本发明专利技术提出了基于混沌时间序列和神经网络的微电网电压安全评估方法，包括以下步骤：步骤1，输入电压数据时间序列；步骤2，进行安全评估；步骤3，对电压数据的混沌性进行判断；步骤4，进行相空间重构；步骤5，RBF神经网络的训练；步骤6，提供判断微电网电压安全可控依据；步骤7，结束；将微电网的公共连接点（PCC）的电压作为评估微电网是否安全的依据，采用电压安全评估指数（VSAI）算法，将采集到的微电网PCC的电压序列移动平均值与采集点的电压作比较，从而得到偏差值，再带入所定义的VSAI算法中，确定微电网的电压是否处于安全状态，最后根据混沌时间序列和RBF神经网络算法的融合，预测出短时电压变化曲线，为微电网的安全可控提供依据。
Voltage Safety Assessment Method for Microgrid Based on Chaotic Time Series and Neural Network
【技术实现步骤摘要】
基于混沌时间序列和神经网络的微电网电压安全评估方法
本专利技术涉及一种电压安全评估方法，具体的说是一种微电网电压安全评估方法，属于电力系统自动化
技术介绍
随着常规化石能源的不断消耗以及引起的碳排放、环境污染等问题日趋严重，寻求清洁高效的可再生能源以替代可耗竭的化石能源已受到人们普遍关注。利用风电、光伏等可再生资源替代化石能源，对于降低碳排放，改善能源结构将起到重要的作用，但由于可再生资源具有明显的间歇性及波动性，使得包含可再生能源的微电网调控难度不断增加，而近几年，以降低碳排放、节约常规能源和减少环境污染为目的电动汽车接入微电网进行自由充电，都会使电源侧和负荷侧呈现出一定的非可控性，从而给微电网的安全和调控带来了新的挑战。传统的微电网的电压预测和安全评估的研究大都基于物理或者统计的方法，其中统计方法主要基于单一的预测模型，有一定的主观性，预测误差较大，因此针对包含波动性和间歇性的分布式电源以及随机性负荷的微电网电压进行安全评估的问题，急需一种更好的方法来解决。
技术实现思路
本专利技术所要解决的技术问题是，预测模型单一，有一定的主观性，预测误差较大，使得微电网的安全评估精度差，不可靠，为克服现有技术的不足而提供基于混沌时间序列和神经网络的微电网电压安全评估方法。本专利技术提供基于混沌时间序列和神经网络的微电网电压安全评估方法，包括以下步骤：步骤1，输入电压数据时间序列；步骤2，进行安全评估；步骤3，对电压数据的混沌性进行判断；步骤4，进行相空间重构；步骤5，RBF神经网络的训练；步骤6，提供判断微电网电压安全可控依据；步骤7，结束。进一步的，所述关键字层次结构分为测试用例集合、测试用例层、测试步骤层，关键字的定义与测试用例集合的结构密不可分，一套测试用例集合包含了一系列测试用例，而一个测试用例是由各个测试步骤组合构成的。进一步的，所述步骤2中，采用VSAI的动态电压稳定性标准进行安全评估，根据负载总线电压的均方根值的时间序列数据进行计算，将采集到的离散电压序列{v,i1,2,n}，由电压安全评估指数按照以下步骤配置：步骤2.1，求取重构后电压数据的移动平均值：步骤2.2，计算测量点的电压vi与电压的移动平局值之间的偏差ci：步骤2.3，在第i个瞬间将百分比多样性曲线下的面积除以N的值如下：步骤2.4，第i个瞬间的VSAI定义为：VSAIi＝uth-ui(4)其中uth是安全阈值；动态电压安全评估的标准如下：当VSAIi＝uth-ui≤0那么说明微电网系统总线电压被评估为危险，而只有当VSAIi＝uth-ui＞0时，微电网电压才处于一个安全状态。进一步的，所述步骤3的具体内容如下：建立一维的动力系统：xn+1＝f(xn)n＝0,1,2,…(5)其中初值x0受到一个微小的扰动δx0，通过一次迭代后，偏差为经过n次迭代后，绝对偏差为：其中：定义：为Lyapunov指数；当λ为正值时，表示系统相邻轨道迅速分离，长时间运动局部不稳定且对初始值敏感，轨线在有界区域内多次折叠，从而导致混沌。进一步的，所述步骤4的具体内容如下：长度为n的电压时间序列{vi,i＝1,2,…n}，其延迟时间和嵌入维数分别为τ和m，根据嵌入定理可知，重构的相空间为：V＝[V1,V2,…,VM]T(11)其中，Vi＝[vi,vi+τ,vi+2τ,…,vi+(m-1)τ]即：[V1]＝[v1v1+τv1+2τ…v1+(m-1)τ](12)式中，M为重构后相空间中的相点数，满足M＝n-(m-1)τ,Vi为第i个相点。进一步的，所述延迟时间τ采用互相信息法求取，以两个随机变量间一般性度量，决定了序列vi相对于其它某个时刻的vi+τ具有多少信息，其中vi和vi+τ的交互信息形式为：式中，P(vi)和P(vi+τ)为vi和vi+τ的归一化分布，P(vi,vi+τ)为其联合分布；混沌时间序列的交互信息参数I(τ)总是大于0，选取参数I(τ)的第一个最小值作为时间序列的延迟时间。进一步的，所述嵌入维数m采用G-P算法进行求取，具体步骤如下：步骤4.2.1，利用时间序列v1,v2,…,vn-1,vn,…,先给一个小值m0，对应一个重构的相空间；步骤4.2.2，计算关联函数其中|Y(ti)-Y(tj)|表示相点Y(ti)和Y(tj)之间的距离，θ(z)是Heaviside函数，C(r)是一个累积分布函数，表示相空间吸引子上两点之间距离小于r的概率；步骤4.2.3，对于r的适当范围，吸引子的维数d与累积分布函数C(r)应满足对数线性关系，即d(m)＝lnC(r)/lnr，从而由拟合求出对应于m0的关联维数估计值d(m0)；步骤4.2.4，增加嵌入维数m1＞m0，重复计算步骤4.2.2和4.2.3，直到相应的维数估计值d(m)不在随m的增长而在误差范围内不变为止。此时得到的d即为吸引子的关联维数。进一步的，所述步骤5的具体内容如下：RBF神经网络的包括输入层、隐含层和输出层，为多层前向网络结构，所述输入层的信号源节点可传递输入信号到隐含层得节点；隐含层的节点呈辐射状函数结构；输出层的传递函数是线性函数，是对输入模式的作用做出响应；将RBF神经网络的输入层到隐含层的权值设定为常数1，网络训练时训练隐含层到输出层的权值，包括以下内容：在网络学习中，样本输入数据为X1,X2,X3,…，XN，样本输入数据对应的目标输出为y1,y2,y3,…,yN，输入数据的样本表示为{Xi，yi},i＝1,2,…,N，网络不考虑阈值的输出为F(Xj)，隐含层第i个神经元的激励函数为ui(·)；网络学习时的目标函数定义为：式中，βj为遗忘因子；网络输出误差值为：网络输出F(X)分别对网络中心ci输出权值wi的偏导(梯度)为：网络中心ci，输出权值wi的修正量为：式中，ui(Xj)为第i个隐含层神经元对Xj的输出，η为网络学习率。网络在训练时，将求出的权值修正值加上前一次训练的权值就可以得到修正后的权值。进一步的，所述步骤6的包括以下具体步骤：步骤6.1，以欧式距离作为样本的选择标准，选取相空间中离第M个相点的欧式距离最近的k个相点为训练样本的输入部分，训练样本中的目标输出为所选的相点在相空间对应位置的下一行的最后一个分量，由此便可以组成网络的训练样本对。将训练样本对输入网络进行训练，当网络达到训练精度或达到最大学习次数时，停止网格训练。步骤6.2，在得到满足要求的网络后，以相空间中第M个相点作为网格的输入，此时便可以得到网络的第一个预测结果,，将第一个预测结果反馈到网络的输入端，以此来重新构造网络的输入，然后再进行预测得到第二个预测结果，直至得到预测结果。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：根据微电网实际运行特点，考虑到运行过程中由于光伏、风力等分布式能源的随机性和波动性而导致分布式电源出力的不稳定以及用户侧需求的动态变化的问题，将微电网的公共连接点(PCC)的电压作为评估微电网是否安全的依据，采用电压安全评估指数(VSAI)算法，将采集到的微电网PCC的电压序列移动平均值与采集点的电压作比较，从而得到偏差值，再带入所定义的VSAI算法中，确定微电网的电压是否处于安全状态，最后根据混沌时间序列和RBF神经网络算法的融合，预测出短时电压变化曲线，为微电网的安全本文档来自技高网...
【技术保护点】
1.基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，包括以下步骤：步骤1，输入电压数据时间序列；步骤2，进行安全评估；步骤3，对电压数据的混沌性进行判断；步骤4，进行相空间重构；步骤5，RBF神经网络的训练；步骤6，提供判断微电网电压安全可控依据；步骤7，结束。
【技术特征摘要】
1.基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，包括以下步骤：步骤1，输入电压数据时间序列；步骤2，进行安全评估；步骤3，对电压数据的混沌性进行判断；步骤4，进行相空间重构；步骤5，RBF神经网络的训练；步骤6，提供判断微电网电压安全可控依据；步骤7，结束。2.根据权利要求1所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤2中，采用VSAI的动态电压稳定性标准进行安全评估，根据负载总线电压的均方根值的时间序列数据进行计算，将采集到的离散电压序列{v,i1,2,n}，由电压安全评估指数按照以下步骤配置：步骤2.1，求取重构后电压数据的移动平均值：步骤2.2，计算测量点的电压vi与电压的移动平局值之间的偏差ci：步骤2.3，在第i个瞬间将百分比多样性曲线下的面积除以N的值如下：步骤2.4，第i个瞬间的VSAI定义为：VSAIi＝uth-ui(4)其中uth是安全阈值；动态电压安全评估的标准如下：当VSAIi＝uth-ui≤0那么说明微电网系统总线电压被评估为危险，而只有当VSAIi＝uth-ui＞0时，微电网电压才处于一个安全状态。3.根据权利要求2所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤3的具体内容如下：建立一维的动力系统：xn+1＝f(xn)n＝0,1,2,…(5)其中初值x0受到一个微小的扰动δx0，通过一次迭代后，偏差为δx1＝f(x0+δx0)-f(x0)≈f'(x0)δx0(6)经过n次迭代后，绝对偏差为：其中：定义：为Lyapunov指数；当λ为正值时，表示系统相邻轨道迅速分离，长时间运动局部不稳定且对初始值敏感，轨线在有界区域内多次折叠，从而导致混沌。4.根据权利要求3所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述步骤4的具体内容如下：长度为n的电压时间序列{vi,i＝1,2,…n}，其延迟时间和嵌入维数分别为τ和m，根据嵌入定理可知，重构的相空间为：V＝[V1,V2,…,VM]T(11)其中，Vi＝[vi,vi+τ,vi+2τ,…,vi+(m-1)τ]即：[V1]＝[v1v1+τv1+2τ…v1+(m-1)τ](12)式中，M为重构后相空间中的相点数，满足M＝n-(m-1)τ,Vi为第i个相点。5.根据权利要求4所述的基于混沌时间序列和神经网络的微电网电压安全评估方法，其特征在于，所述延迟时间τ采用互相信息法求取，以两个随机变量间一般性度量，决定了序列vi相对于其它某个时刻的vi+τ具有多少信息，其中vi和vi+τ的交互信息形式为：式中，P(vi)和P(vi+τ)为vi和vi+τ的归一化分布，P(vi,vi+τ)为其联合分布；混沌时间序列的交互信息参数I(τ)总是大于0，选取参数I(τ)的第一个最小值作为时间序列的延迟时间。6.根据权利...
【专利技术属性】
技术研发人员：窦春霞，秦赫，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32
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。