海省电力公司，国网青海省电力公司电力科学研究院，沈阳工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。